opencvapi（opencvapi中文手册）

本篇文章给大家谈谈opencvapi，以及opencvapi中文手册对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、opencv能做什么
• 2、openCv api函数说明(getStructuringElement）
• 3、opencv进阶1
• 4、opencv是干什么的?
• 5、OpenCV (一)Mat基本操作以及灰度图转化
• 6、OpenCV 基础功能简介

opencv能做什么

OpenCV可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机或蚂渣视觉方面的很多通用算法。 扩展资料

为什么有OpenCV

计算机视觉市场巨大而且持续增长，且这方面没有标准API，如今的计算机视觉软件大概有以下三种：

1、研究代码（慢，不稳定，独立并与其他库不兼容）

2、耗费很高的商业化工具（比如Halcon, MATLAB+Simulink）

3、依赖硬件的一些特别的解决方案（比如视频监控，制造控制系统，医疗设备）这是如今的现状，而标准的API将简化物悄计算机视觉程序和解决方案的开发，OpenCV致力于成为衫悄这样的`标准API。

OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库（Integrated Performance Primitives）得到更快的处理速度。右图为OpenCV与当前其他主流视觉函数库的性能比较。

[img]

openCv api函数说明(getStructuringElement）

getStructuringElement函皮弊数会返回指定形状和尺寸的结构元素。

上面是什么意思呢？

getStructuringElement函数核渣会返回    有返回值

返回什么？

矩形：MORPH_RECT;

交叉形：改握悄MORPH_CROSS;

椭圆形：MORPH_ELLIPSE;

SIze(3，3)  一个3*3的矩阵

综合起来也就是创建了一个3*3算子,并返回个指定变量。

Mat getStructuringElement(int shape, Size esize, Point anchor = Point(-1, -1));

opencv进阶1

在Opencv中人脸识别是基于Haar特征+Adaboost级亏野联分类器来实现人脸识别的!

要理解这节内容,我们首先要明白什么是特征?

特征其实就是某个区域的像素点经过运算之后得到的结果! 例如haar特征其实就是用下图列出的模板在图像中滑动,计算白色区域覆盖的像素之和减去黑色区域覆盖的像素之和,运算出来的结果就是haar特征值!

Haar特征一般和Adaboost分类器结合在一起进行目标识别!

这里需要运动机器学习的知识! 不过值得庆幸的是Opencv已经为我们训练好了数据,并且已经提取出了人脸的特征,在opencv的源码中有相销纤喊应的xml特征文件. 并且我们只需要调用opencv提供好的API即可快速完成人脸识别的功能!

核心api为:

实现步骤:

HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。

这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）

用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；

饱和度S表示颜色接近光竖好谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。

结论:

注意: 在opencv中,H、S、V值范围分别是[0,180]，[0,255]，[0,255]，而非[0,360]，[0,1]，[0,1]；

这里我们列出部分hsv空间的颜色值, 表中将部分紫色归为红色

[图片上传失败...(image-4f70f7-1563843266225)]

.jpg)

注意,这仅仅只能做一个比较粗糙的判定,按照我们人的正常思维,在傍晚临界点我们也无法判定当前是属于晚上还是白天!

在一张图片中,如果某个物体的颜色为纯色,那么我们就可以使用颜色过滤inRange的方式很方便的来提取这个物体.

下面我们有一张网球的图片,并且网球的颜色为一定范围内的绿色,在这张图片中我们找不到其它颜色也为绿色的图片,所以我们可以考虑使用绿色来提取它!

图片的颜色空间默认为BGR颜色空间,如果我们想找到提取纯绿色的话,我们可能需要写(0,255,0)这样的内容,假设我们想表示一定范围的绿色就会很麻烦!

所以我们考虑将它转成HSV颜色空间,绿色的色调H的范围我们很容易知道,剩下的就是框定颜色的饱和度H和亮度V就可以啦!

