📄 opencvref_cv.cn.htm
字号:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0//EN"><html><head><meta http-equiv="Content-Type" content="text/plain; 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><hr><h3><a name="decl_cvCornerMinEigenVal">CornerMinEigenVal</a></h3><p class="Blurb"><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: Helvetica; mso-hansi-font-family: Helvetica">计算梯度矩阵的最小特征值，用于角点检测</span></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 + -