【OPENCV】近段时间学习札记

最新推荐文章于 2023-06-23 17:43:30 发布

原创最新推荐文章于 2023-06-23 17:43:30 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

技术学习心得专栏收录该内容

5 篇文章

订阅专栏

按照每个星期做的东西来写吧。

1、看代码，自己根据所学的内容做个小demo

主要就是看的老大丢给我们的博客咯。http://www.cnblogs.com/updateofsimon/archive/2013/12/19/3482732.html

大概理解了一下Mat、 IplImage、 cvMat这三种数据容器。三者的区别到现在也没怎么理解，大致的印象就是Mat偏重计算，剩下的倆偏重“图形”，而且Mat是最新的，不用手动管理内存。

个人的感觉是，对不同容器的常用函数都不熟悉，当要实现一个功能的时候感到无从下手。网上有各种代码，但是可能前后使用的容器不一样，转换的时候又会出现指针类型与非指针类型之间不能转的情况。比如IplImage一般都会使用指针变量初始化，但是Mat则不会，Mat转换成IplImage不成功。对于三种数据容器尤其Mat的了解还有待加深。

同时此阶段还知道了迭代器iterator，查了一些资料得出的理解是，迭代器提供一种方法顺序访问一个聚合对象中各个元素, 而又不需暴露该对象的内部表示。用起来就像一个循环函数，遍历容器当中的对象一样。

使用的东西：

①访问各个类型图片的每个像素或行

image.at<uchar>(i,j)：取出灰度图像中i行j列的点。

image.at<Vec3b>(i,j)[k]：取出彩色图像中i行j列第k通道的颜色点

image.ptr<uchar>(image.rows): 每行数据的指针，每行有个地址 image.cols*image.channels()

MatIterator_<Vec3b> it_out=outImage.begin<Vec3b>(), itend_out=outImage.end<Vec3b>(): 迭代器访问每个点

②迭代器示例

Mat_<Vec3b>::iterator it = MatLab.begin<Vec3b>();
Mat_<Vec3b>::iterator itout = result.begin<Vec3b>();

2、类似大家来找茬，找不同

Mat本身有subtract函数使得两幅图相减得到RGB值，因此这个实现起来非常方便，减完不为0的像素就是不同的地方。但是这个函数有个值得注意的一点就是，当减完得到的为负值时，会自动变为0，因此需要将两幅图正负减两次。

不过我当时因为没注意到这个bug，所以采用的不是这个方法，而是用迭代器遍历了每个像素来对比，差值大于阈值定为不同，并把不同的地方用绿色标注了出来。我这样做有优点也有缺点，缺点一个是代码麻烦（我也不会分析什么程序效率啦这些东西），一个是阈值的设定拿不准。按时也有优点，就是可以在原图的基础上显示出来不同的地方，而相减的方法得到的图片当中，相同的地方全为黑色。

使用的东西：

①subtract函数

subtract(tmp1, tmp2, result1);

②rect类型

可以选定一个特定的矩形框。创造一个rect类型的时候，如Rect rect1(0, 0, ceil_width, ceil_height); 前两个参数为左上角坐标，后两个参数为矩形的长与宽。

3、找出图片里的圆圈，并画出来

在这里我接触到了cvHoughCircles 函数，该函数可以根据设定的条件返回圆心与半径。但是这个函数不能同时找出同心圆，而是每次先找出一个圆。

使用的东西：

①cvHoughCircles函数

  cvHoughCircles(CvArr *image,   //输入8bit（灰度）图像
            void *circle_storage,   //检测到的圆存储仓
            int method,       //变换方式，目前只支持CV_HOUGH_GRADIENT,
            double dp, //寻找圆弧圆心的累计分辨率，这个参数允许创建一个比输入图像分辨率低的累加器。
                               //如果dp设置为1，则分辨率是相同的；
                             //如果设置为更大的值（比如2），累加器的分辨率受此影响会变小（此情况下为一半）。

                            //dp的值不能比1小。
                double min_dist,      //该参数是让算法能明显区分的两个不同圆之间的最小距离。
          double param1,   //用于Canny的边缘阀值上限，下限被置为上限的一半。
                double param2,   //累加器的阀值。
                int min_radius,   //最小圆半径
                int max_radius) //最大圆半径

成功时返回CvSeq指针。

②cvGetSeqElem()

访问Seq的元素，cvGetSeqElem( name，i )，访问名为name的第i个元素。

4、二值图像连通域标记ing

参考的博客是 http://www.cnblogs.com/ronny/p/img_aly_01.html

文中介绍了两种标记连通域的方法

A：现在matlab中连通区域标记函数bwlabel中使的算法，它一次遍历图像，并记下每一行（或列）中连续的团（run）和标记的等价对，然后通过等价对对原来的图像进行重新标记。

