《CV參考手冊.doc》由會員分享，可在線閱讀，更多相關(guān)《CV參考手冊.doc（127頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、CV 參考手冊 HUNNISH 注： 本翻譯是直接根據(jù) OpenCV Beta 4.0 版本的用戶手冊翻譯的，原文件是：/doc/ref/opencvref_cv.htm, 可以從 SOURCEFORG 上面的 OpenCV 項目下載，也可以直接從 阿須數(shù)碼 中下載：。 翻譯中肯定有不少錯誤，另外也有些術(shù)語和原文語義理解不透導(dǎo)致翻譯不準確或者錯誤，也請有心人賜教。 圖像處理、結(jié)構(gòu)分析、運動分析和對象跟蹤部分由R.Z.LIU翻譯，模式識別、照相機定標與三維重建部分由H.M.ZHANG翻譯，全文由Y.C.WEI統(tǒng)一修改校正。 圖像處理 o

2、 梯度, 邊緣和角點 o 采樣 差值和幾何變換 o 形態(tài)學(xué)操作 o 濾波和彩色變換 o 金字塔及其應(yīng)用 o 連接組件 o 圖像和輪廓矩 o 特殊圖像變換 o 直方圖 o 匹配 結(jié)構(gòu)分析 o 輪廓處理 o 計算幾何 o 平面劃分 運動分析和對象跟蹤 o 背景統(tǒng)計量的累積 o 運動模板 o 對象跟蹤 o 光流 o 預(yù)估器 模式識別 o 目標檢測 照相機定標和三維重建 o 照相機定標 o 姿態(tài)估計 o 極線幾何 函數(shù)列表 參考 圖像處理 注意: 本章描述圖像處理和分析

3、的一些函數(shù)。其中大多數(shù)函數(shù)都是針對兩維象素數(shù)組的，這里，我們稱這些數(shù)組為“圖像”，但是它們不一定非得是IplImage 結(jié)構(gòu)，也可以是CvMat或者CvMatND結(jié)構(gòu)。 梯度、邊緣和角點 Sobel 使用擴展 Sobel 算子計算一階、二階、三階或混合圖像差分 void cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 ); src 輸入圖像. dst 輸出圖像. xorder x 方向上的差分階數(shù) yorder y 方向上的差分階

4、數(shù) aperture_size 擴展 Sobel 核的大小，必須是 1, 3, 5 或 7。 除了尺寸為 1， 其它情況下， aperture_size aperture_size 可分離內(nèi)核將用來計算差分。對 aperture_size=1的情況， 使用 3x1 或 1x3 內(nèi)核 （不進行高斯平滑操作）。這里有一個特殊變量 CV_SCHARR (=-1)，對應(yīng) 3x3 Scharr 濾波器，可以給出比 3x3 Sobel 濾波更精確的結(jié)果。Scharr 濾波器系數(shù)是： | -3 0 3| |-10 0 10| | -3 0 3| 對 x-方向 以及轉(zhuǎn)置矩陣對 y-方向。

5、 函數(shù) cvSobel 通過對圖像用相應(yīng)的內(nèi)核進行卷積操作來計算圖像差分： dst(x,y) = dxorder+yodersrc/dxxorder?dyyorder |(x,y) 由于Sobel 算子結(jié)合了 Gaussian 平滑和微分，所以，其結(jié)果或多或少對噪聲有一定的魯棒性。通常情況，函數(shù)調(diào)用采用如下參數(shù) (xorder=1, yorder=0, aperture_size=3) 或 (xorder=0, yorder=1, aperture_size=3) 來計算一階 x- 或 y- 方向的圖像差分。第一種情況對應(yīng)： |-1 0 1| |-2 0 2|

6、 |-1 0 1| 核。第二種對應(yīng) |-1 -2 -1| | 0 0 0| | 1 2 1| or | 1 2 1| | 0 0 0| |-1 -2 -1| 核的選則依賴于圖像原點的定義 (origin 來自 IplImage 結(jié)構(gòu)的定義)。由于該函數(shù)不進行圖像尺度變換，所以和輸入圖像(數(shù)組)相比，輸出圖像(數(shù)組)的元素通常具有更大的絕對數(shù)值（譯者注：即象素的深度）。為防止溢出，當輸入圖像是 8 位的，要求輸出圖像是 16 位的。當然可以用函數(shù)函數(shù) cvConvertScale 或 cvConvertScaleAbs 轉(zhuǎn)換為 8

