opencv API （個人筆記）
opencv API （個人筆記）
注：個人筆記：最主要的是記錄一些學習中遇到的問題，知識點較碎，編輯也不優美。但持續記錄、持續更新、持續分享。有問題可以留言交流。
此文也參考一些其他資料，不再單謝，可以轉載但需表明出處。
【1】 graphcut ---> grabcut ---> onecut，發展。
【2】多用於人臉68點
特徵點提取方法。
ASM（Active Shape Model）是指主觀形狀模型，即通過形狀模型 對 目標物體進行抽象。
【https://blog.csdn.net/linolzhang/article/details/55271815 https://blog.csdn.net/linolzhang/article/details/55274035 】
【https://blog.csdn.net/cbl709/article/details/46239571 https://blog.csdn.net/carson2005/article/details/8194317】
基於ASM的人臉 通常通過 標定好的68個關鍵特徵點 來進行描述：
ASM演算法 分為 訓練過程 和 搜尋過程。
• AAM
AAM 稱為 主動外觀模型（Active Appearance Model），AAM是在ASM的基礎上，進一步對紋理（將人臉影象變換到平均形狀 而得到的形狀無關影象）進行統計建模，並將形狀和紋理兩個統計模型進一步融合為 外觀模型。可以理解為：
Appreance = Shape + Texture
AAM 在對形狀和紋理特徵統一量綱後，建模和搜尋過程和ASM基本相同。
• CLM
CLM
CLM分別繼承 ASM和AAM的優點，在ASM的效率 與 AAM的效果之間做了平衡。拋棄了AAM的全域性紋理方法，在ASM的基礎上，通過特徵點周圍的區域性紋理Patch，提高了ASM僅僅依靠灰度 帶來的匹配問題，引用一張老掉牙的圖 說明原理。
• SDM
SDM 全名是 Supervised Descent Method，中文叫監督下降方法。
SDM 方法提出的背景就是為了更好的解決非線性優化問題，那麼什麼是非線性優化問題呢？非線性優化問題 就是約束條件或者目標函式是非線性的。
學界通常使用二階導數的方法進行優化，比如牛頓法。
非線性最優化問題 通常有 2個難點：
（1）函式（方程）可能不可微，或者引數無法估計；
（2）Hessian不正定，或者維度太高導致計算量過大；
[原始碼 stASM 2013 http://www.milbo.users.sonic.net/stasm/download.html https://github.com/juan-cardelino/stasm]
【3】resize
/************************************************************************/
/*
OpenCV影象縮放使用的函式是：resize
void resize(InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR )
引數含義：
InputArray src -原影象
OutputArray dst -輸出影象
Size dsize -目標影象的大小
double fx=0 -在x軸上的縮放比例
double fy=0 -在y軸上的縮放比例
int interpolation -插值方式，有以下四種方式
INTER_NN -最近鄰插值
INTER_LINEAR -雙線性插值 (預設使用)
INTER_AREA -使用象素關係重取樣，當影象縮小時候，該方法可以避免波紋出現。當影象放大時，類似於 INTER_NN 方法。
INTER_CUBIC -立方插值。
說明：dsize與fx和fy必須不能同時為零
resize(src, dst, Size(), 0.5, 0.5, interpolation);
resize(src, dst, dst.size(), 0, 0, interpolation);
*/
/************************************************************************/
resize(img, img, Size(img.cols / 2, img.rows / 2), 0, 0, INTER_LINEAR);
resize(img, img, Size(), 1.3, 0.4, INTER_LINEAR);【4】 mat型別的影象,用cvRectangle時報錯顯示[不存在"cv::Mat"到"CvArr **"的適當轉換函式]；換成rectangle()函式時正確。
Mat img; const CvArr* s=(CvArr*)&img; 上面就可以了，CvArr是Mat的虛基類，所有直接強制轉換就可以了 主要C是大寫。
【5】threshold() 和adaptiveThreshold()
一幅影象包括目標物體、背景還有噪聲，要想從多值的數字影象中直接提取出目標物體，常用的方法就是設定一個閾值T，用T將影象的資料分成兩部分：大於T的畫素群和小於T的畫素群。這是研究灰度變換的最特殊的方法，稱為影象的二值化（Binarization）。
（1）threshold()的本質是找到一個確定值作為閾值，處理，全域性閾值。
double cv::threshold(
cv::InputArray src, // 輸入影象
cv::OutputArray dst, // 輸出影象
double thresh, // 閾值
double maxValue, // 向上最大值
int thresholdType // 閾值化操作的型別
);
閾值型別：
效果顯示：
（2）adaptiveThreshold() 自適應閾值化能夠根據影象不同區域亮度分佈的，改變閾值，即多個閾值。
當同一幅影象上的不同部分的具有不同亮度時。這種情況下我們需要採用自適應閾值。此時的閾值是根據影象上的每一個小區域計算與其對應的閾值。因此在同一幅影象上的不同區域採用的是不同的閾值，從而使我們能在亮度不同的情況下得到更好的結果。
通過計算每個畫素周圍bxb大小畫素塊的加權均值並減去常量C得到。其中，b由blockSize給出，大小必須為奇數；如果使用平均的方法，則所有畫素周圍的權值相同；如果使用高斯的方法，則（x,y）周圍的畫素的權值則根據其到中心點的距離通過高斯方程得到。
void cv::adaptiveThreshold(
cv::InputArray src, // 輸入影象
cv::OutputArray dst, // 輸出影象
double maxValue, // 向上最大值
int adaptiveMethod, // 自適應方法，平均或高斯
int thresholdType // 閾值化型別
int blockSize, // 塊大小
double C // 常量
);
閾值型別有兩種：即cv::ADAPTIVE_THRESH_MEAN_C（平均）和cv::ADAPTIVE_THRESH_GAUSSIAN_C（高斯）。
【6】 Mat <——> IplImage
1、將Mat轉換為IplImage
//! converts header to IplImage; no data is copied operator IplImage() const;
舉例：Mat img；
IplImage *src；
src=&IplImage（img）；
2、將IplImage轉換為Mat
//! converts old-style IplImage to the new matrix; the data is not copied by default Mat(const IplImage* img, bool copyData=false);
【7】OpenCV —— 畫圖 、 文字 及 屬性。可以繪製的圖形有直線、矩形、多邊形、圓、橢圓。以及一個寫文字的函式puttext
關於畫圖中的LineTypes引數（可選4,8，LINE_AA三種）。如果畫水平豎直線完全沒差別。當畫斜線時，顯示區別。具體如下：
// 三條線依次向下
line(img_01, Point(10, 10), Point(25, 18), 0, 1, 4);
line(img_01, Point(10, 17), Point(25, 25), 0, 1, 8);
line(img_01, Point(10, 23), Point(25, 29), 0, 1, LINE_AA);
圖01 線型 圖02 4鄰域 圖03 8鄰域
看圖，LineTypes引數中的4，8，LINE_AA代表點的鄰域連線方式。4鄰域，必須此點上下左右相連；8鄰域，此點8個方向相連；LINE_AA，抗鋸齒，從圖上大約看出邊緣利用較暗畫素模糊一點，基本沒啥用。
4、8鄰域的線端點即是線的兩端；LINE_AA線兩端顏色中間顏色的是端點，淺色的那個是效果點。
LineTypes總結：三個引數是線點的鄰域連線方式，只在斜線上表現差異。一般用8鄰域即可。