这个有点像我们学数据结构的Kruskal的最小生成树算法。首先把每个连续的团标号，再将等价对依次加进来，并统一其标号。

感觉该算法的思路是这样的：

（1）找出并标记所有的团（run）

此处每个run都有stRun标记这个run的起始坐标，enRun标记这个run的终点坐标，rowRun标记这个run处于哪一行。这里比较难理解的是这三个属性并没有放在一起来解释run，而是所有run的stRun放在vector<int> stRun 这个矢量里面，stRun[第i个run] = 第i个run的起始坐标。同理对enRun和rowRun。

（2）完成团的标记与等价对列表的生成

第一步是找出了所有的团，这一步则对团进行标号，连通在一起的团将享有同一个标号，若一个团与上一行的多个团同时连通，则标为上一行最小号的团的标号。并将上一团的这几个标号写入等价对，说明它们是连通的。

（3）处理等价对，将所有连通的团放到同一个等价列表当中

这一步操作的对象可以看成是每个团标号（runlabel）。

vector<vector<bool>> eqTab(maxLabel, vector<bool>(maxLabel, false)); //相当于一个连通矩阵记录任意两个run是否连通

初始化这个矩阵，即根据第二步生成的等价对更改这个连通矩阵。

遍历所有的团标号，来看每个标号应该加入哪个连通域，并赋连通域标号（labelFlag）。

若当前的标号不属于任何一个连通域，则新给它一个连通域标号（labelFlag），并把它加入当前的连通域（tempList.push_back()），遍历当前连通域内的所有标号，将包含其中标号的所有等价对都加入到当前连通域内。代码如下：

for (int i = 1; i <= maxLabel; i++)
{
if (labelFlag[i - 1])
{
continue;
}
labelFlag[i - 1] = equaList.size() + 1;
tempList.push_back(i);
for (vector<int>::size_type j = 0; j < tempList.size(); j++)
{
for (vector<bool>::size_type k = 0; k != eqTab[tempList[j] - 1].size(); k++)
{
if (eqTab[tempList[j] - 1][k] && !labelFlag[k]) //说明标号k+1与j连通，并且k+1没有被表示过，不属于任何连通域
{
tempList.push_back(k + 1);
labelFlag[k] = equaList.size() + 1;
}
}
}
equaList.push_back(tempList);
tempList.clear();
}

B. 现在开源库cvBlob中使用的标记算法，它通过定位连通区域的内外轮廓来标记整个图像。

opencv里面直接就有轮廓的搜索算法。

但是，这个轮廓搜索算法首先是基于二值图，同时搜出的来的是黑底白图的轮廓。所以在转化成二值图的时候，注意背景得是黑色。

这个比较简单，直接调用findContours()即可，外轮廓的数量便是连通域的数量。

使用的东西：

①向量：

vector<T> v(n,i)形式，v包含n 个值为 i 的元素。

访问方法：v[k]，若为双层，比如vector<vector<int>> p，则为p[i][j]来访问。

②string::size_type

引用：在标准库string类型中，最容易令人产生误解就是size（）成员函数的返回值了，如果不深入分析的话，大多人都会认为size（）的返回值为int类型，其实不然。事实上，size操作返回的是string::size_type类型的值。 string类类型和许多其他库类型都定义了一些配套类型（companion type）。通过这些配套类型，库类型的使用就能和机器无关（machine-independent）。size_type就是这些配套类型中的一种。它定义为与unsigned型（unsigned int 或 unsigned long）具有相同的含义，而且可以保证足够大能够存储任意string对象的长度。为了使用由string类型定义的size_type类型，程序员必须加上作用域操作符来说明所使用的size_type类型是由string类定义的。

③findContours()

void findContours( InputOutputArray image, //二值图
OutputArrayOfArrays contours, //检测的轮廓数组，每一个轮廓用一个point类型的vector表示

//（ vector<vector<Point>>contours;）
OutputArray hierarchy, //参数和轮廓个数相同，

//每个轮廓contours[ i ]对应4个hierarchy元素hierarchy[ i ][ 0 ] ~hierarchy[ i ][ 3 ]

//分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，

                                              //如果没有对应项，该值设置为负数。（vector<Vec4i>hierarchy>）
                  int mode, //轮廓的检索模式
                   int method,//轮廓的近似办法
                  int offset=Point())//轮廓点的偏移量，可以设置为任意值。

④drawContours()

  void cvDrawContours( CvArr *img,
                        CvSeq* contour,           //输入的轮廓组，每一组轮廓由点vector构成
                          int contourIdx,             //画第几个轮廓，如果该参数为负值，则画全部轮廓
                          CvScalar color,        //轮廓颜色
                          int thickness=1,            //轮廓线宽。如果为负值或CV_FILLED表示填充轮廓内部
                          int line_type=8,            //线型
                          CvPoint offset=cvPoint(0,0) ,
                           int max_level)

任重道远。