图像处理和图像识别中常用的OpenCV函数
图像处理和图像识别中常用的OpenCV函数
发布时间： 11:28:02
编辑：www.fx114.net
本篇文章主要介绍了"图像处理和图像识别中常用的OpenCV函数"，主要涉及到图像处理和图像识别中常用的OpenCV函数方面的内容，对于图像处理和图像识别中常用的OpenCV函数感兴趣的同学可以参考一下。
文章来源：http://blog.csdn.net/fengbingchun/article/details/5816253
1.&& cvLoadImage：将图像文件加载至内存；
2.&& cvNamedWindow：在屏幕上创建一个窗口；
3.&& cvDestroyWindow：销毁显示图像文件的窗口；
4.&& cvDestroyAllWindows：销毁显示图像文件的所有窗口；
5.&& cvShowImage：在一个已创建好的窗口中显示图像；
6.&& cvWaitKey：使程序暂停，等待用户触发一个按键操作；
7.&& cvReleaseImage：释放图像文件所分配的内存；
8.&& cvCreateFileCapture：通过参数设置确定要读入的AVI文件；
9.&& cvQueryFrame：用来将下一帧视频文件载入内存；
10.& cvReleaseCapture：释放CvCapture结构开辟的内存空间；
11.& cvCreateTrackbar：创建一个滚动条；
12.& cvSetCaptureProperty：设置CvCapture对象的各种属性；
13.& cvGetCaptureProperty：查询CvCapture对象的各种属性；
14.& cvGetSize：当前图像结构的大小；
15.& cvSmooth：对图像进行平滑处理；
16.& cvPyrDown：图像金字塔，降采样，图像缩小为原来四分之一；
17.& cvPyrUp：图像金字塔，将现有的图像在每个维度上都放大两倍；
18.& cvResize：放大或缩小图像；
19.& cvCreateCameraCapture：从摄像设备中读入数据；
20.& cvCreateVideoWriter：创建一个写入设备以便逐帧将视频流写入视频文件；
21.& cvWriteFrame：逐帧将视频流写入文件；
22.& cvReleaseVideoWriter：释放CvVideoWriter结构开辟的内存空间；
23.& CV_MAT_ELEM：从矩阵中得到一个元素；
24.& cvAbs：计算数组中所有元素的绝对值；
25.& cvAbsDiff：计算两个数组差值的绝对值；
26.& cvAbsDiffS：计算数组和标量差值的绝对值；
27.& cvAdd：两个数组的元素级的加运算；
28.& cvAddS：一个数组和一个标量的元素级的相加运算；
29.& cvAddWeighted：两个数组的元素级的加权相加运算(alpha运算)；
30.& cvScaleAdd：计算一个数组缩放后与另一个数组的和；
31.& cvAvg：计算数组中所有元素的平均值；
32.& cvAvgSdv：计算数组中所有元素的绝对值和标准差；
33.& cvCalcCovarMatrix：计算一组n维空间向量的协方差；
34.& cvCmp：对两个数组中的所有元素运用设置的比较操作；
35.& cvCmpS：对数组和标量运用设置的比较操作；
36.& cvConvertScale(cvConvert)：用可选的缩放值转换数组元素类型；
37.& cvCopy：把数组中的值复制到另一个数组中；
38.& cvCountNonZero：计算数组中非0值的个数；
39.& cvCrossProduct：计算两个三维向量的向量积(叉积)；
40.& cvCvtColor：将数组的通道从一个颜色空间转换另外一个颜色空间；
41.& cvDet：计算方阵的行列式；
42.& cvDotProduct：计算两个向量的点积；
43.& cvEigenVV：计算方阵的特征值和特征向量；
44.& cvFlip：围绕选定轴翻转；
45.& cvGEMM：矩阵乘法；
46.& cvGetCol：从一个数组的列中复制元素；
47.& cvGetCols：从数据的相邻的多列中复制元素；
48.& cvGetDiag：复制数组中对角线上的所有元素；
49.& cvGetDims：返回数组的维数；
50.& cvGetDimSize：返回一个数组的所有维的大小；
51.& cvGetRow：从一个数组的行中复制元素值；
52.& cvGetRows：从一个数组的多个相邻的行中复制元素值；
53.& cvGetSize：得到二维的数组的尺寸，以CvSize返回；
54.& cvGetSubRect：从一个数组的子区域复制元素值；
55.& cvInRange：检查一个数组的元素是否在另外两个数组中的值的范围内；
56.& cvInRangeS：检查一个数组的元素的值是否在另外两个标量的范围内；
57.& cvInvert：求矩阵的逆；
58.& cvMahalonobis：计算两个向量间的马氏距离；
59.& cvMax：在两个数组中进行元素级的取最大值操作；
60.& cvMaxS：在一个数组和一个标量中进行元素级的取最大值操作；
61.& cvMin：在两个数组中进行元素级的取最小值操作；
62.& cvMinS：在一个数组和一个标量中进行元素级的取最小值操作；
63.& cvMinMaxLoc：寻找数组中的最大最小值；
64.& cvMul：计算两个数组的元素级的乘积(点乘)；
65.& cvDiv：用另外一个数组对一个数组进行元素级的除法运算；
66.& cvNormalize：将数组中元素进行归一化；
67.& cvReduce：通过给定的操作符将二维数组简为向量；
68.& cvRepeat：以平铺的方式进行数组复制；
69.& cvSet：用给定值初始化数组；
70.& cvSetZero：将数组中所有元素初始化为0；
71.& cvSetIdentity：将数组中对角线上的元素设为1，其他置0；
72.& cvSolve：求出线性方程组的解；
73.& cvSplit：将多通道数组分割成多个单通道数组；
74.& cvMerge：把几个单通道图像合并为一个多通道图像；
75.& cvSub：两个数组元素级的相减；
76.& cvSubS：元素级的从数组中减去标量；
77.& cvSubRS：元素级的从标量中减去数组；
78.& cvSum：对数组中的所有元素求和；
79.& cvSVD：二维矩阵的奇异值分解；
80.& cvSVBkSb：奇异值回代计算；
81.& cvTrace：计算矩阵迹；
82.& cvTranspose：矩阵的转置运算；
83.& cvNot：按位对数组中的每一个元素求反；
84.& cvOr：对两个数组进行按位或操作；
85.& cvOrs：在数组与标量之间进行按位或操作；
86.& cvXor：对两个数组进行按位异或操作；
