guduruyu的专栏

cv::divide()是一个简单的除法函数，有以下两种用法：用法1：void cv::divide( cv::InputArray src1, // 输入数组1 (分子) cv::InputArray src2, // 输入数组1 (分母) cv::OutputArray dst, // 输出数组 (scale*src1/src2) double scale = 1.0, //...

上一篇，我们介绍了opencv_contrib中的模块在windows下的编译，也提到了其中的dnn模块可以读取caffe的训练模型用于目标检测，这里我们具体介绍一下如何使用dnn读取caffe模型并进行目标分类。

RGB（红色，绿色，蓝色）是表示光发射的颜色空间。CYMK（青色，黄色，品红色，黑色）表示光吸收的颜色空间

在图像处理中，有时会遇到使用使用一幅图像（或ROI）覆盖（替换）另一图像的指定区域，直接的方法是逐个像素进行复制，但这是一种效率很低的操作，下面介绍opencv中一种效率较高且简便的操作。

最近找工作， 双线性插值原理：

OpenCV3中，图片的读取，通过函数cv::imread()来实现的；显示通过函数cv::imshow()来实现；而保存则通过cv::iimwrite()来实现。

我们在使用OpenCV进行图像处理的过程中，经常会涉及到对指定位置像素的读取和修改，下面我们就介绍OpenCV中几种常用的对指定位置像素值的读取和修改操作。

在图像处理，尤其是医学图像处理的过程中，我们经常会遇到将灰度图映射成彩色图的情形，如将灰度图根据灰度的高低映射成彩虹色图。这个过程我们通常将之称为伪彩映射，伪彩映射的关键在于找到合适的彩色映射表，即colormap，也称color bar。前段时间做了一个涉及到伪彩映射的项目，在找colormap的过程中，我发现Python的matplotlib模块中内嵌了一大批常用的colormaps，使用

Bezier曲线拟合算法是一种相对较容易实现、且拟合的效果较好的算法。关于Bezier曲线原理，请参照（Bezier曲线原理），这里就不再做具体介绍了，我们使用的是Besier三次曲线拟合原理。下面主要介绍算法的实现过程。

在续篇中我们将进一步向大家介绍如何生成自定义colormap。

在医学图像处理，尤其是在处理血管断层扫描类（如OCT、IVUS等）图像的过程中，不可避免的会使用到极坐标变换，也即是我们通常所说的“方转圆”。极坐标变换的关键在于，根据极坐标变换前的图像（我们称为“方图”）确定极坐标变换后的图像（我们称为“圆图”）上每个像素点的像素值。也即是找到“圆图”和“方图”间几何坐标的对应关系。

cv::Mat是OpenCV2和OpenCV3中基本的数据类型，在cv::Mat类中，关于cv::Mat的定义和初始化有多种不同的形式，这里，将对其进行详尽的总结和介绍。

阈值化操作在图像处理中是一种常用的算法，比如图像的二值化就是一种最常见的一种阈值化操作。opencv2和opencv3中提供了两种阈值化操作接口，即cv::thread()与cv::adaptiveThreshold()，这里将对这两个接口进行介绍和对比。

“平滑”通常又称“模糊”，是一种简单常用的图像处理操作。进行平滑处理的原因有很多，但通常是用来去除噪声和相机失真，平滑在按照一定的原理来降低图像分辨率中也有重要应用。OpenCV2和OpenCV3中提供了5种不同的平滑处理方法，每一种都有自己相关的库函数，每一个库函数实现的平滑都略有不同。在所有的平滑操作函数中，src和dst两个参数都分别代表源图像和目标图像。除此之外，每一种平滑操作都具有特定的相关操作参数。其中，唯一的共同参数是最后的borderType，这个参数表示平滑操作的过程中如何处理图像的边缘

前面已经介绍了使用使用mnist数据集进行训练lenet，并使用opencv加在caffemodel进行预测。更进一步也是最终的目的，还是要学会使用自己的数据集训练caffemodel并进行预测。这里先以训练lenet为例进行说明。

opencv目前已经支持caffe训练模型的读取，以及使用模型进行预测，这个功能是dnn模块实现的，而这个模块位于opencv_contrib中，此前编译的opencv3.2.0并没有将opencv_contrib中的模块加进来。因此，这里重新将opencv_contrib加入到opencv3.2.0进行编译。

cv::convertScaleAbs()用于实现对整个图像数组中的每一个元素，进行如下操作： 该操作可实现图像增强等相关操作的快速运算，具体用法如下：void cv::convertScaleAbs( cv::InputArray src, // 输入数组 cv::OutputArray dst, // 输出数组 double alpha = 1.0, // 乘数因子 do...

cv::compare()主要用于两个图像之间进行逐像素的比较，并输出比较的结果。具体用法如下：cv::compare() bool cv::compare( cv::InputArray src1, // 输入数组1 cv::InputArray src2, // 输入数组2 cv::OutputArray dst, // 输出数组 int cmpop // 比较操作子,见下表 ...

OpenCV3中提供了一个用于图像拼接的模块——Stitcher，可以将连续拍摄的图像序列，拼接成一幅全景画面。如下所示是56幅连续拍摄的图像：0.png1.png2.png3.png4.png处理代码如下：#include < stdio.h > #include < opencv2\opencv.hpp > #include < opencv2\stitc...

