opencv图像处理案例，基于opencv算法设计数字图像处理

1，基于opencv算法设计数字图像处理

就是通过一些算子。灰度，二值化，直方图均衡，边缘提取，特征值提取，模式识别等。采用小波算法也行的。

基于opencv算法设计数字图像处理

2，图片处理opencv10图像锐化与边缘检测

Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。 Prewitt是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。由于Prewitt算子采用3 3模板对区域内的像素值进行计算，而Robert算子的模板为2 2，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像。 dst = filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) RSobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。该算子用于计算图像明暗程度近似值，根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。Sobel算子的边缘定位更准确，常用于噪声较多、灰度渐变的图像。 Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。 dst = Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) 在进行Sobel算子处理之后，还需要调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图进行显示 dst = convertScaleAbs(src[, dst[, alpha[, beta]]]) 拉普拉斯（Laplacian）算子是n维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。它通过灰度差分计算邻域内的像素，基本流程是：判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作。在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系，最后通过梯度运算的结果对像素灰度进行调整。 Laplacian算子分为四邻域和八邻域，四邻域是对邻域中心像素的四方向求梯度，八邻域是对八方向求梯度。当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。 dst = Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) 由于Sobel算子在计算相对较小的核的时候，其近似计算导数的精度比较低，比如一个33的Sobel算子，当梯度角度接近水平或垂直方向时，其不精确性就越发明显。Scharr算子同Sobel算子的速度一样快，但是准确率更高，尤其是计算较小核的情景，所以利用3*3滤波器实现图像边缘提取更推荐使用Scharr算子 Scharr算子又称为Scharr滤波器，也是计算x或y方向上的图像差分，在OpenCV中主要是配合Sobel算子的运算而存在的。Scharr算子的函数原型如下所示，和Sobel算子几乎一致，只是没有ksize参数. dst = Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]]) Canny边缘检测算子(多级边缘检测算法)是一种被广泛应用于边缘检测的标准算法，其目标是找到一个最优的边缘检测解或找寻一幅图像中灰度强度变化最强的位置。最优边缘检测主要通过低错误率、高定位性和最小响应三个标准进行评价。 Canny算子的实现步骤如下： edges = Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) LOG（Laplacian of Gaussian）边缘检测算子也称为Marr&Hildreth算子，它根据图像的信噪比来求检测边缘的最优滤波器。该算法首先对图像做高斯滤波，然后再求其拉普拉斯（Laplacian）二阶导数，根据二阶导数的过零点来检测图像的边界，即通过检测滤波结果的零交叉（Zero crossings）来获得图像或物体的边缘。 LOG算子该综合考虑了对噪声的抑制和对边缘的检测两个方面，并且把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测，所以效果会更好。该算子与视觉生理中的数学模型相似，因此在图像处理领域中得到了广泛的应用。它具有抗干扰能力强，边界定位精度高，边缘连续性好，能有效提取对比度弱的边界等特点。

图片处理opencv10图像锐化与边缘检测

3，opencv图像处理编程实例怎么样

加载图像的函数cvloadimage( filename, -1 ); 默认读取图像的原通道数iplimage* img = cvloadimage( "c:\\1.bmp", -1 ); if(img->nchannels == 1) printf("是灰度图像\n");

最重要的就是理论和实践并重。尽量对一些基础的图像处理操作，都自己用程序写一遍，跑一遍。尽量多试错。刚开始的时候犯错并改正就是最好的学习方式。有一些资料推荐你可以看看，首推毛星云的CSDN博客系列和他的书《opencv3编程入门》。如果英文比较好的话，官方教程也非常好。在国内改有很多opencv方面的教程和博客，多用搜索工具。最后说一句，还是要多动手去写程序。

opencv图像处理编程实例怎么样

4，opencv如何将一个一副彩色图像分解成三个单通道图像再组合成

用cvSplit函数

split可以分解Mat类型图像，merge可以合并单通道图像为三通道图像#include "stdafx.h"#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/highgui/highgui.hpp"#include#includeusing namespace cv;int main( int argc, char** argv ) Mat src, srcOfMerge; vector mv; /// Read image ( same size, same type ) src = imread("d:\\images\\WindowsLogo.jpg"); if( !src.data ) split(src,mv); /// Create Windows namedWindow("RGB", 1); namedWindow("R", 1); namedWindow("R", 1); namedWindow("R", 1); namedWindow("srcOfMerge", 1); imshow( "RGB", src); imshow("R",mv[0]); imshow("G",mv[1]); imshow("B",mv[2]); merge(mv,srcOfMerge); imshow("srcOfMerge",srcOfMerge); waitKey(0); return 0;}