2.opencv图像处理常用操作

图像的平滑处理

平滑,也称 模糊, 平滑处理时需要用到一个滤波器 。滤波器想象成一个包含加权系数的窗口，这个加权系数也叫做核或者模版。

    // 图像平滑处理分而学之.cpp : 定义控制台应用程序的入口点。
    //
    #include "stdafx.h"
    #include <iostream>
    #include <opencv2/opencv.hpp>
    using namespace std;
    using namespace cv;
    const int MAX_KERNEL_LENGTH = 31;
    int _tmain(int argc, _TCHAR* argv[])
    {
        Mat img = imread("D:\lenargb.jpg", 1);
        if (img.empty())
        {
            cout << "无法读入图像" << endl;
            return -1;
        }
        Mat dest;

    #pragma region 归一化平滑
        for (int i = 1; i < MAX_KERNEL_LENGTH; i++)
        {
            blur(img, dest, Size(i, i), Point(-1, -1));//size(i,i)内核大小，最小为(1,1);
            imshow("归一化平滑图像", dest);
            waitKey(100);

        }
    #pragma endregion
    #pragma region 高斯平滑
        for (int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2)
        {
            GaussianBlur(img, dest, Size(i, i), 0, 0);//size的两个参数必须都为正奇数，第四个参数是x方向的标准差，第五个参数是y方向的标准差,如果是0，表示从内核大小计算得到;
            imshow("高斯平滑图像图像", dest);
            waitKey(100);
        }
    #pragma endregion

    #pragma region 中值平滑
        for (int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2)
        {
            medianBlur(img, dest, i);//第三个参数为核的边长，必须为奇数，一般中值平滑用的都是正方形所以只用一个参数就好;
            imshow("中值平滑", dest);
            waitKey(100);
        }
    #pragma endregion

        //waitKey(0);
        return 0;
    }

图像阈值操作

为了从一副图像中提取出我们需要的部分，应该用图像中的每一个像素点的灰度值与选取的阈值进行比较，并作出相应的判断。
一旦找到了需要分割的物体的像素点，我们可以对这些像素点设定一些特定的值来表示。（例如：可以将该物体的像素点的灰度值设定为：‘0’（黑色）,其他的像素点的灰度值为：‘255’（白色）；
OpenCV中提供了阈值（threshold）函数 有五种类型
1. 二进制阈值化
先要选定一个特定的阈值量，比如：120，这样，新的阈值产生规则可以解释为大于120的像素点的灰度值设定为最大值(如8位灰度值最大为255)，灰度值小于120的像素点的灰度值设定为0。
2. 反二进制阈值化
该阈值化与二进制阈值化相似，先选定一个特定的灰度值作为阈值，不过最后的设定值相反。
3. 截断阈值化
同样首先需要选定一个阈值，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变
4. 阈值化为0
首先需要选定一个阈值，像素点的灰度值大于该阈值的不进行任何改变；2 像素点的灰度值小于该阈值的，其灰度值全部变为0
5. 反阈值化为0
原理类似于0阈值，但是在对图像做处理的时候相反，即：像素点的灰度值小于该阈值的不进行任何改变，而大于该阈值的部分，其灰度值全部变为0。
filter2D函数能够对图像按照模版进行滤波

    // 基本阈值操作2.cpp : 定义控制台应用程序的入口点。
    //

    #include "stdafx.h"
    #include <iostream>
    #include <opencv2/opencv.hpp>
    using namespace  std;
    using namespace cv;


    void respond(int, void*);
    const char * window_name = "图片";
    Mat src_gray;
    Mat dst;
    int threshhold_type = 5;
    const int max_type = 5;
    int threshhold_value = 0;
    int max_value = 255;
    int _tmain(int argc, _TCHAR* argv[])
    {
        namedWindow(window_name, WINDOW_AUTOSIZE);
        Mat src = imread("E:\code\test\image\tiantan.png", 1);
        if (src.empty())
        {
            cout << "无法正常载入图片" << endl; return -1;
        }
        //转换为灰度图;
        cvtColor(src, src_gray, CV_RGB2GRAY);
        imshow(window_name, src_gray);
        createTrackbar("阈值类型", window_name, &threshhold_type, max_type, respond);
        createTrackbar("阈值大小", window_name, &threshhold_value, max_value, respond);
        waitKey(0);
        return 0;
    }
    void respond(int, void*)
    {
        /* 0:二进制阈值
        1: 反二进制阈值
        2: 截断阈值
        3: 0阈值
        4: 反0阈值
        5:原灰度图;
        */
        if (threshhold_type==5)
        {
            imshow(window_name, src_gray);
        }
        else
        {
            threshold(src_gray, dst, threshhold_value, max_value, threshhold_type);
            imshow(window_name, dst);
        }
    }

