OpenCV提供了多種基本數(shù)據(jù)類型。雖然這些數(shù)據(jù)類型在C語(yǔ)言中不是基本類型，但結(jié)構(gòu)都很簡(jiǎn)單，可將它們作為原子類型?？梢栽凇?em>…/OpenCV/cxcore/include”目錄下的cxtypes.h文件中查看其詳細(xì)定義。

在這些數(shù)據(jù)類型中最簡(jiǎn)單的就是CvPoint。CvPoint是一個(gè)包含integer類型成員x和y的簡(jiǎn)單結(jié)構(gòu)體。CvPoint有兩個(gè)變體類型：CvPoint2D32f和CvPoint3D32f。前者同樣有兩個(gè)成員x，y，但它們是浮點(diǎn)類型；而后者卻多了一個(gè)浮點(diǎn)類型的成員z。

CvSize類型與CvPoint非常相似，但它的數(shù)據(jù)成員是integer類型的width和height。如果希望使用浮點(diǎn)類型，則選用CvSize的變體類型CvSize2D32f。

CvRect類型派生于CvPoint和CvSize，它包含4個(gè)數(shù)據(jù)成員：x，y，width和height。(正如你所想的那樣，該類型是一個(gè)復(fù)合類型)。

下一個(gè)(但不是最后一個(gè))是包含4個(gè)整型成員的CvScalar類型，當(dāng)內(nèi)存不是問(wèn)題時(shí)，CvScalar經(jīng)常用來(lái)代替1，2或者3個(gè)實(shí)數(shù)成員(在這個(gè)情況下，不需要的分量被忽略)。CvScalar有一個(gè)單獨(dú)的成員val，它是一個(gè)指向4個(gè)雙精度浮點(diǎn)數(shù)數(shù)組的指針。

所有這些數(shù)據(jù)類型具有以其名稱來(lái)定義的構(gòu)造函數(shù)，例如cvSize()。(構(gòu)造函數(shù)通常具有與結(jié)構(gòu)類型一樣的名稱，只是首字母不大寫)。記住，這是C而不是C++，所以這些構(gòu)造函數(shù)只是內(nèi)聯(lián)函數(shù)，它們首先提取參數(shù)列表，然后返回被賦予相關(guān)值的結(jié)構(gòu)。?????????????????????????????????????? ???????????????????????????????????????? ???????????????????????? 【31】

各數(shù)據(jù)類型的內(nèi)聯(lián)構(gòu)造函數(shù)被列在表3-1中：cvPointXXX()，cvSize()，cvRect()和cvScalar()。這些結(jié)構(gòu)都十分有用，因?yàn)樗鼈儾粌H使代碼更容易編寫，而且也更易于閱讀。假設(shè)要在(5，10)和(20，30)之間畫一個(gè)白色矩形，只需簡(jiǎn)單調(diào)用：

cvRectangle(

??? myImg,

??? cvPoint(5,10),

??? cvPoint(20,30),

???cvScalar(255,255,255)

);

表3-1：points,size, rectangles和calar三元組的結(jié)構(gòu)

cvScalar是一個(gè)特殊的例子：它有3個(gè)構(gòu)造函數(shù)。第一個(gè)是cvScalar()，它需要一個(gè)、兩個(gè)、三個(gè)或者四個(gè)參數(shù)并將這些參數(shù)傳遞給數(shù)組val[]中的相應(yīng)元素。第二個(gè)構(gòu)造函數(shù)是cvRealScalar()，它需要一個(gè)參數(shù)，它被傳遞給給val[0]，而val[]數(shù)組別的值被賦為0。最后一個(gè)有所變化的是cvScalarAll()，它需要一個(gè)參數(shù)并且val[]中的4個(gè)元素都會(huì)設(shè)置為這個(gè)參數(shù)。

圖3-1為我們展示了三種圖像的類或結(jié)構(gòu)層次結(jié)構(gòu)。使用OpenCV時(shí)，會(huì)頻繁遇到IplImage數(shù)據(jù)類型，第2章已經(jīng)出現(xiàn)多次。IplImage是我們用來(lái)為通常所說(shuō)的“圖像”進(jìn)行編碼的基本結(jié)構(gòu)。這些圖像可能是灰度，彩色，4通道的(RGB+alpha)，其中每個(gè)通道可以包含任意的整數(shù)或浮點(diǎn)數(shù)。因此，該類型比常見(jiàn)的、易于理解的3通道8位RGB圖像更通用。

OpenCV提供了大量實(shí)用的圖像操作符，包括縮放圖像，單通道提取，找出特定通道最大最小值，兩個(gè)圖像求和，對(duì)圖像進(jìn)行閾值操作，等等。本章我們將仔細(xì)介紹這類操作。?????????????????????????????????????? ???????????????????????????????????????????????? ???????????????????????? 【32】

圖3-1：雖然OpenCV是由C語(yǔ)言實(shí)現(xiàn)的，但它使用的結(jié)構(gòu)體也是遵循面向?qū)ο蟮乃枷朐O(shè)計(jì)的。實(shí)際上，IplImage由CvMat派生，而CvMat由CvArr派生

在開始探討圖像細(xì)節(jié)之前，我們需要先了解另一種數(shù)據(jù)類型CvMat，OpenCV的矩陣結(jié)構(gòu)。雖然OpenCV完全由C語(yǔ)言實(shí)現(xiàn)，但CvMat和IplImage之間的關(guān)系就如同C++中的繼承關(guān)系。實(shí)質(zhì)上，IplImage可以被視為從CvMat中派生的。因此，在試圖了解復(fù)雜的派生類之前，最好先了解基本的類。第三個(gè)類CvArr，可以被視為一個(gè)抽象基類，CvMat由它派生。在函數(shù)原型中，會(huì)經(jīng)常看到CvArr(更準(zhǔn)確地說(shuō)，CvArr*)，當(dāng)它出現(xiàn)時(shí)，便可以將CvMat*或IplImage*傳遞到程序。

CvMat矩陣結(jié)構(gòu)

在開始學(xué)習(xí)矩陣的相關(guān)內(nèi)容之前，我們需要知道兩件事情。第一，在OpenCV中沒(méi)有向量(vector)結(jié)構(gòu)。任何時(shí)候需要向量，都只需要一個(gè)列矩陣(如果需要一個(gè)轉(zhuǎn)置或者共軛向量，則需要一個(gè)行矩陣)。第二，OpenCV矩陣的概念與我們?cè)诰€性代數(shù)課上學(xué)習(xí)的概念相比，更抽象，尤其是矩陣的元素，并非只能取簡(jiǎn)單的數(shù)值類型。例如，一個(gè)用于新建一個(gè)二維矩陣的例程具有以下原型：

cvMat* cvCreateMat ( int rows, intcols, int type );

這里type可以是任何預(yù)定義類型，預(yù)定義類型的結(jié)構(gòu)如下：CV_<bit_depth> (S|U|F)C<number_of_channels>。于是，矩陣的元素可以是32位浮點(diǎn)型數(shù)據(jù)(CV_32FC1)，或者是無(wú)符號(hào)的8位三元組的整型數(shù)據(jù)(CV_8UC3)，或者是無(wú)數(shù)的其他類型的元素。一個(gè)CvMat的元素不一定就是個(gè)單一的數(shù)字。在矩陣中可以通過(guò)單一(簡(jiǎn)單)的輸入來(lái)表示多值，這樣我們可以在一個(gè)三原色圖像上描繪多重色彩通道。對(duì)于一個(gè)包含RGB通道的簡(jiǎn)單圖像，大多數(shù)的圖像操作將分別應(yīng)用于每一個(gè)通道(除非另有說(shuō)明)。

實(shí)質(zhì)上，正如例3-1所示，CvMat的結(jié)構(gòu)相當(dāng)簡(jiǎn)單，(可以自己打開文件…/opencv/cxcore/include/cxtypes.h查看)。矩陣由寬度(width)、高度(height)、類型(type)、行數(shù)據(jù)長(zhǎng)度(step，行的長(zhǎng)度用字節(jié)表示而不是整型或者浮點(diǎn)型長(zhǎng)度)和一個(gè)指向數(shù)據(jù)的指針構(gòu)成(現(xiàn)在我們還不能討論更多的東西)?？梢酝ㄟ^(guò)一個(gè)指向CvMat的指針訪問(wèn)這些成員，或者對(duì)于一些普通元素，使用現(xiàn)成的訪問(wèn)方法。例如，為了獲得矩陣的大小，可通過(guò)調(diào)用函數(shù)vGetSize(CvMat*)，返回一個(gè)CvSize結(jié)構(gòu)，便可以獲取任何所需信息，或者通過(guò)獨(dú)立訪問(wèn)高度和寬度，結(jié)構(gòu)為matrix->height 和matrix->width。??? ???????????????????????????????????????????????????????????????? 【33～34】

例3-1：CvMat結(jié)構(gòu)：矩陣頭

typedefstruct CvMat {

???int type;

???int step;

???int* refcount;??? // for internal use only

???union {

???????uchar*? ptr;

???????short*? s;

???????int*??? i;

???????float*? fl;

???????double* db;

???} data;

???union {

???????int rows;

???????int height;

???};

???union {

???????int cols;

???????int width;

};

}CvMat;

此類信息通常被稱作矩陣頭。很多程序是區(qū)分矩陣頭和數(shù)據(jù)體的，后者是各個(gè)data成員所指向的內(nèi)存位置。

矩陣有多種創(chuàng)建方法。最常見(jiàn)的方法是用cvCreateMat()，它由多個(gè)原函數(shù)組成，如cvCreateMatHeader()和cvCreateData()。cvCreateMatHeader()函數(shù)創(chuàng)建CvMat結(jié)構(gòu)，不為數(shù)據(jù)分配內(nèi)存，而cvCreateData()函數(shù)只負(fù)責(zé)數(shù)據(jù)的內(nèi)存分配。有時(shí)，只需要函數(shù)cvCreateMatHeader()，因?yàn)橐岩蚱渌碛煞峙淞舜鎯?chǔ)空間，或因?yàn)檫€不準(zhǔn)備分配存儲(chǔ)空間。第三種方法是用函數(shù)cvCloneMat (CvMat*)，它依據(jù)一個(gè)現(xiàn)有矩陣創(chuàng)建一個(gè)新的矩陣。當(dāng)這個(gè)矩陣不再需要時(shí)，可以調(diào)用函數(shù)cvReleaseMat(CvMat*)釋放它。 ???????????????????????????????????????? ????????【34】

例3-2概述了這些函數(shù)及其密切相關(guān)的其他函數(shù)。

例3-2：矩陣的創(chuàng)建和釋放

//Createa new rows by cols matrix of type 'type'.

//

CvMat*cvCreateMat( int rows, int cols, int type );

//Createonly matrix header without allocating data

//

CvMat*cvCreateMatHeader( int rows, int cols, int type );

//Initializeheader on existiong CvMat structure

//

CvMat*cvInitMatHeader(

?CvMat* mat,

?int?? rows,

?int?? cols,

?int?? type,

?void* data = NULL,

?int?? step = CV_AUTOSTEP

);

//LikecvInitMatHeader() but allocates CvMat as well.

//

CvMatcvMat(

?int?? rows,

?int?? cols,

?int?? type,

?void* data = NULL

);

//Allocatea new matrix just like the matrix 'mat'.

//

CvMat*cvCloneMat( const cvMat* mat );

//Free the matrix 'mat', both header and data.

//

voidcvReleaseMat( CvMat** mat );

與很多OpenCV結(jié)構(gòu)類似，有一種構(gòu)造函數(shù)叫cvMat，它可以創(chuàng)建CvMat結(jié)構(gòu)，但實(shí)際上不分配存儲(chǔ)空間，僅創(chuàng)建頭結(jié)構(gòu)(與cvInitMatHeader()類似)。這些方法對(duì)于存取到處散放的數(shù)據(jù)很有作用，可以將矩陣頭指向這些數(shù)據(jù)，實(shí)現(xiàn)對(duì)這些數(shù)據(jù)的打包，并用操作矩陣的函數(shù)去處理這些數(shù)據(jù)，如例3-3所示。

例3-3：用固定數(shù)據(jù)創(chuàng)建一個(gè)OpenCV矩陣

//Createan OpenCV Matrix containing some fixed data.

//

floatvals[] = { 0.866025, -0.500000, 0.500000, 0.866025 };

CvMatrotmat;

cvInitMatHeader(

?&rotmat,

?2,

?2,

?CV_32FC1,

?vals

);

一旦我們創(chuàng)建了一個(gè)矩陣，便可用它來(lái)完成很多事情。最簡(jiǎn)單的操作就是查詢數(shù)組定義和數(shù)據(jù)訪問(wèn)等。為查詢矩陣，我們可以使用函數(shù)cvGetElemType(const CvArr* arr)，cvGetDims(const CvArr* arr, int* sizes=NULL)和cvGet- DimSize(const CvArr* arr，int index)。第一個(gè)返回一個(gè)整型常數(shù)，表示存儲(chǔ)在數(shù)組里的元素類型(它可以為CV_8UC1和CV_64FC4等類型)。第二個(gè)取出數(shù)組以及一個(gè)可選擇的整型指針，它返回維數(shù)(我們當(dāng)前的實(shí)例是二維，但是在后面我們將遇到的N維矩陣對(duì)象)。如果整型指針不為空，它將存儲(chǔ)對(duì)應(yīng)數(shù)組的高度和寬度(或者N維數(shù))。最后的函數(shù)通過(guò)一個(gè)指示維數(shù)的整型數(shù)簡(jiǎn)單地返回矩陣在那個(gè)維數(shù)上矩陣的大小。??? ???????????????????????????????????????????????????????????????????????????????? 【35～36】

訪問(wèn)矩陣中的數(shù)據(jù)有3種方法：簡(jiǎn)單的方法、麻煩的方法和恰當(dāng)?shù)姆椒ā?/p>

有一個(gè)經(jīng)常提到但又必須理解的問(wèn)題是，包含多維對(duì)象的多維數(shù)組(或矩陣)和包含一維對(duì)象的高維數(shù)組之間的不同。例如，假設(shè)有n個(gè)三維的點(diǎn)，你想將這些點(diǎn)傳遞到參數(shù)類型為CvMat*的一些OpenCV函數(shù)中。對(duì)此，有四種顯而易見(jiàn)的方式，記住，這些方法不一定等價(jià)。一是用一個(gè)二維數(shù)組，數(shù)組的類型是CV32FC1，有n行，3列(n×3)。類似地，也可以用一個(gè)3行n列(3×n)的二維數(shù)組。也可以用一個(gè)n行1列(n×1)的數(shù)組或者1行n列(1×n)的數(shù)組，數(shù)組的類型是CV32FC3。這些例子中，有些可以自由轉(zhuǎn)換(這意味著只需傳遞一個(gè)，另一個(gè)便可可以計(jì)算得到)，有的則不能。要想理解原因，可以參考圖3-2中的內(nèi)存布局???????????????????????????情況。

從圖中可以看出，在前三種方式中，點(diǎn)集以同樣的方式被映射到內(nèi)存。但最后一種方式則不同。對(duì)N維數(shù)組的c維點(diǎn)，情況變得更為復(fù)雜。需要記住的最關(guān)鍵的一點(diǎn)是，給定點(diǎn)的位置可以由以下公式計(jì)算出來(lái)。

圖3-2：有10個(gè)點(diǎn)，每個(gè)點(diǎn)由3個(gè)浮點(diǎn)數(shù)表示，這10個(gè)點(diǎn)被放在4個(gè)結(jié)構(gòu)稍有不同的數(shù)組中。前3種情況下，內(nèi)存布局情況是相同的，但最后一種情況下，內(nèi)存布局不同

其中，N_cols?和N_channels分別表示列數(shù)和通道數(shù)。總的來(lái)說(shuō)，從這個(gè)公式中可以看出一點(diǎn)，一個(gè)c維對(duì)象的N維數(shù)組和一個(gè)一維對(duì)象的(N+c)維數(shù)組不同。至于N=1(即把向量描繪成n×1或者1×n數(shù)組)，有一個(gè)特殊之處(即圖3-2顯示的等值)值得注意，如果考慮到性能，可以在有些情況下用到它。

關(guān)于OpenCV的數(shù)據(jù)類型，如CvPoint2D和CvPoint2D32f，我們要說(shuō)明的最后一點(diǎn)是：這些數(shù)據(jù)類型被定義為C結(jié)構(gòu)，因此有嚴(yán)格定義的內(nèi)存布局。具體說(shuō)來(lái)，由整型或者浮點(diǎn)型組成的結(jié)構(gòu)是順序型的通道。那么，對(duì)于一維的C語(yǔ)言的對(duì)象數(shù)組來(lái)說(shuō)，其數(shù)組元素都具有相同的內(nèi)存布局，形如CV32FC2的n×1或者1×n數(shù)組。這和申請(qǐng)CvPoint3D32f類型的數(shù)組結(jié)構(gòu)也是相同的。????????????????????? ?【41】

IplImage數(shù)據(jù)結(jié)構(gòu)

掌握了前面的知識(shí)，再來(lái)討論IplImage數(shù)據(jù)結(jié)構(gòu)就比較容易了。從本質(zhì)上講，它是一個(gè)CvMat對(duì)象，但它還有其他一些成員變量將矩陣解釋為圖像。這個(gè)結(jié)構(gòu)最初被定義為Intel圖像處理庫(kù)(IPL)的一部分。IplImage結(jié)構(gòu)的準(zhǔn)確定義如例3-10所示。

例3-10：IplImage結(jié)構(gòu)

typedefstruct _IplImage {

?int??????????????????? nSize;

?int??????????????????? ID;

?int??????????????????? nChannels;

?int??????????????????? alphaChannel;

?int??????????????????? depth;

?char????????????????? colorModel[4];

?char????????????????? channelSeq[4];

?int??????????????????? dataOrder;

?int??????????????????? origin;

?int??????????????????? align;

?int??????????????????? width;

?int??????????????????? height;

?struct _IplROI*???? ??? roi;

?struct _IplImage*??? ?? maskROI;

?void*???????????????? imageId;

?struct _IplTileInfo*?? tileInfo;

?int??????????????????? imageSize;

?char*???????????????? imageData;

?int????? ??????????????widthStep;

?int??????????????????? BorderMode[4];

?int??????????????????? BorderConst[4];

?char*???????????????? imageDataOrigin;

}IplImage;

我們?cè)噲D討論這些變量的某些功能。有些變量不是很重要，但是有些變量非常重要，有助于我們理解OpenCV解釋和處理圖像的方式。

width和height這兩個(gè)變量很重要，其次是depth和nchannals。depth變量的值取自ipl.h中定義的一組數(shù)據(jù)，但與在矩陣中看到的對(duì)應(yīng)變量不同。因?yàn)樵趫D像中，我們往往將深度和通道數(shù)分開處理，而在矩陣中，我們往往同時(shí)表示它們?？捎玫纳疃戎等绫?-2所示。??????????????????????????????????????? ?????????????????????????????????????? ????????【42】

表3-2：OpenCV圖像類型

通道數(shù)nChannels可取的值是1，2，3或4。

隨后兩個(gè)重要成員是origin和dataOrder。origin變量可以有兩種取值：IPL_ORIGIN_TL 或者 IPL_ORIGIN_BL，分別設(shè)置坐標(biāo)原點(diǎn)的位置于圖像的左上角或者左下角。在計(jì)算機(jī)視覺(jué)領(lǐng)域，一個(gè)重要的錯(cuò)誤來(lái)源就是原點(diǎn)位置的定義不統(tǒng)一。具體而言，圖像的來(lái)源、操作系統(tǒng)、編解碼器和存儲(chǔ)格式等因素都可以影響圖像坐標(biāo)原點(diǎn)的選取。舉例來(lái)說(shuō)，你或許認(rèn)為自己正在從圖像上面的臉部附近取樣，但實(shí)際上卻在圖像下方的裙子附近取樣。避免此類現(xiàn)象發(fā)生的最好辦法是在最開始的時(shí)候檢查一下系統(tǒng)，在所操作的圖像塊的地方畫點(diǎn)東西試試。

dataOrder的取值可以是IPL_DATA_ORDER_PIXEL或IPL_DATA_ORDER_PLANE，前者指明數(shù)據(jù)是將像素點(diǎn)不同通道的值交錯(cuò)排在一起(這是常用的交錯(cuò)排列方式)，后者是把所有像素同通道值排在一起，形成通道平面，再把平面排列起來(lái)。

參數(shù)widthStep與前面討論過(guò)的CvMat中的step參數(shù)類似，包括相鄰行的同列點(diǎn)之間的字節(jié)數(shù)。僅憑變量width是不能計(jì)算這個(gè)值的，因?yàn)闉榱颂幚磉^(guò)程更高效每行都會(huì)用固定的字節(jié)數(shù)來(lái)對(duì)齊；因此在第i行末和第i+1行開始處可能會(huì)有些冗于字節(jié)。參數(shù)imageData包含一個(gè)指向第一行圖像數(shù)據(jù)的指針。如果圖像中有些獨(dú)立的平面(如當(dāng)dataOrder =IPL_DATA_ORDER_PLANE)那么把它們作為單獨(dú)的圖像連續(xù)擺放，總行數(shù)為height和nChannels的乘積。但通常情況下，它們是交錯(cuò)的，使得行數(shù)等于高度，而且每一行都有序地包含交錯(cuò)的通道。

最后還有一個(gè)實(shí)用的重要參數(shù)——?感興趣的區(qū)域(ROI)，實(shí)際上它是另一個(gè)IPL/IPP 結(jié)構(gòu)IplROI的實(shí)例。IplROI包含xOffset，yOffset，height，width和coi成員變量，其中COI代表channel of interest(感興趣的通道)。ROI的思想是：一旦設(shè)定ROI，通常作用于整幅圖像的函數(shù)便會(huì)只對(duì)ROI所表示的子圖像進(jìn)行操作。如果IplImage變量中設(shè)置了ROI，則所有的OpenCV函數(shù)就會(huì)使用該ROI變量。如果COI被設(shè)置成非0值，則對(duì)該圖像的操作就只作用于被指定的通道上了。不幸的是，許多OpenCV函數(shù)都忽略參數(shù)COI。

通常，我們需要非常迅速和高效地訪問(wèn)圖像中的數(shù)據(jù)。這意味著我們不應(yīng)受制于存取函數(shù)(如cvSet*D之類)。實(shí)際上，我們想要用最直接的方式訪問(wèn)圖像內(nèi)的數(shù)據(jù)?，F(xiàn)在，應(yīng)用已掌握的IplImage內(nèi)部結(jié)構(gòu)的知識(shí)，我們知道怎樣做才是最佳的???????????????方法。

雖然OpenCV中有很多優(yōu)化函數(shù)幫助我們完成大多數(shù)的圖像處理的任務(wù)，但是還有一些任務(wù)，庫(kù)中沒(méi)有預(yù)先包裝好的函數(shù)可以幫我們解決。例如，如果我們有一個(gè)三通道HSV圖像[Smith78]，在色度保持不變的情況下，我們要設(shè)置每個(gè)點(diǎn)的飽和度和高度為255(8位圖像的最大值)，我們可以使用指針遍歷圖像，類似于例3-9中的矩陣遍歷。然而，有一些細(xì)微的不同，是源于IplImage和CvMat結(jié)構(gòu)的差異。例3-11演示了最高效的方法。

例3-11：僅最大化HSV圖像“S”和“V”部分

voidsaturate_sv( IplImage* img ) {

?for( int y=0; y<img->height; y++ ) {

???uchar* ptr = (uchar*) (

?????img->imageData + y * img->widthStep

???);

???for( int x=0; x<img->width; x++ ) {

?????ptr[3*x+1] = 255;

?????ptr[3*x+2] = 255;

???}

?}

}

在以上程序中，我們用指針ptr指向第y行的起始位置。接著，我們從指針中析出飽和度和高度在x維的值。因?yàn)檫@是一個(gè)三通道圖像，所以C通道在x行的位置是3*x+c。

與CvMat的成員data相比，IplImage和CvMat之間的一個(gè)重要度別在于imageData。CvMat的data元素類型是聯(lián)合類型，所以你必須說(shuō)明需要使用的指針類型。imageData指針是字節(jié)類型指針(uchar * )。我們已經(jīng)知道是種類型的指針指向的數(shù)據(jù)是uchar類型的，這意味著，在圖像上進(jìn)行指針運(yùn)算時(shí)，你可以簡(jiǎn)單地增加widthStep(也以字節(jié)為單位)，而不必關(guān)心實(shí)際數(shù)據(jù)類型。在這里重新說(shuō)明一下：當(dāng)要處理的是矩陣時(shí)，必須對(duì)偏移并進(jìn)行調(diào)整，因?yàn)閿?shù)據(jù)指針可能是非字節(jié)類型；當(dāng)要處理的是圖像時(shí)，可以直接使用偏移，因?yàn)閿?shù)據(jù)指針總是字節(jié)類型，因此當(dāng)你要用到它的時(shí)候要清楚是怎么回事。

ROI和widthStep在實(shí)際工作中有很重要的作用，在很多情況下，使用它們會(huì)提高計(jì)算機(jī)視覺(jué)代碼的執(zhí)行速度。這是因?yàn)樗鼈冊(cè)试S對(duì)圖像的某一小部分進(jìn)行操作，而不是對(duì)整個(gè)圖像進(jìn)行運(yùn)算。在OpenCV中，普遍支持ROI和widthStep，函數(shù)的操作被限于感興趣區(qū)域。要設(shè)置或取消ROI，就要使用cvSetImageROI()和cvResetImageROI()函數(shù)。如果想設(shè)置ROI，可以使用函數(shù)cvSetImageROI()，并為其傳遞一個(gè)圖像指針和矩形。而取消ROI，只需要為函數(shù)cvResetImageROI()傳遞一個(gè)圖像指針。

void cvSetImageROI( IplImage* image,CvRect rect );

void cvResetImageROI( IplImage* image);

為了解釋ROI的用法，我們假設(shè)要加載一幅圖像并修改一些區(qū)域，如例3-12的代碼，讀取了一幅圖像，并設(shè)置了想要的ROI的x，y，width和height的值，最后將ROI區(qū)域中像素都加上一個(gè)整數(shù)。本例程中通過(guò)內(nèi)聯(lián)的cvRect()構(gòu)造函數(shù)設(shè)置ROI。通過(guò)cvResetImageROI()函數(shù)釋放ROI是非常重要的，否則，將忠實(shí)地只顯示ROI區(qū)域。

例3-12：用imageROI來(lái)增加某范圍的像素

//roi_add <image> <x> <y> <width> <height><add>

#include<cv.h>

#include<highgui.h>

intmain(int argc, char** argv)

{

???IplImage* src;

???if( argc == 7 && ((src=cvLoadImage(argv[1],1)) != 0 ))

???{

???????int x = atoi(argv[2]);

???????int y = atoi(argv[3]);

???????int width = atoi(argv[4]);

???????int height = atoi(argv[5]);

???????int add = atoi(argv[6]);

???????cvSetImage ROI(src, cvRect(x,y,width,height));

???????cvAddS(src, cvScalar(add),src);

???????cvResetImageROI(src);

???????cvNamedWindow( "Roi_Add", 1 );

???????cvShowImage( "Roi_Add", src );

???????cvWaitKey();

???}

???return 0;

}

使用例3-12中的代碼把ROI集中于一張貓的臉部，并將其藍(lán)色通道增加150后的效果如圖3-3所示。?????????????????????????????????????????????????????????????????????????????????? 【45～46】

圖3-3：在貓臉上用ROI增加150像素的效果

通過(guò)巧妙地使用widthStep，我們可以達(dá)到同樣的效果。要做到這一點(diǎn)，我們創(chuàng)建另一個(gè)圖像頭，讓它的width和height的值等于interest_rect的width和height的值。我們還需要按interest_rect起點(diǎn)設(shè)置圖像起點(diǎn)(左上角或者左下角)。下一步，我們?cè)O(shè)置子圖像的widthStep與較大的interest_img相同。這樣，即可在子圖像中逐行地步進(jìn)到大圖像里子區(qū)域中下一行開始處的合適位置。最后設(shè)置子圖像的imageDate指針指向興趣子區(qū)域的開始，如例3-13所示。

例3-13：利用其他widthStep方法把interest_img的所有像素值增加1

//Assuming IplImage *interest_img; and

?//?CvRect interest_rect;

?//?Use widthStep to get a region of interest

?//

?//(Alternate method)

?//

?IplImage*sub_img = cvCreateImageHeader(

??cvSize(

?????interest_rect.width,

?????interest_rect.height

??),

??interest_img->depth,

??interest_img->nChannels

?);

?sub_img->origin= interest_img->origin;

?sub_img->widthStep= interest_img->widthStep;

?sub_img->imageData= interest_img->imageData +

??interest_rect.y * interest_img->widthStep?? +

??interest_rect.x * interest_img->nChannels;

?cvAddS(sub_img, cvScalar(1), sub_img );

?cvReleaseImageHeader(&sub_img);

看起來(lái)設(shè)置和重置ROI更方便一些，為什么還要使用widthStep？原因在于有些時(shí)候在處理的過(guò)程中，想在操作過(guò)程中設(shè)置和保持一幅圖像的多個(gè)子區(qū)域處于活動(dòng)狀態(tài)，但是ROI只能串行處理并且必須不斷地設(shè)置和重置。

最后，我們要在此提到一個(gè)詞——?掩碼或模板，在代碼示例中cvAddS()函數(shù)允許第四個(gè)參數(shù)默認(rèn)值為空：const CvArr*mask=NULL。這是一個(gè)8位單通道數(shù)組，它允許把操作限制到任意形狀的非0像素的掩碼區(qū)，如果ROI隨著掩碼或模板變化，進(jìn)程將會(huì)被限制在ROI和掩碼的交集區(qū)域。掩碼或模板只能在指定了其圖像的函數(shù)中使用。

矩陣和圖像操作

表3-3列出了一些操作矩陣圖像的函數(shù)，其中的大部分對(duì)于圖像處理非常有效。它們實(shí)現(xiàn)了圖像處理中的基本操作，例如對(duì)角化、矩陣變換以及一些更復(fù)雜的諸如計(jì)算圖像的統(tǒng)計(jì)操作。??????????????????????????????????????? ???????????????????????????????????????? ???????????????? 【47】

表3-3：矩陣和圖像基本操作

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ? 續(xù)表

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ? 續(xù)表

void cvAbs(

??? const CvArr* ?src,

???const??????? ??? dst

);

void cvAbsDiff(

?? const CvArr* ??src1,

?? const CvArr* ??src2,

??const?????? ????? dst

);

void cvAbsDiffS(

??? const CvArr* ?src,

???CvScalar???? ??? value,

???const??????? ??? dst

);

【50】

這些函數(shù)計(jì)算一個(gè)數(shù)組的絕對(duì)值或數(shù)組和其他對(duì)象的差值的絕對(duì)值，cvAbs()函數(shù)計(jì)算src里的值的絕對(duì)值，然后把結(jié)果寫到dst；cvAbsDiff()函數(shù)會(huì)先從src1減去src2，然后將所得差的絕對(duì)值寫到dst；除了從所有src元素減掉的數(shù)是常標(biāo)量值外，可以看到cvAbsDiffS()函數(shù)同cvAbsDiff()函數(shù)基本相同。

void cvAdd(

??? const CvArr*?? src1,

??? const CvArr*?? src2,

???CvArr*?????? ???? dst,

??? const CvArr*?? mask = NULL

);

void cvAddS(

??? const CvArr*?? src,

???CvScalar???? ???? value,

???CvArr*?????? ???? dst,

??? const CvArr*?? mask = NULL

);

void cvAddWeighted(

??? const CvArr*?? src1,

???double?????? ???? alpha,

??? const CvArr*?? src2,

???double?????? ???? beta,

???double?????? ???? gamma,

???CvArr*?????? ???? dst

);

cvAdd()是一個(gè)簡(jiǎn)單的加法函數(shù)，它把src1里的所有元素同src2里的元素對(duì)應(yīng)進(jìn)行相加，然后把結(jié)果放到dst，如果mask沒(méi)有被設(shè)為NULL，那么由mask中非零元素指定的dst元素值在函數(shù)執(zhí)行后不變。cvAddS()與cvAdd()非常相似，惟一不同的是被加的數(shù)量標(biāo)量value。

cvAddWeighted()函數(shù)同cvAdd()類似，但是被寫入dst的結(jié)果是經(jīng)過(guò)下面的公式得出的：

????????????????【50】

這個(gè)函數(shù)可用來(lái)實(shí)現(xiàn)alpha?融合 [Smith79; Porter84];也就是說(shuō)，它可以用于一個(gè)圖像同另一個(gè)圖像的融合，函數(shù)的形式如下：

void? cvAddWeighted(

??? const CvArr* src1,

???double?????? ?alpha,

??? const CvArr* src2,

???double?????? beta,

???double?????? gamma,

???CvArr*?????? dst

);

在函數(shù)cvAddWeighted()中我們有兩個(gè)源圖像，分別是src1和src2。這些圖像可以是任何類型的像素，只要它們屬于同一類型即可。它們還可以有一個(gè)或三個(gè)通道(灰度或彩色)，同樣也要保持類型一致。結(jié)果圖像dst，也必須同src1和src2是相同的像素類型。這些圖像可能是不同尺寸，但是它們的ROI必須統(tǒng)一尺寸，否則OpenCV就會(huì)產(chǎn)生錯(cuò)誤，參數(shù)alpha是src1的融合強(qiáng)度，beta是src2的融合強(qiáng)度，alpha融合公式如下：

可以通過(guò)設(shè)置α從0到1區(qū)間取值，β?= 1 –?α，γ為0，將前面公式轉(zhuǎn)換為標(biāo)準(zhǔn)alpha融合方程。這就得出下式：

但是，在加權(quán)融合圖像，以及目標(biāo)圖像的附加偏移參數(shù)γ方面, cvAddWeighted()提供了更大的靈活性。一般而言，你或許想讓alpha和beta不小于0，并且兩者之和不大于1，gamma的設(shè)置取決于像素所要調(diào)整到的平均或最大值。例3-14展示了alpha融合的用法。

例3-14：src2中alpha融合ROI以(0,0)開始，src1中ROI以(x,y)開始

//alphablend <imageA> <image B> <x> <y> <width><height>

//?????????????<alpha><beta>

#include<cv.h>

#include<highgui.h>

intmain(int argc, char** argv)

{

???IplImage *src1, *src2;

???if( argc == 9 && ((src1=cvLoadImage(argv[1],1)) != 0

???????)&&((src2=cvLoadImage(argv[2],1)) != 0 ))

???{

???????int x = atoi(argv[3]);

???????int y = atoi(argv[4]);

???????int width = atoi(argv[5]);

???????int height = atoi(argv[6]);

???????double alpha = (double)atof(argv[7]);

???????double beta? = (double)atof(argv[8]);

???????cvSetImage ROI(src1, cvRect(x,y,width,height));

???????cvSetImageROI(src2, cvRect(0,0,width,height));

???????cvAddWeighted(src1, alpha, src2, beta,0.0,src1);

???????cvResetImageROI(src1);

???????cvNamedWindow( "Alpha_blend", 1 );

???????cvShowImage( "Alpha_blend", src1 );

???????cvWaitKey();

???}

???return 0;

}??????????????????????????????????????????????????????????????????【51～52】

例3-14中的代碼用兩個(gè)源圖像：初始的(src1)和待融合的(src2)。它從矩形的ROI中讀取src1，然后將同樣大小的ROI應(yīng)用到src2中，這一次設(shè)在原始位置，它從命令行讀入alpha和beta的級(jí)別但是把gamma設(shè)為0。Alpha融合使用函數(shù)cvAddWeighted()，結(jié)果被放到src1并顯示，例子輸出如圖3-4所示，一個(gè)小孩的臉同一個(gè)貓的臉和身體被融合到了一起，值得注意的是，代碼采用相同的ROI，像圖3-3的例子一樣。這次我們使用了ROI作為目標(biāo)融合區(qū)域。

圖3-4：一個(gè)小孩的臉被alpha融合到一只貓的臉上

void cvAnd(

??? const CvArr* ?src1,

??? const CvArr* ?src2,

???CvArr*?????? ??? dst,

??? const CvArr* ?mask = NULL

);

void cvAndS(

??? const CvArr* ?src1,

???CvScalar???? ?? value,

???CvArr*?????? ??? dst,

??? const CvArr* ?mask = NULL

);

這兩個(gè)函數(shù)在src1數(shù)組上做按位與運(yùn)算，在cvAnd()中每個(gè)dst元素都是由相應(yīng)的src1和src2兩個(gè)元素進(jìn)行位與運(yùn)算得出的。在cvAndS()中，位與運(yùn)算由常標(biāo)量value得出。同一般函數(shù)一樣，如果mask是非空，就只計(jì)算非0 mask元素所對(duì)應(yīng)的dst元素。

盡管支持所有的數(shù)據(jù)類型，但是對(duì)于cvAnd()來(lái)說(shuō)，src1和src2要保持相同的數(shù)據(jù)類型。如果元素都是浮點(diǎn)型的，則使用該浮點(diǎn)數(shù)的按位表示。?????????????????????? 【52】

CvScalar cvAvg(

??? const CvArr* ?arr,

??? const CvArr* ?mask = NULL

);

cvAvg()計(jì)算數(shù)組arr的平均像素值，如果mask為非空，那么平均值僅由那些mask值為非0的元素相對(duì)應(yīng)的像素算出。

此函數(shù)還有別名cvMean()，但不推薦使用。

cvAvgSdv(

??? const CvArr* ?arr,

???CvScalar*??? ?? mean,

???CvScalar*??? ?? std_dev,

??? const CvArr* ?mask???? = NULL

);?????????????????????????????????????????????????????????????????【53】

此函數(shù)同cvAvg()類似，但除了求平均，還可以計(jì)算像素的標(biāo)準(zhǔn)差。

函數(shù)現(xiàn)在有不再使用的別名cvMean_StdDev()。

void cvCalcCovarMatrix(

??? const CvArr** vects,

???int?????????? count,

???CvArr*??????? cov_mat,

???CvArr*??????? avg,

???int?????????? flags

);

給定一些向量，假定這些向量表示的點(diǎn)是高斯分布，cvCalcCovarMatrix()將計(jì)算這些點(diǎn)的均值和協(xié)方差矩陣。這當(dāng)然可以運(yùn)用到很多方面，并且OpenCV有很多附加的flags值，在特定的環(huán)境下會(huì)起作用(參見(jiàn)表3-4)。這些標(biāo)志可以用標(biāo)準(zhǔn)的布爾或操作組合到一起。

表3-4：cvCalcCovarMatrix()可能用到的標(biāo)志參數(shù)的值

在所有情況下，在vects中是OpenCV指針數(shù)組(即一個(gè)指向指針數(shù)組的指針)，并有一個(gè)指示多少數(shù)組的參數(shù)count。在所有情況下，結(jié)果將被置于cov_mat，但是avg的確切含義取決于標(biāo)志的值(參見(jiàn)表3-4)。

標(biāo)識(shí)CV_COVAR_NORMAL和CV_COVAR_SCRAMBLED是相互排斥的；只能使用其中一種，不能兩者同時(shí)使用。如果為CV_COVAR_NORMAL，函數(shù)便只計(jì)算該點(diǎn)的均值和協(xié)方差。

因此，標(biāo)準(zhǔn)的協(xié)方差由長(zhǎng)度為n的m個(gè)向量計(jì)算，其中被定義為平均向量的第n個(gè)元素，由此產(chǎn)生的協(xié)方差矩陣是一個(gè)n?×n矩陣, 比例z是一個(gè)可選的縮放比例，除非使用CV_COVAR_SCALE標(biāo)志，否則它將被設(shè)置為1。???????? 【54】

如果是CV_COVAR_SCRAMBLED標(biāo)志，cvCalcCovarMatrix ()將如下計(jì)算：

這種矩陣不是通常的協(xié)方差矩陣(注意轉(zhuǎn)置運(yùn)算符的位置)，這種矩陣的計(jì)算來(lái)自同樣長(zhǎng)度為n的m個(gè)向量，但由此而來(lái)的協(xié)方差矩陣是一個(gè)m×m矩陣。這種矩陣是用在一些特定的算法中，如針對(duì)非常大的向量的快速PCA分析法(人臉識(shí)別可能會(huì)用到此運(yùn)算)。

如果已知平均向量，則使用標(biāo)志CV_COVAR_USE_AVG，在這種情況下，參數(shù)avg用來(lái)作為輸入而不是輸出，從而減少計(jì)算時(shí)間。

最后，標(biāo)志CV_COVAR_SCALE用于對(duì)計(jì)算得到的協(xié)方差矩陣進(jìn)行均勻縮放。這是前述方程的比例z，同標(biāo)志CV_COVAR_NORMAL一起使用時(shí)，應(yīng)用的縮放比例將是1.0 /m(或等效于1.0/count)。如果不使用CV_COVAR_SCRAMBLED，那么z的值將會(huì)是1.0/n(向量長(zhǎng)度的倒數(shù))，cvCalcCovarMatrix()的輸入輸出矩陣都應(yīng)該是浮點(diǎn)型，結(jié)果矩陣cov_mat的大小應(yīng)當(dāng)是n×n?或者?m×m，這取決于計(jì)算的是標(biāo)準(zhǔn)協(xié)方差還是scrambled的協(xié)方差。應(yīng)當(dāng)指出的是，在vects中輸入的“向量”并不一定要是一維的；它們也可以是兩維對(duì)象(例如圖像)。

void cvCmp(

??? const CvArr*?? src1,

??? const CvArr*?? src2,

???CvArr*?????? ???? dst,

???int?????????????? cmp_op

);

void cvCmpS(

??? constCvArr*??? src,

???double?????? ???? value,

???CvArr*?????? ???? dst,

???int?????????????? cmp_op

);

