OpenCV 学习笔记2 C++

1.图像直方图

直方图（Histogram）是图像处理中常用的工具，它表示图像中每个像素强度值的分布情况。在OpenCV中，可以使用 cv::calcHist 函数来计算图像的直方图。

图像直方图是一种展示图像像素强度分布的统计图表。它显示了图像中每个像素强度值的频率，有助于分析图像的亮度、对比度和色调等特征。以下是图像直方图的一些主要作用：

1.亮度和对比度分析：直方图可以用于分析图像的整体亮度和对比度。通过观察直方图的形状，可以了解图像中亮度的分布情况，从而调整图像的亮度和对比度，使其更符合需求。

2.图像增强：直方图均衡化是一种常见的图像增强方法，通过调整图像的直方图，使其更均匀地分布在整个灰度范围内，从而增强图像的细节和对比度。

3.颜色分析：对于彩色图像，可以对每个颜色通道分别绘制直方图，以了解图像中各个颜色通道的分布情况。这对于颜色校正和调整非常有帮助。

4.阈值选择：直方图可以帮助选择图像的二值化阈值。通过观察直方图的波峰和波谷，可以找到合适的阈值，将图像转换为二值图像。

5.检测图像质量问题：异常的直方图形状可能指示图像质量问题，例如曝光不足或曝光过度。通过检查直方图，可以识别并纠正这些问题。

void TestDemo::histogram_demo(Mat& image)
{
    //创建一个白色底板的图像
    Mat img = Mat::zeros(Size(512,512),CV_8UC3);
    img = Scalar(255,255,255);

    //绘制直方图
    Mat gray;
    cvtColor(img,gray,COLOR_BGR2GRAY);//将图像转化为灰度图
    int histSize=256;//直方图尺寸
    float range[]={0,256};//像素值范围
    const float* histRange={range};
    Mat hist;
    //we compute the histogram from the 0-th channel
    int channels[]={0,1};
    calcHist(&gray,1,channels,Mat(),hist,1,&histSize,&histRange,true,false);//计算直方图 Mat()不使用mask  true->the histogram is uniform
    //第一个1代表Number of source images      第二个1代表Histogram dimensionality that must be positive and not greater than CV_MAX_DIMS (equal to 32 in the current OpenCV version).
    //hist :Output histogram, which is a dense or sparse dims -dimensional array
    int hist_w = 512;
    int hist_h = 400;
    int bin_w = cvRound((double)hist_w/histSize);// 直方图每条的宽度，cvRound 取整
    Mat histImage(hist_h,hist_w,CV_8UC3,Scalar(255,255,255));//Mat 高宽    创建直方图图像
    normalize(hist,hist,0,histImage.rows,NORM_MINMAX,-1,Mat());//直方图归一化
    for(int i=1;i<histSize;i++)
    {
        line(histImage,Point(bin_w*(i-1),hist_h-cvRound(hist.at<float>(i-1))),Point(bin_w*(i),hist_h-cvRound(hist.at<float>(i))),Scalar(0,0,0),2,LINE_8,0);//绘制直方图
    }
    namedWindow("histogram_demo",WINDOW_AUTOSIZE);
    imshow("histogram_demo",histImage);

}

2.二维直方图

二维直方图是在图像处理中用于描述两个变量（通常是图像的两个通道）之间关系的直方图。在图像处理中，最常见的是彩色图像的二维直方图，其中横轴和纵轴分别表示两个颜色通道。

以下是二维直方图的一些主要特点和应用：

1 颜色分布： 对于彩色图像，二维直方图可以显示不同颜色通道之间的关系。例如，对于RGB图像，横轴和纵轴可以分别表示红色和绿色通道，通过颜色在直方图中的分布，可以了解图像中不同颜色的占比。

