本文共 4429 字，大约阅读时间需要 14 分钟。
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vectorsrc_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.angleMat 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。
二：图像的分割
图像分割是一种把图像中数据分类的一种办法，例如证件照，你的背景和前景颜色不一样，根据数据可以分类出来。
opencv带有三种API分割方法：Kmean，GMM,基于距离变换的分水岭，效果因图像而异，因算法而异
三：图像的跟踪
图像的跟踪也有很多方法，基于颜色，基于光流，CAMshift等等，图像跟踪的大体步骤其实不难，首先要明确被跟踪的物体具有什么特征，然后怎么去表示它，比如基于稀疏光流的方法，是要先计算图像中的上一帧harris角点特征，然后根据光流，输出图像中运动物体的角点特征。达到跟踪的目的。
其实不管分割，跟踪，都涉及到一个重要的核心，就是图像的“表示”，就是说怎么让计算机认识这个东西，肯定是用几组向量来表示，向量就是图像的特征，然后看接下来的图像是否匹配这些向量，所以关键是这个图像抽象成向量的过程需要好好钻研。
转载地址：http://fwvqb.baihongyu.com/