87.& cvXorS：在数组和标量之间进行按位异或操作；
88.& cvAnd：对两个数组进行按位与操作；
89.& cvAndS：在数组和标量之间进行按位与操作；
90.& cvZero：将所有数组中的元素置为0；
91.& cvConvertScaleAbs：计算可选的缩放值的绝对值之后再转换数组元素的类型；
92.& cvNorm：计算数组的绝对范数， 绝对差分范数或者相对差分范数；
93.& cvScale：是cvConvertScale的一个宏，可以用来重新调整数组的内容，并且可以将参数从一种数据类型转换为另一种；
94.& cvT：是函数cvTranspose的缩写；
95.& cvLine：画直线；
96.& cvRectangle：画矩形；
97.& cvCircle：画圆；
98.& cvEllipse：画椭圆；
99.& cvEllipseBox：使用外接矩形描述椭圆；
100.cvFillPoly、cvFillConvexPoly、cvPolyLine：画多边形；
101.cvPutText：在图像上输出一些文本；
102.cvGetTextSize：计算文本串的宽和高；
103.cvInitFont：采用一组参数配置一些用于屏幕输出的基本个特定字体；
104.cvSave：矩阵保存；
105.cvLoad：矩阵读取；
106.cvOpenFileStorage：为读/写打开存储文件；
107.cvReleaseFileStorage：释放存储的数据；
108.cvStartWriteStruct：开始写入新的数据结构；
109.cvEndWriteStruct：结束写入数据结构；
110.cvWriteInt：写入整数型；
111.cvWriteReal：写入浮点型；
112.cvWriteString：写入字符型；
113.cvWriteComment：写一个XML或YAML的注释字串；
114.cvWrite：写一个对象；
115.cvWriteRawData：写入多个数值；
116.cvWriteFileNode：将文件节点写入另一个文件存储器；
117.cvGetRootFileNode：获取存储器最顶层的节点；
118.cvGetFileNodeByName：在映图或存储器中找到相应节点；
119.cvGetHashedKey：为名称返回一个惟一的指针；
120.cvGetFileNode：在映图或文件存储器中找到节点；
121.cvGetFileNodeName：返回文件的节点名；
122.cvReadInt：读取一个无名称的整数型；
123.cvReadIntByName：读取一个有名称的整数型；
124.cvReadReal：读取一个无名称的浮点型；
125.cvReadRealByName：读取一个有名称的浮点型；
126.cvReadString：从文件节点中寻找字符串；
127.cvReadStringByName：找到一个有名称的文件节点并返回它；
128.cvRead：将对象解码并返回它的指针；
129.cvReadByName：找到对象并解码；
130.cvReadRawData：读取多个数值；
131.cvStartReadRawData：初始化文件节点序列的读取；
132.cvReadRawDataSlice：读取文件节点的内容；
133.cvGetModuleInfo：检查IPP库是否已经正常安装并且检验运行是否正常；
134.cvResizeWindow：用来调整窗口的大小；
135.cvSaveImage：保存图像；
136.cvMoveWindow：将窗口移动到其左上角为x,y的位置；
137.cvDestroyAllWindow：用来关闭所有窗口并释放窗口相关的内存空间；
138.cvGetTrackbarPos：读取滑动条的值；
139.cvSetTrackbarPos：设置滑动条的值；
140.cvGrabFrame：快速的从摄像头或视频文件中抓取帧，被抓取的帧在内部被存储；
141.cvRetrieveFrame：取回由函数cvGrabFrame抓取的图像，返回的图像不可以被用户释放或者修改；
142.cvConvertImage：用于在常用的不同图像格式之间转换；
143.cvErode：形态学腐蚀；
144.cvDilate：形态学膨胀；
145.cvMorphologyEx：更通用的形态学函数；
146.cvCreateStructuringElementEx：创建自定义的IplConvKernel核，应用在相应形态学操作中；
147.cvReleaseStructuringElement：释放由自定义创建的IplConvKernel核；
148.cvFloodFill：漫水填充算法，用来进一步控制哪些区域将被填充颜色；
149.cvPyrSegmentation：利用金字塔实现图像分割；
150.cvThreshold：图像阈值化；
151.cvAcc：可以将8位整数类型图像累加为浮点图像；
152.cvAdaptiveThreshold：图像自适应阈值；
153.cvFilter2D：图像卷积；
154.cvCopyMakeBorder：将特定的图像轻微变大，然后以各种方式自动填充图像边界；
155.cvCanny：Canny边缘检测；
156.cvSobel：图像边缘检测，Sobel算子；
157.cvLaplace：拉普拉斯变换、图像边缘检测；
158.cvHoughLines2：霍夫直线变换；
159.cvHoughCircles：霍夫圆变换；
160.cvWarpAffine：稠密仿射变换；
161.cvGetQuadrangleSubPix：仿射变换(提取像素四边形，使用子像素精度)；
162.cvGetRectSubPix：从图像中提取像素矩形，使用子像素精度；
163.cvGetAffineTransform：仿射映射矩阵的计算；
164.cvCloneImage：将整个IplImage结构复制到新的IplImage中；
165.cv2DRotationMatrix：仿射映射矩阵的计算；
166.cvTransform：稀疏仿射变换；
167.cvWarpPerspective：密集透视变换(单应性)；
168.cvGetPerspectiveTransform：计算透视映射矩阵；
169.cvPerspectiveTransform：稀疏透视变换；
170.cvCartToPolar：将数值从笛卡尔空间到极坐标(极性空间)进行映射；
171.cvPolarToCart：将数值从极性空间到笛卡尔空间进行映射；
172.cvLogPolar：对数极坐标变换；
173.cvDFT：离散傅里叶变换；
174.cvMulSpectrums：频谱乘法；
175.cvDCT：离散余弦变换；
176.cvIntegral：计算积分图像；
177.cvDistTransform：图像的距离变换；
178.cvEqualizeHist：直方图均衡化；
179.cvCreateHist：创建一新直方图；
180.cvReleaseHist：释放创建的直方图；
181.cvMakeHistHeaderForArray：根据已给出的数据创建直方图；
182.cvNormalizeHist：归一化直方图；
183.cvThreshHist：直方图阈值函数；
184.cvCalcHist：从图像中自动计算直方图；
185.cvCompareHist：用于对比两个直方图的相似度；
186.cvCalcEMD2：陆地移动距离(EMD)算法；
187.cvCalcBackProject：反向投影；
188.cvCalcBackProjectPatch：图块的方向投影；
189.cvMatchTemplate：模板匹配；
190.cvCreateMemStorage：用于创建一个内存存储器；
191.cvCreateSeq：创建序列；
192.cvSeqInvert：将序列进行逆序操作；
193.cvCvtSeqToArray：复制序列的全部或部分到一个连续内存数组中；
194.cvFindContours：从二值图像中寻找轮廓；
195.cvDrawContours：绘制轮廓；
196.cvApproxPoly：使用多边形逼近一个轮廓；
197.cvConvexHull2：使用Sklansky算法计算2D点集的凸外形；
198.cvPointPolygonTest：点在多边形中的位置(内部、外部、多边形边上)；
199.cvContourPerimeter：轮廓长度；
200.cvContoursMoments：计算轮廓矩；
201.cvMoments：计算Hu不变矩；
202.cvMatchShapes：使用矩进行匹配；
203.cvInitLineIterator：对任意直线上的像素进行采样；
204.cvSampleLine：对直线采样；
205.cvAbsDiff：帧差；
206.cvWatershed：分水岭算法；
207.cvInpaint：修补图像；
208.cvGoodFeaturesToTrack：寻找角点；
209.cvCornerHarris：Harris角点检测；
210.cvFindCornerSubPix：用于发现亚像素精度的角点位置；
211.cvMeanShift：mean-shift跟踪算法；
212.cvCamShift：camshift跟踪算法；
213.cvCreateConDensation：condensation算法，分配condensation滤波器结构；
214.cvReleaseConDensation：condensation算法，释放condensation滤波器结构；
215.cvConDensInitSampleSet：condensation算法，初始化condensation算法中的粒子集；
216.cvConDensUpdateByTime：condensation算法，估计下个模型状态；
217.cvConvertPointsHomogenious：对齐次坐标进行转换；
218.cvFindChessboardCorners：定位棋盘角点；
219.cvCalibrateCamera2：利用定标来计算摄像机的内参数和外参数；
220.cvInitUndistortMap：计算形变和非行变图像的对应；
221.cvInitUndistortRectifyMap：computes the undistortion and rectification transformation map；
222.cvRemap：图像重映射，校正标定图像，图像插值；
223.cvFindFundamentalMat：由两幅图像中对应点计算出基本矩阵；
224.cvComputeCorrespondEpilines：为一幅图像中的点计算其在另一幅图像中对应的对极线；
225.cvDrawChessboardCorners：绘制检测到的棋盘角点；
226.cvFindHomography：计算单应性矩阵；
227.cvRodrigues2：罗德里格斯变换；
228.cvFitLine：直线拟合算法；
229.cvCalcCovarMatrix：计算协方差矩阵；
230.cvInvert：计算协方差矩阵的逆矩阵；
231.cvMahalanobis：计算Mahalanobis距离；
232.cvKMeans2：K均值；
233.cvCloneMat：根据一个已有的矩阵创建一个新矩阵；
234.cvPreCornerDetect：计算用于角点检测的特征图；
235.cvGetImage：CvMat图像数据格式转换成IplImage图像数据格式；
236.cvMatMul：两矩阵相乘；
237.cvMatMulAdd：dst = src1 * src2 + src3；
238.cvRound：返回和参数最接近的整数值；
239.cvFloor：返回不大于参数的最大整数值；
240.cvCeil：返回不小于参数的最小整数值；
241.cvCreateImage：创建图像；
242.cvSetMouseCallback：用鼠标获取确定窗口上的矩形；
243.cvContourArea：计算整个或部分轮廓的面积；
244.cvArcLength：计算轮廓周长或曲线长度；
245.cvBoundingRect：计算点集的最外面矩形边界(获取轮廓的外接矩形)；
246.cvSeqRemove：删除序列中指定位置的元素(轮廓)；
247.cvGetTickCount：返回64位长整数的时间数据；
248.cvGetTickFrequency：返回系统时钟频率；
249.cvRNG：随机生成一个64位随机数(uint64)；
250.cvRandInt：返回均匀分布32位的随机数(uint32)；
251.cvRandReal:返回均匀分布0~1之间的随机小数；
252.cvRandArr：用随机数填充数组并更新RNG状态；
253.cvRandInit：初始化CvRandState数据结构，可以选定随机分布的种类，并给定它种子；
254.cvInitMatHeader：初始化矩阵头，不分配存储空间；
255.cvTermCriteria：迭代算法终止准则；
256.CvSVMParams：SVM训练参数，该结构需要初始化，并传递给CvSVM训练函数；
257.CvSVM::train：训练SVM(支持向量机)；
258.CvSVM::predict：预测一个新样本的响应值，在分类问题中，这个函数返回类别编号，在回归问题中，返回函数值；
259.cvSet2D：修改指定的数组；
260.CvSVM::get_support_vector_count：获得支持向量的个数；
261.CvSVM::get_support_vector：获得对应索引编号的支持向量；
262.CvSVM::save：将SVM训练完的数据保存到指定的文件中(save来源于cvStatModel为ML库的通用类)；
263.CvSVM::load：将指定的文件装载到SVM指定的对象中；
264.cvCreateBGCodeBookModel：codebook方法中，初始化；
265.cvBGCodeBookUpdate：codebook方法中，更新背景模型；
266.cvBGCodeBookClearStale：codebook方法中，清除消极的codebook；
267.cvBGCodeBookDiff：codebook方法中，背景减除；
268.cvReleaseBGCodeBookModel：codebook方法中，释放资源；
269.cvSegmentFGMask：对前景做连通域分割；
270.cvRunningAvg：更新running average，可用于运动目标检测中更新背景；
271.cvCalcOpticalFlowHS：使用Horn&Schunck算法计算两幅图像的光流；
272.cvCalcOpticalFlowLK：使用Lucas&Kanade算法计算两幅图像的光流(非金字塔)；
273.cvCalcOpticalFlowPyrLK：使用金字塔Lucas&Kanade方法计算一个稀疏特征集的光流；
274.cvCalcOpticalFlowBM：用块匹配方法计算两幅图像的光流；
275.cvUpdateMotionHistory：运动模板中，去掉影像以更新运动历史图像；
276.cvRunningAvg：更新running average滑动平均；
277.cvCalcMotionGradient：运动模板中，计算运动历史图像的梯度方向；
278.cvSegmentMotion：运动模板中，将整个运动分割为独立的运动部分；
279.cvCalcGlobalOrientation：运动模板中，计算某些选择区域的全局运动方向；
280.cvGetMinMaxHistValue：直方图中找到最小值和最大值；
281.cvMinAreaRect2：寻找最小面积的外接矩形；
282.cvMinEnclosingCircle：计算轮廓的最小外接圆；
283.cvFitEllipse2：获取轮廓的椭圆边界框；
284.cvMaxRect：寻找包含两个输入矩形的具有最小面积的矩形边界；
285.cvBoxPoints：寻找盒子的顶点；
286.cvCreateKalman：Kalman中，分配Kalman滤波器结构；
287.cvReleaseKalman：Kalman中，释放Kalman滤波器结构；
288.cvKalmanPredict：Kalman中，估计后来的模型状态；
289.cvKalmanCorrect：Kalman中，调节模型状态；
290.cvLoadHaarClassifierCascade：CvHaarClassifierCascade中，从文件中装载训练好的级联分类器或者从OpenCV中嵌入的分类器数据库中导入；
291.cvHaarDetectObjects：CvHaarClassifierCascade中，检测图像中的目标；
292.cvSetImageForHaarClassifierCascade：CvHaarClassifierCascade中，为隐藏的cascade(hidden cascade)指定图像；
293.cvReleaseHaarClassifierCascade：CvHaarClassifierCascade中，释放haar classifier cascade；
294.cvRunHaarClassifierCascade：CvHaarClassifierCascade中，在给定位置的图像中运行cascade of boosted classifier；
295.CvAdaptiveSkinDetector::process：皮肤检测；
296.cvCalcEigenObjects：计算传入影像阵列的eigen vector、eigen value、image average(影像平均值)；
297.cvEigenDecomposite：透过eigen vector和原始影像集来解析每张图片降维后对应的系数coefficients；
298.cvEigenProjection：投影图片在特征空间；
299.cvAlloc：分配内存；
300.cvFree：释放内存(cvAlloc与cvFree应匹配出现)；
301.CvANN_MLP::create：constructs MLP(multi-layer perceptrons) withthe specified topology；
302.CvANN_MLP::train：trains/updates MLP；
303.CvANN_MLP::predict：predicts responses for input samples；
304.CvANN_MLP::get_layer_count：returns the number fo layers in the MLP；
305.CvANN_MLP::get_layer_size：returns numbers of neurons in each layer ofthe MLP；
306.CvANN_MLP::get_weights：returns neurons weights of the particularlayer；
307.CvKNearest::CvKNearest：default and training constructors；
308.CvKNearest::train：trains the model；
309.CvKNearest::find_nearest：finds the neighbors and predicts responses forinput vectors；
310.CvKNearest::get_max_k：returns the number of maximum neighbors thatmay be passed to the method CvKNearest::find_nearest()；
311.CvKNearest::get_var_count：returns the number of used features(variablescount)；
312.CvKNearest::get_sample_count：returns the total number of train samples；
313.CvKNearest::is_regression：returns type of the problem(true forregression and false for classification)；
314.cvGetSeqElem：returns a pointer to a sequenceelement according to its index；
315.cvGetReal2D：return a specific element ofsingle-channel 2D array；
316.cvSqrt：计算平方根；
317.cvPow：对数组内每个元素求幂；
318.cvCbrt：计算立方根；
319.cvExp：计算数组元素的指数幂；
320.cvLog：计算每个数组元素的绝对值的自然对数；
321.cvSetImageROI：设置感兴趣区域；
322.cvResetImageROI：释放感兴趣区域；
323.cvSetImageCOI：设置感兴趣通道；
324.cvLUT：显示查找表，实际上就是一张像素灰度值的映射表，它将实际采样到的像素灰度值经过一定的变换如阈值、反转、二值化、对比度调整、线性变换等，变成了另外一个与之对应的灰度值；
325.&class FeatureDetector：abstract base class for 2D image feature detectors；
326.&class FastFeatureDetector：wrapping class for feature detection using the FAST() method；
327.&class SURF(SurfFeatureDetector、SurfDescriptorExtractor)：extracting Speeded Up RobustFeatures from an image；
328.&class SIFT(SiftFeatureDetector)：extracting keypoints and computingdescriptors using the Scale Invariant Feature Transform(SIFT) algorithm；
329.cvExtractSURF：detects keypoints andcomputes SURF descriptors for them；
本文标题：
本页链接：图像处理（1）
本文转载自：王先荣同志的博客 /xrwang/archive//ImageSegmentation.html
图像分割指的是将数字图像细分为多个图像子区域的过程，在OpenCv中实现了三种跟图像分割相关的算法，它们分别是：分水岭分割算法、金字塔分割算法以及均值漂移分割算法。它们的使用过程都很简单，下面的文章权且用于记录，并使该系列保持完整吧。
1、分水岭分割算法
&&& 分水岭分割算法需要您或者先前算法提供标记，该标记用于指定哪些大致区域是目标，哪些大致区域是背景等等；分水岭分割算法的分割效果严重依赖于提供的标记。OpenCv中的函数cvWatershed实现了该算法，函数定义如下：
void cvWatershed(const CvArr * image, CvArr * markers)
其中：image为8为三通道的彩色图像；
&&&&& markers是单通道整型图像，它用不同的正整数来标记不同的区域，下面的代码演示了如果响应鼠标事件，并生成标记图像。
生成标记图像
//当鼠标按下并在源图像上移动时，在源图像上绘制分割线条
private void pbSource_MouseMove(object sender, MouseEventArgs e)
//如果按下了左键
if (e.Button == MouseButtons.Left)
if (previousMouseLocation.X &= 0 && previousMouseLocation.Y &= 0)
Point p1 = new Point((int)(previousMouseLocation.X * xScale), (int)(previousMouseLocation.Y * yScale));
Point p2 = new Point((int)(e.Location.X * xScale), (int)(e.Location.Y * yScale));
LineSegment2D ls = new LineSegment2D(p1, p2);
int thickness = (int)(LineWidth * xScale);
imageSourceClone.Draw(ls, new Bgr(255d, 255d, 255d), thickness);
pbSource.Image = imageSourceClone.B
imageMarkers.Draw(ls, new Gray(drawCount), thickness);
previousMouseLocation = e.L
//当松开鼠标左键时，将绘图的前一位置设置为（-1，-1）
private void pbSource_MouseUp(object sender, MouseEventArgs e)
previousMouseLocation = new Point(-1, -1);
drawCount++;
您可以用类似下面的方式来使用分水岭算法：
使用分水岭分割算法
/// &summary&
/// 分水岭算法图像分割
/// &/summary&
/// &returns&返回用时&/returns&
private string Watershed()
//分水岭算法分割
Image&Gray, Int32& imageMarkers2 = imageMarkers.Copy();
Stopwatch sw = new Stopwatch();
sw.Start();
CvInvoke.cvWatershed(imageSource.Ptr, imageMarkers2.Ptr);
sw.Stop();
//将分割的结果转换到256级灰度图像
pbResult.Image = imageMarkers2.B
imageMarkers2.Dispose();
return string.Format(&分水岭图像分割，用时：{0:F05}毫秒。\r\n&, sw.Elapsed.TotalMilliseconds);
2、金字塔分割算法
&&& 金字塔分割算法由cvPrySegmentation所实现，该函数的使用很简单；需要注意的是图像的尺寸以及金字塔的层数，图像的宽度和高度必须能被2整除，能够被2整除的次数决定了金字塔的最大层数。下面的代码演示了如果校验金字塔层数：
校验金字塔分割的金字塔层数
/// &summary&
/// 当改变金字塔分割的参数“金字塔层数”时，对参数进行校验
/// &/summary&
/// &param name=&sender&&&/param&
/// &param name=&e&&&/param&
private void txtPSLevel_TextChanged(object sender, EventArgs e)
int level = int.Parse(txtPSLevel.Text);
if (level & 1 || imageSource.Width % (int)(Math.Pow(2, level - 1)) != 0 || imageSource.Height % (int)(Math.Pow(2, level - 1)) != 0)
MessageBox.Show(this, &注意：您输入的金字塔层数不符合要求，计算结果可能会无效。&, &金字塔层数错误&);
使用金字塔分割的示例代码如下：
使用金字塔分割算法
/// &summary&
/// 金字塔分割算法
/// &/summary&
/// &returns&&/returns&
private string PrySegmentation()
//准备参数
Image&Bgr, Byte& imageDest = new Image&Bgr, byte&(imageSource.Size);
MemStorage storage = new MemStorage();
IntPtr ptrComp = IntPtr.Z
int level = int.Parse(txtPSLevel.Text);
double threshold1 = double.Parse(txtPSThreshold1.Text);
double threshold2 = double.Parse(txtPSThreshold2.Text);
//金字塔分割
Stopwatch sw = new Stopwatch();
sw.Start();
CvInvoke.cvPyrSegmentation(imageSource.Ptr, imageDest.Ptr, storage.Ptr, out ptrComp, level, threshold1, threshold2);
sw.Stop();
//显示结果
pbResult.Image = imageDest.B
//释放资源
imageDest.Dispose();
storage.Dispose();
return string.Format(&金字塔分割，用时：{0:F05}毫秒。\r\n&, sw.Elapsed.TotalMilliseconds);
3、均值漂移分割算法
均值漂移分割算法由cvPryMeanShiftFiltering所实现，均值漂移分割的金字塔层数只能介于[1,7]之间，您可以用类似下面的代码来使用它：
使用均值漂移分割算法
/// &summary&
/// 均值漂移分割算法
/// &/summary&
/// &returns&&/returns&
private string PryMeanShiftFiltering()
//准备参数
Image&Bgr, Byte& imageDest = new Image&Bgr, byte&(imageSource.Size);
double spatialRadius = double.Parse(txtPMSFSpatialRadius.Text);
double colorRadius = double.Parse(txtPMSFColorRadius.Text);
int maxLevel = int.Parse(txtPMSFNaxLevel.Text);
int maxIter = int.Parse(txtPMSFMaxIter.Text);
double epsilon = double.Parse(txtPMSFEpsilon.Text);
MCvTermCriteria termcrit = new MCvTermCriteria(maxIter, epsilon);
//均值漂移分割
Stopwatch sw = new Stopwatch();
sw.Start();
OpenCvInvoke.cvPyrMeanShiftFiltering(imageSource.Ptr, imageDest.Ptr, spatialRadius, colorRadius, maxLevel, termcrit);
sw.Stop();
//显示结果
pbResult.Image = imageDest.B
//释放资源
imageDest.Dispose();
return string.Format(&均值漂移分割，用时：{0:F05}毫秒。\r\n&, sw.Elapsed.TotalMilliseconds);
函数cvPryMeanShiftFiltering在EmguCv中没有实现，我们可以用下面的方式来使用：
//均值漂移分割
[DllImport(&cv200.dll&)]
public static extern void cvPyrMeanShiftFiltering(IntPtr src, IntPtr dst, double spatialRadius, double colorRadius, int max_level, MCvTermCriteria termcrit);
4、分割效果及性能对比
&&& 上述三种分割算法的效果如何呢？下面我们以它们的默认参数，对一幅大小的图像进行分割。得到的结果如下所示：
总结：从上面我们可以看出：
&&& （1）分水岭分割算法的分割效果效果最好，均值漂移分割算法次之，而金字塔分割算法的效果最差；
&&& （2）均值漂移分割算法效率最高，分水岭分割算法接近于均值漂移算法，金字塔分割算法需要很长的时间。
&&& 值得注意的是分水岭算法对标记很敏感，需要仔细而认真的绘制。
本文的完整代码：
&span style=&font-size:18&&本文完整代码
using System.Collections.G
using System.D
using System.D
using System.L
using System.T
using System.Windows.F
using System.D
using System.Runtime.InteropS
using Emgu.CV;
using Emgu.CV.CvE
using Emgu.CV.S
using Emgu.CV.UI;
namespace ImageProcessLearn
public partial class FormImageSegment : Form
//成员变量
private string sourceImageFileName = &wky_tms_.jpg&;//源图像文件名
private Image&Bgr, Byte& imageSource =
private Image&Bgr, Byte& imageSourceClone =
//源图像的克隆
private Image&Gray, Int32& imageMarkers =
//标记图像
private double xScale = 1d;
//原始图像与PictureBox在x轴方向上的缩放
private double yScale = 1d;
//原始图像与PictureBox在y轴方向上的缩放
private Point previousMouseLocation = new Point(-1, -1);
//上次绘制线条时，鼠标所处的位置
private const int LineWidth = 5;
//绘制线条的宽度
private int drawCount = 1;
//用户绘制的线条数目，用于指定线条的颜色
public FormImageSegment()
InitializeComponent();
//窗体加载时
private void FormImageSegment_Load(object sender, EventArgs e)
//设置提示
toolTip.SetToolTip(rbWatershed, &可以在源图像上用鼠标绘制大致分割区域线条，该线条用于分水岭算法&);
toolTip.SetToolTip(txtPSLevel, &金字塔层数跟图像尺寸有关，该值只能是图像尺寸被2整除的次数，否则将得出错误结果&);
toolTip.SetToolTip(txtPSThreshold1, &建立连接的错误阀值&);
toolTip.SetToolTip(txtPSThreshold2, &分割簇的错误阀值&);
toolTip.SetToolTip(txtPMSFSpatialRadius, &空间窗的半径&);
toolTip.SetToolTip(txtPMSFColorRadius, &色彩窗的半径&);
toolTip.SetToolTip(btnClearMarkers, &清除绘制在源图像上，用于分水岭算法的大致分割区域线条&);
//加载图像
LoadImage();
//当窗体关闭时，释放资源
private void FormImageSegment_FormClosing(object sender, FormClosingEventArgs e)
if (imageSource != null)
imageSource.Dispose();
if (imageSourceClone != null)
imageSourceClone.Dispose();
if (imageMarkers != null)
imageMarkers.Dispose();
//加载源图像
private void btnLoadImage_Click(object sender, EventArgs e)
OpenFileDialog ofd = new OpenFileDialog();
ofd.CheckFileExists =
ofd.DefaultExt = &jpg&;
ofd.Filter = &图片文件|*.*.*.bmp|所有文件|*.*&;
if (ofd.ShowDialog(this) == DialogResult.OK)
if (ofd.FileName != &&)
sourceImageFileName = ofd.FileN
LoadImage();
ofd.Dispose();
//清除分割线条
private void btnClearMarkers_Click(object sender, EventArgs e)
if (imageSourceClone != null)
imageSourceClone.Dispose();
imageSourceClone = imageSource.Copy();
pbSource.Image = imageSourceClone.B
imageMarkers.SetZero();
drawCount = 1;
//当鼠标按下并在源图像上移动时，在源图像上绘制分割线条
private void pbSource_MouseMove(object sender, MouseEventArgs e)
//如果按下了左键
if (e.Button == MouseButtons.Left)
if (previousMouseLocation.X &= 0 && previousMouseLocation.Y &= 0)
Point p1 = new Point((int)(previousMouseLocation.X * xScale), (int)(previousMouseLocation.Y * yScale));
Point p2 = new Point((int)(e.Location.X * xScale), (int)(e.Location.Y * yScale));
LineSegment2D ls = new LineSegment2D(p1, p2);
int thickness = (int)(LineWidth * xScale);
imageSourceClone.Draw(ls, new Bgr(255d, 255d, 255d), thickness);
pbSource.Image = imageSourceClone.B
imageMarkers.Draw(ls, new Gray(drawCount), thickness);
previousMouseLocation = e.L
//当松开鼠标左键时，将绘图的前一位置设置为（-1，-1）
private void pbSource_MouseUp(object sender, MouseEventArgs e)
previousMouseLocation = new Point(-1, -1);
drawCount++;
//加载源图像
private void LoadImage()
if (imageSource != null)
imageSource.Dispose();
imageSource = new Image&Bgr, byte&(sourceImageFileName);
if (imageSourceClone != null)
imageSourceClone.Dispose();
imageSourceClone = imageSource.Copy();
pbSource.Image = imageSourceClone.B
if (imageMarkers != null)
imageMarkers.Dispose();
imageMarkers = new Image&Gray, Int32&(imageSource.Size);
imageMarkers.SetZero();
xScale = 1d * imageSource.Width / pbSource.W
yScale = 1d * imageSource.Height / pbSource.H
drawCount = 1;
//分割图像
private void btnImageSegment_Click(object sender, EventArgs e)
if (rbWatershed.Checked)
txtResult.Text += Watershed();