7、位的。除了 8-比特 圖像，函數(shù)也接受 32-位 浮點數(shù)圖像。所有輸入和輸出圖像都必須是單通道的，并且具有相同的圖像尺寸或者ROI尺寸。 Laplace 計算圖像的 Laplacian變換 void cvLaplace( const CvArr* src, CvArr* dst, int aperture_size=3 ); src 輸入圖像. dst 輸出圖像. aperture_size 核大小 (與 cvSobel 中定義一樣). 函數(shù) cvLaplace 計算輸入圖像的 Laplacian變換，方法是先用 sobel 算子計算二階 x- 和 y-

8、差分，再求和: dst(x,y) = d2src/dx2 + d2src/dy2 對 aperture_size=1 則給出最快計算結(jié)果，相當于對圖像采用如下內(nèi)核做卷積： |0 1 0| |1 -4 1| |0 1 0| 類似于 cvSobel 函數(shù)，該函數(shù)也不作圖像的尺度變換，所支持的輸入、輸出圖像類型的組合和cvSobel一致。 Canny 采用 Canny 算法做邊緣檢測 void cvCanny( const CvArr* image, CvArr* edges, double threshold1, double thr

9、eshold2, int aperture_size=3 ); image 輸入圖像. edges 輸出的邊緣圖像 threshold1 第一個閾值 threshold2 第二個閾值 aperture_size Sobel 算子內(nèi)核大小 (見 cvSobel). 函數(shù) cvCanny 采用 CANNY 算法發(fā)現(xiàn)輸入圖像的邊緣而且在輸出圖像中標識這些邊緣。threshold1和threshold2 當中的小閾值用來控制邊緣連接，大的閾值用來控制強邊緣的初始分割。 PreCornerDetect 計算用于角點檢測的特征圖， void cvPreC

10、ornerDetect( const CvArr* image, CvArr* corners, int aperture_size=3 ); image 輸入圖像. corners 保存候選角點的特征圖 aperture_size Sobel 算子的核大小(見cvSobel). 函數(shù) cvPreCornerDetect 計算函數(shù) Dx2Dyy+Dy2Dxx - 2DxDyDxy 其中 D? 表示一階圖像差分，D?? 表示二階圖像差分。 角點被認為是函數(shù)的局部最大值： // 假設(shè)圖像格式為浮點數(shù) IplImage* corners = cvCloneImage(i

11、mage); IplImage* dilated_corners = cvCloneImage(image); IplImage* corner_mask = cvCreateImage( cvGetSize(image), 8, 1 ); cvPreCornerDetect( image, corners, 3 ); cvDilate( corners, dilated_corners, 0, 1 ); cvSubS( corners, dilated_corners, corners ); cvCmpS( corners, 0, corner_mask, CV_CMP_GE )

12、; cvReleaseImage( &corners ); cvReleaseImage( &dilated_corners ); CornerEigenValsAndVecs 計算圖像塊的特征值和特征向量，用于角點檢測 void cvCornerEigenValsAndVecs( const CvArr* image, CvArr* eigenvv, int block_size, int aperture_size=3 ); image 輸入圖像. eigenvv 保存結(jié)果的數(shù)組。必須比輸入圖像寬

13、6 倍。 block_size 鄰域大小 (見討論). aperture_size Sobel 算子的核尺寸(見 cvSobel). 對每個象素，函數(shù) cvCornerEigenValsAndVecs 考慮 block_size block_size 大小的鄰域 S(p)，然后在鄰域上計算圖像差分的相關(guān)矩陣： | sumS(p)(dI/dx)2 sumS(p)(dI/dx?dI/dy)| M = | | | sumS(p)(dI/dx?dI/dy) sumS(p)(dI/dy)2

14、| 然后它計算矩陣的特征值和特征向量，并且按如下方式(λ1, λ2, x1, y1, x2, y2)存儲這些值到輸出圖像中，其中 λ1, λ2 - M 的特征值，沒有排序 (x1, y1) - 特征向量，對 λ1 (x2, y2) - 特征向量，對 λ2 CornerMinEigenVal 計算梯度矩陣的最小特征值，用于角點檢測 void cvCornerMinEigenVal( const CvArr* image, CvArr* eigenval, int block_size, int aperture_size=3 ); image 輸入圖像. eige

15、nval 保存最小特征值的圖像. 與輸入圖像大小一致 block_size 鄰域大小 (見討論 cvCornerEigenValsAndVecs). aperture_size Sobel 算子的核尺寸(見 cvSobel). 當輸入圖像是浮點數(shù)格式時，該參數(shù)表示用來計算差分固定的浮點濾波器的個數(shù). 函數(shù) cvCornerMinEigenVal 與 cvCornerEigenValsAndVecs 類似，但是它僅僅計算和存儲每個象素點差分相關(guān)矩陣的最小特征值，即前一個函數(shù)的 min(λ1, λ2) FindCornerSubPix 精確角點位置 void c

