1.圖像的腐蝕和膨脹

前提：輸入的是二值圖像
腐蝕：用該像素周圍像素集合中最小像素替換當(dāng)前像素；
膨脹：用該像素周圍像素集合中最大像素替換當(dāng)前像素遭居；
//讀取圖像
cv::Mat image=imread("binary.bmp");
//腐蝕圖像

cv::erode(image,eroded,cv::Mat());```
//顯示腐蝕后的圖像
```cv:namedWindow("Eroded image");
cv::imshow("Eroded Image",eroded);```
//膨脹圖像
```cv::Mat dilated;//目標(biāo)圖像
cv::dilate(image,dilated,cv::Mat());//cv::Mat()表示使用3*3的方形結(jié)構(gòu)像素```
//顯示膨脹后的圖像
```cv:namedWindow("Dilated image");
cv::imshow("Dilated Image",dilated);```
#2.開閉計算
***閉運算：對圖像先膨脹再腐蝕约郁；***
```cv:Mat element5(5,5,CV_8U,cv::Scalar(1));
cv::Mat closed;
cv::morphologyEx(image,closed,cv::MORPH_CLOSE,element5);```
***開運算：對圖像先腐蝕再膨脹蜡饵；***
```cv::Mat opened;
cv::morphologyEx(image,opened,cv::MORPH_OPEN,element5);```
如果想先處理噪點烂瘫，可以先進(jìn)行開運算精盅，再進(jìn)行閉運算帽哑；
#3.使用形態(tài)學(xué)濾波對圖像進(jìn)行邊緣及角點檢測
***下面是如何進(jìn)行直線檢測：***

class MorphoFeatures{
private:
int threshold;//用于生成二值圖像的閾值
cv::Mat cross;//角點檢測中用到的結(jié)構(gòu)元素//十字形
cv::Mat diamond;//菱形
cv::Mat x;//x型
cv::Mat square;//方形
public:
cv::Mat getEdges(const cv::Mat &image);
void applyThreshold(cv::Mat& result);
}
cv::Mat getEdges(const cv::Mat &image){
//得到梯度圖
cv::Mat result;
cv::morphologyEx(image,result,cv::MORPH_GRADIENT,cv::Mat());
//閾值化以得到二值圖像
applyThreshold(result);
return result;
}
void applyThreshold(cv::Mat& result){
//使用閾值化
if(threshold>0)
cv::threshold(result,result,threshold,255,cv::THRESH_BINARY);
}
int main(){
//創(chuàng)建形態(tài)學(xué)實例對象
MorphoFeatures morpho;
morpho.setThreshold(40);
//獲取邊緣
cv::Mat edges;
edges=morpho.getEdges(image);
}
下面是角點檢測(opencv 沒有直接實現(xiàn)它，事實上需要四種結(jié)構(gòu)元素：方形叹俏，菱形妻枕，十字形，X形)：
//構(gòu)造函數(shù)
MorphoFeatures():threshold(-1)粘驰，cross(5,5,CV_8U,cv::Scalar(0)),diamond(5,5,CV_8U,cv::Scalar(1)),square(5,5,CV_8U,cv::Scalar(1)),x(5,5,CV_8U,cv::Scalar(0)){
//創(chuàng)建十字形元素
for(int i=0;i<5;i++){
cross.at<unchar>(2,i)=1;
cross.at<unchar>(i,2)=1;
}
//創(chuàng)建菱形元素
diamond.at<unchar>(0,0)=0;
diamond.at<unchar>(0,1)=0;
diamond.at<unchar>(1,0)=0;
diamond.at<unchar>(4,4)=0;
diamond.at<unchar>(4,3)=0;
diamond.at<unchar>(3,4)=0;
diamond.at<unchar>(0,4)=0;
diamond.at<unchar>(0,3)=0;
diamond.at<unchar>(1,4)=0;
diamond.at<unchar>(4,0)=0;
diamond.at<unchar>(3,0)=0;
diamond.at<unchar>(4,1)=0;
//創(chuàng)建X形
for(i=0;i<5;i++){
x.at<unchar>(i,i)=1;
x.at<unchar>(4-i,i)=1;
}
}
cv::Mat getCorners(const cv::Mat &image){
cv::Mat result;
