opencv各个模块介绍（1）

目录

Core 模块：核心模块，提供了基本的数据结构和功能。

Imgproc 模块：图像处理模块，包括图像过滤、几何变换等功能。

Video 模块：视频处理模块，提供了视频捕获、光流估计等功能。

HighGUI 模块：图形用户界面模块，用于创建简单的GUI应用程序。

Objdetect 模块：对象检测模块，包括Haar级联检测器等功能。

---

Core 模块：核心模块，提供了基本的数据结构和功能。

常用的核心函数：

1. cv::Mat：表示多维数组的数据结构，是OpenCV中最常用的类之一，用于存储图像数据和进行矩阵运算。

2. cv::Scalar：用于表示多通道数据的标量，通常用于颜色表示。

3. cv::Size：用于表示二维空间中的尺寸大小，常用于图像尺寸的表示。

4. cv::Point 和 cv::Point2f：用于表示二维空间中的点坐标。

5. cv::Rect：用于表示二维平面上的矩形区域。

6. cv::Range：用于表示一维数据的范围。

7. cv::Mat_< >：模板类，用于创建特定类型的矩阵。

8. cv::split 和 cv::merge：用于通道分离和合并操作。

9. cv::cvtColor：用于颜色空间转换，例如RGB到灰度、RGB到HSV等。

10. cv::resize：用于图像缩放操作。

11. cv::flip：用于图像翻转操作。

12. cv::transpose：用于矩阵转置操作。

Imgproc 模块：图像处理模块，包括图像过滤、几何变换等功能。

1. 图像滤波函数：

   • cv::GaussianBlur：高斯模糊。
   • cv::medianBlur：中值滤波。
   • cv::bilateralFilter：双边滤波。

高斯模糊（Gaussian Blur）是图像处理中常用的一种平滑滤波方法，它利用了高斯函数的特性对图像进行模糊处理。在OpenCV中，cv::GaussianBlur函数就是用来实现高斯模糊的。

高斯模糊的原理如下：

1. 对图像中的每个像素，以该像素为中心取一个固定大小的邻域（通常是一个正方形或矩形区域）。
2. 对这个邻域内的所有像素值按照高斯分布进行加权平均，即距离中心像素越远的像素权重越小。
3. 最后将加权平均后的值赋给中心像素，从而实现模糊效果。

高斯模糊的主要思想是利用高斯函数对像素值进行加权平均，使得图像中的噪声被平滑掉，同时保留图像的整体结构和边缘信息，避免产生锐化等不良效果。

高斯模糊的核（Kernel）由一个二维的高斯函数构成，通常是一个正态分布曲线。核的大小（即邻域的大小）以及标准差（控制高斯函数的宽度）可以影响模糊的程度，一般情况下，标准差越大，模糊效果越明显。

双边滤波的原理如下：

1. 对图像中的每个像素，以该像素为中心取一个固定大小的邻域。
2. 对这个邻域内的所有像素值进行加权平均，权重由两部分组成：
   • 空间上的权重：根据像素之间的空间距离计算得出，距离越近的像素权重越大。
   • 强度上的权重：根据像素值之间的差异计算得出，差异越小的像素权重越大。
3. 最后将加权平均后的值赋给中心像素，从而实现平滑效果。

双边滤波相比于传统的高斯模糊具有更好的性能，因为它考虑了像素之间的空间关系和强度差异，能够保留图像中的边缘信息，同时对噪声有一定的抑制效果。这使得双边滤波在保持图像细节的同时进行平滑处理时非常有用。

需要注意的是，双边滤波的计算量相对较大，因此在实际应用中需要考虑其计算开销。

1. 边缘检测函数：

   • cv::Canny：Canny边缘检测算法。
   • cv::Sobel：Sobel边缘检测算子。
   • cv::Scharr：Scharr边缘检测算子。

在 Canny 边缘检测算法的实现遵循以下步骤：

1. 高斯模糊（Gaussian Blur）： 首先对输入的图像进行高斯平滑处理，以减少噪声对边缘检测的影响。OpenCV 提供了 cv::GaussianBlur 函数用于执行高斯滤波。

2. 计算梯度： 使用 Sobel 算子计算图像在水平和垂直方向上的梯度。OpenCV 中的 cv::Sobel 函数可用于计算图像的梯度。

3. 非极大值抑制： 对梯度图像进行非极大值抑制，保留局部梯度最大的像素值，以细化边缘。这一步确保只有边缘上的像素点被保留。

4. 双阈值处理： Canny 边缘检测使用两个阈值来确定强边缘和弱边缘。OpenCV 中可以使用 cv::Canny 函数指定这两个阈值。像素梯度高于高阈值的被认为是强边缘，低于低阈值的被认为是弱边缘。