16、vFindCornerSubPix( const CvArr* image, CvPoint2D32f* corners, int count, CvSize win, CvSize zero_zone, CvTermCriteria criteria ); image 輸入圖像. corners 輸入角點的初始坐標，也存儲精確的輸出坐標 count 角點數(shù)目 win 搜索窗口的一半尺寸。如果 win=(5,5) 那么使用 5*2+1 5*2+1 = 11

17、11 大小的搜索窗口 zero_zone 死區(qū)的一半尺寸，死區(qū)為不對搜索區(qū)的中央位置做求和運算的區(qū)域。它是用來避免自相關(guān)矩陣出現(xiàn)的某些可能的奇異性。當值為 (-1,-1) 表示沒有死區(qū)。 criteria 求角點的迭代過程的終止條件。即角點位置的確定，要么迭代數(shù)大于某個設(shè)定值，或者是精確度達到某個設(shè)定值。 criteria 可以是最大迭代數(shù)目，或者是設(shè)定的精確度，也可以是它們的組合。 函數(shù) cvFindCornerSubPix 通過迭代來發(fā)現(xiàn)具有子象素精度的角點位置，或如圖所示的放射鞍點（radial saddle points）。 子象素級角點定位的實現(xiàn)是基于對向量

18、正交性的觀測而實現(xiàn)的，即從中央點q到其鄰域點p 的向量和p點處的圖像梯度正交（服從圖像和測量噪聲）。考慮以下的表達式： εi=DIpiT?(q-pi) 其中，DIpi表示在q的一個鄰域點pi處的圖像梯度，q的值通過最小化εi得到。通過將εi設(shè)為0，可以建立系統(tǒng)方程如下： sumi(DIpi?DIpiT)?q - sumi(DIpi?DIpiT?pi) = 0 其中q的鄰域（搜索窗）中的梯度被累加。調(diào)用第一個梯度參數(shù)G和第二個梯度參數(shù)b，得到： q=G-1?b 該算法將搜索窗的中心設(shè)為新的中心q，然后迭代，直到找到低于某個閾值點的中心位置。 GoodFeaturesToT

19、rack 確定圖像的強角點 void cvGoodFeaturesToTrack( const CvArr* image, CvArr* eig_image, CvArr* temp_image, CvPoint2D32f* corners, int* corner_count, double quality_level, double min_distance, const CvArr* mask=NULL );

20、image 輸入圖像，8-位或浮點32-比特，單通道 eig_image 臨時浮點32-位圖像，尺寸與輸入圖像一致 temp_image 另外一個臨時圖像，格式與尺寸與 eig_image 一致 corners 輸出參數(shù)，檢測到的角點 corner_count 輸出參數(shù)，檢測到的角點數(shù)目 quality_level 最大最小特征值的乘法因子。定義可接受圖像角點的最小質(zhì)量因子。 min_distance 限制因子。得到的角點的最小距離。使用 Euclidian 距離 mask ROI:感興趣區(qū)域。函數(shù)在ROI中計算角點，如果 mask

21、為 NULL，則選擇整個圖像。 函數(shù) cvGoodFeaturesToTrack 在圖像中尋找具有大特征值的角點。該函數(shù)，首先用cvCornerMinEigenVal 計算輸入圖像的每一個象素點的最小特征值，并將結(jié)果存儲到變量 eig_image 中。然后進行非最大值抑制（僅保留3x3鄰域中的局部最大值）。下一步將最小特征值小于 quality_level?max(eig_image(x,y)) 排除掉。最后，函數(shù)確保所有發(fā)現(xiàn)的角點之間具有足夠的距離，（最強的角點第一個保留，然后檢查新的角點與已有角點之間的距離大于 min_distance ）。 采樣、差值和幾何變換 Init

22、LineIterator 初始化線段迭代器 int cvInitLineIterator( const CvArr* image, CvPoint pt1, CvPoint pt2, CvLineIterator* line_iterator, int connectivity=8 ); image 帶采線段的輸入圖像. pt1 線段起始點 pt2 線段結(jié)束點 line_iterator 指向線段迭代器狀態(tài)結(jié)構(gòu)的指針 connectivity 被掃描線段的連通數(shù)，4 或 8. 函數(shù) cvInitLi

23、neIterator 初始化線段迭代器，并返回兩點之間的象素點數(shù)目。兩個點必須在圖像內(nèi)。當?shù)鞒跏蓟?，連接兩點的光柵線上所有點，都可以連續(xù)通過調(diào)用 CV_NEXT_LINE_POINT 來得到。線段上的點是使用 4－連通或8－連通利用 Bresenham 算法逐點計算的。 例子：使用線段迭代器計算彩色線上象素值的和 CvScalar sum_line_pixels( IplImage* image, CvPoint pt1, CvPoint pt2 ) { CvLineIterator iterator; int blue_sum

