opencv5

读写XMl或YAMl文件

1. XML中写入数据一般步骤

   // 打开一个xml文件，
    string filename = "my.xml";
    FileStorage fs(filename, FileStorage::WRITE);
    // xml数据存储在FileNode中
    // xml中第一种数据类型为element squence 在写入时 []位起始位置标志， <<位写入操作符
    fs << "strings" << "[";                              // text - string sequence
    fs << "image1.jpg" << "Awesomeness" << "../data/baboon.jpg";
    fs << "]";
    // xml第二种数据类型位mapping  类似与 key-value的结构 通过访问key来访问value，{}标志着起始和最终位置
    fs << "mapping" <<"{";
    fs << "one" << 1 << "two" << 2 <<"}";

    //写入矩阵例子
    Mat R = Mat_::eye(3, 3);
    fs << "R" << R;
    // 完成写入后要释放
    fs.release();
    cout<<"write done"<

2. XML读数据一般步骤

   //取出element squence 类型的例子，这里也可以使用>>运算符
    FileNode s = fs["strings"];
    if(s.type()!=FileNode::SEQ)
    {
        cerr<<"strings is not a sequence"<>运算符
    Mat G;
    fs["R"] >> G;   

3. 自定义数据类型写入或读取xml文件

//定义存储在xml文件中自己的数据类型
class MyData
{
public:
    MyData() : A(0), X(0), id()
    {}
    explicit MyData(int) : A(97), X(CV_PI), id("mydata1234")
    {}
    void write(FileStorage& fs) const                        //为该类定义的写函数
    {
        fs << "{" << "A" << A << "X" << X << "id" << id << "}";
    }
    void read(const FileNode& node)                          //该类的写函数
    {
        A = (int)node["A"];
        X = (double)node["X"];
        id = (string)node["id"];
    }
public:
    int A;
    double X;
    string id;
};
//FileNode中将会调用这个Write函数进行自定义数据的写入
static void write(FileStorage& fs, const std::string&, const MyData& x)
{
    x.write(fs);
}
////FileNode中将会调用这个read函数进行自定义数据的读入
static void read(const FileNode& node, MyData& x, const MyData& default_value = MyData()){
    if(node.empty())
        x = default_value;
    else
        x.read(node);
}
// 重新定义<<操作符 从而使得<<可以操作对象
static ostream& operator<<(ostream& out, const MyData& m)
{
    out << "{ id = " << m.id << ", ";
    out << "X = " << m.X << ", ";
    out << "A = " << m.A << "}";
    return out;
}


int main(int argc, char **argv)
{

    string filename = "my.xml";
    FileStorage fs(filename, FileStorage::WRITE);
    MyData m(1);
    fs << "Mydata" << m;
    // 完成写入后要释放
    fs.release();
    cout<<"write done"<> data;
    cout << "MyData = " << endl << data << endl << endl;
    return 0;

}

Harris corner detector

图像几种典型特征

1. edge
2. corners(also known interesting points)
3. blobs(also known regions of interests)

角点：两个边界的交点，代表了两个边界方向都发生，也就是该店具有很高的梯度值
Harris 检测的原理
[原理](https://www.cnblogs.com/mikewolf2002/p/3547436.html）

void cornerHarris_demo( int, void* )
{
    int blockSize = 2;//扫描时候窗口的大小
    int apertureSize = 3;// sobel算子
    double k = 0.05;//权衡经验参数，一般在0.05到0.5之间
    Mat dst = Mat::zeros( src.size(), CV_32FC1 );
    cornerHarris( src_gray, dst, blockSize, apertureSize, k );
    Mat dst_norm, dst_norm_scaled;
    normalize( dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1, Mat() );
    
    // Scales, calculates absolute values, and converts the result to 8-bit. 
    convertScaleAbs( dst_norm, dst_norm_scaled );
    
    for( int i = 0; i < dst_norm.rows ; i++ )
    {
        for( int j = 0; j < dst_norm.cols; j++ )
        {
            if( (int) dst_norm.at(i,j) > thresh )
            {
                circle( dst_norm_scaled, Point(j,i), 5,  Scalar(0), 2, 8, 0 );
            }
        }
    }
    namedWindow( corners_window );
    imshow( corners_window, dst_norm_scaled );
}

这个函数应该升级版：

void cv::goodFeaturesToTrack 	( 	InputArray  	image,
		OutputArray  	corners,
		int  	maxCorners,
		double  	qualityLevel,
		double  	minDistance,
		InputArray  	mask = noArray(),
		int  	blockSize = 3,
		bool  	useHarrisDetector = false,
		double  	k = 0.04 
	) 	
// image 输入图像
// corners 检测出的角点
// maxCorners 最大检测角点数量
// qualityLevel 角点质量评价阈值，低于该数值的会被忽略
// minDistance两个角点的最小距离
// Optional region of interest 
// blockSize 窗口大小
// useHarrisDetector=true, 使用Harris corner 否则使用 Shi-Tomasi 
// k Harris corner中k值