CV 笔记

边缘检测

参考资料：https://www.jianshu.com/p/2334bee37de5

Sobel 算子

一阶差分

-1, 0, 1
-2, 0, 2
-1, 0, 1

这就是 Sobel 边缘检测算子，偏 x 方向的。（类似二元函数的偏导数，偏x，偏y）。下面是sobel 偏 y 方向的算子。

-1, -2, -1
0, 0, 0
1, 2, 1

分别计算偏 x 方向的 Gx，偏 y 方向的 Gy，求绝对值，压缩到 [0, 255]
区间，即 G(x, y) = Gx + Gy 就是 sobel 边缘检测后的图像了

拉普拉斯算子

拉普拉斯是用二阶差分计算边缘的，看连续函数的情况下
在一阶微分图中极大值或极小值处，认为是边缘。
在二阶微分图中极大值和极小值之间的过 0 点，被认为是边缘。

二维 f '(x, y) = -4 f(x, y) + f(x-1, y) + f(x+1, y) + f(x, y-1) + f(x, y+1)，提取模板如下

0, 1, 0
1, -4, 1
0, 1, 0

考虑两个斜对角的情况

1, 1, 1
1, -8, 1
1, 1, 1

Canny 算子

SolvePnP

参考资料：https://blog.csdn.net/cocoaqin/article/details/77848588
单目相机观测的世界是球形的，获得一个平面到相机的距离需要一个平面上的至少3个点，3个点可以确定一个与球形相切的平面。
我们将使用二维码作为标志物，通过二维码四个角点，通过P4P求解相机的位姿及空间坐标。

bool solvePnP(InputArray objectPoints, InputArray imagePoints, InputArray cameraMatrix, InputArray distCoeffs, OutputArray rvec, OutputArray tvec, bool useExtrinsicGuess=false, int flags=ITERATIVE )
　　objectPoints：特征点的世界坐标，坐标值需为float型，不能为double型，可以为mat类型，也可以直接输入vector
　　imagePoints：特征点在图像中的像素坐标，可以输入mat类型，也可以直接输入vector，注意输入点的顺序要与前面的特征点的世界坐标一一对应
　　cameraMatrix：相机内参矩阵
　　distCoeffs：相机的畸变参数【Mat_(5, 1)】
　　rvec：输出的旋转向量
　　tvec：输出的平移矩阵
　　最后的输入参数有三个可选项：
　　CV_ITERATIVE，默认值，它通过迭代求出重投影误差最小的解作为问题的最优解。
　　CV_P3P则是使用非常经典的Gao的P3P问题求解算法。
　　CV_EPNP使用文章《EPnP: Efficient Perspective-n-Point Camera Pose Estimation》中的方法求解。

霍夫变换

参考资料：https://www.cnblogs.com/php-rearch/p/6760683.html

笛卡尔坐标系中一条直线，对应霍夫空间的一个点。反过来同样成立（霍夫空间的一条直线，对应笛卡尔坐标系的一个点）：


笛卡尔A、B两个点，对应霍夫空间的情形：

可以看出如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于一点：这也是必然，共线只有一种取值可能。
如果不止一条直线呢？再看看多个点的情况（有两条直线）：

其实（3，2）与（4，1）也可以组成直线，只不过它有两个点确定，而图中A、B两点是由三条直线汇成，这也是霍夫变换的后处理的基本方式：选择由尽可能多直线汇成的点。看看，霍夫空间：选择由三条交汇直线确定的点（中间图），对应的笛卡尔坐标系的直线（右图）。

到这里问题似乎解决了，已经完成了霍夫变换的求解，但是如果像下图这种情况呢？

k=∞是不方便表示的，而且q怎么取值呢，这样不是办法。因此考虑将笛卡尔坐标系换为：极坐标表示。

在极坐标系下，其实是一样的：极坐标的点→霍夫空间的直线，只不过霍夫空间不再是[k,q]的参数，而是

的参数，给出对比图：