24、= 0, green_sum = 0, red_sum = 0; int count = cvInitLineIterator( image, pt1, pt2, &iterator, 8 ); for( int i = 0; i < count; i++ ){ blue_sum += [0]; green_sum += [1]; red_sum += [2]; CV_NEXT_LINE_POINT(iterator);

25、/* print the pixel coordinates: demonstrates how to calculate the coordinates */ { int offset, x, y; /* assume that ROI is not set, otherwise need to take it into account. */ offset = - (uchar*)(image->imageData); y = offset/image->wi

26、dthStep; x = (offset - y*image->widthStep)/(3*sizeof(uchar) /* size of pixel */); printf("(%d,%d)\n", x, y ); } } return cvScalar( blue_sum, green_sum, red_sum ); } SampleLine 將光柵線讀入緩沖區(qū) int cvSampleLine( const CvArr* image, CvPoint p

27、t1, CvPoint pt2, void* buffer, int connectivity=8 ); image 帶采線段的輸入圖像 pt1 起點 pt2 終點 buffer 存儲線段點的緩存區(qū)，必須有足夠大小來存儲點 max( |pt2.x-pt1.x|+1, |pt2.y-pt1.y|+1 ) ：8－連通情況下，或者 |pt2.x-pt1.x|+|pt2.y-pt1.y|+1 ： 4－連通情況下. connectivity 線段的連通方式, 4 or 8. 函數(shù) cvSampleLine 實現(xiàn)了線段迭代器的

28、一個特殊應(yīng)用。它讀取由兩點 pt1 和 pt2 確定的線段上的所有圖像點，包括終點，并存儲到緩存中。 GetRectSubPix 從圖像中提取象素矩形，使用子象素精度 void cvGetRectSubPix( const CvArr* src, CvArr* dst, CvPoint2D32f center ); src 輸入圖像. dst 提取的矩形. center 提取的象素矩形的中心，浮點數(shù)坐標。中心必須位于圖像內(nèi)部. 函數(shù) cvGetRectSubPix 從圖像 src 中提取矩形: dst(x, y) = src(x + center.x -

29、(width(dst)-1)*0.5, y + center.y - (height(dst)-1)*0.5) 其中非整數(shù)象素點坐標采用雙線性差值提取。對多通道圖像，每個通道獨立單獨完成提取。盡管函數(shù)要求矩形的中心一定要在輸入圖像之中，但是有可能出現(xiàn)矩形的一部分超出圖像邊界的情況，這時，該函數(shù)復(fù)制邊界的模識（hunnish:即用于矩形相交的圖像邊界線段的象素來代替矩形超越部分的象素）。 GetQuadrangleSubPix 提取象素四邊形，使用子象素精度 void cvGetQuadrangleSubPix( const CvArr* src, CvArr* dst, cons

30、t CvMat* map_matrix, int fill_outliers=0, CvScalar fill_value=cvScalarAll(0) ); src 輸入圖像. dst 提取的四邊形. map_matrix 3 2 變換矩陣 [A|b] （見討論）. fill_outliers 該標志位指定是否對原始圖像邊界外面的象素點使用復(fù)制模式(fill_outliers=0)進行差值或者將其設(shè)置為指定值(fill_outliers=1)。 fill_value 對超出圖像邊界的矩形象素設(shè)定

31、的值(當 fill_outliers=1時的情況). 函數(shù) cvGetQuadrangleSubPix 以子象素精度從圖像 src 中提取四邊形，使用子象素精度，并且將結(jié)果存儲于 dst ,計算公式是： dst(x+width(dst)/2, y+height(dst)/2)= src( A11x+A12y+b1, A21x+A22y+b2), w其中 A和 b 均來自映射矩陣(譯者注：A, b為幾何形變參數(shù)) map_matrix | A11 A12 b1 | map_matrix = | | |

32、A21 A22 b2 | 其中在非整數(shù)坐標 A?(x,y)T+b 的象素點值通過雙線性變換得到。多通道圖像的每一個通道都單獨計算. 例子：使用 cvGetQuadrangleSubPix 進行圖像旋轉(zhuǎn) #include "cv.h" #include "highgui.h" #include "math.h" int main( int argc, char** argv ) { IplImage* src; /* the first command line parameter must be image file name */ if( a

33、rgc==2 && (src = cvLoadImage(argv[1], -1))!=0) { IplImage* dst = cvCloneImage( src ); int delta = 1; int angle = 0; cvNamedWindow( "src", 1 ); cvShowImage( "src", src ); for(;;) { float m[6]; double fac