這兩個(gè)函數(shù)都是進(jìn)行比較操作，比較兩幅圖像相應(yīng)的像素值或?qū)⒔o定圖像的像素值與某常標(biāo)量值進(jìn)行比較。cvCmp()和cvCmpS()的最后一個(gè)參數(shù)的比較操作符可以是表3-5所列出的任意一個(gè)。???????????????????????????????????? ???????????????????????????????????????? 【55】

表3-5：cvCmp()和cvCmpS()使用的cmp_op值以及由此產(chǎn)生的比較操作

表3-5列出的比較操作都是通過(guò)相同的函數(shù)實(shí)現(xiàn)的，只需傳遞合適的參數(shù)來(lái)說(shuō)明你想怎么做，這些特殊的功能操作只能應(yīng)用于單通道的圖像。

這些比較功能適用于這樣的應(yīng)用程序，當(dāng)你使用某些版本的背景減法并想對(duì)結(jié)果進(jìn)行掩碼處理但又只從圖像中提取變化區(qū)域信息時(shí)(如從安全監(jiān)控?cái)z像機(jī)看一段視????????????頻流)。

void cvConvertScale(

??? const CvArr* src,

???CvArr*?????? ? dst,

???double?????? ? scale = 1.0,

???double?????? ? shift = 0.0

);

cvConvertScale()函數(shù)實(shí)際上融多種功能于一體，它能執(zhí)行幾個(gè)功能中的任意之一，如果需要，也可以一起執(zhí)行多個(gè)功能。第一個(gè)功能是將源圖像的數(shù)據(jù)類型轉(zhuǎn)變成目標(biāo)圖像的數(shù)據(jù)類型。例如，如果我們有一個(gè)8位的RGB灰度圖像并想把它變?yōu)?6位有符號(hào)的圖像，就可以調(diào)用函數(shù)cvConvertScale()來(lái)做這個(gè)工作。

cvConvertScale()的第二個(gè)功能是對(duì)圖像數(shù)據(jù)執(zhí)行線性變換。在轉(zhuǎn)換成新的數(shù)據(jù)類型之后，每個(gè)像素值將乘以scale值，然后將shift值加到每個(gè)像素上。

至關(guān)重要的是要記住，盡管在函數(shù)名稱中“Convert”在“Scale”之前，但執(zhí)行這些操作的順序?qū)嶋H上是相反的。具體來(lái)說(shuō)，在數(shù)據(jù)類型轉(zhuǎn)變之前，與scale相乘和shift的相加已經(jīng)發(fā)生了。??????????????????????????????????????????????????????????????????? 【56】

如果只是傳遞默認(rèn)值(scale = 1.0和shift = 0.0)，則不必?fù)?dān)心性能; OpenCV足夠聰明，能意識(shí)到這種情況而不會(huì)在無(wú)用的操作上浪費(fèi)處理器的時(shí)間。澄清一下(如果你想添加一些)，OpenCV還提供了宏指令cvConvert()，該指令同cvConvertScale()一樣，但是通常只適用于scale 和 shift 參數(shù)設(shè)為默認(rèn)????????????????值時(shí)。

對(duì)于所有數(shù)據(jù)類型和任何數(shù)量通道cvConvertScale ()都適用，但是源圖像和目標(biāo)圖像的通道數(shù)量必須相同。(如果你想實(shí)現(xiàn)彩色圖像與灰度圖的相互轉(zhuǎn)換，可以使用cvCvtColor()，之后我們將會(huì)提到。)???????????????????????????????????????? 【56～57】

void cvConvertScaleAbs(

??? const CvArr* src,

???CvArr*?????? ? dst,

???double???? ??? scale = 1.0,

???double?????? ? shift = 0.0

);

cvConvertScaleAbs()與cvConvertScale()基本相同，區(qū)別是dst圖像元素是結(jié)果數(shù)據(jù)的絕對(duì)值。具體說(shuō)來(lái)，cvConvertScaleAbs()先縮放和平移，然后算出絕對(duì)值，最后進(jìn)行數(shù)據(jù)類型的轉(zhuǎn)換。

void cvCopy(

??? const CvArr* src,

???CvArr*?????? ? dst,

??? const CvArr* mask =NULL

);

用于將一個(gè)圖像復(fù)制到另一個(gè)圖像。cvCopy()函數(shù)要求兩個(gè)數(shù)組具有相同的數(shù)據(jù)類型、相同的大小和相同的維數(shù)。可以使用它來(lái)復(fù)制稀疏矩陣，但這樣做時(shí)，不支持mask。對(duì)于非稀疏矩陣和圖像，mask如果為非空，則只對(duì)與mask中與非0值相對(duì)應(yīng)的dst中的像素賦值。

int cvCountNonZero( const CvArr* arr );

cvCountNonZero()返回?cái)?shù)組arr中非0像素的個(gè)數(shù)。

void cvCrossProduct(

const CvArr* src1,

const CvArr* src2,

CvArr* dst

);

這個(gè)函數(shù)的主要功能是計(jì)算兩個(gè)三維向量的叉積[Lagrange1773]。無(wú)論向量是行或者列的形式函數(shù)都支持。(實(shí)際上對(duì)于單通道矩陣，行向量和列向量的數(shù)據(jù)在內(nèi)存中的排列方式完全相同)。src1和src2都必須是單道數(shù)組，同時(shí)dst也必須是單道的，并且長(zhǎng)度應(yīng)精確為3。所有這些陣列的數(shù)據(jù)類型都要一致。??????????????? 【57】

void cvCvtColor(

??? const CvArr* src,

??? CvArr* dst,

??? int code

);

此前介紹的幾個(gè)函數(shù)用于把一個(gè)數(shù)據(jù)類型轉(zhuǎn)換成另一個(gè)數(shù)據(jù)類型，原始圖像和目標(biāo)圖像的通道數(shù)目應(yīng)保持一致。另外一個(gè)函數(shù)是cvCvtColor()，當(dāng)數(shù)據(jù)類型一致時(shí)，它將圖像從一個(gè)顏色空間(通道的數(shù)值)轉(zhuǎn)換到另一個(gè)[Wharton71]。具體轉(zhuǎn)換操作由參數(shù)code來(lái)指定，表3-6列出了此參數(shù)可能的值。

表3-6：cvCvtColor()的轉(zhuǎn)換

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ? 續(xù)表

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ? 續(xù)表

這里不再進(jìn)一步闡述CIE色彩空間中Bayer模式的細(xì)節(jié)，但許多這樣的轉(zhuǎn)換是很有意義的。我們的目的是，了解OpenCV能夠在哪些色彩空間進(jìn)行轉(zhuǎn)換，這對(duì)用戶來(lái)說(shuō)很重要。

色彩空間轉(zhuǎn)換都用到以下約定：8位圖像范圍是0～255，16位圖像范圍是0～65536，浮點(diǎn)數(shù)的范圍是0.0～1.0。黑白圖像轉(zhuǎn)換為彩色圖像時(shí)，最終圖像的所有通道都是相同的；但是逆變換(例如RGB或BGR到灰度)，灰度值的計(jì)算使用加權(quán)公式：

Y=(0.299)R+(0.587)G+(0.114)B

就HSV色彩模式或者HLS色彩模式來(lái)說(shuō)，色調(diào)通常是在0～360之間。在8位圖中，這可能出現(xiàn)問(wèn)題，因此，轉(zhuǎn)換到HSV色彩模式，并以8位圖的形式輸出時(shí)，色調(diào)應(yīng)該除以2。

double cvDet(const CvArr* mat)；

cvDet()用于計(jì)算一個(gè)方陣的行列式。這個(gè)數(shù)組可以是任何數(shù)據(jù)類型，但它必須是單通道的，如果是小的矩陣，則直接用標(biāo)準(zhǔn)公式計(jì)算。然而對(duì)于大型矩陣，這樣就不是很有效，行列式的計(jì)算使用高斯消去法。

值得指出的是，如果已知一個(gè)矩陣是對(duì)稱正定的，也可以通過(guò)奇異值分解的策略來(lái)解決。欲了解更多信息，請(qǐng)參閱“cvSVD”一節(jié)。但這個(gè)策略是將U和V設(shè)置為NULL，然后矩陣W的乘積就是所求正定矩陣。

void cvDiv(

const CvArr* src1,

const CvArr* src2,

CvArr* dst,

double scale = 1

);

cvDiv是一個(gè)實(shí)現(xiàn)除法的簡(jiǎn)單函數(shù)；它用src2除以src1中對(duì)應(yīng)元素，然后把最終的結(jié)果存到dst中。如果mask非空，那么dst中的任何與mask中0元素相對(duì)應(yīng)的元素都不改變。如果對(duì)數(shù)組中所有元素求倒數(shù)，則可以設(shè)置src1為NULL，函數(shù)將假定src1是一個(gè)元素全為1的數(shù)組。

double cvDotProduct(

??? const CvArr* src1，

??? const CvArr* src2

)；

【58～60】

這個(gè)函數(shù)主要計(jì)算兩個(gè)N維向量的點(diǎn)積[Lagrange1773]。與叉積函數(shù)相同，點(diǎn)積函數(shù)也不太關(guān)注向量是行或者是列的形式。src1和src2都應(yīng)該是單通道的數(shù)組，并且數(shù)組的數(shù)據(jù)類型應(yīng)該一致。

double cvEigenVV(

??? CvArr* mat,

??? CvArr* evects,

??? CvArr* evals,

??? double eps = 0

);

對(duì)對(duì)稱矩陣mat，cvEigenVV()會(huì)計(jì)算出該矩陣的特征值和相應(yīng)的特征向量。函數(shù)實(shí)現(xiàn)的是雅可比方法[Bronshtein97]，對(duì)于小的矩陣是非常高效的，雅可比方法需要一個(gè)停止參數(shù)，它是最終矩陣中偏離對(duì)角線元素最大尺寸?？蛇x參數(shù)eps用于設(shè)置這個(gè)值。在計(jì)算的過(guò)程中，所提供的矩陣mat的數(shù)據(jù)空間被用于計(jì)算，所以，它的值會(huì)在調(diào)用函數(shù)后改變。函數(shù)返回時(shí)，你會(huì)在evects中找到以行順序保存的特征向量。對(duì)應(yīng)的特征值被存儲(chǔ)到evals中。特征向量的次序以對(duì)應(yīng)特征值的重要性按降序排列。該cvEigenVV()函數(shù)要求所有三個(gè)矩陣具有浮點(diǎn)???????????????????????類型。

正如cvDet()(前述)，如果被討論的向量是已知的對(duì)稱和正定矩陣，那么最好使用SVD計(jì)算mat的特征值和特征向量。

void cvFlip(

??? const CvArr* src，

??? CvArr* dst = NULL，

??? int flip_mode = 0

)；

本函數(shù)是將圖像繞著在X軸或Y軸或者繞著X軸或Y軸上同時(shí)旋轉(zhuǎn)。當(dāng)參數(shù)flip_mode被設(shè)置為0的時(shí)候，圖像只會(huì)繞X軸旋轉(zhuǎn)。???????????????????????? ???????????????? 【61】

flip_mode被設(shè)置為正值時(shí)(例如，+1)，圖像會(huì)圍繞Y軸旋轉(zhuǎn)，如果被設(shè)置成負(fù)值(例如，-1)，圖像會(huì)圍繞X軸和Y軸旋轉(zhuǎn)。

在Win32運(yùn)行視頻處理系統(tǒng)時(shí)，你會(huì)發(fā)現(xiàn)自己經(jīng)常使用此功能來(lái)進(jìn)行圖像格式變換，也就是坐標(biāo)原點(diǎn)在左上角和左下角的變換。

double cvGEMM(

??? const CvArr* src1，

??? const CvArr* src2，

??? double alpha，

??? const CvArr* src3，

??? double beta，

??? CvArr* dst，

??? int tABC = 0

)；

廣義矩陣乘法(generalized matrixmultiplicatipm，GEMM)在OpenCV中是由cvGEMM()來(lái)實(shí)現(xiàn)的，可實(shí)現(xiàn)矩陣乘法、轉(zhuǎn)置后相乘、比例縮放等。最常見(jiàn)的情況下，cvGEMM()計(jì)算如下：

其中A，B和C分別是矩陣src1，src2和src3，α和β是數(shù)值系數(shù)，op()是附在矩陣上的可選轉(zhuǎn)置。參數(shù)src3可以設(shè)置為空。在這種情況下，不會(huì)參與計(jì)算。轉(zhuǎn)置將由可選參數(shù)tABC來(lái)控制，它的值可以是0或者(通過(guò)布爾OR操作)CV_GEMM_A_T、CV_GEMM_B_T和CV_GEMM_C_T的任何組合(每一個(gè)標(biāo)志都有一個(gè)矩陣轉(zhuǎn)換相對(duì)應(yīng))。

過(guò)去的OpenCV包含cvMatMul()和cvMatMulAdd()方法，但是，它們很容易和cvMul()混淆，其實(shí)它們的功能是完全不一樣的(即兩個(gè)數(shù)組的元素與元素相乘)。這個(gè)函數(shù)以宏的形式繼續(xù)存在，它們直接調(diào)用cvGEMM()。兩者對(duì)應(yīng)關(guān)系如表3-7所示。

表3-7：cvGEMM()一般用法的宏別名

只有大小符合約束的矩陣才能進(jìn)行乘法運(yùn)算，并且所有的數(shù)據(jù)類型都應(yīng)該是浮點(diǎn)型。cvGEMM()函數(shù)支持雙通道矩陣，在這種情況下，它將雙通道視為一個(gè)復(fù)數(shù)的兩個(gè)部分。

