📄 cv中文参考手册.htm
字号:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0//EN">
<html><head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<meta http-equiv="Content-Language" content="zh-cn">
<link rel="STYLESHEET" href="opencvref.css" charset="gb2312" type="text/css">
<meta name="GENERATOR" content="Microsoft FrontPage 4.0">
<meta name="ProgId" content="FrontPage.Editor.Document">
<title>OpenCV: 图像处理和计算机视觉参考手册</title>
</head><body>
<h1>CV 参考手册</h1>
<hr>
<p><a href="http://blog.csdn.net/hunnish">HUNNISH</a> 注：</p>
<p>本翻译是直接根据 OpenCV Beta 4.0
版本的用户手册翻译的，原文件是：<opencv_directory>/doc/ref/opencvref_cv.htm,
可以从 SOURCEFORG 上面的 OpenCV 项目下载，也可以直接从 <a href="http://www.assuredigit.com">阿须数码</a>
中下载：<a href="http://www.assuredigit.com/incoming/sourcecode/opencv/chinese_docs/ref/opencvref_cv.htm">http://www.assuredigit.com/incoming/sourcecode/opencv/chinese_docs/ref/opencvref_cv.htm</a>。</p>
<p>翻译中肯定有不少错误，另外也有些术语和原文语义理解不透导致翻译不准确或者错误，也请有心人赐教。</p>
<p>图像处理、结构分析、运动分析和对象跟踪部分由R.Z.LIU翻译，模式识别、照相机定标与三维重建部分由H.M.ZHANG翻译，全文由Y.C.WEI统一修改校正。</p>
<hr><ul>
<li><a href="#cv_imgproc">图像处理</a>
<ul>
<li><a href="#cv_imgproc_features">梯度, 边缘和角点</a>
<li><a href="#cv_imgproc_resampling">采样
差值和几何变换 </a>
<li><a href="#cv_imgproc_morphology">形态学操作</a>
<li><a href="#cv_imgproc_filters">滤波和彩色变换</a>
<li><a href="#cv_imgproc_pyramids">金字塔及其应用</a>
<li><a href="#cv_imgproc_ccomp">连接组件</a>
<li><a href="#cv_imgproc_moments">图像和轮廓矩</a></span>
<li><a href="#cv_imgproc_special">特殊图像变换</a>
<li><a href="#cv_imgproc_histograms">直方图</a></span>
<li><a href="#cv_imgproc_matching">匹配</a></span>
</ul>
<li><a href="#cv_sa">结构分析</a>
<ul>
<li><a href="#cv_sa_contours">轮廓处理</a>
<li><a href="#cv_sa_compgeom">计算几何</a>
<li><a href="#cv_sa_subdiv">平面划分</a>
</ul>
<li><a href="#cv_motion">运动分析和对象跟踪</a>
<ul>
<li><a href="#cv_motion_acc">背景统计量的累积</a>
<li><span style="font-style: normal; font-variant: normal; font-weight: normal; font-size: 7pt; font-family: Times New Roman; mso-bidi-font-size: 12.0pt; mso-bidi-font-family: Times New Roman" lang="EN-US">
</span><a href="#cv_motion_motempl">运动模板</a>
<li><a href="#cv_motion_tracking">对象跟踪</a>
<li><a href="#cv_motion_optflow">光流</a>
<li><a href="#cv_motion_estimators">预估器</a>
</ul>
<li><a href="#cv_pattern">模式识别</a>
<ul>
<li><a href="#cv_pattern_objdetection">目标检测</a>
</ul>
<li><a href="#cv_3d">照相机定标和三维重建</a>
<ul>
<li><a href="#cv_3d_calibration">照相机定标</a>
<li><a href="#cv_3d_pose">姿态估计</a></span>
<li><a href="#cv_3d_epipolar">极线几何</a></span>
</ul>
<li><a href="#cv_func_index">函数列表</a>
<li><a href="#cv_bib">参考</a></span>
</ul>
<hr><h1><a name="cv_imgproc">图像处理</a></h1>
<p>
注意:<br>
本章描述图像处理和分析的一些函数。其中大多数函数都是针对两维象素数组的，这里，我们称这些数组为“图像”，但是它们不一定非得是IplImage 结构，也可以是CvMat或者CvMatND结构。
</p>
<hr><h2><a name="cv_imgproc_features">梯度、边缘和角点</a></h2>
<hr><h3><a name="decl_cvSobel">Sobel</a></h3>
<p class="Blurb"><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">使用扩展</span>
Sobel <span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">算子计算一阶、二阶、三阶或混合图像差分</span></p>
<pre>
void cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 );
</pre><p><dl>
<dt>src<dd>输入图像.