34、tor = (cos(angle*CV_PI/180.) + 1.1)*3; CvMat M = cvMat( 2, 3, CV_32F, m ); int w = src->width; int h = src->height; m[0] = (float)(factor*cos(-angle*2*CV_PI/180.)); m[1] = (float)(factor*sin(-angle*2*CV_PI/180.)); m[2] =

35、 w*0.5f; m[3] = -m[1]; m[4] = m[0]; m[5] = h*0.5f; cvGetQuadrangleSubPix( src, dst, &M, 1, cvScalarAll(0)); cvNamedWindow( "dst", 1 ); cvShowImage( "dst", dst ); if( cvWaitKey(5) == 27 )

36、 break; angle = (angle + delta) % 360; } } return 0; } Resize 圖像大小變換 void cvResize( const CvArr* src, CvArr* dst, int interpolation=CV_INTER_LINEAR ); src 輸入圖像. dst 輸出圖像. interpolation 差值方法: CV_INTER_NN - 最近鄰差值, CV_INTER_LINEAR - 雙線性差值 (缺省使用)

37、 CV_INTER_AREA - 使用象素關(guān)系重采樣。當圖像縮小時候，該方法可以避免波紋出現(xiàn)。當圖像放大時，類似于 CV_INTER_NN 方法.. CV_INTER_CUBIC - 立方差值. 函數(shù) cvResize 將圖像 src 改變尺寸得到與 dst 同樣大小。若設(shè)定 ROI，函數(shù)將按常規(guī)支持 ROI. WarpAffine 對圖像做仿射變換 void cvWarpAffine( const CvArr* src, CvArr* dst, const CvMat* map_matrix, int flags=CV_INTE

38、R_LINEAR+CV_WARP_FILL_OUTLIERS, CvScalar fillval=cvScalarAll(0) ); src 輸入圖像. dst 輸出圖像. map_matrix 23 變換矩陣 flags 插值方法和以下開關(guān)選項的組合： CV_WARP_FILL_OUTLIERS - 填充所有縮小圖像的象素。如果部分象素落在輸入圖像的邊界外，那么它們的值設(shè)定為 fillval. CV_WARP_INVERSE_MAP - 指定 matrix 是輸出圖像到輸入圖像的反變換，因此可以直接用來做象素差

39、值。否則, 函數(shù)從 map_matrix 得到反變換。 fillval 用來填充邊界外面的值 函數(shù) cvWarpAffine 利用下面指定的矩陣變換輸入圖像： dst(x',y')<-src(x,y) 如果沒有指定 CV_WARP_INVERSE_MAP ， (x',y')T=map_matrix?(x,y,1)T+b , 否則， (x, y)T=map_matrix?(x',y&apos,1)T+b 函數(shù)與 cvGetQuadrangleSubPix 類似，但是不完全相同。 cvWarpAffine 要求輸入和輸出圖像具有

40、同樣的數(shù)據(jù)類型，有更大的資源開銷（因此對小圖像不太合適）而且輸出圖像的部分可以保留不變。而 cvGetQuadrangleSubPix 可以精確地從8位圖像中提取四邊形到浮點數(shù)緩存區(qū)中，具有比較小的系統(tǒng)開銷，而且總是全部改變輸出圖像的內(nèi)容。 要變換稀疏矩陣，使用 cxcore 中的函數(shù) cvTransform 。 2DRotationMatrix 計算二維旋轉(zhuǎn)的仿射變換矩陣 CvMat* cv2DRotationMatrix( CvPoint2D32f center, double angle, double scale,

41、CvMat* map_matrix ); center 輸入圖像的旋轉(zhuǎn)中心坐標 angle 旋轉(zhuǎn)角度（度）。正值表示逆時針旋轉(zhuǎn)(坐標原點假設(shè)在左上角). scale 各項同性的尺度因子 map_matrix 輸出 23 矩陣的指針 函數(shù) cv2DRotationMatrix 計算矩陣: [ α β | (1-α)*center.x - β*center.y ] [ -β α | β*center.x + (1-α)*center.y ] where α=scale*cos(angle), β=scale*sin(angle) 該變換并

42、不改變原始旋轉(zhuǎn)中心點的坐標，如果這不是操作目的，則可以通過調(diào)整平移量改變其坐標(譯者注：通過簡單的推導(dǎo)可知，放射變換的實現(xiàn)是首先將旋轉(zhuǎn)中心置為坐標原點，再進行旋轉(zhuǎn)和尺度變換，最后重新將坐標原點設(shè)定為輸入圖像的左上角，這里的平移量是center.x, center.y). WarpPerspective 對圖像進行透視變換 void cvWarpPerspective( const CvArr* src, CvArr* dst, const CvMat* map_matrix, int flags=CV_INTER_LINEAR+CV_