CvMat*cvGetCol(

???const CvArr* arr，

???CvMat* submat，

???int col

)；

CvMat*cvGetCols(

???const CvArr* arr，

???CvMat* submat，

???int start_col，

???int end_col

)；

cvGetCol()函數(shù)被用作提取矩陣中的某一列，并把它以向量的形式返回(即只有一列的矩陣)。在這種情況下，矩陣指針submat將被修改為指向arr中的特定列，必須指出的是，該指針在修改過(guò)程中并未涉及內(nèi)存的分配或數(shù)據(jù)的復(fù)制；submat的內(nèi)容僅僅是作了簡(jiǎn)單修改以使它正確地指出arr中所選擇的列。它支持所有數(shù)據(jù)類型。

cvGetCols()函數(shù)的工作原理與cvGetCols完全一致，區(qū)別只在于前者將選擇從start_col到end_col之間的所有列。這兩個(gè)函數(shù)都返回一個(gè)與被調(diào)用的特定列或者多列(即，submat)相對(duì)應(yīng)的頭指針。

CvMat* cvGetDiag(

??? const CvArr* arr，

??? CvMat*submat，

??? int diag= 0

)；

cvGetDiag ()類似于cvGetCol()；它能從一個(gè)矩陣選擇某一條對(duì)角線并將其作為向量返回。submat是一個(gè)矩陣類型的頭指針。函數(shù)cvGetDiag()將填充該向量頭指針中的各分量，以使用指向arr中的正確信息。注意，調(diào)用cvGetDiag()會(huì)修改輸入的頭指針，將數(shù)據(jù)指針指向arr對(duì)角線上的數(shù)據(jù)，實(shí)際上，并沒(méi)有復(fù)制arr的數(shù)據(jù)?？蛇x參數(shù)diag表明submat指向哪一條對(duì)角線的。如果diag被設(shè)置為默認(rèn)值0，主對(duì)角線將被選中。如果diag大于0，則始于(diag，0)的對(duì)角線將被選中，如果diag小于0，則始于(0，-diag)的對(duì)角線將被選中。cvGetDiag()并不要求矩陣arr是方陣，但是數(shù)組submat長(zhǎng)度必須與輸入數(shù)組的尺寸相匹配。當(dāng)該函數(shù)被調(diào)用時(shí)，最終的返回結(jié)果與輸入的submat相同。

int cvGetDims(

??? const CvArr* arr，

??? int* sizes=NULL

)；

int cvGetDimSize(

??? const CvArr* arr，

??? int index

)；????????????????????????????????????????????????????????????????【63】

您一定還記得OpenCV中的矩陣維數(shù)可以遠(yuǎn)遠(yuǎn)大于2。函數(shù)cvGetDims()返回指定數(shù)組的維數(shù)并可返回每一個(gè)維數(shù)的大小。如果數(shù)組sizes非空，那么大小將被寫入sizes。如果使用了參數(shù)sizes，它應(yīng)該是一個(gè)指向n個(gè)整數(shù)的指針，這里的n指維數(shù)。如果無(wú)法事先獲知維數(shù)，為了安全起見(jiàn)，可以把sizes大小指定為CV_MAX_DIM。

函數(shù)cvGetDimSize()返回一個(gè)由index參數(shù)指定的某一維大小。如果這個(gè)數(shù)組是矩陣或者圖像，那么cvGetDims()將一直返回為2。對(duì)于矩陣和圖像，由cvGetDims()返回的sizes的次序?qū)⒖偸窍仁切袛?shù)然后是列數(shù)。

CvMat* cvGetRow(

??? const CvArr* arr，

??? CvMat* submat，

??? int row

)；

CvMat* cvGetRows(

??? const CvArr* arr，

??? CvMat*submat，

??? int start_row，

??? int end_row

)；

cvGetRow()獲取矩陣中的一行讓它作為向量(僅有一行的矩陣)返回。跟cvGetCol()類似，矩陣頭指針submat將被修改為指向arr中的某個(gè)特定行，并且對(duì)該頭指針的修改不涉及內(nèi)存的分配和數(shù)據(jù)的復(fù)制；submat的內(nèi)容僅是作為適當(dāng)?shù)男薷囊允顾_地指向arr中所選擇的行。該指針?biāo)袛?shù)據(jù)類型。
cvGetRows()函數(shù)的工作原理與cvGetRow()完全一致，區(qū)別只在于前者將選擇從start_row到end_row之間的所有行。這兩個(gè)函數(shù)都返回一個(gè)的頭指針，指向特定行或者多個(gè)行。

CvSize cvGetSize( const CvArr* arr )；

它與cvGetDims()密切相關(guān)，cvGetDims()返回一個(gè)數(shù)組的大小。主要的不同是cvGetSize()是專為矩陣和圖像設(shè)計(jì)的，這兩種對(duì)象的維數(shù)總是2。其尺寸可以以CvSize結(jié)構(gòu)的形式返回，例如當(dāng)創(chuàng)建一個(gè)新的大小相同的矩陣或圖像時(shí)，使用此函數(shù)就很方便。???????????????????????????????????????????????????????????????????????????????? ???????????????????????? 【64】

cvGetSubRect

CvSize cvGetSubRect(

??? const CvArr* arr，

??? CvArr* submat，

??? CvRect rect

)；

cvGetSubRect()與cvGetColumns()或cvGetRows()非常類似，區(qū)別在于cvGetSubRect()通過(guò)參數(shù)rect在數(shù)組中選擇一個(gè)任意的子矩陣。與其他選擇數(shù)組子區(qū)域的函數(shù)的函數(shù)一樣，submat僅僅是一個(gè)被cvGetSubRect()函數(shù)填充的頭，它將指向用戶期望的子矩陣數(shù)據(jù)，這里并不涉及內(nèi)存分配和數(shù)據(jù)的復(fù)制。

void cvInRange(const CvArr* src，

??? const CvArr* lower，

??? const CvArr* upper，

???CvArr*?????? dst

)；

void cvInRangeS(

??? const CvArr* src，

???CvScalar???? lower，

???CvScalar???? upper，

???CvArr*?????? dst

)；

這兩個(gè)函數(shù)可用于檢查圖像中像素的灰度是否屬于某一指定范圍。cvInRange()檢查，src的每一個(gè)像素點(diǎn)是否落在lower和upper范圍中。如果src的值大于或者等于lower值，并且小于upper值，那么dst中對(duì)應(yīng)的對(duì)應(yīng)值將被設(shè)置為0xff；否則，dst的值將被設(shè)置為0。

cvInRangeS()的原理與之完全相同，但src是與lower和upper中的一組常量值(類型CvScala)進(jìn)行比較。對(duì)于這兩個(gè)函數(shù)，圖像src可以是任意類型；如果圖像有多個(gè)通道，那么每一種通道都將被分別處理。注意，dst的尺寸和通道數(shù)必須與src一致，且必須為8位的圖像。

double cvInvert(

??? const CvArr* src，

??? CvArr* dst，

??? Int method = CV_LU

)；

cvInvert()求取保存在src中的矩陣的逆并把結(jié)果保存在dst中。這個(gè)函數(shù)支持使用多種方法來(lái)計(jì)算矩陣的逆(見(jiàn)表3-8)，但默認(rèn)采取的是高斯消去法。該函數(shù)的返回值與所選用的方法有關(guān)。??? ???????????????????????????????????????????????????????????????????????? 【65】

表3-8：cvInvert()函數(shù)中指定方法的參數(shù)值

就高斯消去法(method=CV_LU)來(lái)說(shuō)，當(dāng)函數(shù)執(zhí)行完畢，src的行列式將被返回。如果行列式是0，那么事實(shí)上不進(jìn)行求逆操作，并且數(shù)組dst將被設(shè)置為全0。

就CV_SVD或者CV_SVD_SYM,來(lái)說(shuō)，返回值是矩陣的逆條件數(shù)(最小特征值跟最大特征值的比例)。如果src是奇異的，那么cvInvert()在SVD模式中將進(jìn)行偽逆計(jì)算。

void cvMax(

??? const CvArr* src1,

??? const CvArr* src2,

???CvArr*?????? dst

);

void cvMaxS(

??? const CvArr* src,

???double?????? value,

???CvArr*?????? dst

);?????????????????????????????????????????????????????????????????【66】

cvMax()計(jì)算數(shù)組src1和src2中相對(duì)應(yīng)的每像素一對(duì)中的最大值。而cvMaxS()，將數(shù)組src與常量參數(shù)value進(jìn)行比較。通常，如果mask非空，那么只有與非0參數(shù)相對(duì)應(yīng)的dst中的元素參與計(jì)算。

void cvMerge(

??? const CvArr* src0,

??? const CvArr* src1,

??? const CvArr* src2,

??? const CvArr* src3,

??? CvArr* dst

);?????????????????????????????????????????????????????????????????【67】

cvMerge()是cvSplit()的逆運(yùn)算。數(shù)組src0，src1，src2，和src3將被合并到數(shù)組dst中。當(dāng)然，dst應(yīng)該與源數(shù)組具有相同的數(shù)據(jù)類型和尺寸，但它可以有兩個(gè)，三個(gè)或四個(gè)道道。未使用的源圖像參數(shù)可設(shè)置為NULL。

void cvMin(

??? const CvArr* src1,

??? const CvArr* src2,

??? CvArr* dst

);

void cvMinS(

??? const CvArr* src,

??? double value,

??? CvArr* dst

);

cvMin()計(jì)算數(shù)組src1和src2中相對(duì)應(yīng)的每一對(duì)像素中的最小值。而cvMaxS()，將數(shù)組src與常量標(biāo)量value進(jìn)行比較。同樣的，如果mask非空的話，那么只有與mask的非0參數(shù)相對(duì)應(yīng)的dst中的元素進(jìn)行計(jì)算。

void cvMinMaxLoc(

??? const CvArr* arr,

???double*????? min_val,

???double*????? max_val,

???CvPoint*???? min_loc = NULL,

???CvPoint*???? max_loc = NULL,

??? const CvArr*mask??? = NULL

);

該例程找出數(shù)組arr中的最大值和最小值，并且(有選擇性地)返回它們的地址。計(jì)算出的最大值和最小值賦值給max_val和min_val?；蛘?#xff0c;如果極值的位置參數(shù)非空，那極值的位置便會(huì)寫入min_loc和max_loc。

通常，如果參數(shù)mask非空，那么只有圖像arr中與參數(shù)mask中的非零的像素相對(duì)應(yīng)的部分才被考慮。cvMinMaxLoc()例程僅僅處理單通道數(shù)組，如果有一個(gè)多通道的數(shù)組，則應(yīng)該使用cvSetCOI()來(lái)對(duì)某個(gè)特定通道進(jìn)行設(shè)置。

void cvMul(

??? const CvArr* src1,

??? const CvArr* src2,

??? CvArr* dst,

??? double scale=1

);?????????????????????????????????????????????????????????????????【68】

cvMul()是一個(gè)簡(jiǎn)單的乘法函數(shù)。它將src1中的元素與src2中相對(duì)應(yīng)的元素相乘，然后把結(jié)果賦給dst。如果mask是空，那么與其中0元素相對(duì)應(yīng)的dst元素都不會(huì)因此操作而改變。OpenCV中沒(méi)有函數(shù)cvMulS()，因?yàn)樵摴δ芤呀?jīng)由函數(shù)cvScale()或cvCvtScale()提供。

除此之外，有一件事情要記住：cvMul()執(zhí)行的是元素之間的乘法。有時(shí)候，在進(jìn)行矩陣相乘時(shí)，可能會(huì)錯(cuò)誤使用cvMul()，但這無(wú)法奏效；記住，cvGEMM()才是處理矩陣乘法的函數(shù)，而不是cvMul()。

void cvNot(

??? const CvArr* src,

???CvArr*?????? dst

);

函數(shù)cvNot()會(huì)將src中的每一個(gè)元素的每一位取反，然后把結(jié)果賦給dst。因此，一個(gè)值為0x00的8位圖像將被映射到0xff，而值為0x83的圖像將被映射到0x7c。

double cvNorm(

??? const CvArr* arr1,

??? const CvArr*arr2? = NULL,

??? int? norm_type= CV_L2,

??? const CvArr*mask? = NULL

??? );

這一函數(shù)可于計(jì)算一個(gè)數(shù)組的各種范數(shù)，當(dāng)為該函數(shù)提供了兩個(gè)數(shù)組作為參數(shù)時(shí)，可選用各種不同的公式來(lái)計(jì)算相對(duì)的距離。在前一種情況下，計(jì)算的范數(shù)如表3-9所示。

表3-9：當(dāng)arr2=NULL時(shí)，對(duì)于不同的norm_type由cvNorm()計(jì)算范數(shù)的公式

如果第二個(gè)數(shù)組參數(shù)arr2非空，那么范數(shù)的計(jì)算將使用不同的公式，就像兩個(gè)數(shù)組之間的距離。前三種情況的計(jì)算公式如表3-10所示，這些范數(shù)是絕對(duì)范數(shù)；在后三個(gè)情況下，將會(huì)根據(jù)第二個(gè)數(shù)組arr2的幅度進(jìn)行重新調(diào)整。?【69～70】

表3-10：arr2非空，且norm_type不同值時(shí)函數(shù)cvNorm()計(jì)算范數(shù)的計(jì)算
公式

在所有情況下，arr1和arr2必須具有相同的大小和通道數(shù)。當(dāng)通道數(shù)大于1時(shí)，將會(huì)對(duì)所有通道一起計(jì)算范數(shù)(即是說(shuō)，在表3-9和表3-10中，不僅是針對(duì)x和y，也針對(duì)通道數(shù)求和)。

cvNormalize(

??? const CvArr* src,

???CvArr*?????? ? dst,

???double?????? ?a???????? = 1.0,

???double????? ?? ???b???????? = 0.0,

??? int?????????????? norm_type?? = CV_L2,

??? const CvArr*mask????? ??? = NULL

);

