摘要：在OpenCV中，也可以对三通道的图像，比如BGR，HSV等计算直方图。方法和计算单通道图像直方图相似，下面的代码描述了如何计算一个BGR三通道图像的直方图，需要注意的是，因为是三通道，每个通道取值都是[0,255]，所以bin的数目达到了256*256*256，这时如果使用普通三维矩阵输出直方图结果，需要很大的空间，所以我们通常使用稀疏矩阵来保存输出结果。因为稀疏矩阵只保存非零值，这样可以节省存储空间。int main( int argc, char** argv ) { Mat src, dst; /// 打开图像 src = imread( "../lenn... 阅读全文

摘要：直方图是对数据的统计，并将统计结果分布于一系列预定义的槽中。这里的数据不仅仅指的是灰度值，它可以是任何能有效描述图像特征的数据，比如图像梯度等等。 假设有一个矩阵包含一张图像的信息 (灰度值 0-255)，我们已经知道灰度值范围是0-255，假设有16个槽(bin)，则有下面的划分：我们可以统计落入每个槽中像素的数目，并用直方图的形式显示出来。让我们再来了解一下直方图的一些具体细节:dims: 需要统计的特征的数目， 在上例中， dims = 1 因为我们仅仅统计了灰度值(灰度图像)。 bins: 每个特征空间 子区段 的数目，在上例中, bins = 16range: 每个特征空间的取值范. 阅读全文

摘要：原帖地址：http://www.opencvchina.com/thread-749-1-1.html k-means是一种聚类算法，这种算法是依赖于点的邻域来决定哪些点应该分在一个组中。当一堆点都靠的比较近，那这堆点应该是分到同一组。使用k-means，可以找到每一组的中心点。当然，聚类算法并不局限于2维的点，也可以对高维的空间（3维，4维，等等）的点进行聚类，任意高维... 阅读全文

摘要：本章我们用kmeans算法实现一个简单图像的分割。如下面的图像，我们知道图像分3个簇，背景、白色的任务，红色的丝带以及帽子。 Mat img = cv::imread("../kmeans.jpg"); namedWindow("image"); imshow("image", img); 首先我们会生成采样点，采样... 阅读全文

摘要：kmeans算法的原理参考：http://www.cnblogs.com/mikewolf2002/p/3368118.html 下面学习一下opencv中kmeans函数的使用。 首先我们通过OpenCV中的随机数产生器RNG，生成一些均匀分布的随机点，这些点的位置对应一副图像中的像素位置，然后使用kmeans算法对这些随机点进行分类，并计算出分类簇的中心点。 ... 阅读全文

摘要：原帖地址：http://blog.csdn.net/qll125596718/article/details/8243404 1.基本Kmeans算法[1] 选择K个点作为初始质心 repeat 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 until 簇不发生变化或达到最大迭代次数 时间复杂度：O(tKmn)... 阅读全文

摘要：grab cut算法是graph cut算法的改进。在理解grab cut算之前，应该学习一下graph cut算法的概念及实现方式。 我搜集了一些graph cut资料：http://yunpan.cn/QGDVdBXwkXutH grab cut算法详细描述见资料中的pdf文件：“GrabCut” — Interactive Foreground Extraction... 阅读全文

摘要：在OpenCV中，实现了grabcut分割算法，该算法可以方便的分割出前景图像，操作简单，而且分割的效果很好。算法的原理参见papaer：“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts 比如下面的一副图，我们只要选定一个四边形框，把框中的图像作为grabcut的一个输入参数，表示该框中... 阅读全文

摘要：最后再来看一种通过形态学腐蚀和开操作得到骨架的方法。http://felix.abecassis.me/2011/09/opencv-morphological-skeleton/ 代码非常简单： void gThin::cvmorphThin(cv::Mat& src, cv::Mat& dst) { if(src.type()!=CV_8UC1) ... 阅读全文

摘要：本章我们在学习一下基于索引表的细化算法。 假设要处理的图像为二值图，前景值为1，背景值为0。 索引表细化算法使用下面的8邻域表示法： 一个像素的8邻域，我们可以用8位二进制表示，比如下面的8邻域，表示为00111000=0x38=56 我们可以枚举出各种情况下，当前像素能否删除的表，该表大小为256。它的索引即为8邻域表示的值，表中存的值为0或1，0表示当前像素不能删除，1表示... 阅读全文

摘要：本章我们看下Pavlidis细化算法，参考资料http://www.imageprocessingplace.com/downloads_V3/root_downloads/tutorials/contour_tracing_Abeer_George_Ghuneim/theo.html Computer VisiAlgorithms in Image Algebra，second edition... 阅读全文

摘要：本章我们学习Rosenfeld细化算法，参考资料：http://yunpan.cn/QGRjHbkLBzCrn 在开始学习算法之前，我们先看下连通分量，以及4连通性，8连通性的概念： http://www.imageprocessingplace.com/downloads_V3/root_downloads/tutorials/contour_tracing_Abeer_George_Ghu... 阅读全文

摘要：本章我们学习一下Hilditch算法的基本原理，从网上找资料的时候，竟然发现两个有很大差别的算法描述，而且都叫Hilditch算法。不知道那一个才是正宗的，两个算法实现的效果接近，第一种算法更好一些。 第一种算法描述参考paper和代码： Linear Skeletons from Square Cupboards Speedup Method for Real-Time Thi... 阅读全文

摘要：前面一篇教程中，我们实现了Zhang的快速并行细化算法，从算法原理上，我们可以知道，算法是基于像素8邻域的形状来决定是否删除当前像素。还有很多与此算法相似的细化算法，只是判断的条件不一样。在综述文章， Thinning Methodologies-A Comprehensive Survey中描述了各种细化算法的实现原理，有兴趣可以阅读一下。 下面看看图像细化的定义以... 阅读全文

摘要：程序编码参考经典的细化或者骨架算法文章： T. Y. Zhang and C. Y. Suen, “A fast parallel algorithm for thinning digital patterns,” Comm. ACM, vol. 27, no. 3, pp. 236-239, 1984. 它的原理也很简单： 我们对一副二值图像进行骨架提取，就是删除不需要的轮廓点... 阅读全文

摘要：通过使用不同的结构元素来进行膨胀腐蚀操作，可以检测图像中的角点，下面就一步一步看这个算法如果实现角点检测。 原图像： 首先我们创建四个结构元素 先用十字结构元素对原图像进行膨胀操作，得到下面的图像 再对这个图像用钻石型结构元素进行腐蚀操作，得到图像1，如下图所示： 接着，我们对原图像用X型结构元素进行膨胀操作，得到： 我们再用方形结构元素对上面图像进行腐蚀操作，... 阅读全文

摘要：先对一副灰度图像进行腐蚀操作，然后在腐蚀后的图像上再进行膨胀操作，我们定义这个操作为开操作。 先对一副图像进行膨胀操作，然后在膨胀后的图像上再进行腐蚀操作，我们定义这个操作为闭操作。 开操作可以去掉场景中一些孤立的点，而闭操作通常可以填充前景中一些小洞，通常通过这两种操作，使得图像看起来更圆润光滑一点。 在opencv中，我们通过函数 cv::morphologyEx(Imag... 阅读全文

摘要：建议大家看看网络视频教程：http://www.opencvchina.com/thread-886-1-1.html 腐蚀与膨胀都是针对灰度图的形态学操作，比如下面的一副16*16的灰度图。 它每个像素对应的值为(每个像素值范围都在0-255之间)为： 我们定义一个5*5的结构元素，该结构元素用5*5的矩阵表示，其中为1的单元，表示该单元在结构元素中有效，另外还... 阅读全文

摘要：有时候为了便于调试算法，我们需要从文本文件或二进制文件中读取数据，并把数据放到相应的矩阵中去。我们通常可以通过下面的函数实现。 1、从二进制文件中读取数据。 新建一个txt文件 input.txt，在vs2010中，右键点击该文件，选择open with，然后选择Binary Editor，就可以用二进制的方式打开文件了。 编辑文件并保存之后，我们可以... 阅读全文

摘要：本章我们学习一下Mat中的常用操作，因为在后面其它的教程中，我们经常要对图像进行各种处理，也要使用这些操作。 一、 Mat的复制，就是从一个矩阵A，生成相关的另一个矩阵B。 (1)使用赋值的方法，比如通过构造函数生成矩阵N，通过复制生成矩阵P cv::Mat N(M); cv::Mat P; P=M; 这样生成的矩阵，只是新生成... 阅读全文