43、WARP_FILL_OUTLIERS, CvScalar fillval=cvScalarAll(0) ); src 輸入圖像. dst 輸出圖像. map_matrix 33 變換矩陣 flags 插值方法和以下開關(guān)選項的組合: CV_WARP_FILL_OUTLIERS - 填充所有縮小圖像的象素。如果部分象素落在輸入圖像的邊界外，那么它們的值設(shè)定為 fillval. CV_WARP_INVERSE_MAP - 指定 matrix 是輸出圖像到輸入圖像的反變換，因此可以直接用來做象素差值。否則, 函

44、數(shù)從 map_matrix 得到反變換。 fillval 用來填充邊界外面的值 函數(shù) cvWarpPerspective 利用下面指定矩陣變換輸入圖像： dst(x',y')<-src(x,y) 若指定 CV_WARP_INVERSE_MAP， (tx',ty',t)T=map_matrix?(x,y,1)T+b 否則， (tx, ty, t)T=map_matrix?(x',y&apos,1)T+b 要變換稀疏矩陣，使用 cxcore 中的函數(shù) cvTransform 。 WarpPerspectiveQMatrix

45、 用4個對應(yīng)點計算透視變換矩陣 CvMat* cvWarpPerspectiveQMatrix( const CvPoint2D32f* src, const CvPoint2D32f* dst, CvMat* map_matrix ); src 輸入圖像的四邊形的4個點坐標 dst 輸出圖像的對應(yīng)四邊形的4個點坐標 map_matrix 輸出的 33 矩陣 函數(shù) cvWarpPerspectiveQMatrix 計算透視變換矩陣

46、，使得： (tixi,tiyi,ti)T=matrix?(xi,yi,1)T 其中 dst(i)=(xi,yi), src(i)=(xi,yi), i=0..3. 形態(tài)學(xué)操作 CreateStructuringElementEx 創(chuàng)建結(jié)構(gòu)元素 IplConvKernel* cvCreateStructuringElementEx( int cols, int rows, int anchor_x, int anchor_y, int shape, int* values=NULL )

47、; cols 結(jié)構(gòu)元素的列數(shù)目 rows 結(jié)構(gòu)元素的行數(shù)目 anchor_x 錨點的相對水平偏移量 anchor_y 錨點的相對垂直便宜量 shape 結(jié)構(gòu)元素的形狀，可以是下列值： CV_SHAPE_RECT, 長方形元素; CV_SHAPE_CROSS, 交錯元素 a cross-shaped element; CV_SHAPE_ELLIPSE, 橢圓元素; CV_SHAPE_CUSTOM, 用戶自定義元素。這種情況下參數(shù) values 定義了 mask,即象素的那個鄰域必須考慮。 values 指向結(jié)構(gòu)元素的指針，它是

48、一個平面數(shù)組，表示對元素矩陣逐行掃描。(非零點表示該點屬于結(jié)構(gòu)元)。如果指針為空，則表示平面數(shù)組中的所有元素都是非零的，即結(jié)構(gòu)元是一個長方形(該參數(shù)僅僅當shape參數(shù)是 CV_SHAPE_CUSTOM 時才予以考慮)。 函數(shù) cv CreateStructuringElementEx 分配和填充結(jié)構(gòu) IplConvKernel, 它可作為形態(tài)操作中的結(jié)構(gòu)元素。 ReleaseStructuringElement 刪除結(jié)構(gòu)元素 void cvReleaseStructuringElement( IplConvKernel** element ); element 被刪除的結(jié)

49、構(gòu)元素的指針 函數(shù) cvReleaseStructuringElement 釋放結(jié)構(gòu) IplConvKernel 。如果 *element 為 NULL, 則函數(shù)不作用。 Erode 使用任意結(jié)構(gòu)元素腐蝕圖像 void cvErode( const CvArr* src, CvArr* dst, IplConvKernel* element=NULL, int iterations=1 ); src 輸入圖像. dst 輸出圖像. element 用于腐蝕的結(jié)構(gòu)元素。若為 NULL, 則使用 33 長方形的結(jié)構(gòu)元素 iterations 腐蝕的次數(shù)

50、 函數(shù) cvErode 對輸入圖像使用指定的結(jié)構(gòu)元素進行腐蝕，該結(jié)構(gòu)元素決定每個具有最小值象素點的鄰域形狀： dst=erode(src,element): dst(x,y)=min((x,y) in element))src(x+x,y+y) 函數(shù)可能是本地操作，不需另外開辟存儲空間的意思。腐蝕可以重復(fù)進行 (iterations) 次. 對彩色圖像，每個彩色通道單獨處理。 Dilate 使用任意結(jié)構(gòu)元素膨脹圖像 void cvDilate( const CvArr* src, CvArr* dst, IplConvKernel* element=NULL, int ite

