OpenCV學習筆記__image

 

一、OpenCV概述與功能介紹

OpenCV是Intel®開源電腦視覺庫。它由一系列 C 函數和少量 C++ 類構成，實現了影像處理和電腦視覺方面的很多通用演算法。OpenCV 擁有包括 300 多個C函數的跨平台的中、高層 API。它不依賴於其它的外部庫——儘管也可以使用某些外部庫。

OpenCV 對非商業應用和商業應用都是免費（FREE）的。（細節參考 license）。代碼下載地址：http://www.sourceforge.net/projects/opencvlibrary

OpenCV 為Intel® Integrated Performance Primitives (IPP) 提供了透明介面。 這意味著如果有為特定處理器最佳化的的 IPP 庫， OpenCV 將在運行時自動載入這些庫。 更多關於 IPP 的資訊請參考： http://www.intel.com/software/products/ipp/index.htm

它有以下特點：
1) 開放的C/C++源碼
2) 基於Intel處理器指令集開發的最佳化代碼
3) 統一的結構和功能定義
4) 強大的映像和矩陣運算能力
5) 方便靈活的使用者介面
6）同時支援MS-WINDOWS、LINUX平台
作為一個基本的電腦視覺、影像處理和模式識別的開源項目，OPENCV可以直接應用於很多領域，作為第二次開發的理想工具。

OpenCV功能介紹：

OpenCV包含如下幾個部分：

Cxcore：一些基本函數（各種資料類型的基本運算等）。

Cv：影像處理和電腦視覺功能（影像處理，結構分析，運動分析，物體跟蹤，模式識別，攝像機定標）

Ml：機器學習模組，目前內容主要為分類器。

Cvaux：一些實驗性的函數（ViewMorphing，三維跟蹤，PCA，HMM）

Highgui：使用者互動部分，（GUI，圖象視頻I/O，系統調用函數）

 

二、OpenCV安裝

OpenCV2.0剛剛發布，VC 2008 Express下安裝OpenCV2.0請參考：

http://www.opencv.org.cn/index.php/VC_2008_Express%E4%B8%8B%E5%AE%89%E8%A3%85OpenCV2.0

 

三、基礎知識：

1、opencv 資料類型轉換操作小結

（1）映像中或矩陣數組中資料格式轉換：
cvConvert( image, image_temp );

cvConvertScale( const CvArr* src, CvArr* dst, double scale CV_DEFAULT(1), double shift CV_DEFAULT(0) );

cvScale(src, dst);

// Converts CvArr (IplImage or CvMat,...) to CvMat.
cvGetMat( const CvArr* arr, CvMat* header, int* coi CV_DEFAULT(NULL), int allowND CV_DEFAULT(0));
cvCopy( const CvArr* src, CvArr* dst, const CvArr* mask ); //可以實現對不規製圖形的提取


（2）多通道映像轉成數組中資料
cvGetMat( const CvArr* array, CvMat* mat, int* pCOI, int allowND )

cvCopy(img,mat);

// Converts CvArr (IplImage or CvMat,...) to CvMat.
cvGetMat( const CvArr* arr, CvMat* header, int* coi CV_DEFAULT(NULL), int allowND CV_DEFAULT(0));


(3) 數組中資料轉成多通道映像
cvCopy( const CvArr* src, CvArr* dst, const CvArr* mask=NULL );

cvGetMat( const CvArr* arr, CvMat* header, int* coi CV_DEFAULT(NULL), int allowND CV_DEFAULT(0));

 

2、二值化函數cvAdaptiveThreshold和cvThreshold的一些發現

自適應二值化計算像素的鄰域的平均灰階，來決定二值化的值。如果整個地區幾乎是一樣灰階的，則無法給出合適的結果了。之所以看起來像邊緣檢測，是因為窗尺寸設定的小，可以改大一點試一試。
cvAdaptiveThreshold( src, dst, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, 21); //窗設定為21
沒有萬能的二值化方法，具體問題具體分析，自適應二值化對於光照不均的文字，條碼等，效果很好。視窗大小選擇，考慮被檢測物體尺寸。自適應閾值化中的閾值完全是由你所選擇的鄰域所確定的，如果你所選擇的鄰域非常小（比如3×3），那麼很顯然閾值的“自適應程度”就非常高，這在結果映像中就表現為邊緣檢測的效果。如果鄰域選擇的比較大（比如31×31），那麼閾值的“自適應程度”就比較低，這在結果映像中就表現為二值化的效果。

 

3、用 gabor 和 AdaBoost （MultiBoost ）做目標檢測Image Recognition

http://www.opencv.org.cn/forum/viewtopic.php?f=10&t=7790

 

4、視頻跟蹤方法

跟蹤的方法我知道的有KLMAN濾波.粒子濾波.camshift.meanshift。 基於Mean Shift的閾值分割：http://www.codesoso.com/code/mean_shift.aspx http://arslan-ai.spaces.live.com/blog/cns!CAE7EF891A2218BA!123.entry  

5、怎麼訪問映像像素

（座標是從0開始的，並且是相對映像原點的位置。映像原點或者是左上方 (img->origin=IPL_ORIGIN_TL) 或者是左下角 (img->origin=IPL_ORIGIN_BL) ）

假設有 8-bit 1－通道的映像 I (IplImage* img)：

---------------------------------------------------------------------

I(x,y) ~ ((uchar*)(img->imageData + img->widthStep*y))[x]

---------------------------------------------------------------------

假設有 8-bit 3-通道的映像 I (IplImage* img)：

---------------------------------------------------------------------

I(x,y)blue ~ ((uchar*)(img->imageData + img->widthStep*y))[x*3]

I(x,y)green ~ ((uchar*)(img->imageData + img->widthStep*y))[x*3+1]

I(x,y)red ~ ((uchar*)(img->imageData + img->widthStep*y))[x*3+2]

------------------------------------------------------------------------------

例如，給點 (100,100) 的亮度增加 30 ，那麼可以這樣做：

------------------------------------------------------------------------------

CvPoint pt = {100,100};

((uchar*)(img->imageData + img->widthStep*pt.y))[pt.x*3] += 30;

((uchar*)(img->imageData + img->widthStep*pt.y))[pt.x*3+1] += 30;

((uchar*)(img->imageData + img->widthStep*pt.y))[pt.x*3+2] += 30;

-----------------------------------------------------------------------------

或者更高效地：

-----------------------------------------------------------------------------

CvPoint pt = {100,100};

uchar* temp_ptr = &((uchar*)(img->imageData + img->widthStep*pt.y))[pt.x*3];

temp_ptr[0] += 30;

temp_ptr[1] += 30;

temp_ptr[2] += 30;

-----------------------------------------------------------------------------

假設有 32-bit 浮點數, 1-通道 映像 I (IplImage* img)：

-----------------------------------------------------------------------------

I(x,y) ~ ((float*)(img->imageData + img->widthStep*y))[x]

-----------------------------------------------------------------------------

現在，一般的情況下，假設有 N-通道，類型為 T 的映像：

-----------------------------------------------------------------------------

I(x,y)c ~ ((T*)(img->imageData + img->widthStep*y))[x*N + c]

-----------------------------------------------------------------------------

你可以使用宏 CV_IMAGE_ELEM( image_header, elemtype, y, x_Nc )

-----------------------------------------------------------------------------

I(x,y)c ~ CV_IMAGE_ELEM( img, T, y, x*N + c )

-----------------------------------------------------------------------------