2 色调相关性： 二维直方图可以用于分析图像中颜色通道之间的相关性。通过观察直方图的形状，可以了解图像中颜色的相关性，从而更好地理解图像的色调。

3 色彩校正： 通过分析二维直方图，可以识别和调整图像中不同通道的色彩偏差。这对于颜色校正非常有帮助，确保图像的颜色表现准确。

4 图像分割： 二维直方图在图像分割中有广泛的应用。通过选择合适的阈值，可以将图像分割成不同的区域，从而实现物体的检测和识别。

5 通道选择： 通过分析二维直方图，可以确定哪些颜色通道对于特定任务最为重要。这对于图像特征提取和图像识别非常有帮助。

minMaxLoc
minMaxLoc（）函数是 OpenCV 库中的一个函数，用于找到一个多维数组中的最小值和最大值，以及它们的位置。

void minMaxLoc(InputArray src, double* minVal, double* maxVal=0, Point* minLoc=0, Point* maxLoc=0, InputArray mask=noArray());

src：输入数组或者向量，必须包含至少一个元素。
minVal：可选的输出参数，用于存储最小值的实际值。如果不需要这个值，可以设为0。
maxVal：可选的输出参数，用于存储最大值的实际值。如果不需要这个值，可以设为0。
minLoc：可选的输出参数，用于存储最小值的位置。如果不需要这个值，可以设为0。
maxLoc：可选的输出参数，用于存储最大值的位置。如果不需要这个值，可以设为0。
mask：可选的掩码，其大小和类型必须与 src 相同。如果指定了此参数，那么函数只查找具有非零掩码值的元素。

void TestDemo::histogram_2d_demo(Mat& image)
{
    

    //绘制二维直方图
    Mat hsv;
    cvtColor(image,hsv,COLOR_BGR2HSV);//将图像转换为HSV图
    // Quantize the hue to 30 levels
    // and the saturation to 32 levels
    int hbins =30,sbins=32;//H、S通道直方图尺寸
    int histSize[] = {hbins,sbins};
    // hue varies from 0 to 179, see cvtColor
    float hranges[] = {0,180};//H通道像素值范围
    // saturation varies from 0 (black-gray-white) to
    // 255 (pure spectrum color)
    float sranges[] = {0,256};//S通道像素值范围
    const float* ranges[] = {hranges,sranges};
    MatND hist;
     // we compute the histogram from the 0-th and 1-st channels
    int channels[] = {0,1};
    calcHist(&hsv,1,channels,Mat(),// do not use mask
             hist,2,histSize,ranges,true,// the histogram is uniform
             false);//计算二维直方图
    double maxVal = 0;
    minMaxLoc(hist,0,&maxVal,0,0);
    int scale = 10;
    Mat histImg = Mat::zeros(sbins*scale,hbins*10,CV_8SC3);

    for(int h =0;h<hbins;h++)
    {
        for(int s = 0;s<sbins;s++)
        {
            float binVal = hist.at<float>(h,s);
            int intensity = cvRound(binVal * 255 / maxVal);
            rectangle(histImg,Point(h*scale,s*scale),Point((h+1)*scale-1,(s+1)*scale - 1),Scalar::all(intensity),FILLED);
        }
    }
    namedWindow("histogram_2d_demo",WINDOW_FREERATIO);
    imshow("histogram_2d_demo",histImg);


}

在这里插入图片描述

3.直方图均衡化

图像直方图均衡化是一种用于增强图像对比度的方法，通过调整图像的灰度分布，使得各个灰度级均匀分布，从而提高图像的视觉效果。下面详细讲解一下图像直方图均衡化的原理和步骤：
原理：

灰度直方图： 图像的灰度直方图表示了图像中各个灰度级的分布情况，即每个灰度级的像素数量。

累积分布函数（CDF）： CDF 是灰度直方图的累积形式，表示每个灰度级以下的像素累积数量。

均衡化变换： 均衡化变换的目标是将图像的灰度分布映射到均匀分布，即让 CDF 尽可能平滑。

步骤：

计算灰度直方图： 对图像进行灰度化，统计各个灰度级的像素数量。

计算累积分布函数（CDF）： 利用灰度直方图计算各个灰度级的累积概率。

均衡化变换： 利用均衡化变换公式，对每个灰度级进行映射。

生成均衡化后的图像： 根据均衡化变换，生成均衡化后的图像。

void TestDemo::equalizeHist_demo(Mat& image)
{
    Mat equalizedImage;
    Mat gray;
    cvtColor(image,gray,COLOR_BGR2GRAY);
    // applyColorMap(gray,bgr,COLORMAP_JET);

    equalizeHist(gray,equalizedImage);
    // cvtColor(equalizedImage,bgr,COLOR_GRAY2BGR);
    namedWindow("equalizeHist_demo",WINDOW_FREERATIO);
    imshow("equalizeHist_demo",equalizedImage);
 
