opencv图像处理的几种算法总结
图像特征检测
一般我们看到一副图像进行识别，会想到这幅图像有什么特征，边缘特征，纹理特征等等,下面介绍几种常见的特征检测算法
1 harris角点检测
在图像上取一个W*W的“滑动窗口”，不断的移动这个窗口并检测窗口中的像素变化情况E。像素变化情况E可简单分为以下三种：A 如果在窗口中的图像是什么平坦的，那么E的变化不大。B 如果在窗口中的图像是一条边，那么在沿这条边滑动时E变化不大，而在沿垂直于这条边的方向滑动窗口时，E的变化会很大。 C 如果在窗口中的图像是一个角点时，窗口沿任何方向移动E的值都会发生很大变化。
算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。
[u.v]是窗口偏移量，(x,y)是像素坐标位置。窗口有多大，就有多少个位置。opencv有自带API .
void cornerHarris(
InputArray src,//输入图像，单通道8位或浮点图像
OutputArray dst,//输出图像类型CV_32FC1，大小同原图像
int blockSize,//邻域的大小
int ksize,//Sobel算子的孔径大小
double k,//Harris参数
int borderType = BORDER_DEFAULT);//边界模式2 haar，lbp特征
在提取特征可以先用直方图均衡化提高下对比度，因为这两个特征就是利用差值。
其主要思想就是用haar模板在图像上滑动，模板中白色像素值减去黑色像素值，得到特征值，反应了图像的灰度变化，例如，眼睛的颜色要比脸颊颜色深，使用积分图可以快速计算特征值。一般结合adaboost构成级联分类器使用，步骤如下：
提取特征值--使用adaboost算法更好的选择矩形特征的组合组成分类器--以决策树的方式存储分类器-以级联的方式构造组成级联分类器
以上每一步骤，opencv都有自带的接口。还有训练好的分类器供用户使用。
3 hog特征
图像的的表象和形状能够被像素的梯度表示。主要用于行人检测。也有自带的API,一般结合SVM分类器使用。
图像的旋转
分为两种情况，第一种吧一副图片本来是正正方方的（从正上方拍摄），你想变正，可以使用透视，任意角度。其思路如下
二值化--形态学操作（更好的提取轮廓）--找轮廓--过滤轮廓--找直线（霍夫变换）--找到四条直线交叉点（利用y=kx+c）--以这四个点透视变化。
CvMat* cvGetPerspectiveTransform( const CvPoint2D32f*src, const CvPoint2D32f* dst， CvMat*map_matrix );
src 输入图像的四边形顶点坐标。
dst 输出图像的相应的四边形顶点坐标。
map_matrix 指向3×3输出矩阵的指针。
对图像进行透视变换
void cvWarpPerspective( const CvArr* src, CvArr* dst,const CvMat* map_matrix, int flags=CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS,CvScalar fillval=cvScalarAll(0) );
src 输入图像.
dst 输出图像.
map_matrix 3×3 变换矩阵
flags 插值方法和以下开关选项的组合: CV_WARP_FILL_OUTLIERS- 填充所有缩小图像的象素。如果部分象素落在输入图像的边界外，那么它们的值设定为 fillval.
CV_WARP_INVERSE_MAP- 指定 matrix 是输出图像到输入图像的反变换，因此可以直接用来做象素插值。否则, 函数从 map_matrix 得到反变换
//使用案例
vector src_corners(4);
src_corners[0] = p1;
src_corners[1] = p2;
src_corners[2] = p3;
src_corners[3] = p4;
vector dst_corners(4);
dst_corners[0] = Point(0, 0);
dst_corners[1] = Point(width, 0);
dst_corners[2] = Point(0, height);
dst_corners[3] = Point(width, height);
// 获取透视变换矩阵
Mat resultImage;
Mat warpmatrix = getPerspectiveTransform(src_corners, dst_corners);
warpPerspective(src, resultImage, warpmatrix, resultImage.size(), INTER_LINEAR);
namedWindow("Final Result", CV_WINDOW_AUTOSIZE);
imshow("Final Result", resultImage); 还有一种图像是旋转的，可以利用一下连个API:
图像的角度src.angle
Mat getRotationMatrix2D(Point2f center, double angle, double scale)
参数详解：
Point2f center：表示旋转的中心点
double angle：表示旋转的角度
double scale：图像缩放因子
将刚刚求得的仿射变换应用到源图像
warpAffine( src, warp_dst, warp_mat, warp_dst.size() );
函数有以下参数:
src: 输入源图像
warp_dst: 输出图像
warp_mat: 仿射变换矩阵
warp_dst.size(): 输出图像的尺寸图像的分割
图像的分割就是把一副图像中不同种类的块区别来，
就是类似这种效果，分割后可以把人像抠出来，使用的算法聚类算法Kmeans聚类算法，其原理是,确定好分类数目，为每个类初始化一个中心点，对数据集合计算到中心点的距离，然后对分类好的数据集合重新计算（取均值）中心位置。在重新分类，知道达到阈值。
该算法应用到RGB图像中需要先将图像数据转到样本数据，代码如下：
//图像数据转到样本数据
int index = 0;
for (int row = 0; row < h; row++) {
for (int col = 0; col < w; col++) {
index = row*w + col;
Vec3b bgr = image.at(row, col);
points.at(index, 0) = static_cast(bgr[0]);
points.at(index, 1) = static_cast(bgr[1]);
points.at(index, 2) = static_cast(bgr[2]);
}
}
// 运行KMeans
int numCluster = 4;
Mat labels;
Mat centers;
TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 0.1);
kmeans(points, numCluster, labels, criteria, 3, KMEANS_PP_CENTERS, centers);
//对分类好的数据，就任你处置了，你可以替换背景，把背景变成黑色，图像变成白色
//
// 去背景+遮罩生成
Mat mask=Mat::zeros(src.size(), CV_8UC1);
int index = src.rows*2 + 2;
int cindex = labels.at(index, 0);
int height = src.rows;
int width = src.cols;
//Mat dst;
//src.copyTo(dst);
for (int row = 0; row < height; row++) {
for (int col = 0; col < width; col++) {
index = row*width + col;
int label = labels.at(index, 0);
if (label == cindex) { // 背景
//dst.at(row, col)[0] = 0;
//dst.at(row, col)[1] = 0;
//dst.at(row, col)[2] = 0;
mask.at(row, col) = 0;
} else {
mask.at(row, col) = 255;
}
}
}
//imshow("mask", mask); 关键是对图像的像素极操作要熟记。
图像中粘连对象的分离
图像中直线的检测原理
图像阈值操作的分割方法