C++ opencv小试6

问题8：图像的平滑处理，这其实有些地方可以用filt2D来实现，但opencv也写了一些函数

    blur（）一共5个参数，输入矩阵，输出矩阵，Size（2,3）大小 Point（0,0）指定锚点，若为负数，则表示中心，若模板无中心则自己规定清楚一点，最后一个参数为边界类型；

记住，边界是人为的加入，大的边界冗余在图像处理上是非常不好的。此函数对多维有效。

   GaussianBlur（）一共6个参数，输入矩阵，输出矩阵，Size大小（3,5）这里都行和列都是奇数，锚点就是中心，函数内部已经使得各个滤波参数和为一，第4和第5个调整高斯 的参数值，第6个是边界的类型，对多维有效。推荐看一下2维高斯的数学推导。

   medianBlur（），3个参数，输入，输出，核的大小，要为奇数，默认就是方的，对边界有效，多维有效，边界该是反射101类

  bilateralFilter（），双边滤波，对边缘的保留比高斯要好，本质都是空间，滤波，只是参数有异。参数有函数计算得出，可以输入控制。
 总的来说，这种处理都与filter2D类似，只是有些函数把参数函数集成好了，自己去计算可能会比较麻烦！
问题9：膨胀与腐蚀：
    这个十分的简单，膨胀是白元素的膨胀，腐蚀是对白元素（值大）的腐蚀，首先kernel=getStructuringElement(MORPH_RECT,Size(3,3));确定内核，这里还可以调整锚点，核大小
类型等，然后膨胀dilate(f,f,kernel);这里还可以调整边界的类型等，多维有效，边界有效。
erode( src, erosion_dst, element );腐蚀有这个 ，很类似；#include <string>
#include <cstdio>
#include <cmath>
#include <opencv2\opencv.hpp>
#include <vector>
using namespace cv;
using namespace std;
void main()
{    
    Mat_<Vec3f> f;
    Mat_<Vec3f> f1;
    Mat_<Vec3f> f2;
    Mat_<Vec3f> f3;
    Mat_<float> kernel;
    string image_name="../21.png";
    f=imread(image_name,CV_LOAD_IMAGE_COLOR);
    if (f.empty())
    {
        cout<<"failed"<<endl;
        return;
    }
    kernel=getStructuringElement(MORPH_RECT,Size(5,5));
    normalize(f,f,0,1,CV_MINMAX);
    dilate(f,f1,kernel);
    erode(f,f2,kernel);
    f3=f1-f2;
    namedWindow("1",1);
    imshow("1",f);
    namedWindow("2",1);
    imshow("2",f1);
    namedWindow("3",1);
    imshow("3",f2);
    namedWindow("4",1);
    imshow("4",f3);

    waitKey(0);