51、rations=1 ); src 輸入圖像. dst 輸出圖像. element 用于膨脹的結(jié)構(gòu)元素。若為 NULL, 則使用 33 長方形的結(jié)構(gòu)元素 iterations 膨脹的次數(shù) 函數(shù) cvDilate 對輸入圖像使用指定的結(jié)構(gòu)元進行膨脹，該結(jié)構(gòu)決定每個具有最小值象素點的鄰域形狀： dst=dilate(src,element): dst(x,y)=max((x,y) in element))src(x+x,y+y) 函數(shù)支持（in-place）模式。膨脹可以重復(fù)進行 (iterations) 次. 對彩色圖像，每個彩色通道單獨處理。 Mor

52、phologyEx 高級形態(tài)學(xué)變換 void cvMorphologyEx( const CvArr* src, CvArr* dst, CvArr* temp, IplConvKernel* element, int operation, int iterations=1 ); src 輸入圖像. dst 輸出圖像. temp 臨時圖像，某些情況下需要 element 結(jié)構(gòu)元素 operation 形態(tài)操作的類型: CV_MOP_OPEN - 開運算 CV_MOP_CLOSE - 閉運算 CV_MOP

53、_GRADIENT - 形態(tài)梯度 CV_MOP_TOPHAT - "頂帽" CV_MOP_BLACKHAT - "黑帽" iterations 膨脹和腐蝕次數(shù). 函數(shù) cvMorphologyEx 在膨脹和腐蝕基本操作的基礎(chǔ)上，完成一些高級的形態(tài)變換： 開運算: dst=open(src,element)=dilate(erode(src,element),element) 閉運算: dst=close(src,element)=erode(dilate(src,element),element) 形態(tài)梯度 dst=morph_grad(src,element

54、)=dilate(src,element)-erode(src,element) "頂帽": dst=tophat(src,element)=src-open(src,element) "黑帽": dst=blackhat(src,element)=close(src,element)-src 臨時圖像 temp 在形態(tài)梯度以及對“頂帽”和“黑帽”操作時的 in-place 模式下需要。 濾波器與彩色變換 Smooth 各種方法的圖像平滑 void cvSmooth( const CvArr* src, CvArr* dst,

55、 int smoothtype=CV_GAUSSIAN, int param1=3, int param2=0, double param3=0 ); src 輸入圖像. dst 輸出圖像. smoothtype 平滑方法: CV_BLUR_NO_SCALE (簡單不帶尺度變換的模糊) - 對每個象素的 param1param2 領(lǐng)域求和。如果鄰域大小是變化的，可以事先利用函數(shù) cvIntegral 計算積分圖像。 CV_BLUR (simple blur) - 對每個象素param1param2鄰域 求和并做尺度變換 1/(p

56、aram1?param2). CV_GAUSSIAN (gaussian blur) - 對圖像進行核大小為 param1param2 的高斯卷積 CV_MEDIAN (median blur) - 對圖像進行核大小為param1param1 的中值濾波 (i.e. 鄰域是方的). CV_BILATERAL (雙向濾波) - 應(yīng)用雙向 3x3 濾波，彩色 sigma=param1，空間 sigma=param2. 關(guān)于雙向濾波，可參考 param1 平滑操作的第一個參數(shù). param2 平滑操作的第二個參數(shù). 對于簡單/非尺度變換的高斯模糊的情況，如果par

57、am2的值 為零，則表示其被設(shè)定為param1。 param3 對應(yīng)高斯參數(shù)的 Gaussian sigma (標準差). 如果為零，則標準差由下面的核尺寸計算： sigma = (n/2 - 1)*0.3 + 0.8, 其中 n=param1 對應(yīng)水平核, n=param2 對應(yīng)垂直核. 對小的卷積核 (33 to 77) 使用如上公式所示的標準 sigma 速度會快。如果 param3 不為零，而 param1 和 par

58、am2 為零，則核大小有 sigma 計算 (以保證足夠精確的操作). 函數(shù) cvSmooth 可使用上面任何一種方法平滑圖像。每一種方法都有自己的特點以及局限。 沒有縮放的圖像平滑僅支持單通道圖像，并且支持8位到16位的轉(zhuǎn)換(與cvSobel和cvaplace相似)和32位浮點數(shù)到32位浮點數(shù)的變換格式。 簡單模糊和高斯模糊支持 1- 或 3-通道, 8-比特 和 32-比特 浮點圖像。這兩種方法可以（in-place）方式處理圖像。 中值和雙向濾波工作于 1- 或 3-通道， 8-位圖像，但是不能以 in-place 方式處理圖像. Filter2D 對圖像做卷積 vo