else if (rbPrySegmentation.Checked)
txtResult.Text += PrySegmentation();
else if (rbPryMeanShiftFiltering.Checked)
txtResult.Text += PryMeanShiftFiltering();
/// &summary&
/// 分水岭算法图像分割
/// &/summary&
/// &returns&返回用时&/returns&
private string Watershed()
//分水岭算法分割
Image&Gray, Int32& imageMarkers2 = imageMarkers.Copy();
Stopwatch sw = new Stopwatch();
sw.Start();
CvInvoke.cvWatershed(imageSource.Ptr, imageMarkers2.Ptr);
sw.Stop();
//将分割的结果转换到256级灰度图像
pbResult.Image = imageMarkers2.B
imageMarkers2.Dispose();
return string.Format(&分水岭图像分割，用时：{0:F05}毫秒。\r\n&, sw.Elapsed.TotalMilliseconds);
/// &summary&
/// 金字塔分割算法
/// &/summary&
/// &returns&&/returns&
private string PrySegmentation()
//准备参数
Image&Bgr, Byte& imageDest = new Image&Bgr, byte&(imageSource.Size);
MemStorage storage = new MemStorage();
IntPtr ptrComp = IntPtr.Z
int level = int.Parse(txtPSLevel.Text);
double threshold1 = double.Parse(txtPSThreshold1.Text);
double threshold2 = double.Parse(txtPSThreshold2.Text);
//金字塔分割
Stopwatch sw = new Stopwatch();
sw.Start();
CvInvoke.cvPyrSegmentation(imageSource.Ptr, imageDest.Ptr, storage.Ptr, out ptrComp, level, threshold1, threshold2);
sw.Stop();
//显示结果
pbResult.Image = imageDest.B
//释放资源
imageDest.Dispose();
storage.Dispose();
return string.Format(&金字塔分割，用时：{0:F05}毫秒。\r\n&, sw.Elapsed.TotalMilliseconds);
/// &summary&
/// 均值漂移分割算法
/// &/summary&
/// &returns&&/returns&
private string PryMeanShiftFiltering()
//准备参数
Image&Bgr, Byte& imageDest = new Image&Bgr, byte&(imageSource.Size);
double spatialRadius = double.Parse(txtPMSFSpatialRadius.Text);
double colorRadius = double.Parse(txtPMSFColorRadius.Text);
int maxLevel = int.Parse(txtPMSFNaxLevel.Text);
int maxIter = int.Parse(txtPMSFMaxIter.Text);
double epsilon = double.Parse(txtPMSFEpsilon.Text);
MCvTermCriteria termcrit = new MCvTermCriteria(maxIter, epsilon);
//均值漂移分割
Stopwatch sw = new Stopwatch();
sw.Start();
OpenCvInvoke.cvPyrMeanShiftFiltering(imageSource.Ptr, imageDest.Ptr, spatialRadius, colorRadius, maxLevel, termcrit);
sw.Stop();
//显示结果
pbResult.Image = imageDest.B
//释放资源
imageDest.Dispose();
return string.Format(&均值漂移分割，用时：{0:F05}毫秒。\r\n&, sw.Elapsed.TotalMilliseconds);
/// &summary&
/// 当改变金字塔分割的参数“金字塔层数”时，对参数进行校验
/// &/summary&
/// &param name=&sender&&&/param&
/// &param name=&e&&&/param&
private void txtPSLevel_TextChanged(object sender, EventArgs e)
int level = int.Parse(txtPSLevel.Text);
if (level & 1 || imageSource.Width % (int)(Math.Pow(2, level - 1)) != 0 || imageSource.Height % (int)(Math.Pow(2, level - 1)) != 0)
MessageBox.Show(this, &注意：您输入的金字塔层数不符合要求，计算结果可能会无效。&, &金字塔层数错误&);
/// &summary&
/// 当改变均值漂移分割的参数“金字塔层数”时，对参数进行校验
/// &/summary&
/// &param name=&sender&&&/param&
/// &param name=&e&&&/param&
private void txtPMSFNaxLevel_TextChanged(object sender, EventArgs e)
int maxLevel = int.Parse(txtPMSFNaxLevel.Text);
if (maxLevel & 0 || maxLevel & 8)
MessageBox.Show(this, &注意：均值漂移分割的金字塔层数只能在0至8之间。&, &金字塔层数错误&);
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：7172次
排名：千里之外