imgproc模块中常用函数源码

来源：互联网发布：mysql 查询记录行号编辑：程序博客网时间：2024/04/24 07:34

imgproc模块中常用函数源码

一、滤波

1、方框滤波boxFilter()

//! smooths the image using the box filter. Each pixel is processed in O(1) timeCV_EXPORTS_W void boxFilter( InputArray src, OutputArray dst, int ddepth,                             Size ksize, Point anchor=Point(-1,-1),                             bool normalize=true,                             int borderType=BORDER_DEFAULT );

void cv::boxFilter( InputArray _src, OutputArray _dst, int ddepth,                Size ksize, Point anchor,                bool normalize, int borderType ){    Mat src = _src.getMat();    int sdepth = src.depth(), cn = src.channels();    if( ddepth < 0 )        ddepth = sdepth;    _dst.create( src.size(), CV_MAKETYPE(ddepth, cn) );    Mat dst = _dst.getMat();    if( borderType != BORDER_CONSTANT && normalize && (borderType & BORDER_ISOLATED) != 0 )    {        if( src.rows == 1 )            ksize.height = 1;        if( src.cols == 1 )            ksize.width = 1;    }#ifdef HAVE_TEGRA_OPTIMIZATION    if ( tegra::box(src, dst, ksize, anchor, normalize, borderType) )        return;#endif    Ptr<FilterEngine> f = createBoxFilter( src.type(), dst.type(),                        ksize, anchor, normalize, borderType );    f->apply( src, dst );}

cv::Ptr<cv::FilterEngine> cv::createBoxFilter( int srcType, int dstType, Size ksize,                    Point anchor, bool normalize, int borderType ){    int sdepth = CV_MAT_DEPTH(srcType);    int cn = CV_MAT_CN(srcType), sumType = CV_64F;    if( sdepth <= CV_32S && (!normalize ||        ksize.width*ksize.height <= (sdepth == CV_8U ? (1<<23) :            sdepth == CV_16U ? (1 << 15) : (1 << 16))) )        sumType = CV_32S;    sumType = CV_MAKETYPE( sumType, cn );    Ptr<BaseRowFilter> rowFilter = getRowSumFilter(srcType, sumType, ksize.width, anchor.x );    Ptr<BaseColumnFilter> columnFilter = getColumnSumFilter(sumType,        dstType, ksize.height, anchor.y, normalize ? 1./(ksize.width*ksize.height) : 1);    return Ptr<FilterEngine>(new FilterEngine(Ptr<BaseFilter>(0), rowFilter, columnFilter,           srcType, dstType, sumType, borderType ));}

2、均值滤波blur()

//! a synonym for normalized box filterCV_EXPORTS_W void blur( InputArray src, OutputArray dst,                        Size ksize, Point anchor=Point(-1,-1),                        int borderType=BORDER_DEFAULT );

void cv::blur( InputArray src, OutputArray dst,           Size ksize, Point anchor, int borderType ){    boxFilter( src, dst, -1, ksize, anchor, true, borderType );}

3、高斯滤波GaussianBlur()

//! smooths the image using Gaussian filter.CV_EXPORTS_W void GaussianBlur( InputArray src,                      OutputArray dst, Size ksize,                      double sigmaX, double sigmaY=0,                      int borderType=BORDER_DEFAULT );

void cv::GaussianBlur( InputArray _src, OutputArray _dst, Size ksize,                   double sigma1, double sigma2,                   int borderType ){    Mat src = _src.getMat();    _dst.create( src.size(), src.type() );    Mat dst = _dst.getMat();    if( borderType != BORDER_CONSTANT && (borderType & BORDER_ISOLATED) != 0 )    {        if( src.rows == 1 )            ksize.height = 1;        if( src.cols == 1 )            ksize.width = 1;    }    if( ksize.width == 1 && ksize.height == 1 )    {        src.copyTo(dst);        return;    }#ifdef HAVE_TEGRA_OPTIMIZATION    if(sigma1 == 0 && sigma2 == 0 && tegra::gaussian(src, dst, ksize, borderType))        return;#endif#if defined HAVE_IPP && (IPP_VERSION_MAJOR >= 7)    if(src.type() == CV_32FC1 && sigma1 == sigma2 && ksize.width == ksize.height && sigma1 != 0.0 )    {        IppiSize roi = {src.cols, src.rows};        int bufSize = 0;        ippiFilterGaussGetBufferSize_32f_C1R(roi, ksize.width, &bufSize);        AutoBuffer<uchar> buf(bufSize+128);        if( ippiFilterGaussBorder_32f_C1R((const Ipp32f *)src.data, (int)src.step,                                          (Ipp32f *)dst.data, (int)dst.step,                                          roi, ksize.width, (Ipp32f)sigma1,                                          (IppiBorderType)borderType, 0.0,                                          alignPtr(&buf[0],32)) >= 0 )            return;    }#endif    Ptr<FilterEngine> f = createGaussianFilter( src.type(), ksize, sigma1, sigma2, borderType );    f->apply( src, dst );}

