《基于opencv的机械零件部件特征的识别与检测》—阅读笔记

论文出处：《基于OpenCV的机械零件局部特征的识别与检测》— 孙新军

粗减版：

1.openCV操作：

·图像高斯滤波
	cvSmooth(0
·OTSU二值化
	cvThreshold()
·图像膨胀处理
	cvDilate(0

2.图像特征提取

·轮廓长度：cvArcLength
·轮廓面积:	cvContourArea
·7个HU矩:	cvGetHuMoments
·平均功率谱：cvDFT
·熵：
·能量
·对比度
·一致性
·行列式的值：cvDet
·条件数得倒数：cvInvert+CV_SVD(参数)
·范数：cvNorm
·0阶空间矩：cvGetSpatialMoment

3.图像特征识别与检测

随机森林学习算法：
	bool CvRTrees::train()//训练
	double CvRTrees::predict()//测试
	//特征信息以行向量方式输入，80%样本进行训练
	//具体参数看详细版

详细版：

0.open CV 补充知识

·opencv 数据访问方式

访问方式有四种：间接访问，直接访问，指针访问，用C66外壳访问。

·指针访问：

·单字节单通道的图像访问：

IplImage* img = cvCreateImage(cvSize(512,512),IPL_DEPTH_8U,1);
int height = img->height;
int width = img->.width;
int step = img->widthStep/sizeof(uchar);
uchar* data = (uchar*) img->imageData;
data[i*step+j] = 111;

·对单字节多通道图像访问：

IplImage* img = cvCreateImage(cvSize(512,512),IPL_DEPTH_8U,3);
int height = img->height;
int width = img->width;
int step = img->widthStep/sizeof(uchar);
int channels = img->nChannels;
uchar* data = (uchar*) img->imageData;
data[i*step+j*channels+k] = 111;

·openCV数据结构：

CvMat--矩阵类
IplImage--图像类
CvHistogram--多维柱状图混合类
CvSeq,CvSet--可变集合类
CvArr*--通用数组形式

1.图像目标区域提取

cvGetRectSubPix
提取规则：dst(x,y) = src(x+center.x-(width(dst)-1)X0.5,y+center.y-(height(dst)-1)X0.5)

函数对应的三个参数分别是：输入图像，提取的像素矩形，提取的像素矩形的中心。

2.图像滤波

文中选择了使用高斯滤波进行突破的平滑操作

·高斯滤波：

采用加权求均值的方法实现平滑滤波的效果。

·高斯滤波的五个重要性质：

1.旋转对称性： 滤波器再各个方向上的作用效果是一样的。
2.单值函数：高斯滤波器中目标点的像素值等于邻域像素值的加权值。
	而权值是对应点与中心点之间按距离的单调函数。
3.高斯函数具有单瓣的傅立叶变换频谱：
  因为高斯函数傅立叶变换等于高斯函数本身。图像含有高频信号和低频信号，
  通常情况下，高频信号往往是不需要的信号（噪声，细纹理），在滤波时要将它去除。
  但是图像的特征，边缘即含有高频，也有低频信号。
  而这一特征表明滤波时可以去除掉不需要的高频信号，留下有用的特征。  
4.高斯滤波器宽度由参数σ决定，且成正比，且平滑程度越好，
但是当参数值过大时又会出现过平滑现象，反之又会欠平滑，因此根据实际情况调整
5.高斯函数具有可分离性，可实现较大尺寸的高斯滤波器。

·高斯滤波器设计：

均值为0的一维高斯函数为：

其中σ决定了高斯滤波器的宽度。

图像的高斯滤波常用均值为0的二维离散高斯函数实现：

因此，设计高斯滤波器的关键在于计算高斯核，高斯核的计算可以通过二维高斯函数实现


图像的高斯滤波需要用离散的模板，连续高斯分布经过采样，量化处理后，可以得到离散的模板且模板需要做归一化处理。离散高斯卷积核的维数为H：(2k+1)X(2k+1)

在openCV中，高斯滤波可以通过cvSmooth实现，且在论文中，对于参数param1和param2的值均设置为5，param3和param4则为0

·图像二值化：
论文中使用的是OTSU阈值分割法。

·本节小结：

该节主要是使用opencv实现图像处理功能，包括目标区域的提取，图像滤波，图像二值化和图像膨胀

3.图像特征提取

通常图像识别中，主要提取图像的以下四类特征：

1.直观性特征。特点是容易提取，物理意义明确，如图像轮廓，边沿，区域和纹理等
2.灰度统计特征。把图像看作二维随机过程，对其进行统计分析。如图像的七个HU不变矩
3.变换域特征。可对图像进行Huohg变换，曲