透明度通道，又叫alpha通道，做用于记录图像的透明度信息。具体参照【百度百科】“alpha通道”中的介绍。透明度确切的说应该叫不透明度（Opacity），取最小值0时，表示完全透明；取最大值255时，表示完全不透明；取值越大表示越不透明。通常遇到的图像如bmp图像、jpg图像都是单通道（灰度图）、RGB三通道(彩色)图像，而没有透明度通道，那么如何使用opencv给没有透明度通道的图像添加透明度...

一直使用的是OpenCV C++的接口，但是有些只能用纯c的环境下，就不得不用c接口了，IplImage是c接口图像数据最基本的数据结构，获取其ROI区域的过程如下，首先通过cvSetImageROI（IplImage* src, CvRect rect）设定ROI区域，然后将给部分图像数据拷贝出来，最后通过cvResetImageROI（IplImage* src）重置ROI区域即可。这里为了使...

此前在《【OpenCV3】图像轮廓查找与绘制——cv::findContours()与cv::drawContours()详解》一文中，详细介绍了图像轮廓的检测与绘制，但是在实际的应用中，往往需要检测目标的最大轮廓，但是OpenCV本身并没有封装这样一个函数，下面就贴上封装好的接口，供参考使用。说明：对于最大轮廓的定义，有些以轮廓的点数最多为标准，有的以所包围的面积最大为标准，这里将两种都实现一下...

卷积算法在图像处理中有着广泛的应用，通常使用的去噪算法、边缘增强算法等的实现都使用到了2D卷积算法。这里介绍一下2D卷积算法和快速卷积算法的C语言实现。

3D图形在数据分析、数据建模、图形和图像处理等领域中都有着广泛的应用，下面将给大家介绍一下如何使用python进行3D图形的绘制，包括3D散点、3D表面、3D轮廓、3D直线（曲线）以及3D文字等的绘制。

饼状图在统计分析中有着重要的应用，python中用于绘制饼状图是matplotlib中的pyplot类，这里就介绍一下，如何绘制饼状图。

python中用于绘图是matplotlib模块中的pyplot类，直接使用plot()函数绘制出的是折线图。而绘制散点图使用的是scatter()函数。

在 图像极坐标变换及基于OpenCV的实现一文中，介绍了图像极坐标变换的基本原理和基于opencv的实现，这里我们再介绍一下基于python的实现，以及在极坐标变换中所用的几种常用的插值算法，即最邻近插值、双线性插值以及三次卷积插值。

python中的颜色相关的定义在matplotlib模块中，为方便使用，这里给大家展示一下在这个模块中都定义了哪些选颜色。

gif动态图是在现在已经司空见惯，朋友圈里也经常是一言不合就斗图。这里，就介绍下如何使用python来解析和生成gif图像。

官网（opencv.org）目前提供的安装包只提供了vs2015（vc14）的编译版本。所以，若想在其他编译环境（如vs2010、vs2012、vs2013等）下使用，需要下载opencv3.2.0的源码，在cmake下自行编译。我是在64位WIN7+VS2013环境下使用CMake3.7.2进行编译的，在其他Windows版本、其他VS版本、其他OpenCV版本和其他CMake版本下的编译过程都是类似的。

在图像处理的过程中，我们有时需要在图像或者视频上画上一些图案或者绘上一些文字。OpenCV中提供了各种功能的绘图函数，使用这些函数，我们可以在图像上绘制直线、矩形、圆、椭圆、多边形、以及文字等等。

python作为机器学习和图像处理的利器，收到越来越多的推崇，特别是在图像处理领域，越来越多的研究和开发开始转向使用python语言，下面就介绍python图像处理中最基本的操作，即图像的读取显示与保存。

在图像处理中，尤其是处理多通道图像时，有时需要对各个通道进行分离，分别处理；有时还需要对分离处理后的各个通道进行合并，重新合并成一个多通道的图像。opencv2和opencv3中实现图像通道的合并与分离的函数分别是cv::split()和cv::merge()。

python中PIL模块中有一个叫做ImageEnhance的类，该类专门用于图像的增强处理，不仅可以增强（或减弱）图像的亮度、对比度、色度，还可以用于增强图像的锐度。

在使用python进行数据和图像处理的过程中，经常会遇到从txt文件中读取数据、已经将处理过程中的矩阵数据写入到txt文件的情形，如在伪彩映射中读取颜色映射表。

tiff文件是一种常用的图像文件格式，支持将多幅图像保存到一个文件中，极大得方便了图像的保存和处理。python中支持tiff文件处理的是libtiff模块中的TIFF类（libtiff下载链接https://pypi.python.org/pypi/libtiff/）。

图像的几何变换，如缩放、旋转和翻转等，在图像处理中扮演着重要的角色，python中的Image类分别提供了这些操作的接口函数

python PIL图像处理模块中的ImageDraw类支持各种几何图形的绘制和文本的绘制，如直线、椭圆、弧、弦、多边形以及文字等。

在图像处理中，经常需要对图像进行平滑、锐化、边界增强等滤波处理。在使用PIL图像处理库时，我们通过Image类中的成员函数filter()来调用滤波函数对图像进行滤波，而滤波函数则通过ImageFilter类来定义的。

将两幅图像合成一幅图像，是图像处理中常用的一种操作，python图像处理库PIL中提供了多种种将两幅图像合成一幅图像的接口。