cv::dilate(image,result,cross);//十字形膨脹
cv::erode(result,result,diamond);//菱形腐蝕
cv::Mat result2;
cv::dilate(image,result2,x)//x形膨脹
cv::erode(result2,result2,square);//方形腐蝕
** cv::absdiff(result2,result,result);//通過對兩張圖像做差值得到角點圖像**
applyThreshold(result);//閾值化以得到二值圖
return result屡谐；
}
為了更好地可視化，在二值化圖像上每個檢測點繪制一個圓：
void drawOnImge(const cv::Mat& binary,cv::Mat& image){
cv::Mat_<unchar>::const_iterator it=binary.begin<unchar>();
cv::Mat_<unchar>::const_iterator itend=binary.end<unchar>();
//遍歷每個元素
for(int i=0;i<itend;it++){
if(!*it)
cv::circle(image,cv::Point(i%image.step,i/image.step),5,cv::Scalar(255,0,0));
}
}

#4.使用分水嶺算法對圖像進(jìn)行分割
分水嶺分割方法蝌数，是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法愕掏，其基本思想是把圖像看作是測地學(xué)上的拓?fù)涞孛玻瑘D像中每一點像素的灰度值表示該點的海拔高度顶伞，每一個局部極小值及其影響區(qū)域稱為集水盆饵撑，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明枝哄。在每一個局部極小值表面肄梨，刺穿一個小孔，然后把整個模型慢慢浸入水中挠锥，隨著浸入的加深众羡，每一個局部極小值的影響域慢慢向外擴(kuò)展，在兩個集水盆匯合處構(gòu)筑大壩蓖租，即形成分水嶺粱侣。
分水嶺算法一般和區(qū)域生長法或聚類分析法相結(jié)合羊壹。
分水嶺算法一般用于分割感興趣的圖像區(qū)域，應(yīng)用如細(xì)胞邊界的分割齐婴，分割出相片中的頭像等等油猫。

class WatershedSegmenter {
private:
cv::Mat markers;
public:
void setMarkers(const cv::Mat& markerImage) {
// Convert to image of ints
marker Image.convertTo(markers,CV_32S);
}
cv::Mat process(const cv::Mat &image) {
// Apply watershed
cv::watershed(image,markers);
return markers;
}
// Return result in the form of an image
cv::Mat getSegmentation() {
cv::Mat tmp;
// all segment with label higher than 255
// will be assigned value 255
markers.convertTo(tmp,CV_8U);
returntmp;
}
// Return watershed in the form of an image
cv::Mat getWatersheds() {
cv::Mat tmp;
markers.convertTo(tmp,CV_8U,255,255);
returnt tmp;
}
};```

5.grabcut算法進(jìn)行圖像分割
void cv::grabCut( const Mat& img, Mat& mask, Rect rect, Mat& bgdModel, Mat& fgdModel, int iterCount, int mode )
-img——待分割的源圖像，必須是8位3通道（CV_8UC3）圖像柠偶，在處理的過程中不會被修改情妖；
-mask——掩碼圖像，如果使用掩碼進(jìn)行初始化诱担，那么mask保存初始化掩碼信息毡证；在執(zhí)行分割的時候，也可以將用戶交互所設(shè)定的前景與背景保 存到mask中蔫仙，然后再傳入grabCut函數(shù)料睛；在處理結(jié)束之后，mask中會保存結(jié)果摇邦。mask只能取以下四種值：
GCD_BGD（=0）恤煞，背景；
GCD_FGD（=1）施籍，前景居扒；
GCD_PR_BGD（=2），可能的背景法梯；
GCD_PR_FGD（=3）苔货，可能的前景。
如果沒有手工標(biāo)記GCD_BGD或者GCD_FGD立哑，那么結(jié)果只會有GCD_PR_BGD或GCD_PR_FGD夜惭；
-rect——用于限定需要進(jìn)行分割的圖像范圍，只有該矩形窗口內(nèi)的圖像部分才被處理铛绰；
-bgdModel——背景模型诈茧，如果為null，函數(shù)內(nèi)部會自動創(chuàng)建一個bgdModel捂掰；bgdModel必須是單通道浮點型（CV_32FC1）圖像敢会，且行數(shù)只能為 1，列數(shù)只能為13x5这嚣；