二、边缘检测

1、Sobel算子

//! applies generalized Sobel operator to the imageCV_EXPORTS_W void Sobel( InputArray src, OutputArray dst, int ddepth,                         int dx, int dy, int ksize=3,                         double scale=1, double delta=0,                         int borderType=BORDER_DEFAULT );

void cv::Sobel( InputArray _src, OutputArray _dst, int ddepth, int dx, int dy,                int ksize, double scale, double delta, int borderType ){    Mat src = _src.getMat();    if (ddepth < 0)        ddepth = src.depth();    _dst.create( src.size(), CV_MAKETYPE(ddepth, src.channels()) );    Mat dst = _dst.getMat();#ifdef HAVE_TEGRA_OPTIMIZATION    if (scale == 1.0 && delta == 0)    {        if (ksize == 3 && tegra::sobel3x3(src, dst, dx, dy, borderType))            return;        if (ksize == -1 && tegra::scharr(src, dst, dx, dy, borderType))            return;    }#endif#if defined (HAVE_IPP) && (IPP_VERSION_MAJOR >= 7)    if(dx < 3 && dy < 3 && src.channels() == 1 && borderType == 1)    {        if(IPPDeriv(src, dst, ddepth, dx, dy, ksize,scale))            return;    }#endif    int ktype = std::max(CV_32F, std::max(ddepth, src.depth()));    Mat kx, ky;    getDerivKernels( kx, ky, dx, dy, ksize, false, ktype );    if( scale != 1 )    {        // usually the smoothing part is the slowest to compute,        // so try to scale it instead of the faster differenciating part        if( dx == 0 )            kx *= scale;        else            ky *= scale;    }    sepFilter2D( src, dst, ddepth, kx, ky, Point(-1,-1), delta, borderType );}

void cv::getDerivKernels( OutputArray kx, OutputArray ky, int dx, int dy,                          int ksize, bool normalize, int ktype ){    if( ksize <= 0 )        getScharrKernels( kx, ky, dx, dy, normalize, ktype );    else        getSobelKernels( kx, ky, dx, dy, ksize, normalize, ktype );}

static void getScharrKernels( OutputArray _kx, OutputArray _ky,                              int dx, int dy, bool normalize, int ktype ){    const int ksize = 3;    CV_Assert( ktype == CV_32F || ktype == CV_64F );    _kx.create(ksize, 1, ktype, -1, true);    _ky.create(ksize, 1, ktype, -1, true);    Mat kx = _kx.getMat();    Mat ky = _ky.getMat();    CV_Assert( dx >= 0 && dy >= 0 && dx+dy == 1 );    for( int k = 0; k < 2; k++ )    {        Mat* kernel = k == 0 ? &kx : &ky;        int order = k == 0 ? dx : dy;        int kerI[3];        if( order == 0 )            kerI[0] = 3, kerI[1] = 10, kerI[2] = 3;        else if( order == 1 )            kerI[0] = -1, kerI[1] = 0, kerI[2] = 1;        Mat temp(kernel->rows, kernel->cols, CV_32S, &kerI[0]);        double scale = !normalize || order == 1 ? 1. : 1./32;        temp.convertTo(*kernel, ktype, scale);    }}static void getSobelKernels( OutputArray _kx, OutputArray _ky,                             int dx, int dy, int _ksize, bool normalize, int ktype ){    int i, j, ksizeX = _ksize, ksizeY = _ksize;    if( ksizeX == 1 && dx > 0 )        ksizeX = 3;    if( ksizeY == 1 && dy > 0 )        ksizeY = 3;    CV_Assert( ktype == CV_32F || ktype == CV_64F );    _kx.create(ksizeX, 1, ktype, -1, true);    _ky.create(ksizeY, 1, ktype, -1, true);    Mat kx = _kx.getMat();    Mat ky = _ky.getMat();    if( _ksize % 2 == 0 || _ksize > 31 )        CV_Error( CV_StsOutOfRange, "The kernel size must be odd and not larger than 31" );    vector<int> kerI(std::max(ksizeX, ksizeY) + 1);    CV_Assert( dx >= 0 && dy >= 0 && dx+dy > 0 );    for( int k = 0; k < 2; k++ )    {        Mat* kernel = k == 0 ? &kx : &ky;        int order = k == 0 ? dx : dy;        int ksize = k == 0 ? ksizeX : ksizeY;        CV_Assert( ksize > order );        if( ksize == 1 )            kerI[0] = 1;        else if( ksize == 3 )        {            if( order == 0 )                kerI[0] = 1, kerI[1] = 2, kerI[2] = 1;            else if( order == 1 )                kerI[0] = -1, kerI[1] = 0, kerI[2] = 1;            else                kerI[0] = 1, kerI[1] = -2, kerI[2] = 1;        }        else        {            int oldval, newval;            kerI[0] = 1;            for( i = 0; i < ksize; i++ )                kerI[i+1] = 0;            for( i = 0; i < ksize - order - 1; i++ )            {                oldval = kerI[0];                for( j = 1; j <= ksize; j++ )                {                    newval = kerI[j]+kerI[j-1];                    kerI[j-1] = oldval;                    oldval = newval;                }            }            for( i = 0; i < order; i++ )            {                oldval = -kerI[0];                for( j = 1; j <= ksize; j++ )                {                    newval = kerI[j-1] - kerI[j];                    kerI[j-1] = oldval;                    oldval = newval;                }            }        }        Mat temp(kernel->rows, kernel->cols, CV_32S, &kerI[0]);        double scale = !normalize ? 1. : 1./(1 << (ksize-order-1));        temp.convertTo(*kernel, ktype, scale);    }}

2、

0 0