简短介绍一个OpenCV基本操作--图像的卷积2

初步了解OpenCV

安装的内容如下
Windows下安装
源码下载地址：https://sourceforge.net/projects/opencvlibrary/files/opencv-win/2.4.13/opencv-2.4.13.exe/download
安装程序：http://jingyan.baidu.com/article/4dc408484c0ec0c8d946f180.html~

OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

OpenCV采用BSD协议，这是一个非常宽松的协议。简而言之，用户可以修改OpenCV的源代码，可以将OpenCV嵌入到自己的软件中，可以将包含OpenCV的软件销售，可以用于商业产品，也可以用于科研领域。BSD协议并不具有“传染性”，如果你的软件中使用了OpenCV，你不需要公开代码。你可以对OpenCV做任何操作，协议对用户的唯一约束是要在软件的文档或者说明中注明使用了OpenCV，并附上OpenCV的协议。

C/C++语言中的main函数，经常带有参数argc，argv，如下：

int main(int argc,char** argv)
或者
int main(int argc, char* argv[])

在上面代码中，argc表示命令行输入参数的个数（以空白符分隔），argv中存储了所有的命令行参数。

进入实战

图像的卷积我们介绍俩种方法：普通求导与卷积求导。

#include<opencv2/opencv.hpp>
#include<iostream>

#define PI 3.1415926
using namespace std;
using namespace cv;
int main(int argc, char** argv)
{
/*//普通求导
  Mat src = imread("G:/project.jpg", 1);//读入G盘下的图片，自己根据自己图片的存储位置来引入
  cvtColor(src, src, COLOR_BGR2GRAY);//将彩色图转换为黑白图
  nameWindow("src", WINDOW_AUTOSIZE);//使图像自动适应屏幕
  imshow("src", src);//展示转换后的图片
  
  Mat dImg = Mat(src.rows, src.cols -2 , CV_8UC1);//创建一个和原始图像行数一致列数少2行的8位无符号的  单通道的灰度图片容器(CV_8UC1:创建无符号的8位单通道图片	)
  for(int i = 0 ; i<src.rows; i++)
  {
     for(int j=1; j<src.cols; j++)
       {
           dImg.at<uchar>(i , j-1) = src.at<uchar>(i , j +1)-src.at<uchar>(i , j - 1)//求导公式，目的在于得出转换后的图片
        }
 }
 cvNameWindow("dst", CV_WINDOW_AUTOSIZE);//创建窗口显示目录
 imshow("dst", dImg);//显示求导后的图片
 waitKey(0);//让窗口暂停直到按下任意键*/

//卷积求导
Mat src = imread("G:/protect.jpg", 1);
cvtColor(src, src, COLOR_BGR2GRAY);
namedWindow("src", WINDOW_AUTOSIZE);
imshow("src", src);//上面已解释

      //5*5卷积模板
 Mat model = Mat(5 , 5 ,CV_64FCI);//创建高斯模板
double sigma = 80;
for(int  i =-2; i<=2 ;i++)
{
   for(int j = -2; j<=2 ; j++)
    {
        model.at<double>(i + 2 , j + 2) = exp(-(i * i +j * j) / (2 *sigma *sigma)) / (2 * PI * sigma);//根据公式给高斯模板中的各个元素赋值
    }
}

//矩阵求和
double  gaussSum = 0;
gaussSum = sum(model).val[0];//所有元素求和
for(int i = 0; i<model.rows; i++)
{
    for(int j = 0; j<5 ; j++)
    {
      model.at<double>(i , j) = model.at<double>(i ,j) / gaussSum;//将高斯模板归一化
      }
}
Mat  dst =   Mat(src.rows - 4 ,src.cols - , CV_8UC1);
for(int i = 2; i < src.rows - 2; i++)//对src行进行循环
{
  for(int j = 2; j<src.cols - 2 ; j++)//对src列进行循环
  { 
      double sum = 0;
     for(int m = 0; m < mopdel.rows; m++)
     {
         for(int n =0; n <model.cols ; n++)
         {
            sum += (double)src.at<uchar>(i + m - 2 , J +n - 2)<double>(m,n);//对应位置的数相乘放到sum中
            }
      }
      dst.at<uchar>(i - 2 , j - 2) = (uchar)sum;//sum的值再赋给dst的每个元素
   }
}
nameWindow("gaussBlur", WINDOw_AUTOSIZE);
imshow("gaussBlur" , dst);

waitKey(0);

补充的数学知识

高斯模糊

高斯模糊将正态分布用于图像处理，接下来介绍“高斯模糊“算法。本质上它是一种数据平滑技术，适用于多个场合。
所谓模糊 可以理解成每一个像素都取周边像素的平均值。
在图形上，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平均值的时候，我们只需要将”中心点”作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。
正态分布的密度函数叫做“高斯函数”（Gaussian function）。它的一维形式是：

$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{\frac{-(x^2-{\mu }^2)}{2{\sigma }^2}}$

其中，μ是x的均值，σ是x的方差。因为计算平均值的时候，中心点就是原点，所以μ等于0。

$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{\frac{-x^2}{2{\sigma }^2}}$

根据一维高斯函数，可以推导得到二维高斯函数：

$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{\frac{(x^2+y^2)}{2{\sigma }^2}}$

有了这个函数 ，就可以计算每个点的权重了。

在上面的公式中σ就是我们的模糊半径，而x和y就是我们周边像素对于中心像素的相对坐标。

图例演示请访问
http://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html

补充为何要用高斯模糊

说道图像模糊算法，实现原理也并不是很难懂，要设计一个程序来模糊处理一个图像的话，对于正在处理的每一个像素，取周围若干个像素的RGB值并且平均，然后这个平均值就是模糊处理过的像素，如果对图片中的所有像素都这么处理的话，处理完成的图片就会变得模糊。但是这样做的效果并不是，如果图片颜色变化频繁而且单位面积里面颜色反差很大，并且模糊半径很大的话，那么结果就是：模糊范围的最外层的像素和中心像素周围的像素的权重是一样的，这样处理的图片可能过渡并不是很平滑。

所以，需要有一个算法，来为这些在模糊范围中的像素来分别计算权重，这样的话越在模糊半径外围的像素权重越低，造成的影响就越小，越在内侧的像素得到的权重最高，因为内侧像素更加重要，他们的颜色应该与我们要处理的中心像素更接近，更密切。这个时候就需要用到高斯模糊算法了。