Opencv2图像算法库分析解读

第二章Opencv2主要算法归类

1.图像基本操作

主要包括图像各种预处理操作。如直方图、图像腐蚀膨胀、区域分割、滤波、二值化、边缘检测、图像增强等基础算法，通常用于其他算法的预处理操作。

1.1直方图相关算法

直方图是对数据进行统计，将统计值组织到一系列事先定义好的bin(直方图中的柱子)中。bin中的数值是从数据中计算出的特征的统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。无论如何，直方图获得的是数据分布的统计图。直方图是一幅图像中各像素灰度出现频次的统计结果，它只反映图像中不同灰度值出现的次数，而没反映某一灰度所在的位置。也就是说，它只包含了该图像的某一灰度像素出现的概率，而丢失了其所在的位置信息。

提供功能有：产生图像直方图、图像背投影直方图、对比直方图、直方图均衡化，EMD（Earth Mover s Distance，即陆地移动距离）直方图，归一化。

直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。

图1.1 直方图效果图

1.2腐蚀与膨胀相关算法( Erosion 与Dilation)

所谓的灰度级膨胀和腐蚀即将而知图像的二值形态学运算推广到灰度图像上。对于一幅图像的腐蚀（膨胀）运算定义为对每个像素赋值为某个领域内输入图像灰度级的最小（或最大值）。在二值变换中的结构元素只代表一个领域，而在灰度级变化中，结构元素是一个二元函数，它规定了希望的局部灰度级性质。在求的邻域内最大值（或最小值）的同时，将结构元素的值相加（相减）。

膨胀是在模板卷积的基础上做或运算，腐蚀则是做与运算。

他们的运用广泛:消除噪声，分割独立的图像元素，以及连接相邻的元素；寻找图像中的明显极大值区域或极小值区域。

图1.2 腐蚀膨胀效果图

1.3区域分割

分水岭变换是一个流行的图像处理算法，用于快速分割图像为同类区域。它背后的原理是，如果将图像视为拓扑结构的地图，那么均质区域对应的是被陡峭边缘包围的平坦盆地。设想一个个“集水盆”中存在积水，且水位不断升高，淹没梯度较低的地方，当水漫过程停止后，图像就可以被分割成几块连通区域。分水岭算法有不同的实现方法。

GabCut图像分割算法，它同时能够将一幅图像分割为背景及前景物体。GabCut在计算时更加复杂，但是产生的结果要精确许多对于期望从表态图像中提取前景物体的应用，如将一幅图中的物体剪贴到另一幅图中，这是最佳算法。

图1.3a 图像分割：分水岭算法效果图

图1.3b 图像分割：分水岭算法效果图

1.4滤波（Filtering）

滤波是信号处理及图像处理中的一个基本操作，旨在特定的应该程序中，选择性地提取图像中被认为传达重要信息的部分。滤波去除图像中的噪声，提取感兴趣的视觉特征，允许图像重采样。在频域分析的框架下，滤波操作的作用是增强部分频段，同时限制（或衰减）其他频段。OPENCV主要滤波器：低通滤波器、中值滤波器、方向滤波器检测边缘、积卷变换等。其中利用方向滤波器和拉普拉斯变换可以对图像的边缘进行检测。

图1.4a 高斯滤波效果图

图1.4b 中值滤波效果图

图1.4c filter2D变换效果图

1.5二值化

将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，

二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。OpenCV中有两个函数可以实现图片的二值化：adaptiveThreshold 、threshold

图1.5 二值化效果图

1.6边缘检测

图像最基本的特征是边缘，边缘是图像分割所依赖的最重要特征。经典的边缘检测方法，是对原始图像按像素的某领域构造边缘检测算子。OPENCV主要提供通过Sobel算子、Laplace算子、Canny算子来实现图像的边缘的检测。

图1.6a Canny算子边缘检测效果图

图1.6b 三中边缘检测算子效果图（Sobel / Laplace / Canny）：

1.7 图像增强

直方图均衡化是图像增强处理中常见的方法之一，其基本的思想是通过均衡化处理调整图像灰度分布，达到改善图像对比度的目的。由于图像对比度是决定一幅图像主观质量的重要因素，因此直方图均衡化被广泛应用于图像的增强处理。

图1.7 Laplace算子图像锐化效果图

2.几何形态抽取

主要包括图像中各种几何形态的提取、拟合和识别，基本类型为直线、圆、椭圆、轮廓、连通区域等。

图像通过阈值分割和边缘提取来分割图像，使用此两种方法时物体的边界都明确返回得到或通过一些后处理推导得到。由边界点组的轮廓，生成大量的数据，但是通常并不感兴趣如此大数数据的信息，此类算子将轮廓数据拟合成几何基本单元的方法。

图2a 椭圆拟合

图2b 圆形拟合

3.简单模板匹配

模板与目标图案的初级扫描匹配。仅适用于直接匹配，对模板旋转、缩放等支持效果不好。

模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术. 使用OpenCV函数matchTemplate 在模板块和输入图像之间寻找匹配,获得匹配结果图像。OpenCV通过函数matchTemplate 实现了模板匹配算法. 可用的方法有6个: 平方差匹配method=CV_TM_SQDIFF；标准平方差匹配method=CV_TM_SQDIFF_NORMED；相关匹配method=CV_TM_CCORR；标准相关匹配method=CV_TM_CCORR_NORMED；相关匹配method=CV_TM_CCOEFF；标准相关匹配method=CV_TM_CCOEFF_NORMED。