-fgdModel——前景模型鸥昏，如果為null，函數(shù)內(nèi)部會自動創(chuàng)建一個fgdModel姐帚；fgdModel必須是單通道浮點型（CV_32FC1）圖像吏垮，且行數(shù)只能為1， 列數(shù)只能為13x5；
-iterCount——迭代次數(shù)膳汪，必須大于0唯蝶；
-mode——用于指示grabCut函數(shù)進(jìn)行什么操作，可選的值有：
GC_INIT_WITH_RECT（=0）遗嗽，用矩形窗初始化GrabCut粘我；
GC_INIT_WITH_MASK（=1），用掩碼圖像初始化GrabCut痹换；
GC_EVAL（=2）征字，執(zhí)行分割
您可以按以下方式來使用GrabCut函數(shù)：
（1）用矩形窗或掩碼圖像初始化grabCut；
（2）執(zhí)行分割娇豫；
（3）如果對結(jié)果不滿意柔纵，在掩碼圖像中設(shè)定前景和（或）背景，再次執(zhí)行分割锤躁；
（4）使用掩碼圖像中的前景或背景信息。

#include<cv.h>
#include<highgui.h> 
#include<opencv2/opencv.hpp> 
usingnamespacecv;
usingnamespacestd;
#include 
void getBinMask(constMat& comMask, Mat& binMask )
{
     binMask.create( comMask.size(), CV_8UC1 );
     binMask = comMask & 1;
}
int main(int argc,char** argv )
{
     Mat image = imread("f:\\img\\lena.jpg", 1 );
     conststring winName ="image";
     imshow("src",image);
/***********************************/
Mat bg;Mat fg;
Rect rect = Rect(47,48,408,464);
Mat mask,res;
mask.create( image.size(), CV_8UC1);
grabCut( image, mask, rect, bg, fg, 1, 0 );
Mat binMask;
getBinMask( mask, binMask );
image.copyTo( res, binMask );
imshow("cut",res);
/***********************************/
waitKey(0);
return0;
}

6.Harris特征或详、SURF特征
基于特征點的圖像匹配是圖像處理中經(jīng)常會遇到的問題系羞，手動選取特征點太麻煩了。比較經(jīng)典常用的特征點自動提取的辦法有Harris特征霸琴、SIFT特征椒振、SURF特征。
先介紹利用SURF特征的特征描述辦法梧乘，其操作封裝在類Surf FeatureDetector中澎迎，利用類內(nèi)的detect函數(shù)可以檢測出SURF特征的關(guān)鍵點，保存在vector容器中选调。第二部利用Surf DescriptorExtractor類進(jìn)行特征向量的相關(guān)計算夹供。將之前的vector變量變成向量矩陣形式保存在Mat中。最后強行匹配兩幅圖像的特征向量仁堪，利用了類BruteForceMatcher中的函數(shù)match哮洽。代碼如下：

#include<stdio.h>
#include<iostream>
#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
int main(int argc,char** argv )
{
     if( argc != 3 )
     {return-1; }
     Mat img_1 = imread( argv[1], CV_LOAD_IMAGE_GRAYSCALE );
     Mat img_2 = imread( argv[2], CV_LOAD_IMAGE_GRAYSCALE );
     if( !img_1.data || !img_2.data )
     {return-1; }
//-- Step 1: Detect the keypoints using SURF Detector
     int minHessian = 400;
     SurfFeatureDetector detector( minHessian );
     std::vector keypoints_1, keypoints_2;
     detector.detect( img_1, keypoints_1 );
     detector.detect( img_2, keypoints_2 );
//-- Step 2: Calculate descriptors (feature vectors)
     SurfDescriptorExtractor extractor;
     Mat descriptors_1, descriptors_2;