與許多OpenCV函數(shù)一樣，cvNormalize()的功能比表面看更多。根據(jù)norm_type的不同值，圖像src將被規(guī)范化，或者以其他方式映射到dst的一個(gè)特定的范圍內(nèi)。表3-11列舉了norm_type可能出現(xiàn)的值。

表3-11：函數(shù)cvNormalize()的參數(shù)norm_type可能的值

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ? 續(xù)表

【70】

計(jì)算C范數(shù)時(shí)，數(shù)組src將被進(jìn)行比例變標(biāo)，使其中絕對(duì)值最大的值等于a。當(dāng)計(jì)算L1范數(shù)成L2范數(shù)時(shí)，該數(shù)組也將被縮放，如使其范數(shù)為a。如果norm_type的值設(shè)置為CV_MINMAX，那么將會(huì)對(duì)數(shù)組的所有的值進(jìn)行轉(zhuǎn)化，使它們線性映射到a和b之間(包括a和b)。

與以前一樣，如果參數(shù)mask非空，那么只有與掩碼非0值對(duì)應(yīng)的像素會(huì)對(duì)范數(shù)的計(jì)算有貢獻(xiàn)，并且只有那些像素會(huì)被cvNormalize()改變。

void cvOr(

??? const CvArr* src1,

??? const CvArr* src2,

???CvArr*?????? ? dst,

??? const CvArr*mask=NULL

);

void cvOrS(

??? const CvArr* src,

???CvScalar???? ? value,

???CvArr*?????? ? dst,

??? const CvArr*mask? = NULL

);

這兩個(gè)函數(shù)將對(duì)數(shù)組src1進(jìn)行按位或計(jì)算。在函數(shù)cvOr()中，dst中的每一個(gè)元素都是是由src1和src2中相對(duì)應(yīng)的元素按位做或運(yùn)算的結(jié)果。在cvOrS()函數(shù)中，將對(duì)src和常量value進(jìn)行或運(yùn)算。像往常一樣，如果mask非空，則只計(jì)算dst中與mask中非0元素對(duì)應(yīng)的元素。

該函數(shù)支持所有的數(shù)據(jù)類型，但在cvOr()中，src1和src2必須有相同的數(shù)據(jù)類型。如果數(shù)組元素是浮點(diǎn)類型，則使用浮點(diǎn)按位表示形式。

CvSize cvReduce(

??? const CvArr* src,

???CvArr*?????? ? dst,

???int????????? ????? dim,

???int????????? ????? op = CV_REDUCE_SUM

);

約簡(jiǎn)是指使用一些op所代表的組合規(guī)則，對(duì)輸入的矩陣src的每一行(或列)進(jìn)行系統(tǒng)的轉(zhuǎn)化，使之成為成向量dst，直到只剩一行(或列)為止(見(jiàn)表3-12)。參數(shù)op決定如何進(jìn)行約簡(jiǎn)，總結(jié)如表3-13所示。?????????????????????????????????????? ???????????????? 【71】

表3-12：參數(shù)op在cvReduce()中所代表的轉(zhuǎn)化操作

表3-13：參數(shù)dim在cvReduce()中控制轉(zhuǎn)化的方向

cvReduce()支持浮點(diǎn)型的多通道數(shù)組。它也允許在dst中使用比src更高精度的數(shù)據(jù)類型。這關(guān)鍵在于要有正確的CV_REDUCE_SUM和CV_REDUCE_AVG參數(shù)，否則那里可能有溢出和累積問(wèn)題。

void cvRepeat(

??? const CvArr* src,

???CvArr*?????? ? dst

);

這一函數(shù)是將src的內(nèi)容復(fù)制到dst中，重復(fù)多次，直到dst沒(méi)有多余的空間。具體而言，dst相對(duì)于src可以是任何大小。它可能比src大或小，它們?cè)诖笮『途S數(shù)之間不需要有任何的數(shù)值關(guān)系。

void cvScale(

??? const CvArr* src,

???CvArr*?????? ? dst,

???double?????? ? scale

);

從宏觀上講，函數(shù)cvScale()實(shí)際上是cvConvertScale()的一個(gè)宏，它會(huì)將shift參數(shù)設(shè)置為0.0。因此，它可以用來(lái)重新調(diào)整數(shù)組的內(nèi)容，并且可以將參數(shù)從一種數(shù)據(jù)類型轉(zhuǎn)換為另一種。

void cvSet(

???CvArr*?????? ? arr,

???CvScalar???? ? value,

??? const CvArr*mask?? = NULL

);?????????????????????????????????????????????????????????????????【72】

這些函數(shù)能將數(shù)組的所有通道的所有值設(shè)置為指定的參數(shù)value。該cvSet()函數(shù)接受一個(gè)可選的參數(shù)：如果提供參數(shù)，那么只有那些與參數(shù)mask中非0值對(duì)應(yīng)的像素將被設(shè)置為指定的值。函數(shù)cvSetZero()僅僅是cvSet(0.0)別名。

void cvSetIdentity( CvArr* arr );

cvSetIdentity()將會(huì)把數(shù)組中除了行數(shù)與列數(shù)相等以外的所有元素的值都設(shè)置為0；行數(shù)與列數(shù)相等的元素的值都設(shè)置為1。cvSetIdentity()支持所有數(shù)據(jù)類型，甚至不要求數(shù)組的行數(shù)與列數(shù)相等。

int cvSolve(

??? const CvArr* src1,

??? const CvArr* src2,

???CvArr*?????? ? dst,

???int????????? ????? method = CV_LU

);

基于cvInvert()函數(shù)cvSolve()為求解線性方程組提供了一條捷徑。它的計(jì)算公式如下：

C=argminx||A·X-B||

其中A是一個(gè)由src1指定的方陣，B是向量src2，然后C是由cvSolve()計(jì)算的結(jié)果，目標(biāo)是尋找一個(gè)最優(yōu)的向量X。最優(yōu)結(jié)果向量X將返回給dst。cvInvert()支持同樣的方法(前述)；不過(guò)只支持浮點(diǎn)類型的數(shù)據(jù)。該函數(shù)將會(huì)返回一個(gè)整型值，當(dāng)返回的值是一個(gè)非0值的話，這表明它能夠找到一個(gè)解。

應(yīng)當(dāng)指出的是，cvSolve()可以用來(lái)解決超定的線性方程組。超定系統(tǒng)將使用所謂的偽逆方法進(jìn)行解決，它是使用SVD方法找到方程組的最小二乘解的。

void cvSplit(

??? const CvArr* src,

???CvArr*?????? ? dst0,

???CvArr*?????? ? dst1,

???CvArr*?????? ? dst2,

???CvArr*?????? ? dst3

);

有些時(shí)候處理多通道圖像時(shí)不是很方便。在這種情況下，可以利用cvSplit()分別復(fù)制每個(gè)通道到多個(gè)單通道圖像。如果需要，cvSplit()函數(shù)將復(fù)制src的各個(gè)通道到圖像dst0，dst1，dst2和dst3中。目標(biāo)圖像必須與源圖像在大小和數(shù)據(jù)類型上相匹配，當(dāng)然也應(yīng)該是單通道的圖像。

如果源圖像少于4個(gè)通道(這種情況經(jīng)常出現(xiàn))，那么傳遞給cvSplit()的不必要的目標(biāo)參數(shù)可設(shè)置為NULL。???????????????????????????????????????? ???????????????????????????????????????? 【73】

void cvSub(

??? const CvArr* src1,

??? const CvArr* src2,

???CvArr*?????? ? dst,

??? const CvArr*mask? = NULL

);

void cvSubS(

??? const CvArr* src,

???CvScalar???? ? value,

???CvArr*?????? ? dst,

??? const CvArr*mask? = NULL

);

void cvSubRS(

??? const CvArr* src,

???CvScalar???? ? value,

???CvArr*??? ???? ??? dst,

??? const CvArr*mask? = NULL

);

cvSub()是一個(gè)簡(jiǎn)單的減法函數(shù)，它對(duì)數(shù)組src2和src1對(duì)應(yīng)的元素進(jìn)行減法運(yùn)算，然后把結(jié)果賦給dst。如果數(shù)組mask非空，那么dst中元素對(duì)應(yīng)位置的mask中的0元素不會(huì)因此而改變。相關(guān)的函數(shù)cvSubS()執(zhí)行相類似的功能，但它會(huì)對(duì)src的每一個(gè)元素減去一個(gè)常量value。函數(shù)cvSubRS()的功能和cvSubS()相似，但不是src的每個(gè)元素減去一個(gè)常量，而是常量減去的src中的每一元素。

CvScalar cvSum(

??? CvArr* arr

);? ?????? ??? ??? ?????? ??? ??? ?????? ??? ??? ?????? 【75】

cvSum()計(jì)算數(shù)組arr各個(gè)通道的所有的像素的總和。注意，函數(shù)的返回類型是CvScalar，這意味著cvSum()提供多通道數(shù)組計(jì)算。在這種情況下，每個(gè)通道的和都會(huì)賦給類型為CvScalar的返回值中相應(yīng)的分量。

void cvSVD(

??? CvArr* A,

??? CvArr* W,

??? CvArr* U????= NULL,

??? CvArr*V???? = NULL,

???int??? flags = 0

);

奇異值分解(SVD)是將一個(gè)m×n的矩陣A按如下公式分解：

A=U·W·V^T

其中，W是一個(gè)對(duì)角矩陣，U和V分別是m×m和n×n的酉矩陣。當(dāng)然，矩陣W也是一個(gè)m×n的矩陣，所以在這里的“對(duì)角線”是指任何行數(shù)和列數(shù)不相等的位置的元素值一定是0。因?yàn)閃必須是對(duì)角矩陣，OpenCV允許它表示為一個(gè)m×n階矩陣或一個(gè)n×1向量(在這種情況下，該向量將只包含對(duì)角線上的“奇異”值)。

對(duì)于函數(shù)cvSVD()來(lái)說(shuō)，U和V是可選參數(shù)，如果它們的值設(shè)置為NULL，則不會(huì)返回它們的內(nèi)容。最后的參數(shù)flags可以是表3-14所示三個(gè)選項(xiàng)中任何一個(gè)或全部(視情況進(jìn)行布爾型或計(jì)算合并)。

表3-14：cvSVD()中flags參數(shù)的取值

void cvSVBkSb(

??? const CvArr* W,

??? const CvArr* U,

??? const CvArr* V,

??? const CvArr* B,

??? CvArr* X,

???int??? flags = 0

);

這個(gè)函數(shù)一般不會(huì)被直接調(diào)用。與剛才所描述的cvSVD()一起，本函數(shù)構(gòu)成了基于SVD的方法cvInvert()和cvSolve()的基礎(chǔ)。也就是說(shuō)，如果你想自己實(shí)現(xiàn)矩陣求逆，可用這兩個(gè)函數(shù)(這可以為你節(jié)省在cvInvert()或cvSolve()中為臨時(shí)矩陣分配的一大堆內(nèi)存空間)。???????????????????????????? ???????????????????????????????????????? ???????????????? 【75】

函數(shù)cvSVBkSb()對(duì)矩陣A進(jìn)行反向替代計(jì)算，A已分解為矩陣U，W和V(即SVD)的結(jié)構(gòu)中描述出來(lái)。矩陣X的結(jié)果可由如下公式計(jì)算得出：

X=V·W^*·U^T·B

矩陣B是可選的，如果設(shè)置為NULL，它將會(huì)被忽略。當(dāng)時(shí)矩陣W*中的對(duì)角線元素定義如下：

ε這個(gè)值是一個(gè)奇異性閾值，一個(gè)非常小的數(shù)值，通常與W的對(duì)角線元素的總和成正比(即)。

CvScalar cvTrace( const CvArr* mat );

矩陣的跡是對(duì)角線元素的總和。在OpenCV中，該功能在函數(shù)cvGetDiag()基礎(chǔ)上實(shí)現(xiàn)，因此輸入的數(shù)組不需要是方陣。同樣支持多通道數(shù)組，但是數(shù)組mat必須是浮點(diǎn)類型。

void cvTranspose(

??? const CvArr* src,

???CvArr*?????? dst

);

cvTranspose()將src中每一個(gè)元素的值復(fù)制到dst中行號(hào)與列號(hào)相調(diào)換的位置上。這個(gè)函數(shù)不支持多通道數(shù)組；然而，如果你用兩通道數(shù)組表示復(fù)數(shù)，那么記住一點(diǎn)：cvTranspose()不執(zhí)行復(fù)共軛(依靠函數(shù)cvXorS()是實(shí)現(xiàn)該功能的一個(gè)快速方法，它可以直接翻轉(zhuǎn)數(shù)組中虛數(shù)部分中的符號(hào)位)。宏cvT()是函數(shù)cvTranspose()的縮寫。

void cvXor(

??? const CvArr* src1,

??? const CvArr* src2,

??? CvArr* dst,

??? const CvArr*mask=NULL

);

void cvXorS(

??? const CvArr* src,

??? CvScalar value,

??? CvArr* dst,

??? const CvArr*mask=NULL

);?????????????????????????????????????????????????????????????????【76】

這兩個(gè)函數(shù)在數(shù)組src1上按位進(jìn)行異或(XOR)運(yùn)算。在函數(shù)cvXor()中，dst的每個(gè)元素是由src1和src2中對(duì)應(yīng)的元素按位進(jìn)行異或運(yùn)算所得到的。在函數(shù)cvXorS()中，是與常量value進(jìn)行按位異或運(yùn)算。再次說(shuō)明，如果參數(shù)mask非空，則只計(jì)算與mask中非0值相對(duì)應(yīng)的dst元素。

計(jì)算支持所有的數(shù)據(jù)類型，但src1和src2在函數(shù)cvXor()中必須是相同的數(shù)據(jù)類型。如果數(shù)組的元素是浮點(diǎn)類型的，那么使用浮點(diǎn)數(shù)的二進(jìn)制表示。

void cvZero( CvArr* arr );

這個(gè)函數(shù)會(huì)將數(shù)組中的所有通道的所有元素的值都設(shè)置為0。

繪圖

我們經(jīng)常需要繪制圖像或者在已有的圖像上方繪制一些圖形。為此，OpenCV提供了一系列的函數(shù)幫助我們繪制直線、方形和圓形等。

cvLine()是繪圖函數(shù)中最簡(jiǎn)單的，只需用Bresenham算法[Bresenham65]畫一條線 ：

void? cvLine(

? CvArr*?? ? array,

? CvPoint? ? pt1,

? CvPoint? ? pt2,

? CvScalar ? color,

?int????? ?? thickness??? = 1,

?int????? ?? connectivity = 8

);

cvLine()函數(shù)中的第一個(gè)屬性是CvArr*。在這里，它一般為一個(gè)圖像類型的指針I(yè)plImage*。隨后兩個(gè)CvPoint是一種簡(jiǎn)單的數(shù)據(jù)結(jié)構(gòu)，它只包括整型變量x和y。我們可以用CvPoint(intx, int?y)函數(shù)快速地構(gòu)造一個(gè)CvPoint類型的變量，這樣可以方便地把兩個(gè)整型變量值賦給CvPoint數(shù)據(jù)結(jié)構(gòu)。

下一個(gè)屬性是CvScalar類型的顏色變量。CvScalar也是一種數(shù)據(jù)結(jié)構(gòu)，定義如下所示：

typdef struct {

? double val[4];

} CvScalar;

可以看出，這種結(jié)構(gòu)只是四個(gè)雙精度浮點(diǎn)型變量的集合。在這里，前三個(gè)分別代表紅，綠，藍(lán)通道；沒(méi)有用到第四個(gè)(它只在適當(dāng)?shù)臅r(shí)候用于alpha通道)。一個(gè)常用的便捷宏指令是CV_RGB(r,g,?b)，該指令采用三個(gè)數(shù)字作為參數(shù)并將其封裝到CvScalar。

接下來(lái)的兩個(gè)屬性是可選的。thickness是線的粗細(xì)(像素)，connectivity被設(shè)為反走樣模式，默認(rèn)值為“8連通”，這種是較為平滑不會(huì)走樣的線型。也可以設(shè)置為“4連通”，這樣的話，斜線會(huì)產(chǎn)生重疊以致看上去過(guò)于粗重，不過(guò)畫起來(lái)速度要快?????????????????????????????得多。

cvRectangle()和cvLine()幾乎同樣便捷。cvRectangle()用于畫矩形。除了沒(méi)有connectivity參數(shù)，它和cvLine()的其他參數(shù)都是一樣的。因?yàn)橛纱水a(chǎn)生的矩形總是平行與X和Y軸。利用cvRectangle()，我們只需給出兩個(gè)對(duì)頂點(diǎn)，OpenCV便于畫出一個(gè)矩形。

void? cvRectangle(

? CvArr*?? ? array,

? CvPoint? ? pt1,

? CvPoint? ? pt2,

? CvScalar ? color,

?int????? ?? thickness = 1

);

畫圓同樣簡(jiǎn)單，其參數(shù)與前相同。

void? cvCircle (

? CvArr*?? ? array,

? CvPoint? ? center,

?int????? ?? radius,

? CvScalar?? color,

?int????? ?? thickness??? = 1,

?int????? ?? connectivity = 8

);

對(duì)圓形和矩陣等很多封閉圖形來(lái)說(shuō)，thickness參數(shù)也可以設(shè)置為CV_FILL，其值是-1；其結(jié)果是使用與邊一樣的顏色填充圓內(nèi)部。

橢圓函數(shù)比cvCircle()略微復(fù)雜一些：

void cvEllipse(

? CvArr*?? ? img,

? CvPoint? ? center,

? CvSize?? ? axes,

? double?? ? angle,

? double?? ?start_angle,

? double?? ?end_angle,

? CvScalar ? color,

?int????? ?? thickness = 1,

?int????? ?? line_type = 8

);?????????????????????????????????????????????????????????????????【79】

這里，主要的新成員是axes屬性，其類型為CvSize。CvSize函數(shù)與CvPoint和CvScalar非常相似；這是一個(gè)僅包含寬度和高度的簡(jiǎn)單結(jié)構(gòu)。同CvPoint和CvScalar一樣，CvSize也有一個(gè)簡(jiǎn)單的構(gòu)造函數(shù)cvSize(int height, intwidth)，在需要的時(shí)候返回一個(gè)CvSize數(shù)據(jù)。在這種情況下，height和width參數(shù)分別代表橢圓的長(zhǎng)短半軸長(zhǎng)。

angle是指偏離主軸的角度，從X軸算起，逆時(shí)針?lè)较驗(yàn)檎?。同?#xff0c;start_angle和end_angle表示弧線開始和結(jié)束位置的角度。因此，一個(gè)完整的橢圓必須分別將這兩個(gè)值分別設(shè)為0°和360°。

使用外接矩形是描述橢圓繪制的另一種方法：

void cvEllipseBox(

? CvArr*?? ? img,

? CvBox2D? ? box,

? CvScalar ? color,

?int????? ?? thickness = 1,

?int????? ?? line_type = 8,

?int????? ?? shift???? =0

);

這里用到OpenCV的另一個(gè)結(jié)構(gòu)CvBox2D：

typdef struct {

? CvPoint2D32f ? center;

? CvSize2D32f? ? size;

?float??????? ??? angle;

} CvBox2D;

CvPoint2D32f是CvPoint的浮點(diǎn)形式，同時(shí)CvSizet2D32f也是CvSize的浮點(diǎn)形式。這些，連同傾斜角度，可以有效地描述橢圓的外接矩形。

最后，我們有一系列繪制多邊形的函數(shù)。

void cvFillPoly(

? CvArr*??? ??? img,

? CvPoint** ?? pts,

? int*????????? npts,

? int?????????? contours,

? CvScalar? ??? color,

? int?????????? line_type = 8

);

void cvFillConvexPoly(

? CvArr*?? ???? img,

? CvPoint* ??? pts,

? int?????????? npts,

? CvScalar ??? color,

? int?????????? line_type = 8

);

void cvPolyLine(

? CvArr*??? ??? img,

? CvPoint** ?? pts,

? int*????????? npts,

? int?????????? contours,

? int?????????? is_closed,

? CvScalar? ??? color,

? int?????????? thickness = 1,

?int?????? ???? line_type = 8

);? ?????? ??? ??? ?????? ??? ??? ?????? ??? ??? ??? 【79～80】

上述三種方法依據(jù)同一思路又略有不同，其主要區(qū)別是如何描述點(diǎn)。

在cvFillPoly()中，點(diǎn)是由CvPoint數(shù)組提供的。它允許cvFillPoly()在一次調(diào)用中繪制多個(gè)多邊形。同樣地，npts是由記數(shù)點(diǎn)構(gòu)成的數(shù)組，與多邊形對(duì)應(yīng)。如果把變量is_closed設(shè)為true，那么下一個(gè)多邊形的第一個(gè)線段就會(huì)從上一多邊形最后一點(diǎn)開始。cvFillPoly()很穩(wěn)定，可以處理自相交多邊形，有孔的多邊形等復(fù)雜問(wèn)題。然而不幸的是，函數(shù)運(yùn)行起來(lái)相對(duì)緩慢。

cvFillConvexPoly()和cvFillPoly()類似。不同的是，它一次只能畫一個(gè)多邊形，而且只能畫凸多邊形。好處是，cvFillConvexPoly()運(yùn)行得更快。

第三個(gè)cvPolyLine()，其參數(shù)與cvFillPoly()相同，但因?yàn)橹恍璁嫵龆噙呅蔚倪?#xff0c;不需處理相交情況。因此，這種函數(shù)運(yùn)行速度遠(yuǎn)遠(yuǎn)超過(guò)cvFillPoly()。

最后一種形式的繪圖是繪制文字。當(dāng)然，文字創(chuàng)建了一套自己的復(fù)雜格式，但是，在這類事情上，OpenCV一如既往地更關(guān)心提供一個(gè)簡(jiǎn)單的“一招解決問(wèn)題”的方案，這個(gè)方案只適用于一些簡(jiǎn)單應(yīng)用，而不適用于一個(gè)穩(wěn)定的和完整的應(yīng)用(這將降低由其他庫(kù)提供的功能)。

OpenCV有一個(gè)主要的函數(shù)，叫cvPutText()。這個(gè)函數(shù)可以在圖像上輸出一些文本。參數(shù)text所指向的文本將打印到圖像上，參數(shù)origin指定文本框左下角位置，參數(shù)color指定文本顏色。

void cvPutText(

?CvArr*??????? ??? img,

? const char*???? text,

?CvPoint?????? ??? origin,

? const CvFont* ? font,

?CvScalar????? ? color

);? ?????? ??? ??? ?????? ??? ??? ?????? ??? ??? ??? 【80～81】

總有一些瑣事使我們的工作比預(yù)期復(fù)雜，此時(shí)是CvFont指針表現(xiàn)的機(jī)會(huì)了。

概括地說(shuō)，獲取CvFont*指針的方式就是調(diào)用函數(shù)cvInitFont()。該函數(shù)采用一組參數(shù)配置一些用于屏幕輸出的基本個(gè)特定字體。如果熟悉其他環(huán)境中的GUI編程，勢(shì)必會(huì)覺(jué)得cvInitFont似曾相識(shí)，但只需更少的參數(shù)。

為了建立一個(gè)可以傳值給cvPutText()的CvFont，首先必須聲明一個(gè)CvFont變量，然后把它傳遞給cvInitFont()。

void cvInitFont(

? CvFont* ?? font,

? int??????? font_face,

? double? ??hscale,

? double? ??vscale,

? double? ?? shear????= 0,

? int??????? thickness = 1,

? int??????? line_type = 8

);

觀察本函數(shù)與其他相似函數(shù)的不同。正如工作在OpenCV環(huán)境下的cvCreateImage()。調(diào)用cvInitFont()時(shí)，初始化一個(gè)已經(jīng)準(zhǔn)備好的CvFont結(jié)構(gòu)(這意味著你創(chuàng)建了一個(gè)變量，并傳給cvInitFont()函數(shù)一個(gè)指向新建的變量指針)，而不是像cvCreateImage()那樣創(chuàng)建一個(gè)結(jié)構(gòu)并返回指針。

font_face參數(shù)列在表3-15中(效果在圖3-6中畫出)，它可與CV_FONT_ITALIC組合(通過(guò)布爾或操作)。

表3-15：可用字體(全部可選變量)

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ? 續(xù)表

【81】

圖3-6：表3-15中的8個(gè)字體，繪制時(shí)設(shè)置hscale= vscale = 1.0，且每行的垂直間距為30像素

hscale和vscale只能設(shè)為1.0或0.5。字體渲染時(shí)選擇全高或半高(寬度同比縮放)，繪制效果與指定字體的基本定義有關(guān)。

參數(shù)shear創(chuàng)建斜體字，如果設(shè)置為0.0 ，字體不傾斜。當(dāng)設(shè)置為1.0 時(shí)，字符傾斜范圍接近45度。

參數(shù)thickness與Line_type的定義與其他繪圖函數(shù)相同。

數(shù)據(jù)存儲(chǔ)

OpenCV提供了一種機(jī)制來(lái)序列化(serialize)和去序列化(de-serialize)其各種數(shù)據(jù)類型，可以從磁盤中按YAML或XML格式讀/寫。在第4章中，我們將專門介紹存儲(chǔ)和調(diào)用常見(jiàn)的對(duì)象IplImages的函數(shù)(cvSaveImage()和cvLoadImage())。此外，第4章將討論讀/寫視頻的特有函數(shù)：可以從文件或者攝影機(jī)中讀取數(shù)據(jù)的函數(shù)cvGrabFrame()以及寫操作函數(shù)cvCreateVideoWriter()和cvWriteFrame()。本小節(jié)將側(cè)重于一般對(duì)象的永久存儲(chǔ)：讀/寫矩陣、OpenCV結(jié)構(gòu)、配置與日志文件。

首先，我們從有效且簡(jiǎn)便的OpenCV矩陣的保存和讀取功能函數(shù)開始。函數(shù)是cvSave()和cvLoad()。例3-15展示了如何保存和讀取一個(gè)5×5的單位矩陣(對(duì)角線上是1，其余地方都是0)。

例3-15：存儲(chǔ)和讀取CvMat

CvMatA = cvMat( 5, 5, CV_32F,the_matrix_data );

cvSave("my_matrix.xml", &A );

.. .

//to load it then in some other program use …

CvMat*A1 = (CvMat*) cvLoad( "my_matrix.xml" );

CxCore參考手冊(cè)中有整節(jié)內(nèi)容都在討論數(shù)據(jù)存儲(chǔ)。首先要知道，在OpenCV中，一般的數(shù)據(jù)存儲(chǔ)要先創(chuàng)建一個(gè)CvFileStorage結(jié)構(gòu)(如例3-16)所示，該結(jié)構(gòu)將內(nèi)存對(duì)象存儲(chǔ)在一個(gè)樹形結(jié)構(gòu)中。然后通過(guò)使用CV_STORAGE_READ參數(shù)的cvOpenFileStorage()從磁盤讀取數(shù)據(jù)，創(chuàng)建填充該結(jié)構(gòu)，也可以通過(guò)使用CV_STORAGE_WRITE的cvOpenFileStorage()創(chuàng)建并打開CvFileStorage寫數(shù)據(jù)，而后使用適當(dāng)?shù)臄?shù)據(jù)存儲(chǔ)函數(shù)來(lái)填充它。在磁盤上，數(shù)據(jù)的存儲(chǔ)格式為XML或者YAML。

例3-16：CvFileStorage結(jié)構(gòu)，數(shù)據(jù)通過(guò)CxCore數(shù)據(jù)存儲(chǔ)函數(shù)訪問(wèn)

typedefstruct CvFileStorage

{

???...????? // hidden fields

}CvFileStorage;

CvFileStorage樹內(nèi)部的數(shù)據(jù)是一個(gè)層次化的數(shù)據(jù)集合，包括標(biāo)量、CxCore對(duì)象(矩陣、序列和圖)以及用戶定義的對(duì)象。

假如有一個(gè)配置文件或日志文件。配置文件告訴我們視頻有多少幀(10)，畫面大小(320×240)并且將應(yīng)用一個(gè)3×3的色彩轉(zhuǎn)換矩陣。例3-17展示了如何從磁盤中調(diào)出cfg.xml文件。

例3-17：往磁盤上寫一個(gè)配置文件cfg.xml

CvFileStorage*fs = cvOpenFileStorage(

?"cfg.xml",

?0,

?CV_STORAGE_WRITE

);

cvWriteInt(fs, "frame_count", 10 );

cvStartWriteStruct(fs, "frame_size", CV_NODE_SEQ );

cvWriteInt(fs, 0, 320 );

cvWriteInt(fs, 0, 200 );

cvEndWriteStruct(fs);

cvWrite(fs, "color_cvt_matrix", cmatrix );

cvReleaseFileStorage(&fs );

請(qǐng)留意這個(gè)例子中的一些關(guān)鍵函數(shù)。我們可以定義一個(gè)整型變量通過(guò)cvWritelnt()向結(jié)構(gòu)中寫數(shù)據(jù)。我們也可以使用cvStartWriteStruct()來(lái)創(chuàng)建任意一個(gè)可以任選一個(gè)名稱(如果無(wú)名稱請(qǐng)輸入0或NULL)的結(jié)構(gòu)。這個(gè)結(jié)構(gòu)有兩個(gè)未命名的整型變量，使用cvEndWriteStruct()結(jié)束編寫結(jié)構(gòu)。如果有更多的結(jié)構(gòu)體，我們用相似的方法來(lái)解決；這種結(jié)構(gòu)可以進(jìn)行任意深度的嵌套。最后，我們使用cvWrite()編寫處色彩轉(zhuǎn)換矩陣。將這個(gè)相對(duì)復(fù)雜的矩陣程序與例3-15中簡(jiǎn)單的cvSave()程序進(jìn)行對(duì)比。便會(huì)發(fā)現(xiàn)cvSave()是cvWrite()在只保存一個(gè)矩陣時(shí)的快捷方式。當(dāng)寫完數(shù)據(jù)后，使用cvReleaseFileStorage()釋放CvFileStorage句柄。例3-18顯示了XML格式的輸出內(nèi)容。

例3-18：磁盤中的cfg.xml文件

<?xmlversion="1.0"?>

<opencv_storage>

<frame_count>10</frame_count>

<frame_size>320200</frame_size>

<color_cvt_matrixtype_id="opencv-matrix">

?<rows>3</rows> <cols>3</cols>

?<dt>f</dt>

?<data>...</data></color_cvt_matrix>

</opencv_storage>

我們將會(huì)在例3-19中將這個(gè)配置文件讀入。

例3-19：磁盤中的cfg.xml文件

CvFileStorage*fs = cvOpenFileStorage(

?"cfg.xml",

?0,

?CV_STORAGE_READ

);

intframe_count = cvReadIntByName(

?fs,

?0,

?"frame_count",

?5 /* default value */

);

CvSeq*s = cvGetFileNodeByName(fs,0,"frame_size")->data.seq;

intframe_width = cvReadInt(

?(CvFileNode*)cvGetSeqElem(s,0)

);

intframe_height = cvReadInt(

?(CvFileNode*)cvGetSeqElem(s,1)

);

CvMat*color_cvt_matrix = (CvMat*) cvReadByName(

?fs,

?0,

?"color_cvt_matrix"

);

cvReleaseFileStorage(&fs );

在閱讀時(shí)，我們像例3-19中那樣用cvOpenFileStorage()打開XML配置文件。然后用cvReadlntByName()來(lái)讀取frame_count，如果有沒(méi)有讀到的數(shù)，則賦一個(gè)默認(rèn)值。在這個(gè)例子中默認(rèn)的值是5。然后使用cvGetFileNodeByName()得到結(jié)構(gòu)體frame_size。在這里我們用cvReadlnt()讀兩個(gè)無(wú)名稱的整型數(shù)據(jù)。隨后使用cvReadByName()讀出我們已經(jīng)定義的色彩轉(zhuǎn)換矩陣。將本例與例3-15中的cvLoad()進(jìn)行對(duì)比。如果我們只有一個(gè)矩陣要讀取，那么可以使用cvLoad()，但是如果矩陣是內(nèi)嵌在一個(gè)較大的結(jié)構(gòu)中，必須使用cvRead()。最后，釋放CvFileStorage結(jié)構(gòu)。

數(shù)據(jù)函數(shù)存儲(chǔ)與CvFileStorage結(jié)構(gòu)相關(guān)的表單列在表3-16中。想了解更多細(xì)節(jié)，請(qǐng)查看CxCore手冊(cè)。

表3-16：數(shù)據(jù)存儲(chǔ)函數(shù)

???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? ???????????? 續(xù)表

集成性能基元

Intel公司有一個(gè)產(chǎn)品叫集成性能基元(IntegratedPerformance Primitives，IPP)庫(kù)。這個(gè)庫(kù)實(shí)際上是一個(gè)有著高性能內(nèi)核的工具箱，它主要用于多媒體處理以及其他計(jì)算密集型應(yīng)用，可發(fā)掘處理器架構(gòu)的計(jì)算能力。(其他廠商的處理器也有類似的架構(gòu)，只不過(guò)規(guī)模較小。)

就像第一章所探討的，無(wú)論從軟件層面還是公司內(nèi)組織層面OpenCV都與IPP有著緊密的聯(lián)系。最終，OpenCV被設(shè)計(jì)成能夠自動(dòng)識(shí)別IPP庫(kù)，自動(dòng)將性能較低的代碼切換為IPP同功能的高性能代碼。IPP庫(kù)允許OpenCV依靠它獲得性能提升，IPP依靠單指令多數(shù)據(jù)(SIMD)指令以及多核架構(gòu)提升性能。

學(xué)會(huì)這些基礎(chǔ)知識(shí)，我們就可以執(zhí)行各種各樣的基本任務(wù)。在本書隨后的內(nèi)容中，我們會(huì)發(fā)現(xiàn)OpenCV具有許多高級(jí)功能，幾乎所有這些功能都可切換到IPP運(yùn)行。圖像處理經(jīng)常需要對(duì)大量數(shù)據(jù)做同樣的重復(fù)操作，許多是可并行處理的。因此如果任何利用并行處理方式(MMX，SSE，SSE2等)的代碼獲得了巨大性能提升，您不必感到驚訝。

用來(lái)檢查IPP庫(kù)是否已經(jīng)正常安裝并且檢驗(yàn)運(yùn)行是否正常的方法是使用函數(shù)cvGetModulelnfo()，如例3-20所示。這個(gè)函數(shù)將檢查當(dāng)前OpenCV的版本和所有附加模塊。

例3-20：使用cvGetModulelnfo()檢查IPP

char*libraries;

char*modules;

cvGetModuleInfo(0, &libraries, &modules );

printf("Libraries:%s/nModules: %s/n", libraries, modules );

例3-20中的代碼將打印出描述已經(jīng)安裝的庫(kù)和模塊的文本。結(jié)果如下所示：

Libraries cxcore: 1.0.0

Modules: ippcv20.dll, ippi20.dll,ipps20.dll, ippvm20.dll

此處輸出的模塊列表就是OpenCV從IPP庫(kù)中調(diào)用的模塊的信息。實(shí)際上這些模塊是更底層的CPU庫(kù)函數(shù)的封裝。它的運(yùn)行原理將遠(yuǎn)遠(yuǎn)超出這本書的范圍，但是如果在modules字符串中看到了IPP庫(kù)，那么你會(huì)感到很自信，因?yàn)樗械墓ぷ鞫荚诎茨A(yù)期的進(jìn)行。當(dāng)然你可以運(yùn)用這個(gè)信息來(lái)確認(rèn)IPP在您的系統(tǒng)中能正常運(yùn)行。你也許會(huì)用它來(lái)檢查IPP是否已經(jīng)安裝，并根據(jù)IPP存在與否來(lái)自動(dòng)調(diào)整代碼。

小結(jié)

本章介紹了我們經(jīng)常遇到的一些基本數(shù)據(jù)結(jié)構(gòu)。具體說(shuō)來(lái)，我們了解了OpenCV矩陣結(jié)構(gòu)和最重要的OpenCV圖像結(jié)構(gòu)IplImage。經(jīng)過(guò)對(duì)兩者的仔細(xì)研究，我們得出一個(gè)結(jié)論：矩陣結(jié)構(gòu)和圖像結(jié)構(gòu)非常相似，如果某函數(shù)可使用CvMat，那也可使用IplImage，反之亦然。

練習(xí)

在下面的練習(xí)中，有些函數(shù)細(xì)節(jié)在本書中未介紹，可能需要參考與OpenCV一起安裝的或者網(wǎng)上OpenCV Wiki中的CxCore手冊(cè)。

1.?????找到并打開…/opencv/cxcore/include/cxtypes.h.通讀并找到可進(jìn)行如下操作的????????????????????函數(shù)。

a.???選取一個(gè)負(fù)的浮點(diǎn)數(shù)，取它的絕對(duì)值，四舍五入后，取它的極值。

b.???產(chǎn)生一些隨機(jī)數(shù)。

c.???創(chuàng)建一個(gè)浮點(diǎn)型CvPoint2D32f，并轉(zhuǎn)換成一個(gè)整數(shù)型CvPoint。

d. ? 將一個(gè)CvPoint轉(zhuǎn)換成一個(gè)CvPoint2D32f。

2.?????下面這個(gè)練習(xí)是幫助掌握矩陣類型。創(chuàng)造一個(gè)三通道二維矩陣，字節(jié)類型，大小為100×100，并設(shè)置所有數(shù)值為0。

a.???在矩陣中使用voidcvCircle(CvArr* img, CvPoint center, intradius, CvScalar color, intthickness=1, int line_type=8, int shift=0)畫一個(gè)圓。

b.???使用第2章所學(xué)的方法來(lái)顯示這幅圖像。

3.?????創(chuàng)建一個(gè)擁有三個(gè)通道的二維字節(jié)類型矩陣，大小為100×100，并將所有值賦為0。通過(guò)函數(shù)cvPtr2D將指針指向中間的通道(“綠色”)。以(20,5)與(40,20)為頂點(diǎn)間畫一個(gè)綠色的長(zhǎng)方形。

4.?????創(chuàng)建一個(gè)大小為100×100的三通道RGB圖像。將它的元素全部置0。使用指針?biāo)惴ㄒ?20，5)與(40，20)為項(xiàng)點(diǎn)繪制一個(gè)綠色平面。

5.?????練習(xí)使用感興趣區(qū)域(ROI)。創(chuàng)建一個(gè)210×210的單通道圖像并將其歸0。在圖像中使用ROI和cvSet()建立一個(gè)增長(zhǎng)如金字塔狀的數(shù)組。也就是：外部邊界為0，下一個(gè)內(nèi)部邊界應(yīng)該為20，再下一個(gè)內(nèi)部邊界為40依此類推，直到最后內(nèi)部值為200；所有的邊界應(yīng)該為10個(gè)像素的寬度。最后顯示這個(gè)???????????圖形。

6.?????為一個(gè)圖像創(chuàng)建多個(gè)圖像頭。讀取一個(gè)大小至少為100×100的圖像。另創(chuàng)建兩個(gè)圖像頭并設(shè)置它們的origion，depth，nChannels和widthStep屬性同之前讀取的圖像一樣。在新的圖像頭中，設(shè)置寬度為20，高度為30。最后，將imageData指針?lè)謩e指向像素(5，10)和(50，60)像素位置。傳遞這兩個(gè)新的圖像頭給cvNot()。最后顯示最初讀取的圖像，在那個(gè)大圖像中應(yīng)該有兩個(gè)矩形，矩形內(nèi)的值是原始值的求反值。

7.?????使用cvCmp()創(chuàng)建一個(gè)掩碼。加載一個(gè)真實(shí)的圖像。使用cvSplit()將圖像分割成紅，綠，藍(lán)三個(gè)單通道圖像。

a.???找到并顯示綠圖。

b.???克隆這個(gè)綠圖兩次(分別命名為clone1和clone2)。

c.???求出這個(gè)綠色平面的最大值和最小值。

d.???將clone1的所有元素賦值為thresh=(unsignedchar)((最大值-最小值)/2.0)。

e.???將clone2所有元素賦值為0，然后調(diào)用函數(shù)cvCmp(green_image, clone1, clone2, CV_CMP_GE)?，F(xiàn)在clone2將是一個(gè)標(biāo)識(shí)綠圖中值超過(guò)thresh的掩碼圖像。

f.???最后，使用cvSubS(green_image,thresh/2,green_image, clone2)函數(shù)并顯示結(jié)果。

8.?????創(chuàng)建一個(gè)結(jié)構(gòu)，結(jié)構(gòu)中包含一個(gè)整數(shù)，一個(gè)CvPoint和一個(gè)CvRect；稱結(jié)構(gòu)為"my_struct"。

a.???寫兩個(gè)函數(shù)：voidwrite_my_struct(CvFileStorage * fs, const char * name, my_struct *ms) 和void read_my_struct (CvFileStorage* fs, CvFileNode* ms_node, my_struct* ms)。用它們讀/寫my_struct。

b.???創(chuàng)建一個(gè)元素為my_struct結(jié)構(gòu)體且長(zhǎng)度為10的數(shù)組，并將數(shù)組寫入磁盤和從磁盤讀入內(nèi)存。

?

http://blog.csdn.net/gubenpeiyuan/article/details/8776542