OpenCV简介

OpenCV简介

OpenCV（开源计算机视觉库：http://opencv.org）是一个开源库，包含数百种计算机视觉算法。OpenCV 具有模块化结构，主要包括下列模块：

• 核心功能（core） - 定义基本数据结构的紧凑模块，包括密集多维数组 Mat 和所有其他模块使用的基本函数。
• 图像处理( imgproc) - 图像处理模块，包括线性和非线性图像过滤、几何图像变换（调整大小、仿射和透视变形、基于通用表的重新映射）、颜色空间转换、直方图等。
• 视频分析( video ) - 视频分析模块，包括运动估计、背景扣除和对象跟踪算法。
• 相机校准和 3D 重建( calib3d ) -基本多视图几何算法、单立体相机校准、物体姿态估计、立体对应算法和 3D 重建元素。
• 2D 特征框架( features2d ) -显着特征检测器、描述符和描述符匹配器。
• 对象检测( objdetect ) -检测预定义类的对象和实例（例如，面部、眼睛、杯子、人、汽车等）。
• 高级 GUI ( highgui ) - 一个易于使用的界面，具有简单的UI 功能。
• 视频 I/O ( videoio ) - 一个易于使用的视频捕获和视频编解码器接口。
• ...一些其他帮助模块，例如 FLANN 和 Google 测试包装器、Python 绑定等。

当前的 OpenCV 实现是完全可重新输入的。也就是说，不同类实例的相同函数或相同方法可以从不同线程调用。此外，相同的 Mat 可以在不同的线程中使用，因为引用计数操作使用特定于体系结构的原子指令

API概念

命名空间

opencv 的所有类和函数都存放在 cv 命名空间中。因此，要引用 opencv 的代码，需要增加作用域运算符 cv::，在项目开发中，建议不用使用 using namespace cv 定义作用域范围，可能会引起某些的冲突。jpg是一个有损压缩算法，在平时使用时尽量避免使用。

自动内存管理

OpenCV的内存管理机制类似 Shared_ptr, Mat 对象只有当引用计数为 0，其内存空间才会真正得销毁，当一个 Mat 实例被拷贝时，内存并不会真正的发生复制行为，而是将改对象的引用计数增加 1， 可以使用 cv::Mat::clone 进行实际 "全复制"。

// create a big 8Mb matrix
Mat A(1000, 1000, CV_64F);
// create another header for the same matrix;
// this is an instant operation, regardless of the matrix size.
Mat B = A;
// create another header for the 3-rd row of A; no data is copied either
Mat C = B.row(3);
// now create a separate copy of the matrix
Mat D = B.clone();
// copy the 5-th row of B to C, that is, copy the 5-th row of A
// to the 3-rd row of A.
B.row(5).copyTo(C);
// now let A and D share the data; after that the modified version
// of A is still referenced by B and C.
A = D;
// now make B an empty matrix (which references no memory buffers),
// but the modified version of A will still be referenced by C,
// despite that C is just a single row of the original A
B.release();
// finally, make a full copy of C. As a result, the big modified
// matrix will be deallocated, since it is not referenced by anyone
C = C.clone();

对于用户自定义的数据类型，opencv 提供了 cv:Ptr 进行管理，其机制和刚刚的描述一致。

# 普通指针定义
T* ptr = new T(....);
 
# opencv 提供的管理方式
cv::Ptr prt(new T(...));
cv::Ptr ptr = cv::makePtr<T>(...);

Ptr封装了一个 T 实例的指针和该指针引用计数器，更多的细节在 cv::Ptr 。

对输出数据自动分配内存

opencv可以为输出数据类型自动 分配 和 重分配 内存，其 size 和 type 取决于输入数据的 size 和 type。同时，可为输出数据指定额外的参数。

#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"
using namespace cv;
int main(int, char**)
{
 VideoCapture cap(0);
 if(!cap.isOpened()) return -1;
 Mat frame, edges;
 namedWindow("edges", WINDOW_AUTOSIZE);
 for(;;)
 {
 cap >> frame;
 cvtColor(frame, edges, COLOR_BGR2GRAY);
 GaussianBlur(edges, edges, Size(7,7), 1.5, 1.5);
 Canny(edges, edges, 0, 30, 3);
 imshow("edges", edges);
 if(waitKey(30) >= 0) break;
 }
 return 0;
}

上面的代码通过输出重定向符 >> 自动为 frame 实例分配内存，因为视频的视频的帧分辨率和位深已通过 video capturing module处理并获知。 edges 的内存被函数 cvtColor 函数自动分配，它和输入具有相同的 size 和 bit-depth。通道数经过 cv::COLOR_BGR2GRAY处理并设为1（彩色图变为灰度图）。frame 和 edges 在第一次执行时分配内存并具有相同的帧分辨率，当分辨率改变时，frame 和 edges 的内存会被自动的重新分配。

该技术的关键组件是 cv::Mat::create 方法。如果数组已经具有指定的大小和类型，则该方法不执行任何操作。否则，它释放先前分配的数据（如果有）（这部分涉及递减引用计数器并将其与零进行比较，释放掉无用的内存），然后分配所需大小的新缓冲区。

某些例如的函数需要注意，例如 cv::mixChannels, cv::RNG::fill等，他们不能分配输出数据，我们不得不手动执行。

饱和度算法

这一节主要想介绍OpenCV的存储方式，以及可能产生的错误。因为opencv对像素的存储是以紧凑的、每通道 8 位或 16 位的形式进行编码，值的范围非常有限，对图像的某些处理（如色彩空间转换、亮度/对比度调整、锐化、复杂插值（双三次、Lanczos））很可能产生超出可用范围的值，这样就会产生图像伪影。为了解决这个问题，需要使用饱和度算法。例如，存储变量或计算结果（r）到一个8位图像时，使用下列公式，找到在0-255范围内最接近的值：
f ( x , y ) = m i n ( m a x ( r o u n d ( r ) , 0 ) , 255 ) f(x,y) = min(max(round(r), 0), 255) f(x,y)=min(max(round(r),0),255)

这个函数在opencv的库中已经做了实现：

I.at<uchar>(y,x)=saturate_cast<uchar>(r);

其中，cv::uchar 代表8位无符号整形

右图出现了视觉伪影

OpenCV的模板使用受限

模板如果广泛使用会增加编译时间和代码大小，单独使用模板也很难将接口和实现分开。对于opencv视觉库来说，如果使用模板可能某个算法会跨越上千行代码。OpenCV实现了基于多态性和模板上的运行时调度，以简化和其他语言的绑定开发。OpenCV在运行时调度太慢的地方（像素访问运算符），在某些不使用模板不能实现（cv:Ptr<>）、或不易于实现的地方（cv::saturate_cast<>）引入了模板类、方法、和函数。

opencv可以操作的数据类型有限。也就是说，数组元素应该具有以下类型之一：

• 8 位无符号整数 (uchar)
• 8 位有符号整数 (schar)
• 16 位无符号整数 (ushort)
• 16 位有符号整数（短）
• 32 位有符号整数 (int)
• 32位浮点数（float）
• 64 位浮点数（双精度）
• 由多个元素组成的元组，其中所有元素都具有相同的类型（上述类型之一）。其元素为此类元组的数组称为多通道数组，与元素为标量值的单通道数组相反。最大可能的通道数由CV_CN_MAX常量定义，当前设置为 512。

可以使用以下选项指定多通道（n 通道）类型：

• CV_8UC1 ... CV_64FC4常量（通道数1-4）
• CV_8UC(n) ... CV_64FC(n) or CV_MAKETYPE(CV_8U, n) ... CV_MAKETYPE(CV_64F, n) 通道数大于4或未知时的语法

Note：

CV_32FC1 == CV_32F, CV_32FC2 == CV_32FC(2) == CV_MAKETYPE(CV_32F, 2), 和CV_MAKETYPE(depth, n) == ((depth&7) + ((n-1)<<3). 这意味着常量类型由深度（取最低 3 位）和通道数减 1（取接下来的log2(CV_CN_MAX)位）构成。

# 3x3的浮点数单通道矩阵
Mat mat(3,3,CV_32F)
 
# 10x1的浮点数双通道矩阵
Mat cmatx(10,1,CV_64FC2)
 
# 3通道图像
Mat img(Size(1920, 1080), CV_8UC3)
 
#单通道图像，和img的大小、通道数据类型相同
Mat grayscale(img.size(), CV_MAKETYPE(img.depth(), 1));

输入输出数组

在某些情况下，使用std::vector<>（例如，对于点集）或cv::Matx<>（对于 3x3 单应性矩阵等）更方便。为了避免 API 中出现许多重复，引入了特殊的"代理"类。基本"代理"类是cv::InputArray。它用于在函数输入上传递只读数组。派生自InputArray类cv::OutputArray用于指定函数的输出数组。通常，您不应该关心那些中间类型（并且您不应该显式声明这些类型的变量），它都会自动工作。您可以假设您始终可以使用cv::Mat、std::vector<>、cv::Matx<>或来代替 InputArray cv::Vec<>/ OutputArray cv::Scalar。当函数具有可选的输入或输出数组，而您没有或不需要时，请传递cv::noArray()。

InputArray可以接受以下类型的输入数据：

1. cv::Mat：用于表示图像或矩阵数据。
2. std::vector：用于表示标准C++ STL容器的数据，如std::vectorcv::Point，std::vectorcv::Vec3f等。
3. 数组：可以接受指向数据的指针和数据的大小。
4. cv::InputArrayOfArrays：用于表示多个InputArray的数组，用于处理多通道数据或多个数据块。
5. cv::cuda::GpuMat：用于表示GPU上的图像或矩阵数据（仅适用于使用OpenCV的CUDA模块）。

void processImage(cv::InputArray input) {
    cv::Mat image = input.getMat(); // 获取输入图像的Mat对象
    // 进行图像处理操作
}

在调用processImage函数时，可以传递图像、矩阵或其他支持的数据类型作为参数，OpenCV会自动处理它们，并将其转换为相应的cv::Mat对象，方便你进行图像处理操作。使用InputArray可以使函数接受更加灵活的输入数据类型，增加代码的可重用性和可扩展性。

错误处理

OpenCV 使用异常来表示严重错误。当输入数据具有正确的格式并且属于指定的值范围，但由于某种原因算法无法成功（例如优化算法没有收敛）时，它返回一个特殊的错误代码（通常只是一个布尔变量）。OpenCV 使用异常来表示严重错误。当输入数据具有正确的格式并且属于指定的值范围，但由于某种原因算法无法成功（例如优化算法没有收敛）时，它返回一个特殊的错误代码（通常只是一个布尔变量）。

通常使用CV_Error(errcode, description)宏或其类似 printf 的CV_Error_(errcode, (printf-spec, printf-args))变体或使用CV_Assert(condition)宏来抛出异常，该宏检查条件并在不满足时抛出异常。对于性能关键型代码，CV_DbgAssert(condition)仅保留在调试配置中。由于自动内存管理，如果突然发生错误，所有中间缓冲区都会自动释放。如果需要，您只需要添加一条 try 语句来捕获异常：

try
{
 ... // call OpenCV
}
catch (const cv::Exception& e)
{
 const char* err_msg = e.what();
 std::cout << "exception caught: " << err_msg << std::endl;
}