实现自己的线性滤波器

OpenCV为我们提供了函数 filter2D ，来实现核卷积;

    // 实现自己的滤波器2.cpp : 定义控制台应用程序的入口点。
    //

    #include "stdafx.h"
    #include <iostream>
    #include <opencv2/opencv.hpp>
    using namespace std;
    using namespace cv;
    void respond(int, void*);
    const char * window_name = "实现自己的滤波器";
    int value = 0;
    Mat src,dst,kernel;
    const int max_value = 100;

    int _tmain(int argc, _TCHAR* argv[])
    {
        src = imread("E:\code\test\image\lena.png", 1);
        if (src.data==NULL)
        {
            cout << "无法加载图片" << endl;
            return -1;
        }
        namedWindow(window_name, WINDOW_AUTOSIZE);
        imshow(window_name, src);
        createTrackbar("核的大小", window_name, &value, max_value, respond);
        while (true)
        {

            char c = waitKey(0);
            if (c==27)
            {
                return 0;
            }
        }

        return 0;
    }

    void respond(int, void*)
    {
        int kernel_size = 1 + value * 2;
        kernel = Mat::ones(kernel_size, kernel_size, CV_32F)/(float)(kernel_size*kernel_size);
        filter2D(src, dst, -1, kernel, Point(-1, -1));
        imshow(window_name, dst);
    }

Sobel导数

Sobel 算子是一个离散微分算子 (discrete differentiation operator)。 它用来计算图像灰度函数的近似梯度。Sobel 算子结合了高斯平滑和微分求导。

    // Sobel导数.cpp : 定义控制台应用程序的入口点。
    //
    #include "stdafx.h"

    #include "opencv2/imgproc/imgproc.hpp"
    #include "opencv2/highgui/highgui.hpp"
    #include <stdlib.h>
    #include <stdio.h>

    using namespace cv;

    /** @function main */
    int main(int argc, char** argv)
    {

        Mat src, src_gray;
        Mat grad;
        char* window_name = "Sobel Demo - Simple Edge Detector";
        int scale = 1;
        int delta = 0;
        int ddepth = CV_16S;

        //int c;

        /// 装载图像
        src = imread("E://code//test//image//lena.png",1);

        if (!src.data)
        {
            return -1;
        }

        GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT);
        /// 创建显示窗口
        namedWindow(window_name, CV_WINDOW_AUTOSIZE);
        imshow(window_name, src);
        waitKey(3000);
        /// 转换为灰度图
        cvtColor(src, src_gray, CV_RGB2GRAY);


        imshow(window_name, src_gray);
        waitKey(3000);
        /// 创建 grad_x 和 grad_y 矩阵
        Mat grad_x, grad_y;
        Mat abs_grad_x, abs_grad_y;

        /// 求 X方向梯度

        Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT );
        //Sobel(src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT);
        convertScaleAbs(grad_x, abs_grad_x);

        /// 求Y方向梯度
        Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT );
        //Sobel(src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT);
        convertScaleAbs(grad_y, abs_grad_y);

        /// 合并梯度(近似)

        addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);

        imshow(window_name, grad);

        waitKey(0);

        return 0;
    }

//其实不简单也没有关系,因为只是相对大小，在图像的对比中，依然能够找到边界;

Laplace 算子

一阶导数的极值位置，二阶导数为0。所以我们也可以用这个特点来作为检测图像边缘的方法。 但是， 二阶导数的0值不仅仅出现在边缘(它们也可能出现在无意义的位置),但是我们可以过滤掉这些点。
实际上，由于 Laplacian使用了图像梯度，它内部调用了 Sobel 算子。

    // Laplace算子.cpp : 定义控制台应用程序的入口点。
    //

    #include "stdafx.h"

    #include "opencv2/imgproc/imgproc.hpp"
    #include "opencv2/highgui/highgui.hpp"
    #include <stdlib.h>
    #include <stdio.h>

    using namespace cv;

    /** @函数 main */
    int main(int argc, char** argv)
    {
        Mat src, src_gray, dst;
        int kernel_size = 3;
        int scale = 1;
        int delta = 0;
        int ddepth = CV_16S;
        char* window_name = "Laplace Demo";

        int c;

        /// 装载图像
        src = imread("E://code//test//image//lena.png", 1);

        if (!src.data)
        {
            return -1;
        }

        /// 使用高斯滤波消除噪声
        GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT);

        /// 转换为灰度图
        cvtColor(src, src_gray, CV_RGB2GRAY);

        /// 创建显示窗口
        namedWindow(window_name, CV_WINDOW_AUTOSIZE);
        imshow(window_name, src);
        waitKey(2000);
        imshow(window_name, src_gray);
        waitKey(3000);

        /// 使用Laplace函数
        Mat abs_dst;

        Laplacian(src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT);
        //ddepth: 输出图像的深度。 因为输入图像的深度是 CV_8U ，这里我们必须定义 ddepth = CV_16S 以避免外溢。
        //下面大概求绝对值；
        convertScaleAbs(dst, abs_dst);

        /// 显示结果
        imshow(window_name, abs_dst);

        waitKey(0);

        return 0;
    }

Canny 边缘检测

步骤
1. 消除噪声。 使用高斯平滑滤波器卷积降噪。
2. 计算梯度幅值和方向。 此处，使用Sobel滤波器
3. 非极大值 抑制。 这一步排除非边缘像素， 仅仅保留了一些细线条(候选边缘)。
4. 滞后阈值: 最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈值(高阈值和低阈值): Canny 推荐的 高:低 阈值比在 2:1 到3:1之间。

    // Canny边缘检测.cpp : 定义控制台应用程序的入口点。
    //

    #include "stdafx.h" 
    #include "opencv2/imgproc/imgproc.hpp"
    #include "opencv2/highgui/highgui.hpp"
    #include <stdlib.h>
    #include <stdio.h>

    using namespace cv;

    /// 全局变量

    Mat src, src_gray;
    Mat dst, detected_edges;

    //int edgeThresh = 1;
    int lowThreshold=1;
    int const max_lowThreshold = 100;
    int ratio = 3;
    int kernel_size = 3;
    char* window_name = "Edge Map";

    /**
    * @函数 CannyThreshold
    * @简介： trackbar 交互回调 - Canny阈值输入比例1:3
    */
    void CannyThreshold(int, void*)
    {
        /// 使用 3x3内核降噪
        blur(src_gray, detected_edges, Size(3, 3));

        /// 运行Canny算子
        Canny(detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size);
        //第一个参数是原图像，第二个参数是输出图像，支持本地计算,第三个参数是低阈值，第四个参数是高阈值，第五个参数是内部sobel算子使用的内核大小。
        /// 使用 Canny算子输出边缘作为掩码显示原图像
        dst = Scalar::all(0);
        //把dst填充为黑色
        src.copyTo(dst, detected_edges);
        //第一个参数为输出图像，第二个参数为掩码；即把第二个图像中非0的部分在src中的像素复制给dst;

        imshow(window_name, dst);
    }


    /** @函数 main */
    int main(int argc, char** argv)
    {
        /// 装载图像
        src = imread("E:\code\test\image\lena.png",1);

        if (!src.data)
        {
            return -1;
        }

        /// 创建与src同类型和大小的矩阵(dst)
        dst.create(src.size(), src.type());

        /// 原图像转换为灰度图像
        cvtColor(src, src_gray, CV_BGR2GRAY);

        /// 创建显示窗口
        namedWindow(window_name, CV_WINDOW_AUTOSIZE);

        /// 创建trackbar
        createTrackbar("Min Threshold:", window_name, &lowThreshold, max_lowThreshold, CannyThreshold);

        /// 显示图像
        CannyThreshold(0, 0);

        /// 等待用户反应
        waitKey(0);

        return 0;
    }

    /// 使用 3x3内核降噪
    blur(src_gray, detected_edges, Size(3, 3));

    /// 运行Canny算子
    Canny(detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size);
    //第一个参数是原图像，第二个参数是输出图像，支持本地计算,第三个参数是低阈值，第四个参数是高阈值，第五个参数是内部sobel算子使用的内核大小。
    /// 使用 Canny算子输出边缘作为掩码显示原图像