5. 边缘跟踪： 在这一步中，通过连接强边缘像素，将其与周围的弱边缘像素关联起来，形成完整的边缘。OpenCV 的 cv::Canny 函数会执行这一步骤，并输出最终的边缘图像。

总的来说，OpenCV 中的 Canny 边缘检测函数 cv::Canny 实现了 Canny 边缘检测算法的全部流程，用户可以通过设置参数来调整阈值和其他参数，以获取他们需要的边缘检测结果。

sobel 边缘检测是通过 Sobel 算子来实现的。Sobel 算子是一种经典的边缘检测算子，用于计算图像在水平方向和垂直方向的梯度，进而找到图像中的边缘位置。

1. 图像转换函数：

   • cv::resize：图像缩放。
   • cv::warpAffine：仿射变换。
   • cv::warpPerspective：透视变换。

warpAffine 用于对图像进行仿射变换的函数。仿射变换是一种线性变换，可以保持图像中的直线在变换后仍然保持直线。warpAffine 函数可以通过指定变换矩阵来实现平移、旋转、缩放和剪切等操作。该函数的原理如下：

1. 构建变换矩阵： 在进行仿射变换之前，首先需要构建一个 2x3 的变换矩阵，通常称为仿射矩阵。矩阵包含了平移、旋转、缩放和剪切等变换的参数。变换矩阵的形式| a b c | | d e f |其中 a 和 e 控制缩放和旋转，b 和 d 控制剪切，c 和 f 控制平移。

2. 应用变换矩阵： 得到变换矩阵，warpAffine 函数将使用这个变换矩阵来对图像进行仿射变换。对于输入图像中的每个像素，通过变换矩阵计算出其在输出图像中的位置，并根据插值方法得到输出图像中对应位置的像素值。

   可以使用不同的插值方法，如最近邻插值、双线性插值或立方插值，来计算输出图像中的像素值。这些插值方法可以帮助保持图像质量和准确性。

warpAffine 函数可以实现对图像的平移、旋转、缩放和剪切等仿射变换操作。这在图像处理、计算机视觉和机器学习等领域中都有广泛的应用。

warpPerspective 函数用于执行透视变换，允许您在图像中执行更一般化的几何变换，而不仅限于仿射变换。透视变换可以将图像从一个透视空间映射到另一个透视空间，常用于校正图像中的透视畸变或执行图像矫正。

warpPerspective 函数的原理：

1. 构建透视变换矩阵： 进行透视变换之前，需要构建一个 3x3 的透视变换矩阵。这个矩阵包含了透视变换所需的所有参数，包括旋转、平移、缩放和投影等操作| a b c | | d e f | | g h i |

   对于透视变换，变换矩阵有更多的自由度，可以表示更广泛的变换操作。

2. 应用透视变换矩阵： 得到了透视变换矩阵，warpPerspective 函数将使用这个矩阵来对图像进行透视变换。对于输入图像中的每个像素，通过透视变换矩阵计算出其在输出图像中的位置，并根据插值方法得到输出图像中对应位置的像素值。

   与 warpAffine 不同，warpPerspective 允许更一般化的透视变换，可以处理更复杂的图像变换需求，如图像校正、虚拟视点生成等。

1. 直方图函数：

   • cv::calcHist：计算图像直方图。
   • cv::equalizeHist：直方图均衡化。

图像直方图是对图像中像素灰度级别的统计信息，它可以帮助我们了解图像的对比度、亮度分布等特征。

1. 形态学操作函数：

   • cv::erode：腐蚀操作。
   • cv::dilate：膨胀操作。
   • cv::morphologyEx：形态学操作函数。

2. 阈值处理函数：

   • cv::threshold：图像阈值处理。
   • cv::adaptiveThreshold：自适应阈值处理。

3. 轮廓检测函数：

   • cv::findContours：查找图像中的轮廓。
   • cv::drawContours：绘制轮廓。

4. 几何变换函数：

   • cv::getAffineTransform：获取仿射变换矩阵。
   • cv::getPerspectiveTransform：获取透视变换矩阵。

Video 模块：视频处理模块，提供了视频捕获、光流估计等功能。

1. VideoCapture：这是一个用于从摄像头、视频文件或图像序列中读取视频数据的类。使用 VideoCapture 类可以很方便地获取视频帧并进行后续处理。

2. VideoWriter：这是一个用于将视频帧写入视频文件的类。通过 VideoWriter 类，我们可以将处理后的视频帧保存为视频文件，以便之后进行播放或其他用途。

3. BackgroundSubtractor：OpenCV 提供了多种背景减除算法的实现，用于从视频中提取前景目标。常见的算法包括 MOG2、KNN 等，可以通过创建相应的背景减除器对象来进行前景提取。

4. DenseOpticalFlow：密集光流估计是一种用于分析图像中像素运动的技术。OpenCV 提供了多种密集光流算法的实现，如 Farneback 光流算法等，在 Video 模块中可以找到相应的函数。

5. CamShift：这是一种基于颜色直方图投影的目标跟踪算法，通过不断更新目标区域的位置和大小来实现目标的跟踪。

6. KalmanFilter：卡尔曼滤波器是一种用于估计系统状态的滤波器，常用于目标跟踪和运动预测等任务。OpenCV 提供了 Kalman 滤波器的实现。

HighGUI 模块：图形用户界面模块，用于创建简单的GUI应用程序。

OpenCV 中的 HighGUI 模块提供了一些用于图形用户界面（GUI）操作的函数，包括显示图像、创建窗口、处理鼠标事件等。以下是一些常用的 OpenCV HighGUI 模块函数和类：

1. imshow：该函数用于在窗口中显示图像。我们可以使用这个函数来显示处理后的图像，便于可视化和调试。

2. waitKey：这个函数通常与 imshow 配合使用，用于等待用户按键输入。可以通过设置参数来控制等待时间，从而实现暂停或延时显示图像。

3. destroyWindow 和 destroyAllWindows：分别用于关闭指定窗口和关闭所有窗口。在图像显示完成后，使用这些函数可以释放窗口资源。

4. namedWindow：用于创建一个指定名称的窗口，可以设置窗口的属性，如大小、标志等。

5. setMouseCallback：允许在窗口上设置鼠标事件的回调函数，例如捕获鼠标点击、移动等事件，用于交互式操作。

6. createTrackbar：用于在窗口中创建一个滑动条，可以通过滑动条来调整图像处理过程中的参数，如阈值、滤波器参数等。

7. selectROI：用于在图像上选择感兴趣区域（ROI），通常用于目标跟踪、目标检测等任务。

Objdetect 模块：对象检测模块，包括Haar级联检测器等功能。

Objdetect 模块提供了用于对象检测和识别的函数和类，包括基于机器学习的目标检测器和一些帮助函数。以下是一些常用的 OpenCV Objdetect 模块函数和类：

1. CascadeClassifier：一个用于加载 Haar 级联分类器文件并进行对象检测的类。Haar 级联分类器是一种经典的目标检测算法，通常用于人脸检测等任务。

2. HOGDescriptor：这个类实现了支持向量机（SVM）和直方图梯度（HOG）特征的对象检测器。HOG 特征在行人检测等任务中表现良好。

3. groupRectangles：用于对检测到的矩形区域进行合并和过滤，通常用于对目标检测结果进行后处理。

4. QRCodeDetector：用于检测和解码二维码的类，可以识别图像中的 QR 码信息。

5. BaseCascadeClassifier：这是 CascadeClassifier 的基类，用于加载和解析级联分类器文件，支持其他类型的级联分类器。

6. detectMultiScale：这是用于在图像中多尺度检测对象的函数，可用于检测不同尺度下的目标对象。

7. QRCodeDetector.detectAndDecode：结合了检测和解码二维码的功能，可以一步完成二维码的检测和解码操作。

这些函数和类提供了在图像中进行对象检测和识别的基本工具，通过使用它们，我们可以加载训练好的分类器文件，对图像进行目标检测，并获取检测结果。同时，还可以针对检测结果进行一些后处理操作，以提高检测的准确性和鲁棒性。

备注：级联分类器

级联分类器（Cascade Classifier）是一种基于 Haar 特征的对象检测方法，最早由 Paul Viola 和 Michael Jones 提出，并被广泛用于人脸检测等领域。级联分类器采用级联结构，由多个级联的分类器组成，每个分类器用来检测图像中某个特定的目标或特征。

级联分类器的主要特点包括：

1. Haar 特征：级联分类器使用 Haar 特征来描述图像中的局部区域，这些特征是基于图像灰度值的矩形区域差异计算得到的。Haar 特征能够有效地描述目标物体的纹理和边缘等特征。

2. 强分类器：级联分类器由多个强分类器组成，每个强分类器都是基于 AdaBoost 算法训练得到的，可以有效地区分目标物体和背景。

3. 级联结构：级联分类器采用级联结构，每个级联中包含若干个强分类器，只有当前一个强分类器通过之后，才会进入下一个强分类器的检测。这种级联结构能够快速排除负样本，提高检测速度。

4. 快速检测：级联分类器在检测时采用多尺度滑动窗口的方式，通过对图像进行多次扫描和缩放，可以在不同尺度下检测目标，同时保持较高的检测准确率。

级联分类器在对象检测领域有着较好的性能和实时性能，特别适用于需要快速准确地检测目标对象的场景，如人脸检测、行人检测等。通过训练和优化级联分类器，可以实现高效的目标检测系统。