不争

CvPoint系列CvPoint：表示图像中的点(见示意图)CvPoint2D32f：二维空间中的点CvPoint3D32f：三维空间中的点构造函数：cvPointXXXX( )。注意，这是c风格的代码，构造函数是内联函数，并不是c++中的类的构造函数一样。CvSize系列CvSize:图像的尺寸CvSize2D32f:如果想用浮点型。CvScalar包

#pragma comment(lib,"cxcore.lib")#pragma comment(lib,"cv.lib")#pragma comment(lib,"highgui.lib")#pragma comment(lib,"ml.lib")#pragma comment(lib,"cvcam.lib")#pragma comment(lib,"cvaux.lib")#inc

对已反差比较明显的 图像计算跳点  f(x)'=f(x+1)-f(x)  通过计算前一个像素与后一个像素的反差 计算出调点变化做大的 分割线对于噪点比较多的图像，则需要先平滑 在处理平滑后的图像顶点变得模糊 ，则需要计算 过零点---找出分割计算 过零点-----则是曲线下滑时取负值代码实例#pragma comment(lib,"cv.lib")#prag

基本原理是 通过 跳点 检测 检测出边缘线通过模糊 消除噪声影响通过设置 拉帕拉斯 平滑就散 因子 窗口的大小----推导出 --  窗口大小和 斑点园的半斤相同时 --可以计算出极值点(即，园的中心)那么事先如何 知道 最佳的  拉普拉斯 窗口尺寸呢？通过 从窗口尺寸 由小到大的 逐次计算的 方式   -----  计算出极值点 ----然后比较极值点 --最大的

胖老师的 视频教程 到此基本学习完了。总结一些，收益很多，上半部分都理解的很透彻。角点检测原理 和 斑点检测 的数学理论部分，学起来吃力，看不懂。但也硬着头皮看完，并简单总结了一下基本还有一些MFC联系，以及2.0的一些补充内容。用一天的时间看完。

1 生成 主样本截取样本图片和生成 图片.txt（文件路径名称，坐标） 的 辅助工具2  生成 副样本

新建项目 ：vs installer -> setup project右击 项目 属性 prerequistes  必备选项。。。1  应用程序目录 右击 add --- 项目输出 --选择对应的当前工程--确定自动加载一些Dll2 用户程序菜单3 用户桌面卸载：system32下复制出来，然后添加到 应用程序目录下，

创建Mat img(200,200,cv_8UC1(8U位无符号，C1通道 ),Scalar(100));Mat m(){ Mat m(200,200,cv_8U1);return m;}Mat src=m();局部的Mat对象不会被销毁，只有当它的引用计数=0 时，才销毁。IplImage   Mat 转化-------------------

Mat_模板  Mat src = imread("C:\\Users\\Administrator\\Desktop\\1.jpg"); Mat_ src_=src; //src(y,x)=.. Vec3b v(99,99,99); src_(10,10)=v; Vec3b r=src_(10,10); printf("%d %d %d \n",(UINT)r[0],r[1

#include #include #include "opencv.hpp" using namespace cv;void setSaltNoise(cv::Mat& img,int count) { srand((unsigned)time(NULL)); for (int i = 0; i < count; i++) {

Moravec 计算四个方向 ：水平，垂直Harris  多个方向滑动窗口  由以前的方形----改变为 圆形（在原方向的上 加上 差补值  边缘值让它变小---以此减小距离远的区域的影响） Trajkovic  可以计算各个方向上的值。---速度比harris快8倍通过 先缩小 图像（把一个连通区（4 或8 连通），的平均值 作为一个像素），然后检测角

#pragma comment(lib,"cxcore.lib")#pragma comment(lib,"cv.lib")#pragma comment(lib,"highgui.lib")#pragma comment(lib,"ml.lib")#pragma comment(lib,"cvcam.lib")#pragma comment(lib,"cvaux.lib")

参考资料：（1）Moravec角点检测算法原理Moravec角点检测算法是最早的角点检测算法之一。该算法将角点定义为具有低“自相关性”的点。算法会检测图像的每一个像素，将像素周边的一个邻域作为一个patch，并检测这个patch和周围其他patch的相关性。这种相关性通过两个patch间的平方差之和(SSD)来衡量，SSD值越小则相似性越高。如果像素位于平滑图像区域内，

首先非常感谢 opencvChina 论坛的 无私的 作者。现在感觉学些视觉很困难，学习资料太难找了。读过《学习opencv》太的太晦涩，太难懂了，又加速翻译的太垃圾，读起来真有想死的心。很多人选择学习OPencv来借此进入 数字图像 视觉技术的道路，在于opencv开源免费，可以更自由的开发，以至于现在很多公司选择opencv作为开发工具。 视频教程，讲的虽然很急人，逻辑模糊

#pragma comment(lib,"cxcore.lib")#pragma comment(lib,"cv.lib")#pragma comment(lib,"highgui.lib")#pragma comment(lib,"ml.lib")#pragma comment(lib,"cvcam.lib")#pragma comment(lib,"cvaux.lib")#in

示例代码#pragma comment(lib,"cxcore.lib")#pragma comment(lib,"cv.lib")#pragma comment(lib,"highgui.lib")#pragma comment(lib,"ml.lib")#pragma comment(lib,"cvcam.lib")#pragma comment(lib,"cvaux.lib")

RGB 颜色空间互补光的定义：当两种光按照适当比例混合得到白光时，称这两种光为互补光。所以，按照上述的混色规律我们可以得到，青色、黄色、品红分别是红色、蓝色、绿色的补色。亮度的定义：单色光的亮度强度各不相同，根据人的感受是：绿光最亮，红光次之，蓝光最弱，假设得到白光的强度为100%。如果用Y表示景物的亮度，则通常有：Y=0.299R+0.587G+0.114B因为红、绿

算法原理:二值图像8连通域的华东窗口，111111=255中过滤标记（0 保留，1 可以删除）进行循环多次的删除边缘，直到无法删除位置。

图片文件IplImage* img=cvLoadImage("img//1.jpg",CV_LOAD_IMAGE_COLOR);/* 8bit, color or not */#define CV_LOAD_IMAGE_UNCHANGED  -1/* 8bit, gray */#define CV_LOAD_IMAGE_GRAYSCALE   0/* ?, color */

创建 滑动窗口  //创建 滑动窗口 IplConvKernel *element=0; int values[16]={ 0,0,0,0, 0,0,1,0, 0,1,1,0, 0,0,0,0 }; int cols=4,rows=4,anchor_x=2,anchor_y=2; element=cvCreateStructuringElementEx(cols,ro

CvRNG cvrgn=cvRNG(cvGetTickCount());//cvGetTickCount()以系统的时钟为种子，种子要是可变的，随机值才会发生变化int r,g,b;b=cvRandInt(&cvrgn)%255;//想要的值=随机值%限定值。g=cvRandInt(&cvrgn)%255;r=cvRandInt(&cvrgn)%255;

目标匹配函数：cvMatchTemplate( const CvArr* image, const CvArr* templ,                              CvArr* result, int method );image待搜索图像 templ模板图像 result匹配结果 method计算匹配程度的方法 关

普通局中心距：平移不变性归一化中心距：缩放不变性hu矩：旋转不变性

Mat m=imread("...");m.data;//图像的数据开始指针m.ptr(Y)---m.ptr(0)  --- 一行的起始位置连续存储 -- 每行的长度==图像的实际使用长度非连续存储 --- 即 对每行尾部进行了补充，使其是4或8的整数倍（通常硬件需要，提高处理速度） 例如uchar data[100];Mat m(10,10,CV_8U1,da