<dt>dst<dd>输出图像.
<dt>xorder
<dd>x 方向上的差分阶数</dd>
<dt>yorder<dd>y 方向上的差分阶数
<dt>aperture_size<dd>扩展 Sobel 核的大小，必须是 1,
3, 5 或 7。 除了尺寸为 1， 其它情况下， aperture_size ×aperture_size
可分离内核将用来计算差分。对 aperture_size=1的情况， 使用
3x1 或 1x3 内核
（不进行高斯平滑操作）。这里有一个特殊变量
CV_SCHARR (=-1)，对应 3x3 Scharr 滤波器，可以给出比 3x3 Sobel
滤波更精确的结果。Scharr 滤波器系数是：
<pre>
| -3 0 3|
|-10 0 10|
| -3 0 3|
</pre>
对 x-方向 以及转置矩阵对 y-方向。
</dl><p>
函数 <a href="#decl_cvSobel">cvSobel</a>
通过对图像用相应的内核进行卷积操作来计算图像差分：</p>
<pre>
dst(x,y) = d<sup>xorder+yoder</sup>src/dx<sup>xorder</sup>•dy<sup>yorder</sup> |<sub>(x,y)</sub>
</pre>
由于Sobel 算子结合了 Gaussian
平滑和微分，所以，其结果或多或少对噪声有一定的鲁棒性。通常情况，函数调用采用如下参数
(xorder=1, yorder=0, aperture_size=3) 或 (xorder=0, yorder=1, aperture_size=3)
来计算一阶 x- 或 y- 方向的图像差分。第一种情况对应：
<pre>
|-1 0 1|
|-2 0 2|
|-1 0 1|
</pre>
<p>核。第二种对应</p>
<pre>
|-1 -2 -1|
| 0 0 0|
| 1 2 1|
or
| 1 2 1|
| 0 0 0|
|-1 -2 -1|
</pre>
核的选则依赖于图像原点的定义 (<code>origin</span></code>
来自 <code>IplImage</span></code>
结构的定义)。由于该函数不进行图像尺度变换，所以和输入图像(数组)相比，输出图像(数组)的元素通常具有更大的绝对数值（译者注：即象素的深度）。为防止溢出，当输入图像是
8 位的，要求输出图像是 16 位的。当然可以用函数函数 <a href="#decl_cvConvertScale">cvConvertScale</a>
或 <a href="../../../../绋嬪簭/OpenCV/docs/ref/opencvref_cxcore.htm#decl_cvConvertScaleAbs">cvConvertScaleAbs</a>
转换为 8 位的。除了 8-比特 图像，函数也接受 32-位
浮点数图像。所有输入和输出图像都必须是单通道的，并且具有相同的图像尺寸或者ROI尺寸。
<hr><h3><a name="decl_cvLaplace">Laplace</a></h3>
<p class="Blurb"><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">计算图像的</span>
Laplacian 变换</p>
<pre>
void cvLaplace( const CvArr* src, CvArr* dst, int aperture_size=3 );
</pre><p><dl>
<dt>src<dd>输入图像.
<dt>dst<dd>输出图像.
<dt>aperture_size<dd>核大小 (与 <a href="#decl_cvSobel">cvSobel</a>
中定义一样).
</dl><p>
函数 <a href="#decl_cvLaplace">cvLaplace</a>
计算输入图像的 Laplacian变换，方法是先用 sobel 算子计算二阶 x-
和 y- 差分，再求和:</p>
<pre>
dst(x,y) = d<sup>2</sup>src/dx<sup>2</sup> + d<sup>2</sup>src/dy<sup>2</sup>
</pre>
<p>
对 <code>aperture_size</span></code>=1
则给出最快计算结果，相当于对图像采用如下内核做卷积：</p>
<pre>
|0 1 0|
|1 -4 1|
|0 1 0|
</pre><p>
类似于 <a href="#decl_cvSobel">cvSobel</a>
函数，该函数也不作图像的尺度变换，所支持的输入、输出图像类型的组合和<a href="#decl_cvSobel">cvSobel</a>一致。
</p>
<hr><h3><a name="decl_cvCanny">Canny</a></h3>
<p class="Blurb"><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">采用</span>
Canny <span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">算法做边缘检测</span></p>
<pre>
void cvCanny( const CvArr* image, CvArr* edges, double threshold1,
double threshold2, int aperture_size=3 );
</pre><p><dl>
<dt>image<dd>输入图像.
