OpenCV特征提取与检测（二）

1 积分图

1.1 绪论

Paul Viola提出一种利用积分图快速计算Haar特征的方法（《Rapid object detection using a boosted cascade of simple features》）。Haar特征是什么就不多做介绍，总之Haar特征的计算需要重复计算目标区域的像素值，使用积分图能大大减少计算量，达到实时计算Haar特征的目的。简单来说，就是先构造一张“积分图”（integral image），也叫Summed Area Table，之后任何一个Haar矩形特征都可以通过查表的方法（Look Up Table）和有限次简单运算得到，大大减少了运算次数。所以但凡需要重复计算目标区域内像素值和的场合，积分图都能派上用场。下面开始介绍积分图原理，并给出其的几个应用。
积分图像是一种在图像中快速计算矩形区域和的方法，这种算法的主要优点是一旦积分图像首先被计算出来，我们就可以在常量时间内计算图像中任意大小矩形区域的和。这样在图像模糊、边缘提取、对象检测的时候极大降低计算量、提高计算速度。

1.2 积分图算法原理

坐标A(x,y)的积分图是其左上角的所有像素与当前点像素所围成的矩形之和（图中的阴影部分）。定义为：

其中ii(x,y)表示积分图，i(x,y)表示原始图像，对于彩色图像，是此点的颜色值；对于灰度图像，是其灰度值，范围为0~255。

例子如下图所示：比如中心元素1的积分图为：其左上角的所有像素与当前点像素所围成的矩形（[1 1 1 1]），和为1+1+1+1=4。

定义了积分图的概念，就可以很方便的计算任意区域内的像素和，如下图所示：

积分图数组初始化之后, 我们就得到了一张积分图:

点1的积分 SAT1=Sum(Ra)，
点2的积分 SAT2=Sum(Ra)+Sum(Rb)，
点3的积分 SAT3=Sum(Ra)+Sum(Rc)，
点4的积分 SAT4=Sum(Ra)+Sum(Rb)+Sum(Rc)+Sum(Rd)。
那么为了计算某个矩形像素和，比如区域 Rd 内所有点的像素值之和（积分）可以表示为：
Sum(Rd)=SAT1+SAT4−SAT2−SAT3
所以无论矩形的尺寸大小，只需查找积分图像 4 次就可以快速计算任意矩形内像素值的和, 即算法复杂度为 O(4)。

1.2 相应的API

void integral( InputArray src, OutputArray sum,OutputArray sqsum, int sdepth = -1, int sqdepth = -1 );

参数说明：
第1个参数 src：输入图像。
第2个参数 sum：和表。
第3个参数 sqsum：平方和表。
第4个参数 tilted：瓦块和表。
第5个参数 sdepth ： 默认值-1。和表数据深度常见CV_32S。
第6个参数 sqdepth： 默认值 -1。平方和表数据深度常见 CV_32F。

综合示例：

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
void blur_demo(Mat &image, Mat &sum);
void edge_demo(Mat &image, Mat &sum);
int getblockSum(Mat &sum, int x1, int y1, int x2, int y2, int i);
 
int main(int argc, char* argv[]) {
   
	Mat src = imread("../images/test.jpg");
	if (src.empty()) {
   
		printf("不能打开图像！\n");
		return -1;
	}
 
	namedWindow("input"