59、id cvFilter2D( const CvArr* src, CvArr* dst, const CvMat* kernel, CvPoint anchor=cvPoint(-1,-1)); #define cvConvolve2D cvFilter2D src 輸入圖像. dst 輸出圖像. kernel 卷積核, 單通道浮點矩陣. 如果想要應(yīng)用不同的核于不同的通道，先用 cvSplit 函數(shù)分解圖像到單個色彩通道上，然后單獨處理。 anchor 核的錨點表示一個被濾波的點在核內(nèi)的位置

60、。 錨點應(yīng)該處于核內(nèi)部。缺省值 (-1,-1) 表示錨點在核中心。 函數(shù) cvFilter2D 對圖像進行線性濾波，支持 In-place 操作。當核運算部分超出輸入圖像時，函數(shù)從最近鄰的圖像內(nèi)部象素差值得到邊界外面的象素值。 Integral 計算積分圖像 void cvIntegral( const CvArr* image, CvArr* sum, CvArr* sqsum=NULL, CvArr* tilted_sum=NULL ); image 輸入圖像, WH, 單通道，8位或浮點 (32f 或 64f). sum 積分圖像, W+1H+1(譯者注：原

61、文的公式應(yīng)該寫成(W+1)(H+1),避免誤會), 單通道，32位整數(shù)或 double 精度的浮點數(shù)(64f). sqsum 對象素值平方的積分圖像，W+1H+1(譯者注：原文的公式應(yīng)該寫成(W+1)(H+1),避免誤會), 單通道，32位整數(shù)或 double 精度的浮點數(shù) (64f). tilted_sum 旋轉(zhuǎn)45度的積分圖像，單通道，32位整數(shù)或 double 精度的浮點數(shù) (64f). 函數(shù) cvIntegral 計算一次或高次積分圖像： sum(X,Y)=sumx

62、)2 tilted_sum(X,Y)=sumy

63、de ); src 輸入的 8-比特 或浮點圖像. dst 輸出的 8-比特 或浮點圖像. code 色彩空間轉(zhuǎn)換，通過定義 CV_2 常數(shù) (見下面). 函數(shù) cvCvtColor 將輸入圖像從一個色彩空間轉(zhuǎn)換為另外一個色彩空間。函數(shù)忽略 IplImage 頭中定義的 colorModel 和 channelSeq 域，所以輸入圖像的色彩空間應(yīng)該正確指定 (包括通道的順序，對RGB空間而言，BGR 意味著布局為 B0 G0 R0 B1 G1 R1 ... 層疊的 24-位格式，而 RGB 意味著布局

64、為 R0 G0 B0 R1 G1 B1 ... 層疊的24-位格式. 函數(shù)做如下變換： RGB 空間內(nèi)部的變換，如增加/刪除 alpha 通道，反相通道順序，到16位 RGB彩色或者15位RGB彩色的正逆轉(zhuǎn)換(Rx5:Gx6:Rx5),以及到灰度圖像的正逆轉(zhuǎn)換，使用： RGB[A]->Gray: Y=0.212671*R + 0.715160*G + 0.072169*B + 0*A Gray->RGB[A]: R=Y G=Y B=Y A=0 所有可能的圖像色彩空間的相互變換公式列舉如下： RGB<=>XYZ (CV_BGR2XYZ, CV_RGB2XYZ, CV_XYZ

65、2BGR, CV_XYZ2RGB): |X| |0.412411 0.357585 0.180454| |R| |Y| = |0.212649 0.715169 0.072182|*|G| |Z| |0.019332 0.119195 0.950390| |B| |R| | 3.240479 -1.53715 -0.498535| |X| |G| = |-0.969256 1.875991 0.041556|*|Y| |B| | 0.055648 -0.204043 1.057311| |Z| RGB<=>YCrCb

66、(CV_BGR2YCrCb, CV_RGB2YCrCb, CV_YCrCb2BGR, CV_YCrCb2RGB) Y=0.299*R + 0.587*G + 0.114*B Cr=(R-Y)*0.713 + 128 Cb=(B-Y)*0.564 + 128 R=Y + 1.403*(Cr - 128) G=Y - 0.344*(Cr - 128) - 0.714*(Cb - 128) B=Y + 1.773*(Cb - 128) RGB=>HSV (CV_BGR2HSV,CV_RGB2HSV) V=max(R,G,B) S=(V-min(R,G,B))*255/V if V!=0, 0 otherwise (G - B)*60/S, if V=R H= 180+(B - R)*60/S, if V=G 240+(R -