     extractor.compute( img_1, keypoints_1, descriptors_1 );
     extractor.compute( img_2, keypoints_2, descriptors_2 );
//-- Step 3: Matching descriptor vectors with a brute force matcher
     BruteForceMatcher< L2 > matcher;
     std::vector< DMatch > matches;
     matcher.match( descriptors_1, descriptors_2, matches );
//-- Draw matches
     Mat img_matches;
     drawMatches( img_1, keypoints_1, img_2, keypoints_2, matches, img_matches );
//-- Show detected matches
     imshow("Matches", img_matches );
     waitKey(0);
     return 0;
}```
當(dāng)然，進(jìn)行強匹配的效果不夠理想弦聂，這里再介紹一種FLANN特征匹配算法鸟辅。前兩步與上述代碼相同，第三步利用FlannBasedMatcher類進(jìn)行特征匹配莺葫，并只保留好的特征匹配點匪凉，代碼如下：

//-- Step 3: Matching descriptor vectors using FLANN matcher
FlannBasedMatcher matcher;
std::vector< DMatch > matches;
matcher.match( descriptors_1, descriptors_2, matches );
doublemax_dist = 0;doublemin_dist = 100;
//-- Quick calculation of max and min distances between keypoints
for(inti = 0; i < descriptors_1.rows; i++ )
{
doubledist = matches[i].distance;
if( dist < min_dist ) min_dist = dist;
if( dist > max_dist ) max_dist = dist;
}
printf("-- Max dist : %f \n", max_dist );
printf("-- Min dist : %f \n", min_dist );
//-- Draw only "good" matches (i.e. whose distance is less than 2min_dist )
//-- PS.- radiusMatch can also be used here.
std::vector< DMatch > good_matches;
for(inti = 0; i < descriptors_1.rows; i++ )
{
if( matches[i].distance < 2min_dist )
good_matches.push_back( matches[i]);
}
//-- Draw only "good" matches
Mat img_matches;
drawMatches( img_1, keypoints_1, img_2, keypoints_2,
good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
vector(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS );
//-- Show detected matches
imshow("Good Matches", img_matches );

然后再看一下Harris特征檢測，在計算機(jī)視覺中捺檬，通常需要找出兩幀圖像的匹配點再层，如果能找到兩幅圖像如何相關(guān)，就能提取出兩幅圖像的信息。我們說的特征的最大特點就是它具有唯一可識別這一特點树绩，圖像特征的類型通常指邊界萨脑、角點（興趣點）、斑點（興趣區(qū)域）饺饭。角點就是圖像的一個局部特征渤早，應(yīng)用廣泛。harris角點檢測是一種直接基于灰度圖像的角點提取算法瘫俊，穩(wěn)定性高鹊杖，尤其對L型角點檢測精度高，但由于采用了高斯濾波扛芽，運算速度相對較慢骂蓖，角點信息有丟失和位置偏移的現(xiàn)象，而且角點提取有聚簇現(xiàn)象川尖。具體實現(xiàn)就是使用函數(shù)cornerHarris實現(xiàn)登下。
除了利用Harris進(jìn)行角點檢測，還可以利用Shi-Tomasi方法進(jìn)行角點檢測叮喳。使用函數(shù)goodFeaturesToTrack對角點進(jìn)行檢測被芳，效果也不錯。也可以自己制作角點檢測的函數(shù)馍悟，需要用到cornerMinEigenVal函數(shù)和minMaxLoc函數(shù)畔濒，最后的特征點選取，判斷條件要根據(jù)自己的情況編輯锣咒。如果對特征點侵状，角點的精度要求更高，可以用cornerSubPix函數(shù)將角點定位到子像素毅整。