opencv算法学习

1.改变图像的亮度和对比度：

　　算法介绍：对每一点像素值的r,g,b,值进行乘法和加法的运算。

　　代码使用：

for( int y = 0; y < image.rows; y++ )
    {
        for( int x = 0; x < image.cols; x++ )
        {
            for( int c = 0; c < 3; c++ )
            {
                new_image.at<Vec3b>(y,x)[c] = saturate_cast<uchar>( alpha*( image.at<Vec3b>(y,x)[c] ) + beta );
            }
        }
    }

2.opencv中的傅里叶变换：

　　主要用途：识别图片中物体的方向。

　　例如：矫正图片的中文字的排列方向。

　　计算公式：

　　算法介绍：f为空间值，F为频域值

　　代码使用：

dft(complexI, complexI);

　　由于dft变换后是有实数和复数部分，所有要进一步进行处理。

3.图片的平滑处理：即模糊处理

　　算法介绍：通过滤波器滤掉图像中的噪点，opencv主要提供高斯，中值，双边滤波

　　代码使用：

　　/// 使用高斯滤波
    if( display_caption( "Gaussian Blur" ) != 0 ) { return 0; }
　　 for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
        { GaussianBlur( src, dst, Size( i, i ), 0, 0 );
          if( display_dst( DELAY_BLUR ) != 0 ) { return 0; }
     /// 使用中值滤波
     if( display_caption( "Median Blur" ) != 0 ) { return 0; }
     for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
         { medianBlur ( src, dst, i );
           if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
     /// 使用双边滤波
     if( display_caption( "Bilateral Blur" ) != 0 ) { return 0; }
     for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
         { bilateralFilter ( src, dst, i, i*2, i/2 );
           if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }

4.图像的腐蚀与膨胀

　　腐蚀：处理部分被消减了。

　　膨胀：处理部分被扩大了。

　　算法介绍：与操作的内核或者说矩(图像)进行卷积操作。

　　核说白了就是一个固定大小的数值数组。该数组带有一个 锚点 ，一般位于数组中央。

　　卷积高度概括地说，卷积是在每一个图像块与某个算子（核）之间进行的运算。

　　腐蚀：

erode( src, erosion_dst, element );

element: 腐蚀操作的内核。 如果不指定，默认为一个简单的  矩阵。

　　膨胀：

dilate( src, dilation_dst, element );

可以使用函数 getStructuringElement()；指定内核的形状

5.图像的放大与缩小

　　算法介绍：对图像与高斯内核卷积。缩小即是对图像的4个点像素，处理为一个点的像素。一个点的像素分解为四个点的像素。

pyrUp( tmp, dst, Size( tmp.cols*2, tmp.rows*2 )；//放大
pyrDown( tmp, dst, Size( tmp.cols/2, tmp.rows/2 )；//缩小

但是opencv中最常用的图像缩放函数是relize();

6.图像的阈值操作：

　　算法介绍：通过对图像进行灰度值变换后，进行的色度分离操作，可应用与颜色识别。

 threshold( src_gray, dst, threshold_value, max_BINARY_value,threshold_type );

7.图像的边缘检测：sobel算法

　　算法介绍：因为在边缘处，像素值明显改变了，我们可以通过求导的办法，将像素值的改变体现为斜率的变化。

/// 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 );

8。laplace算法优化了sobel算法，加入了二阶求导

Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );

9.canny最优的边缘检测算法

Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );