当前位置：文档之家 › OpenCV文献阅读笔记

OpenCV文献阅读笔记

  • 格式：docx
  • 大小：31.74 KB
  • 文档页数：2

——《基于LabVIEW机器视觉的产品检测平台设计与应用》
1.机器视觉（CV）系统和科学图像处理分析系统（IPAS）。
2.机器视觉就是用机器代替人眼来做测量和判断。
机器视觉系统是指通过机器视觉产品（即图像摄取装置）将被摄取目标转换成图像信号，传
送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系
统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
3.CCD（Charge-coupled Device 电荷耦合元件），一种能够把光学影像转化为电信号的半
导体器件。
4. LabVIEW的一个程序由一或多个虚拟仪器（VI）组成，每一个VI都由三个主要部分组成:
前面板、框图和图标。
前面板是VI的交互式用户界面；框图是VI的源代码，由LabVIEW的图形化编程语言构成；
图标是VI的图形表示，可以在另外的VI框图中作为一个对象使用。
5.VI程序设计：
前面板设计：前面板由输入、输出控制和显示构成。输入量成为控件，输出量称为指示器。
框图设计：框图程序由端口、节点、图框和数据连线组成。端口用于与程序前面板的控件和
指示器传递数据，节点用于实现函数和功能调用，图框用于实现结构化程序控制命令，数据
连线代表程序执行过程中的数据流，且定义了框图内的数据流动方向。
图标设计：图标把VI变成一个SubVI，像子程序一样在其它程序中调用。

——《基于OpenCV的图像处理》
1. OpenCV处理图像包括以下几个步骤：加载图像；显示图像；处理图像。

——《基于OPENCV的计算机视觉技术研究》
1. OpenCV（Open Source Computer Vision Library）是一个跨平台计算机视觉库，可以运行在
Linux、Windows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视觉
方面的很多通用算法。
2. OpenGL（Open Graphics Library）是指定义了一个跨编程语言、跨平台的编程接口规格的
专业的图形程序接口。它用于三维图像（二维的亦可），是一个功能强大、调用方便的底层
图形库。
3.OpenNI（Open Natural Interaction）是一个多语言，跨平台的框架。OpenNI的主要目的是
要形成一个标准的API，来搭建视觉和音频传感器与视觉和音频感知中间件通信的桥梁。
4.运功物体的而检测原理：背景差分法、连续帧间差分法和光流法。
5.图形预处理：
平滑滤波处理：领域平均滤波、加权平均滤波、中值滤波和Gauss低通滤波；
腐蚀与填充；
初始化和实时更新背景图像：累计差分法。
6.提取前景：与背景图像做差得到差值图像；二值化；边缘检测进行分割；根据轮廓填充。
7.边缘检测：主要是根据图像中灰度值和亮度值的变化。常用算子有：Sobel算子、Prewitt
算子、Roberts算子、Canny算子。
8.计算机视觉三维技术：
在生物学中，生物的视觉系统几乎都是由两个眼睛来组成。两个眼睛在同一时间不同角度观
察物体的时候，就会产生远近和深度景深的感觉。当下十分流行的3D立体电影就是模仿了
生物学中的立体视觉原理，从而使得二维的画面拥有了逼真的深度的感觉。3D立体电影的
实质是：拍摄的过程中，利用两台摄像机在同一时间不同角度共同拍摄画面；播放时，将处
于不同位置的两台摄像机播放的图像画面又同时叠加投影到大屏幕上。借用了物理学中光的
偏振光理论，从而让观众的双眼同时能够看到左右摄像机拍摄的图画面，就如同真实场景中
人的双目所看到的画面信息，仿佛身临其境。所以，计算机视觉系统中，想模拟出三维的立
体画面，只需要利用两台摄像机从不同的角度同一时间针对同一物体捕获到的两幅图像。接
着，由2D的信息根据3D重建原理，用计算机程序重建真实场景中的三维图像，从而恢复
了物体真实的空间位置信息。
9.双目立体视觉法：是基于视觉差的原理，利用两台或者一台摄像机，采集两幅不同角度的
图像，进行对比分析，从而得到立体场景中的三维物体的几何信息的方法。
其关键的技术是立体的匹配和摄像机的标定。
其基本步骤为：图像的获取；摄像机的标定；特征的提取；立体的匹配；深度的计算。
10.Kinect摄像头的组成：RGB摄像头、红外摄像头和景深摄像头。

合集下载

OpenCV学习笔记二

OpenCV学习笔记二

OpenCV学习笔记（二）五形态学操作形态学操作简单来讲，形态学操作就是基于形状的一系列图像处理操作。

通过将结构元素作用于输入图像来产生输出图像。

最基本的形态学操作有二：腐蚀与膨胀(Erosion 与Dilation)。

他们的运用广泛:消除噪声分割(isolate)独立的图像元素，以及连接(join)相邻的元素。

寻找图像中的明显的极大值区域或极小值区域。

腐蚀操作腐蚀在形态学操作家族里是膨胀操作的孪生姐妹。

它提取的是内核覆盖下的相素最小值。

进行腐蚀操作时，将内核B 划过图像,将内核B 覆盖区域的最小相素值提取，并代替锚点位置的相素。

我们使用腐蚀操作。

从下面的结果图我们看到亮区(背景)变细，而黑色区域(字母)则变大了。

腐蚀操作函数原型：void erode(InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue() )1可以看到前三个是必要的参数，后面都有默认的参数。

InputArray kernel腐蚀操作的内核膨胀操作此操作将图像A 与任意形状的内核(B)，通常为正方形或圆形,进行卷积。

内核B 有一个可定义的锚点, 通常定义为内核中心点。

进行膨胀操作时，将内核B 划过图像,将内核B 覆盖区域的最大相素值提取，并代替锚点位置的相素。

显然，这一最大化操作将会导致图像中的亮区开始”扩展”(因此有了术语膨胀dilation )void dilate(InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue() )12开运算（Opening)开运算是通过先对图像腐蚀再膨胀实现的。

opencv学习笔记(八)图像处理之直方图imgproc

opencv学习笔记(八)图像处理之直方图imgproc

opencv学习笔记（八）图像处理之直方图imgproc直方图histograms也是图像处理中经常用到的一种手段。

新版本对直方图不再使用之前的histogram的形式，而是用统一的Mat或者MatND的格式来存储直方图，可见新版本Mat数据结构的优势。

先介绍下其相关的函数calcHist、calcBackProject、compareHist、EMD、equalizeHist。

除了这几个常用的函数以为，还有一些c函数写的直方图类CvHistogram的相关操作，如下：cvCalcBackProjectPatch、cvCalcProbDensity、cvClearHist、cvCopyHist、cvCreateHist、cvGetHistValue_XD、cvGetMinMaxHistValue、cvMakeHistHeaderForArray、cvNormalizeHist、QueryHistValue_XD、cvReleaseHist、cvSetHistBinRanges、cvThreshHist、cvCalcPGHcalcHist函数为计算图像的直方图，使用方法如下：[cpp] view plaincopy// C++:void calcHist(const Mat* arrays, int narrays, const int* channels, InputArray mask, OutputArray hist, int dims, const int* histSize, const ?oat** ranges, bool uniform=true, bool accumulate=false ) // C++:void calcHist(const Mat* arrays, int narrays, const int* channels, InputArray mask, SparseMat& hist, int dims, const int* histSize, const ?oat** ranges, bool uniform=true, bool accumulate=false )arrays为输入图像指针，narrays为输入图像的个数，channels 为用来计算直方图的通道列表，mask为掩膜矩阵，不为空的时候，只计算arrays中的掩膜区域的直方图，hist为输出的直方图矩阵，dims为直方图矩阵的维度，histSize为每一维直方图矩阵的大小，ranges为每一维直方图元素的取值范围，是一个2维数组的地址，uniform为直方图是否为统一模式，统一模式下会拉伸为range的大小，accumulate为累计标志，方便直方图的更新，不需要重新计算举几个实例方便大家理解：对于图像为灰度图，调用方式如下：[cpp] view plaincopyint histSize = 255;float ranges[] = {0, 255};const float* histRange = {ranges};calcHist(&img, 1, 0, Mat(), hist, 1, &histSize,&histRange);直方图的归一化已经不再适合cvNormalizeHist这个函数了，只需要用对矩阵的归一化函数normalize就可以实现了。