}

在这里插入图片描述

4.图像卷积

图像卷积是图像处理中的一种基本操作，它通过在图像上滑动一个卷积核（也称为滤波器或窗口），对图像的每个像素进行加权和的操作。这一过程可以用来实现一系列的图像处理任务，如模糊、锐化、边缘检测等。下面是图像卷积的基本原理和步骤：
原理：

卷积核： 卷积核是一个小矩阵，包含了一组权重值。卷积操作时，卷积核在图像上滑动，与图像中的每个像素进行加权和的计算。

加权和计算： 对于图像中的每个像素，卷积核与图像的对应区域进行逐元素相乘，然后将所有乘积结果相加，得到最终的加权和。

滑动操作： 卷积核在图像上滑动，对每个像素都进行加权和的计算，得到新的图像。

步骤：

定义卷积核： 确定卷积核的大小和权重。

图像填充： 可选的步骤，对图像进行填充，以保留边缘信息。

卷积操作： 卷积核在图像上滑动，对每个像素进行加权和的计算。

输出结果： 得到卷积后的图像，即输出结果。

void TestDemo::convolution_demo(Mat& image)
{
    //创建一个白色底板的图像
    Mat img = Mat::zeros(Size(512,512),CV_8UC3);
    img = Scalar(255,255,255);

    //图像卷积操作
    Mat kernel = (Mat_<float>(3,3)<<0,-1,0,-1,5,-1,0,-1,0);//创建卷积核   图像锐化
    
    Mat dst;
    filter2D(image,dst,-1,kernel);//图像卷积
    //when ddepth=-1, the output image will have the same depth as the source
    namedWindow("convolution_demo",WINDOW_FREERATIO);
    imshow("convolution_demo",dst);
}

在这里插入图片描述

5.高斯滤波

高斯滤波（Gaussian Blur）是一种常用的图像模糊技术，它使用高斯函数对图像进行卷积，从而实现图像平滑处理。高斯滤波的主要目的是去除图像中的高频噪声，使图像更加平滑，减少细节信息，常用于图像预处理、边缘检测前的图像平滑等任务。
高斯滤波的原理：

高斯函数： 高斯函数是一种数学函数，通常用于表示正态分布。在图像处理中，高斯函数用于生成一个二维的高斯核（卷积核）。

卷积操作： 高斯核在图像上滑动，对图像中的每个像素进行加权和的计算。不同位置的像素受到的权重由高斯函数的形状决定，距离中心越远的像素权重越小。

权重计算： 高斯函数的形状由标准差（σ）决定，标准差越大，权重分布越广。权重计算采用二维高斯函数的值，将其归一化，得到最终的权重。

高斯滤波的步骤：

定义高斯核： 定义一个二维高斯核，指定标准差。

图像卷积： 将高斯核与图像进行卷积操作。

输出结果： 得到经过高斯模糊处理后的图像。

void TestDemo::guassian_blur_demo(Mat& image)
{
    //定义高斯核大小和标准差
    int kernel_size =35;
    double sigma = 35;

    //高斯模糊
    Mat dst;
    GaussianBlur(image,dst,Size(kernel_size,kernel_size),sigma);
    //GaussianBlur参数为输入图像、输出图像、高斯核大小、标准差

    namedWindow("gaussian_blur_demo",WINDOW_FREERATIO);
    imshow("gaussian_blur_demo",dst);

}

在这里插入图片描述

6.双边滤波

双边滤波是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空间与信息和灰度相似性，达到保边去噪的目的，具有简单、非迭代、局部处理的特点。之所以能够达到保边去噪的滤波效果是因为滤波器由两个函数构成：一个函数是由几何空间距离决定滤波器系数，另一个是由像素差值决定滤波器系数。

void bilateralFilter(InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT )

. InputArray src: 输入图像，可以是Mat类型，图像必须是8位或浮点型单通道、三通道的图像。
. OutputArray dst: 输出图像，和原图像有相同的尺寸和类型。
. int d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数，则函数会从第五个参数sigmaSpace计算该值。
. double sigmaColor: 颜色空间过滤器的sigma值，这个参数的值月大，表明该像素邻域内有月宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
. double sigmaSpace: 坐标空间中滤波器的sigma值，如果该值较大，则意味着颜色相近的较远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace五官，否则d正比于sigmaSpace.
. int borderType=BORDER_DEFAULT: 用于推断图像外部像素的某种边界模式，有默认值BORDER_DEFAULT.

void TestDemo::bilateral_filter_demo(Mat& image)
{
    //定义参数
    int diameter = 20 ; //像素领域的直径
    double sigma_color = 175.0;// 颜色空间标准差
    double sigma_space = 175.0;// 空间的标准差

    //高斯双边滤波
    Mat dst;
    bilateralFilter(image,dst,diameter,sigma_color,sigma_space);

    //显示结果
    namedWindow("bilateral_filter_demo",WINDOW_AUTOSIZE);
    imshow("bilateral_filter_demo",dst);
}

在这里插入图片描述

7.实时人脸检测

CascadeClassifier是opencv下objdetect模块中用来做目标检测的级联分类器的一个类；简而言之是滑动窗口机制+级联分类器的方式；

 C++: bool CascadeClassifier::load(const string& filename)

void CascadeClassifier::detectMultiScale(const Mat& image, vector<Rect>& objects, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size(), Size maxSize=Size())

cascade – Haar classifier cascade (OpenCV 1.x API only). It can be loaded from XML or YAML file using Load(). When the cascade is not needed anymore, release it using cvReleaseHaarClassifierCascade(&cascade).
image – Matrix of the type CV_8U containing an image where objects are detected.
objects – Vector of rectangles where each rectangle contains the detected object.
scaleFactor – Parameter specifying how much the image size is reduced at each image scale.
minNeighbors – Parameter specifying how many neighbors each candiate rectangle should have to retain it.
flags – Parameter with the same meaning for an old cascade as in the function cvHaarDetectObjects. It is not used for a new cascade.
minSize – Minimum possible object size. Objects smaller than that are ignored.
maxSize – Maximum possible object size. Objects larger than that are ignored.

void TestDemo::face_detect_demo()
{
    //加载人脸检测器模型
    cv::CascadeClassifier face_cascade;
    if(!face_cascade.load("/home/liutao/opencv-3.4.7/data/haarcascades/haarcascade_frontalface_default.xml"))
    {
        std::cerr<<" Error loading face cascade model!"<<std::endl;

        return;
    }

    //在这里添加进行人脸检测的代码

    //例如 ，可以在摄像头捕获的每一帧上进行人脸检测
    cv::VideoCapture capture(0);//打开默认摄像头
    if(!capture.isOpened())
    {
        std::cerr<<"Error opening camera!"<<std::endl;
        return ;
    }

    cv::Mat frame;
    while(capture.read(frame))
    {
        //转换图像为灰度图
        Mat gray;
        cvtColor(frame,gray,COLOR_BGR2GRAY);
        equalizeHist(gray,gray);//直方图均衡化提高对比度

        //进行双边滤波
        Mat dst;
        bilateralFilter(gray,dst,20,150,150);

        //进行人脸检测
        std::vector<cv::Rect>faces;
        face_cascade.detectMultiScale(dst,faces,1.1,3,0,cv::Size(30,30));
        flip(frame,frame,1);

        //在图像上标记检测到的人脸
        for(const auto& face :faces)
        {
            cv::rectangle(frame,face,cv::Scalar(255,0,0),2);//用蓝色矩形标记人脸
        }

        //显示结果
        cv::imshow("Face Detection Demo",frame);

        //检测按键，按下ESC键退出循环
        if(cv::waitKey(30)==27)
        {
            break;
        }

    }

}

8.轮廓检测

轮廓发现findContours

void findContours( InputOutputArray image,      //输入图像8bit单通道二值化图像
                    OutputArrayOfArrays contours, //找到的轮廓 vector<vector<Point>>
                    OutputArray hierachy          //可选 图像拓扑结构 vector<Vec4i>
                    int mode,                     //轮廓返回模式
                    int method,                   //发现方法
                    Point offset = Point());      //轮廓像素的位移，默认(0,0)无位移

mode类型	Value
RETR_EXTERNAL	只检测最外层轮廓
RETR_LIST	检索所有轮廓并存到List中，无上下结构，全部同级
RETR_CCOMP	检索所有轮廓，并组成双层结构
RETR_TREE	检索所有轮廓，并重新建立网状轮廓结构

mode类型	Value
CHAIN_APPROX_NONE	返回轮廓中所有点
CHAIN_APPROX_SIMPLE	水平、垂直、斜只返回最后一个点
CHAIN_APPROX_TC89_KCOS CHAIN_APPROX_TC89_L1	使用Teh-Chin链逼近算法

hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓同级的下一条轮廓、同级的前一条轮廓、下级的第一个子节点、上级父节点。如果当前轮廓没有同级的下一条轮廓、同级的前一条轮廓、下级的第一个子节点、上级父节点，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为默认值-1。

void drawContours( InputOutputArray image,      //输出图像
                   InputArrayOfArrays contours, //全部发现的轮廓对象
                   int contourIdx,              //轮廓索引号
                   const Scalar& color,         //颜色
                   int thickness = 1,           //线宽
                   int lineType = LINE_8,       //线类型
                   InputArray hierarchy = noArray(), //拓扑结构图
                   int maxLevel = INT_MAX,     //最大层数，0绘制当前，1绘制当前及内嵌轮廓
                   Point offset = Point() );   //轮廓位移

void TestDemo::getContours(Mat& imgDil,Mat& img)
{
    vector<vector<Point>> contours;//轮廓数据 检测到的轮廓，每个轮廓都存储为点向量
    vector<Vec4i>hierarchy;//可选的输出向量（例如 std::vector<cv::Vec4i>），包含有关图像拓扑的信息

    findContours(imgDil,contours,hierarchy,RETR_EXTERNAL,CHAIN_APPROX_SIMPLE);

    for(int i=0;i<contours.size();i++)
    {
        double area = contourArea(contours[i]);//计算每个轮廓区域
        cout<<area<<endl;
        vector<vector<Point>>conPoly(contours.size());
        vector<Rect>boundRect(contours.size());
        string objectType;

        if(area>1000)//过滤噪声
        {
            //找轮廓的近似多边形或曲线
            double peri = arcLength(contours[i],true);
            approxPolyDP(contours[i],conPoly[i],0.02 * peri,true);

            cout<<conPoly[i].size()<<endl;
            boundRect[i] = boundingRect(conPoly[i]);//找每个近似曲线的最小上边界矩形

            int objCor = (int)conPoly[i].size();

            if(objCor == 3){objectType = "Tri";}
            if(objCor == 4){
                float aspRatio = (float)boundRect[i].width/boundRect[i].height;//宽高比
                cout << aspRatio <<endl;
                if(aspRatio > 0.95 && aspRatio <1.05){
                    objectType = "Square";
                }
                else{
                    objectType = "Rect";
                }
            }
            if(objCor >4 ){ objectType = "CirCle";}

            drawContours(img,conPoly,i,Scalar(255,0,255),2);//绘制滤除噪声后的所有轮廓
            rectangle(img,boundRect[i].tl(),boundRect[i].br(),Scalar(0,255,0),5);//绘制边界框
            putText(img,objectType,{ boundRect[i].x,boundRect[i].y - 5},FONT_HERSHEY_PLAIN,1,Scalar(0,69,255),1);
        }
    }
}