图像二值化处理
namedWindow
namedWindow():新建一个显示窗口。可以指定窗口的类型。
参数一：窗口名称
参数二：窗口标识。默认为WINDOW_AUTOSIZE。
WINDOW_AUTOSIZE：窗口大小自动适应图片大小，并且不可手动更改。
WINDOW_NORMAL：用户可以改变这个窗口大小。
WINDOW_OPENGL：窗口创建的时候会支持OpenGL。
imread
imread():载入一张图片。该函数经常配合imshow( )函数一起使用。
imshow
imshow( ):函数功能就是把你刚才载入的图片显示出来。
waitKey
等待按键事件
Mat
data：Mat对象中的一个指针，指向内存中存放矩阵数据的一块内存 (uchar* data)
dims：Mat所代表的矩阵的维度，如 3 * 4 的矩阵为 2 维， 3 * 4 * 5 的为3维
channels：通道，矩阵中的每一个矩阵元素拥有的值的个数，比如说 3 * 4 矩阵中一共 12 个元素，如果每个元素有三个值，那么就说这个矩阵是 3 通道的，即 channels = 3。常见的是一张彩色图片有红、绿、蓝三个通道。
depth：深度，即每一个像素的位数(bits)，在opencv的Mat.depth()中得到的是一个 0 – 6 的数字，分别代表不同的位数：enum { CV_8U=0, CV_8S=1, CV_16U=2, CV_16S=3, CV_32S=4, CV_32F=5, CV_64F=6 }; 可见 0和1都代表8位， 2和3都代表16位，4和5代表32位，6代表64位；
step：是一个数组，定义了矩阵的布局，具体见下面图片分析，另外注意 step1 (step / elemSize1)，M.step[m-1] 总是等于 elemSize，M.step1(m-1)总是等于 channels；
elemSize : 矩阵中每一个元素的数据大小，如果Mat中的数据的数据类型是 CV_8U 那么 elemSize = 1，CV_8UC3 那么 elemSize = 3，CV_16UC2 那么 elemSize = 4；记住另外有个 elemSize1 表示的是矩阵中数据类型的大小，即 elemSize / channels 的大小
void two() {
//定义变量
Mat img;
int threshval = 170;//设定阈值
Mat result;
Mat bw = img;
//载入图片
img = imread("D:\\in.jpg", 0);
//显示原图
namedWindow("原始图像");
imshow("原始图像", img);
bw = threshval < 100 ? (img < 160) : (img > 160);//如果阈值小于100，那么中间为真，即像素值小于160的为1，大于160的为0；如果阈值大于100，那么右边为真，即像素值大于160的为1，小于160的为0.
namedWindow("二值化后的图像");
imshow("二值化后的图像", bw);
waitKey(0);
}
图像轮廓提取
cvtcolor():函数是一个颜色空间转换函数，可以实现RGB颜色向HSV，HSI等颜色空间转换。也可以转换为灰度图。
void line() {
Mat img, dst;
img = imread("D:\\in.jpg");
namedWindow("原始图像", CV_WINDOW_AUTOSIZE);
imshow("原始图像", img);
dst = Mat::zeros(img.size(), CV_8UC3);//相当于创建一张黑色的图
blur(img, img, Size(3, 3)); //用标准化的盒式过滤器来平滑图像
cvtColor(img, img, COLOR_BGR2GRAY);//颜色转换
Canny(img, img, 20, 80, 3, false); //使用canny算法对输入图像进行边缘检测
std::vector<std::vector<Point>> contours; //是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。有多少轮廓，向量contours就有多少元素。
std::vector<Vec4i> hierarchy; //Vec4i是Vec<int,4>的别名，定义了一个“向量内每一个元素包含了4个int型变量”的向量。
findContours(img, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));//检测出物体的轮廓
RNG rng(0); //随机生成数
for (int i = 0; i < contours.size(); i++) {
Scalar color = Scalar(rng.uniform(255, 255), rng.uniform(255, 255), rng.uniform(255, 255));//将图像设置成单一灰度和颜色
drawContours(dst, contours, i, color, 1, 8, hierarchy, 0, Point(0, 0)); //用于画出图像的轮廓
}
namedWindow("轮廓", CV_WINDOW_AUTOSIZE); imshow("轮廓", dst);
waitKey(0);
}
计算图像梯度
GaussianBlur函数参数详解如下：
src，输入图像，即源图像，填Mat类的对象即可。它可以是单独的任意通道数的图片，但需要注意，图片深度应该为CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
dst，即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。
ksize，高斯内核的大小。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数（并不能理解）。或者，它们可以是零的，它们都是由sigma计算而来。
sigmaX，表示高斯核函数在X方向的的标准偏差。
sigmaY，表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。为了结果的正确性着想，最好是把第三个参数Size，第四个参数sigmaX和第五个参数sigmaY全部指定到。
borderType，用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT。
该操作可实现图像增强等相关操作的快速运算
void gradient() {
Mat src, gray, dst;
src = imread("D:\\in.jpg");
namedWindow("input", CV_WINDOW_AUTOSIZE);
imshow("input", src);
GaussianBlur(src, src, Size(3, 3), 0, 0); //进行均值滤波操作
cvtColor(src, gray, CV_BGR2GRAY); //转换为灰度图
//【1】sobel算子
Mat gradient_x, gradient_y;
Sobel(gray, gradient_x, CV_16S, 1, 0, 3);
Sobel(gray, gradient_y, CV_16S, 0, 1, 3);
//【2】Scharr算子
//Scharr(gray, gradient_x, CV_16S, 1, 0, 1, 0);
//Scharr(gray, gradient_y, CV_16S, 1, 0, 1, 0);*/
//计算绝对值
convertScaleAbs(gradient_x, gradient_x);
convertScaleAbs(gradient_y, gradient_y);
//imshow("gradient_x", gradient_x);
//imshow("gradient_y", gradient_y);
addWeighted(gradient_x, 1, gradient_y, 1, 0, dst);
//【3】laplace算子
//Laplacian(gray, dst, CV_16S, 3);
//convertScaleAbs(dst, dst);
//通过访问像素进行操作
int rows = gradient_x.rows;
int cols = gradient_x.cols;
Mat dst1 = Mat::zeros(gradient_x.size(), gradient_x.type());
for (int i = 0; i < rows; i++) {
for (int j = 0; j < cols; j++) {
dst1.at<uchar>(i, j) = saturate_cast<uchar>(gradient_x.at<uchar>(i, j) + gradient_y.at<uchar>(i, j)); //防止数据溢出
}
}
imshow("梯度", dst1);
waitKey(0);
}
