OpenCV 概述

OpenCV概述

OpenCV是Intel开元计算机视觉库，它有一系列开源的C函数和少量C++类构成，实现了图像处理和计算机视觉很多通用的算法。

OpenCV特点：

1.拥有包括300多个C函数的跨平台的中、高层API；

2.跨平台：Windows/Linux；

3.Free:无论是对于商业还是非商业应用；

4.速度快；

5.使用方便。

OpenCV结构：

CXCORE：包含数据结构、矩阵运算、数据变换、对象持久(Object Persistence)、内存管理、错误处理、动态连接、绘图、文本和基本的数学功能。

CV:包含图形处理、图像结构分析、运动描述和跟踪、模式识别和摄像机标定。

Machine Learning(ML)：包含许多聚类，分类和数据分析函数。

HighGUI：包含图形用户界面和图像/视频的读/写。

CVCAM：摄像机接口，在OpenCV1.0以后的版本中被移除。

OpenCV编码样式指南：

文件命名：有CV和CVAUS库文件的命名必须服从于以下规则：

1.所有的CV库文件名前缀为cv；

2.混合的C/C++接口头文件扩展名为.h;

3.纯C++接口头文件扩展名为.hpp;

4.实现头文件扩展名为.cpp;

5.为了与POSIX兼容，文件名都以小写字符组成。

命名约定：

1.OpenCV中使用大小写混合样式来标识外部函数、数据类型和类方法。

2.宏全部使用大写字符，词间用下划线分隔。

3.所有的外部或内部名称，若在多个文件中可见，则必须含有前缀：

   外部函数使用前缀cv；

   内部函数使用前缀lcv；

   数据结构(C结构体、枚举、联合体和类)使用前缀CV

   外部或某些内部宏使用前缀CV_

   内部宏使用前缀ICV_

接口函数设计：

   为了保持库的一致性，以如下方式设计接口非常关键。函数接口元素包括：功能、名称、返回值、参数类型、参数顺序和参数默认值。

   函数功能必须定义良好并保持精简。函数应该容易镶入到使用其它OpenCV函数的不同处理过程。函数名称应该简单并能体现函数的功能。

   大多数函数名形式：cv<ActionName>

图像处理---平滑处理

  “平滑处理”也称为“模糊处理”，是一项简单且使用频率很高的图像处理方法。平滑处理最常见的用途是用来减少图像上的噪声或者失真。目前OpenCV中，所有平滑处理操作都由cvSmooth函数实现。

函数说明：

void cvSmooth(const CvArr* src, CvArr* dst, int smoothtype=CV_GAUSSIAN, int param1=3, int param2=0, double param3=0, double param4=0);

  src和dst分别是平滑操作的输入头像和结果，cvSmooth()函数包含4个参数：param1-param4. 这些参数的含义取决于smoothtype的值。

图像处理---图像形态学

  OpenCV为进行图像形态学变换提供了快速、方便的函数，基于形态学的转换是膨胀与腐蚀，他们能够实现多种功能：消除噪声，分隔出独立的图像元素以及在图像中连接相邻的元素。

  膨胀是指将一个图像(或图像中的一部分区域，称之为A)与核(称之为B)进行卷积。即，计算核B覆盖区域的像素最大值，并把这个最大值赋值给参考点指定的坐标。这样就会使图像中的高亮区域逐渐增大。

  腐蚀是膨胀的反操作。腐蚀操作要求计算核区像素的最小值。即，当核B与图像卷积时，计算被核B覆盖区域的最小像素值，并把这个值放到参考点。

  在OpenCV，利用cvErode()和cvDilate()函数实现上述变换：

void cvErode(lplImage* src, lplIMage* dst, lpIlConvKernel* B=NULL, int iterations=1);

void cvDilate(lplImage* src, lplIMage* dst, lpIlConvKernel* B=NULL, int iterations=1);

该两个函数的第三个参数是核，默认值是NULL。当为空时，所使用的是参考点位于中心的3*3核。第四个参数是迭代的次数。

开运算：将二值图像先腐蚀，然后，再膨胀，通常用来统计二值图像中的区域数。开运算则去除一些小的斑点。

闭运算：将二值图像先膨胀，然后，再腐蚀，通常用来去除噪声引起的区域。闭运算使得小洞被填上，临近的目标连接到了一起(任何结构元容纳不下的小洞或者缝隙都会被填充)。

  对于连通区域分析，通常先采用腐蚀或者闭运算来消除纯粹由噪声引起的部分，然后用开运算来连接临近的区域。最显著的效果是，闭运算消除了低于临近点的孤立点，而，开运算是消除高于其临近点的孤立点。 

图像处理---拉普拉斯变换

OpenCV的拉普拉斯函数实现了拉普拉斯算子的离散模拟。

OpenCV中，拉普拉斯变换函数为：

void cvLaplace(const CvArr* src, CvArr* dst, int apertureSize=3);

该函数通常把源图像和目标图像以及中控大小作为变量。源图像既可以是8位(无符号)图像，也可以是32位(浮点)图像。而目标图像必须是16位(有符号)或者32位(浮点)图像。因为拉普拉斯算子的形式是沿着X轴和Y轴的二次导数的和，这就意味着周围是更高值的单电或者小块会将使这个函数值最大化。反过来，周围是更低值的点将会是函数的负值最大化。反过来，周围是更低值的点将会是函数的负值最大化。基于这种思想，拉普拉斯也可以用于边缘检测。

图像处理---Cannay算子

  Canny边缘检测法与基于拉普拉斯算法的不同点之一是在Canny算法中，首先在x和y方向求一阶导数，然后，组合为4个方向的导数。这些方向导数达到局部最大值的点就是组成边缘的候选点。另外，Canny算法的最终要的新特点是阈值的概念，如果一个像素的梯度大于上线阈值，则被认为是边缘像素，如果低于下限阈值，则被抛弃，如果介于二者时间，只有当其与高于上限阈值的像素连接时才会被接受。Canny推荐的上下限阈值比为2:1到3:1之间。

  void cvCanny(const CvArr* img, CvArr* edges, double lowThresh, double highThresh, int apertureSize=3);

  此函数是需要输入一张灰度图，输出也是灰度的。

  形态学操作

  形态学操作主要有四种：腐蚀、膨胀、开和闭。最基本的形态学操作是腐蚀和膨胀。其他的操作都可以通过腐蚀和膨胀推导出来。

  用集合论的观点介绍他们很繁琐。这里换一种思路，如下：

  我们先做一定的假设：对于一幅图像，前景(我们感兴趣的部分)；背景(不感兴趣的部分)是黑色的。然后就可以望文生义一下了，腐蚀操作会使得前景变小，而膨胀会使得前景变大。这主要是当结构元(用来对图像处理的基本模板)作用于图像的边沿时，两种操作的定义引起的。腐蚀操作时，只有当整个结构元都在图像边沿内时，锚点(结构元与图像中每个像素对其的点，通常取作结构元的几何中心)对准的像素才会被保留，判为前景；否则，这个点判为背景。膨胀操作则是只要结构元与图像有交集时，锚点对准的像素就会被保留，判为前景。腐蚀可以用来消除一些小的误检测的前景；而膨胀则可以填充一些小洞。

  注意到，用3*3的模板腐蚀3次与用7*7的模板腐蚀一次效果是相同的。膨胀的结果可以类推。