Opencv学习笔记

Opencv学习笔记

Opencv 学习笔记软软件件下下载载:: /projects/opencvlibrary//index.php/Download/一、opencv 模块（主要）：CV 主要的OpenCV 函数：图像处理与视觉算法；ML 机器学习、模式分类和回归分析，统计分离器；HighGUI 图像视频输入/出； CXcore 数据结构与线性代数支持，基本函数；二、常用的视频和图像处理：视频处理：以下处理的demo 在 <opencv-root>/samples/c/彩色跟踪 （camshiftdemo ）；点跟踪 （lkdemo ）；运动分割 (motempl)；边缘检测 (laplace)；图像处理： 以下图像的处理demo 在 <opencv-root>/samples/c/边缘检测 (edge)；分割 ( pyramid_segmentation)；形态学操作 (morphology)；直方图 (demhist)；距离变换 (distrans)；椭圆拟合 (fitellipse)；三、命名规则：OpenCV 使用近似匈牙利命名法的方法，比较值得一提的特色是：它的数据结构几乎都 是大写的Cv 开头，而它提供的函数都是小写的cv函数名：cvActionTargetMod(...) 提高了函数的可读性，指明用什么动作，哪个目标，用什么方法Action = 核心功能（core functionality ） (e.g. set, create)Target = 目标图像区域（target image area ） (e.g. contour, polygon)Mod = （可选的）调整语（optional modifiers ） (e.g. argument type)常遇到的状况有四种：1．cvActionTarget() E.g.:cvCreateImage()，cvNamedWindow()2．cvTarget() E.G.: cvMat()，cvSize()，cvPoint()3．cvMethod() E.g.:cvDCT()离散余弦变换算法 常用于算法或某方法4．cvActionMethod() E.g:cvFindContours()轮廓搜寻算法矩阵数据类型:CV_<bit_depth>(S|U|F)C<number_of_channels>Bit_depth = 位数，也叫做深度位数分別有1bit(黑白二值图),8bits，16bits，32bitsNumber_of_channels = 通道数S = 符号整型U = 无符号整型F = 浮点型E.g.: CV_8UC1 是指一个8位无符号整型单通道矩阵,CV_32FC2是指一个32位浮点型双通道矩阵.图像数据类型:IPL_DEPTH_<bit_depth>(S|U|F)E.g.: IPL_DEPTH_8U 图像像素数据是8位无符号整型.IPL_DEPTH_32F图像像素数据是32位浮点型.头文件:#include <cv.h>#include <cvaux.h>#include <highgui.h>#include <ml.h>#include <cxcore.h> // 一般不需要，cv.h 内已包含该头文件四、基础数据结构：CvPoint:OpenCV的基本数据类型之一，表示一个坐标为整数的二维点，是一个包含integer类型成员x和y的简单结构体。

OpenCV学习笔记（八）边缘、线与圆的检测

OpenCV学习笔记（八）边缘、线与圆的检测

OpenCV学习笔记（⼋）边缘、线与圆的检测边缘检测对图像进⾏边缘检测之前，⼀般都需要先进⾏降噪（可调⽤GaussianBlur函数）。

Sobel算⼦与 Scharr算⼦都是⼀个离散微分算⼦ (discrete differentiation operator)，⽤来计算图像灰度函数的近似梯度。

结合了⾼斯平滑和微分求导。

Sobel算⼦与Scharr算⼦的内核不同，Sobel内核产⽣误差⽐较明显，Scharr更为准确⼀些。

Sobel算⼦的计算步骤：1. 在两个⽅向求导:将原图分别与两个3x3的内核进⾏卷积计算，得到Gx与Gy2. 在图像的每⼀点，结合Gx与Gy求出近似梯度:或者 (简单公式)/// 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 );src_gray: 在本例中为输⼊图像，元素类型CV_8Ugrad_x/grad_y: 输出图像.ddepth: 输出图像的深度，设定为CV_16S避免外溢。