<dt>edges<dd>输出的边缘图像
<dt>threshold1
<dd>第一个阈值</dd>
<dt>threshold2<dd>第二个阈值
<dt>aperture_size<dd>Sobel 算子内核大小 (见 <a href="#decl_cvSobel">cvSobel</a>).
</dl><p>
函数 <a href="#decl_cvCanny">cvCanny</a> 采用 CANNY
算法发现输入图像的边缘而且在输出图像中标识这些边缘。<code>threshold1</code>和<code>threshold2</code> 当中的小
阈值用来控制边缘连接，大的阈值用来控制强边缘的初始分割。</p>
<hr><h3><a name="decl_cvPreCornerDetect">PreCornerDetect</a></h3>
<p class="Blurb"><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">计算用于角点检测的特征图，</span></p>
<pre>
void cvPreCornerDetect( const CvArr* image, CvArr* corners, int aperture_size=3 );
</pre><p><dl>
<dt>image<dd>输入图像.
<dt>corners<dd>保存候选角点的特征图
<dt>aperture_size<dd>Sobel 算子的核大小(见<a href="#decl_cvSobel">cvSobel</a>).
</dl><p>
函数 <a href="#decl_cvPreCornerDetect">cvPreCornerDetect</a>
计算函数 D<sub>x</sub><sup>2</sup>D<sub>yy</sub>+D<sub>y</sub><sup>2</sup>D<sub>xx</sub>
- 2D<sub>x</sub>D<sub>y</sub>D<sub>xy</sub> 其中 D<sub>?</sub>
表示一阶图像差分，D<sub>??</sub> 表示二阶图像差分。
角点被认为是函数的局部最大值：</p>
<pre>
// 假设图像格式为浮点数
IplImage* corners = cvCloneImage(image);
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 );
cvReleaseImage( &corners );
cvReleaseImage( &dilated_corners );
</pre>
<hr><h3><a name="decl_cvCornerEigenValsAndVecs">CornerEigenValsAndVecs</a></h3>
<p class="Blurb"><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">计算图像块的特征值和特征向量，用于角点检测</span></p>
<pre>
void cvCornerEigenValsAndVecs( const CvArr* image, CvArr* eigenvv,
int block_size, int aperture_size=3 );
</pre><p><dl>
<dt>image<dd>输入图像.
<dt>eigenvv<dd>保存结果的数组。必须比输入图像宽
6 倍。
<dt>block_size<dd>邻域大小 (见讨论).
<dt>aperture_size<dd>Sobel 算子的核尺寸(见 <a href="#decl_cvSobel">cvSobel</a>).
</dl><p>
对每个象素，函数 <a href="#decl_cvCornerEigenValsAndVecs">cvCornerEigenValsAndVecs</a>
考虑 <code>block_size</span></code>
× <code>block_size</span></code>
大小的邻域 S(p)，然后在邻域上计算图像差分的相关矩阵：</p>
<pre>
| sum<sub>S(p)</sub>(dI/dx)<sup>2</sup> sum<sub>S(p)</sub>(dI/dx•dI/dy)|
M = | |
| sum<sub>S(p)</sub>(dI/dx•dI/dy) sum<sub>S(p)</sub>(dI/dy)<sup>2</sup> |
</pre><p>
然后它计算矩阵的特征值和特征向量，并且按如下方式(λ<sub>1</sub>,
λ<sub>2</sub>, x<sub>1</sub>, y<sub>1</sub>, x<sub>2</sub>, y<sub>2</sub>)存储这些值到输出图像中，其中<br>
<br>
λ<sub>1</sub>, λ<sub>2</sub> - <code>M 的</span></code>特征值，没有排序<br>
(x<sub>1</sub>, y<sub>1</sub>) - 特征向量，对 λ<sub>1</sub><br>
(x<sub>2</sub>, y<sub>2</sub>) - 特征向量，对 λ<sub>2</sub><br>
</p>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -