我的个人博客：谋仁·Blog
微信公众号：谋仁的麻袋
文章目录
- 一些概念
- 颜色空间
- 图像的深度
- 图像通道
- 颜色空间的转换-cvtColor
- 函数cvtColor
- 示例（BGR转换成灰度图）
- 高斯滤波-GaussianBlur
- 函数GaussianBlur
- 示例
- 图像边缘检测-Canny
- 函数Canny
- 示例
- 图像的膨胀和侵蚀-dilate和erode
- 函数dilate/erode
- 补充：函数getStructuringElement
- 示例
为了表示一种特定的颜色，我们通常建立一维、二维、三维甚至四维空间坐标来表示，这种坐标系统所能定义的色彩范围即颜色空间。下面列举常见的颜色空间：
-
RGB模型
RGB模型将颜色编码成（R，G，B）即（Red红，Green绿，Blue蓝）。每个分量范围是[0,255]共256级。因此，RGB模型可以表示256×256×256≈1670万种颜色。
注意：在OpenCV中存储顺序不是RGB，而是BGR。 -
单通道模型
单通道图即灰度图，图片像素颜色由一维的值来表示，分量范围是[0,255]。0是黑色，255是白色，中间是不同程度的灰色。 -
二值模型
二值图像即黑白图像，每个像素的颜色由一维的值来表示，分量范围是[0,1]，0代表黑色，1代表白色。 -
HSV模型
HSV模型由三个参数来表示颜色：色调（H）、饱和度（S）、明度（V）。
色调（H）用角度表示，范围[0°,360°]，红色为0°，从红色开始按逆时针方向计算。（如下图）
饱和度（S）表示颜色接近光谱色的程度，饱和度越高，颜色越深而艳。取值范围[0%,100%]。
明度（V）表示颜色鲜亮的程度，取值范围[0%,100%]，0%为黑色，100%为白色。
-
Lab模型
Lab颜色空间中的L分量用于表示像素的亮度，取值范围是[0,100],表示从纯黑到纯白；a表示从红色到绿色的范围，取值范围是[127,-128]；b表示从黄色到蓝色的范围，取值范围是[127,-128]。图示如下：
图像用于存储像素的值占得比特（bit）位数（就是转换为二进制的位数），就是图像的深度。例如：在二值模型中每个像素点的值是一维的，且取值范围是[0,1]，所以仅用一位比特位就可以满足，图像深度为1；RGB模型中每个像素用R,G,B三个分量表示，每个分量取值范围[0,255]，用8位可以表示，所以像素深度总共为24位。
图像通道为了储存像素数据，每一个像素点用一个或多个分量来存储数据，分量的数量就是图像通道。例如，RGB模式中每个像素点由Red、Dreen、Blue三个分量来表示，每个取值范围都是[0,255]，这个图像通道就是3。灰度图仅用一个取值范围为[0,255]数值来表示，灰度图的图像通道就是1。
颜色空间的转换-cvtColor 函数cvtColorcv::cvtColor()作用是将图像从一个颜色空间转换到另一个颜色空间。并且在转换的过程中能够保证数据的类型不变，即转换后的图像的数据类型和位深与源图像一致。
函数定义：
void cv::cvtColor(
cv::InputArray src, // 输入图像
cv::OutputArray dst, // 输出图像
int code, // 模式转换的映射码
int dstCn = 0 // 输出的通道数 (0='automatic')
);
- src： Mat类，输入待转换的图像
- dst：Mat类，转换后新图像放在这里
- code：转换的代码或标识，即图像转换的格式（模式1→模式2）
OpenCV提供的映射：
- dstCn：（默认是0）目标图像通道数，如果取值为0，则由src和code决定
源代码：
#include#include using namespace cv; #ifdef _DEBUG #pragma comment(lib,"opencv_world453d.lib") #else #pragma comment(lib,"opencv_world453.lib") #endif // _DEBUG int main() { Mat img = imread("D:\My Bags\图片\Test.jpg"); Mat imgGray; cvtColor(img, imgGray, COLOR_BGR2GRAY); imshow("原图", img); imshow("灰度图", imgGray); waitKey(0); return 0; }
运行结果：
函数的定义：
void GaussianBlur( InputArray src, //输入的图像
OutputArray dst, //接收输出的图像
Size ksize,//高斯内核大小
double sigmaX,
double sigmaY = 0,
int borderType = BORDER_DEFAULT);
- src：Mat类，输入待处理的图像
- dst：Mat类，输出与原图大小和类型相同的图像
- ksize：高斯内核的大小，决定了滤波的程度。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数。或者，它们可以是零的，它们都是由sigma计算而来
- sigmaX：高斯核函数在X方向上的标准偏差
- sigmaY：高斯核函数在Y方向上的标准偏差，如果sigmaY是0，则函数会自动将sigmaY的值设置为与sigmaX相同的值，如果sigmaX和sigmaY都是0，这两个值将由ksize.width和ksize.height计算而来
- borderType：推断图像外部像素的某种便捷模式，有默认值BORDER_DEFAULT，如果没有特殊需要不用更改
源代码：
#include#include using namespace cv; #ifdef _DEBUG #pragma comment(lib,"opencv_world453d.lib") #else #pragma comment(lib,"opencv_world453.lib") #endif // _DEBUG int main() { Mat img = imread("D:\My Bags\图片\Test.jpg"); Mat imgGaus; GaussianBlur(img, imgGaus, Size(7, 7), 7); imshow("原图", img); imshow("高斯滤波图", imgGaus); waitKey(0); return 0; }
运行结果：
函数定义
重载1：
void Canny( InputArray image,//输入图像
OutputArray edges,//输出图像
double threshold1, //阈值1
double threshold2,//阈值2
int apertureSize = 3, //Sober算子大小
bool L2gradient = false //是否采用更精确的方式计算图像梯度
);
两个阈值参数：
- 低于阈值1的像素点会被认为不是边缘；
- 高于阈值2的像素点会被认为是边缘；
- 在阈值1和阈值2之间的像素点,若与第2步得到的边缘像素点相邻，则被认为是边缘，否则被认为不是边缘
- 建议上限是下限的2或3倍
apertureSize参数：
- 为Sobel()运算提供内核大小，默认值为3
重载2：
void Canny( InputArray dx,
InputArray dy,
OutputArray edges,//输出图像
double threshold1, //下阈值
double threshold2,//上阈值
bool L2gradient = false
);
- InputArray dx：输入图像在x方向的导数
- InputArray dy：输入图像在y方向的导数
源代码
#include#include using namespace cv; #ifdef _DEBUG #pragma comment(lib,"opencv_world453d.lib") #else #pragma comment(lib,"opencv_world453.lib") #endif // _DEBUG int main() { Mat img = imread("D:\My Bags\图片\Test.jpg"); Mat imgGaus,imgEdge; GaussianBlur(img, imgGaus, Size(3, 3), 3);//高斯滤波降噪 Canny(imgGaus, imgEdge, 100, 300);//边缘检测 imshow("原图", img); imshow("边缘图", imgEdge); waitKey(0); return 0; }
运行结果：
dilate函数的定义
void dilate( InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor = Point(-1,-1),
int iterations = 1,
int borderType = BORDER_CONSTANT,
const Scalar& borderValue = morphologyDefaultBorderValue()
);
erode函数的定义
void erode( InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor = Point(-1,-1),
int iterations = 1,
int borderType = BORDER_CONSTANT,
const Scalar& borderValue = morphologyDefaultBorderValue()
);
两个函数参数完全一样，参数解释：
- src：Mat类，输入的原图
- dst：Mat类，用于存放处理后的图像
- kernel：用于膨胀/侵蚀操作的结构元素，当为NULL时,那么默认使用一个3 x 3 的方形结构元素，可以使用getStructuringElement()（下文有详细介绍）来创建结构元素
- anchor：结构元素的锚点位置，默认值value(-1,-1)表示锚点位于结构元素中心
- iterations：进行膨胀/侵蚀操作迭代执行的次数，默认是1
- borderType：用于推断图像外部像素的某种推断模式。默认值BORDER_CONSTANT
- Scalar& borderValue：边缘值，默认值morphologyDefaultBorderValue()。一般不用改动
函数的定义：
Mat getStructuringElement(int shape, Size ksize, Point anchor = Point(-1,-1) );
作用：返回（Mat类型）指定形状和尺寸的结构元素
参数解释：
- shape：结构元素的形状
矩形：MORPH_RECT;
交叉形：MORPH_CROSS;
椭圆形：MORPH_ELLIPSE; - ksize：结构元素的尺寸，同GaussianBlur函数的ksize
- anchor：锚点的位置，默认值Point（-1,-1），表示锚点位于中心点
源代码：
#include#include using namespace cv; #ifdef _DEBUG #pragma comment(lib,"opencv_world453d.lib") #else #pragma comment(lib,"opencv_world453.lib") #endif // _DEBUG int main() { Mat imgDilate, imgErode; Mat img = imread("D:\My Bags\图片\Test.jpg"); Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));//新建一个结构元素 dilate(img, imgDilate, kernel);//膨胀操作 erode(img, imgErode, kernel);//侵蚀操作 imshow("原图", img); imshow("膨胀图", imgDilate); imshow("侵蚀图", imgErode); waitKey(0); return 0; }
运行结果：