}

测试代码如上，图片还是用小人图吧；效果比较明显。
问题10：图像金字塔
     这个问题非常的是用，也非常的简单。在点Sift特征时是基本的步骤；
     下采样（图片变小）用pyrDown（）函数，输入，输出，Size（输入函数/2，输入列数/2）这里要求函数与列数是偶数，还有参数是调整边界的，因为由于滤波器过程
     上扩展（图像变大）用 pyrUp(f,f,Size((f.rows*2),(f.cols*2)));同样要求输入f的函数与列数都是偶数，奇数连向上扩展都不行。为了使用函数，有时候我们必须
扩展图像的边界。一个像素就够了，遇到函数时，在判断，在添加！下采样和上扩充过程都使用了滤波器，比较常见的有高斯与拉普拉斯。
问题11：阀值操作
      这个非常简单，多维有效，由于针对单个元素，所以没有边界的问题。threshold(f,f,205,188,0);，输入，输出，阀值，大鱼阀值后的值取值，最后一个为类型，0表示
2值化，不超过的变为0.超过变成188；1表示超过变成0，不超过（含等于）变成188；2表示不能超过第3个参数（这里是205），超过就变成了205，这时候第4个参数是无效的；3表示不
超过的变成0，超过是原样；4表示超过变成0，不超过原样。挺有意思的。
问题12:给图形添加边界
       图像的边界在前面我们已经用到很多了。因为有时候为了规范化，我们必须向图像添加一个边界。
    copyMakeBorder（）函数，这个在前面可能没讲清楚。一共8个参数，第一个输入的矩阵，第二个输出，然后是原始矩阵的上下左右需要添加的边界的宽度，然后的类型，若为
   BORDER_CONSTANT，还可以设置最后一个参数。支持多维copyMakeBorder(f,f,2,0,2,0,BORDER_CONSTANT,Scalar(3,3,3));上和左增加2维，为（3,0,0），常用的是BORDER_REFLECT_101
具体见http://www.linuxidc.com/Linux/2012-12/75965.htm;应该比较详细
问题13:Sobel导数
     其实就是2次空间卷积（计算x方向与y方向的2个模板），近似的得出在像素变化点较大的值。
#include <string>
#include <cstdio>
#include <cmath>
#include <opencv2\opencv.hpp>
#include <vector>
using namespace cv;
using namespace std;
void main()
{    
    int i,j;
    Mat_<Vec3f> f;
    Mat_<Vec3f> f1;
    Mat_<Vec3f> f2;
    string image_name="../Lena.jpg";
    f=imread(image_name,CV_LOAD_IMAGE_COLOR);
    if (f.empty())
    {
        cout<<"failed"<<endl;
        return;
    }
    GaussianBlur(f,f,Size(5,5),0,0);
    Sobel(f,f1,f1.depth(),1,0);
    Sobel(f,f2,f2.depth(),0,1);
    for(i=0;i<f.rows;i++)
        for (j=0;j<f.cols;j++)
        {
            f(i,j)[0]=sqrt(f1(i,j)[0]*f2(i,j)[0]);
            f(i,j)[1]=sqrt(f1(i,j)[1]*f2(i,j)[1]);
            f(i,j)[2]=sqrt(f1(i,j)[2]*f2(i,j)[2]);
        }
    normalize(f,f,0,1,CV_MINMAX);
    imshow("1",f);
    waitKey(0);
}
彩图也可以算，支持多维的。Scharr函数与sobel类似，只是内核不一样，参数都一样，效果也差不多。大概还是能找出图像的边界轮廓的。
问题14:拉普拉斯算子，这是基于2阶导的，因为最大值的点与一阶导有区别。也能找出边界轮廓，貌似效果比一阶的要好一些，支持多维。
    #include <string>
#include <cstdio>
#include <cmath>
#include <opencv2\opencv.hpp>
#include <vector>
using namespace cv;
using namespace std;
void main()
{    
    int i,j;
    Mat_<Vec3f> f;
    string image_name="../Lena.jpg";
    f=imread(image_name,CV_LOAD_IMAGE_COLOR);
    if (f.empty())
    {
        cout<<"failed"<<endl;
        return;
    }
    GaussianBlur(f,f,Size(5,5),0,0);
    Laplacian(f,f,f.depth(),3);
    for(i=0;i<f.rows;i++)
        for (j=0;j<f.cols;j++)
        {
            f(i,j)[0]=sqrt(f(i,j)[0]*f(i,j)[0]);
            f(i,j)[1]=sqrt(f(i,j)[1]*f(i,j)[1]);
            f(i,j)[2]=sqrt(f(i,j)[2]*f(i,j)[2]);
        }
    cout<<f(2,3)[0]<<endl<<f(2,3)[1]<<endl<<f(2,3)[2]<<endl;
    normalize(f,f,0,1,CV_MINMAX);
    imshow("1",f);
    waitKey(0);
}
因为拉普拉斯算子会算出很多的负值，所以我们有一步将其取了绝对值。拉普拉斯算子一步到位，不需要想sobel一样2步了！
问题15：Canny 边缘检测算法，这个算法被很多人认为是边缘检测的最优化算法
     这其实可以看成是一种组合算法，里面包含了高斯滤波，sobel等，最后只要一步
    但是它要求输入与输出都是一维的uchar类型的，输出的结果是2值的，边缘是白不是边缘是黑。
    Mat_<uchar> f;
    string image_name="../Lena.jpg";
    f=imread(image_name,CV_LOAD_IMAGE_GRAYSCALE);
    if (f.empty())
    {
        cout<<"failed"<<endl;
        return;
    }
    Canny(f,f,40,120);
    /*for(i=0;i<f.rows;i++)
        for (j=0;j<f.cols;j++)
        {
            f(i,j)[0]=sqrt(f(i,j)[0]*f(i,j)[0]);
            f(i,j)[1]=sqrt(f(i,j)[1]*f(i,j)[1]);
            f(i,j)[2]=sqrt(f(i,j)[2]*f(i,j)[2]);
        }
    cout<<f(2,3)[0]<<endl<<f(2,3)[1]<<endl<<f(2,3)[2]<<endl;
    */
    //normalize(f,f,0,1,CV_MINMAX);
    imshow("1",f);
    waitKey(0);
  若想对彩图，每一维分开做canny，最后再合并，但是由于最终值的2值性（不是0就是255），其彩色的效果应该也不是很好。
问题16：霍夫线性变换
   霍夫变换，就是想要判断图像中那些点是直线，它的应用是基于canny的，输入时图像canny后的图像，白色的边缘代表的是空间中存在的点
   类似的还有霍夫圆检测，它可将检测出图像中的圆，也是针对边界来做检测的，但是好像把canny函数集成到了里面，并不需要显示的。直接输入灰度图像即可。这里暂且不做深究。