实现步骤:

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0 或 255，也就是将整个图像呈现出明显的黑白效果的过程。

在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。

[图片上传失败...(image-a31052-1563843266226)]

我们使用一个全局值作为阈值。但是在所有情况下这可能都不太好，例如，如果图像在不同区域具有不同的照明条件。在这种情况下，自适应阈值阈值可以帮助。这里，算法基于其周围的小区域确定像素的阈值。因此，我们为同一图像的不同区域获得不同的阈值，这为具有不同照明的图像提供了更好的结果。

除上述参数外，方法cv.adaptiveThreshold还有三个输入参数：

该 adaptiveMethod 决定阈值是如何计算的：

该 BLOCKSIZE 确定附近区域的大小和 Ç 是从平均值或附近的像素的加权和中减去一个常数。

采用日本人大津提出的算法,又称作最大类间方差法,被认为是图像分割中阈值选取的最佳算法,采用这种算法的好处是执行效率高!

img src="./img2/otsu.jpg" width="500" /

如果我们把图像看作信号，那么噪声就是干扰信号。我们在采集图像时可能因为各种各样的干扰而引入图像噪声。在计算机中,图像就是一个矩阵, 给原始图像增加噪声, 我们只需要让像素点加上一定灰度即可.

f(x, y) = I(x, y) + noise

常见的噪声有椒盐噪声（salt and pepper noise），为什么叫椒盐噪声？因为图像的像素点由于噪声影响随机变成了黑点（dark spot）或白点（white spot）。这里的“椒”不是我们常见的红辣椒或青辣椒，而是外国的“胡椒”（香料的一种）。我们知道，胡椒是黑色的，盐是白色的，所以才取了这么个形象的名字.

接下来我们来生成10%的椒噪声和盐噪声:

我们还要注意，opencv的图像矩阵类型是uint8，低于0和高于255的值并不截断，而是使用了模操作。即200+60=260 % 256 = 4。所以我们需要先将原始图像矩阵和噪声图像矩阵都转成浮点数类型进行相加操作，然后再转回来。

opencv是干什么的?

OpenCV是一款由Intel公司俄罗斯团队发起并参与和维护的一个计算机视启滑觉处理开源软件库，支持与计算机视觉和机器学习相关的众多算法，并且正在日益扩展。

OpenCV基于C++实现，同时提供python, Ruby, Matlab等语言的接口。OpenCV-Python是OpenCV的Python API，结合了OpenCV C++ API和Python语言的最佳特性。

作用：

OpenCV是一个基于BSD许可发行没旁扒的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。OpenCV在计算机视觉的发展中发挥了重要的作用，使成千上万的人能够在视觉上做更多的工作。OpenCV允许学生，研究人员，专业人员和创业者高效地实枯昌施项目，并通过向他们提供可在多种平台上优化的计算机视觉架构。

OpenCV (一)Mat基本操作以及灰度图转化

开始写OpenCV这篇文章的时候，不由想到，我的大学计算机图形学的第一门实操课程就是灰度转化，拉普拉斯锐化等。其中灰度图的转化，是计算机图形学基础中基础，这里就顺着OpenCV的灰度的转化，来看看OpenCV一些基础的api。

本文地址：

先来看看OpenCV，基础对象Mat，矩阵。什么是矩阵，实际上没有必要解释，一般人都能够明白数学意义上矩阵的含义。

OpenCV把每一个M * N的宽高图像，看成M*N的矩阵。矩阵的每一个单元就对应着图像中像素的每一个点。

我们如果放大图中某个部分，就会发现如下情况

图像实际上就如同矩阵一样每个单元由一个像素点构成。

因为OpenCV的Mat每一个像素点，包含的数据不仅仅只有一个单纯的数字。每一个像素点中包含着颜色通道数据。

稍微解释一下颜色通道，我们可以把世间万物肉眼能识别的颜色由3种颜色(R 红色，G 绿色，B 蓝色)经过调节其色彩饱和度组成的。也就是说通过控制RGB三种的色值大小(0~255)来调配新的颜色。

当我们常见的灰度图，一般是单个颜色通道，因为只用黑白两种颜色。我们常见的图片，至少是三色通道，因为需要RGB三种颜色通道。

我们常见Android的Bitmap能够设置ARGB_8888的标志位就是指能够通过A(透明通道),R,G,B来控制图片加载的颜色通道。

OpenCV为了更好的控制这些数据。因此采用了数学上的矩阵的概念。当OpenCV要控制如RGB三色通道的Mat，本质上是一个M * N * 3的三维矩阵。

但是实际上，我们在使用OpenCV的Mat的时候，我们只需要关注每个樱弊图片的像素，而每个像素的颜色通道则是看成Mat中每个单元数据的内容即可

我们先来看看Mat的构造方法

现阶段，实际上我们值得我们注意的是构造函数：

举个例子：

这个mat矩阵将会制造一个高20，宽30，一个1字节的颜色通道(也是Mat中每一个像素数据都是1字节的unchar类型的数据)，同时颜色是白色的图片。

在这里面我们能够看到一个特殊的宏CV_8UC1。实际上这是指代OpenCV中图片带的是多少颜色通道的意思。

这4个宏十分重要，要时刻记住。

当我们需要把Mat 中的数配棚据拷贝一份出来，我们应该调用下面这个api：

这样就能拷贝一份像素数据到新的Mat中。之后操作新的Mat就不会影响原图。

实际上，在本文中，我们能够看到OpenCV是这么调用api读取图片的数据转化为Mat矩阵。

OpenCV会通过imread去读图片文件，并且转化为Mat矩阵。

能看见imread，是调用imread_把图片中的数据拷贝的img这个Mat对象中。接着会做一次图片的颠倒。这个方面倒是和Glide很相似。

文件：modules/imgcodecs/src/loadsave.cpp

这里面做了几个事情，实际上和FFmpge的设计十分相似。

其核心也是操作Mat中的像素指针，找到颜色通道，确定指针移动的步长，赋值图片的数据到Mat矩阵中。核心如下：

其中还涉及到jpeg的哈夫曼算法之类的东西，这里就不深入源码。毕竟这是基础学习。

什么是灰度图，灰度度图实际上我们经常见到那些灰白的也可以纳入灰度图的范畴。实际上在计算机图形学有这么一个公式：

将RGB的多颜色图，通过 的算法，将每一个像素的图像的三颜色通道全部转化为为一种色彩，通过上面的公式转为为一种灰色的颜色。

一旦培颂则了解了，我们可以尝试编写灰度图的转化。我们通过矩阵的at方法访问每一个像素中的数据。

为了形象表示矩阵指针，指向问题，可以把RGB在OpenCV的Mat看成如下分布:

记住OpenCV的RGB的顺序和Android的不一样，是BGRA的顺序。和我们Android开发颠倒过来。

因此，我们可以得到如下的例子

我们经过尝试之后，确实能够把一个彩色的图片转化一个灰色图片。但是这就是

这里介绍一下Mat的一个api：

实际上OpenCV，内置了一些操作，可以把RGB的图像数据转化灰度图。

我们看看OpenCV实际上的转化出来的灰度图大小。我们通过自己写的方法，转化出来的灰度图是119kb，而通过cvtColor转化出来的是44kb。

问题出在哪里？还记得吗？因为只有灰白两种颜色，实际上只需要一种颜色通道即可，而这边还保留了3个颜色通道，也就说图片的每一个像素点中的数据出现了没必要的冗余。

这样就是44kb的大小。把三颜色通道的数据都设置到单颜色通道之后，就能进一步缩小其大小。

实际上在Android中的ColorMatrix中也有灰度图转化的api。

对画笔矩阵进行一次，矩阵变化操作。

实际上就是做了一次矩阵运算。绘制灰度的时候相当于构建了这么一个矩阵

接着通过矩阵之间的相乘，每一行的 0.213f,0.715f,0.072f控制像素的每个通道的色值。

对于Java来说，灰度转化的算法是： ，把绿色通道的比例调大了。

在OpenCV中有这么两个API，add和addWidget。两者都是可以把图像混合起来。

add和addWidget都是将像素合并起来。但是由于是像素直接相加的，所以容易造成像素接近255，让整个像素泛白。

而权重addWeighted，稍微能减轻一点这种问题，本质上还是像素相加，因此打水印一般不是使用这种办法。

等价于

saturate_cast这个是为了保证计算的值在0～255之间，防止越界。

饱和度，图片中色值更加大,如红色，淡红，鲜红

对比度：是指图像灰度反差。相当于图像中最暗和最亮的对比

亮度：暗亮度

控制对比度，饱和度的公式： , ,

因此当我们想要控制三通道的饱和度时候，可以通过alpha来控制色值成比例增加，beta控制一个色值线性增加。

如下：

在这里，看到了OpenCV会把所有的图片看成Mat矩阵。从本文中，能看到Mat的像素操作可以能看到有两种，一种是ptr像素指针，一种是at。ptr是OpenCV推荐的更加效率的访问速度。

当然还有一种LUT的核心函数，用来极速访问Mat矩阵中的像素。其原理是对着原来的色值进行预先的变换对应(设置一个颜色通道)。用来应对设置阈值等情况。

OpenCV 基础功能简介

OpenCV(开源计算机视觉库 http：//opencv.org ) 是一个开源的BSD许可库，包含数百种计算机视觉算法。由于功能强大,几乎所有用到的复杂的图片分析处理都会用到,所以有必要了解下它具体都有什么功能,方便我们使用。

官方文档： OpenCV 教程 — OpenCV 2.3.2 documentation

Core functionality ：基础数据模块，包含一些发杂数据结构和基本函数方法，主要包含如下的内容：

OpenCV基本数据结构（Basic Structures）；

基本的C语言数据结构和操作（Basic C Structures and Operations）；

动态数据结构（Dynamic Structures）；

数组操作相关函数（Operations on Arrays）；

绘图功能（Drawing Functions）；

XML和YAML语法的支持（XML/YAML Persistence）；

XML和YAML语法的支持的C语言接口（XML/YAML Persistence (C API)）；

聚类（Clustering）橡氏升；

辅助功能与系统函数和宏（Utility and System Functions and Macros）；

与OpenGL的互操作（OpenGL interoperability）；

Image processing ：图梁老像处核余理模块，包括线性和非线性图像滤波，几何图像变换（调整大小，仿射和透视扭曲，基于通用表的重新映射），颜色空间转换，直方图等。imgproc，是Image Processing的简写。图像处理模块，主要包含以下内容：

线性和非线性的图像滤波（Image Filtering）；

图像的几何变换（Geometric Image Transformations）；

图像的其他变换（Miscellaneous Image Transformations）；

直方图（Histograms）；

结构分析和形状描述（Structural Analysis and Shape Descriptors）；

运动分析和目标跟踪（Motion Analysis and Object Tracking）；

特征检测（Feature Detection）；

目标检测（Object Detection）；

是High-level GUI and Media I/O的简写。高层用户界面模块和媒体输入/输出模块，主要包含以下内容：

用户界面（User Interface）；

图片和视频的读写（Reading and Writing Images and Video）；

QT新功能（Qt New Functions）；

2D Features Framework的简写。二维特征框架模块，主要包含以下内容：

人脸识别

VR和AR

特征的检测和描述（Feature Detection and Description）；

特征检测器的通用接口（Common Interfaces of Feature Detectors）；

描述符提取器的通用接口（Common Interfaces of Descriptor Extractors）；

描述符匹配器的通用接口（Common Interfaces of Descriptor Matchers）；

通用描述符匹配器通用接口（Common Interfaces of Generic Descriptor Matchers）；

关键点和匹配结果的绘制功能（Drawing Function of Keypoints and Matches）；

目标分类（Object Categorization）；

Clustering and Search in Multi-Dimensional Spaces，多维空间聚类和搜索模块，主要包含以下内容：

快速近视最近邻搜索（Fast Approximate Nearest Neighbor Search）；

聚类（Clustering）；

是Video Analysis的简写。视频分析模块，主要包含以下内容：

运动分析和目标跟踪（Motion Analysis and Object Tracking），视频相关的，上面提到的是图片相关的；

是Camera Calibration and 3D Reconstruction的简写。这个模块主要是相机校准和三维重建相关的内容，包括基本的多视角几何算法、单个立体摄像头标定、物体姿态估计、立体相似性算法，3D信息的重建等

机器学习库：统计模型、随机树、神经网络等等…

检测预定义类的对象和实例（例如，面部，眼睛，马克杯，人，汽车等）。

视频分析模块，包括运动估计，背景减法和对象跟踪算法。

图像修复和图像去噪两部分

关于opencvapi和opencvapi中文手册的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。