---

前言

1. 需要下载安装OpenCV工具包的朋友，请前往 此处 ；
2. 系统要求：Windows系统，LabVIEW>=2018，兼容32位和64位。

---

imgproc 基础操作（上）

本文对于之前教程中，未曾集中详细讲解的基础图像处理内容，进行必要的补充。

这些功能基本都来源于 imgproc 模块，大概可以分为以下几个方面。

1. 颜色空间

此内容之前已有教程，详见：【秣厉科技】LabVIEW工具包——OpenCV 教程（4）：颜色空间

---

2. 直方图

直方图是一种统计表示方法，用于展示图像中不同像素强度出现的频率分布。

OpenCV中，用 calcHist 函数计算直方图，简单用法如下：

• 例2-1：灰度图的直方图统计，区间数为5，均匀分割 8U 范围（0~255）

• 作为常用的一维直方图，其输出结果 Hist 是个列向量，每一个数值代表相应灰度区间内的像素数。
  

• calcHist 参数含义：

参数	含义
ImageArray	Mat 数组，存储一张或多张输入图像，尺寸必须一致
Hist	一个 Mat 对象，直方图统计结果的输出容器，类型为 32F
channels	int 数组，指定需要做直方图统计的通道序号。当 ImageArray 包含多张图片时，通道序号依次递增，比如第一张包含3个通道，序号为0、1、2；第二张也包含3个通道，序号为3、4、5，以此类推。 channels 只包含一个通道序号时，代表最常用的一维直方图；当包含多个通道序号时，则是多维直方图。
histSize	int 数组，指定每个通道（维度）的直方图数量
ranges	float 数组，指定每个通道中像素强度（灰度）值的统计范围。 当 uniform 为真，ranges 每通道只需两个数值，即（总下限，总上限），将自动平均分割成 histSize 指定的份数； 当 uniform 为假，ranges 每通道需手动分割，如（h0，h1，h2，h3）代表三个范围 h0-h1，h1-h2，h2-h3 ； 以上的每个范围都遵循 “包含左端，不包含右端” 的原则，即左闭右开。
uniform	布尔值，均一化标志，其功能如上面 ranges 所述。
accumulate	布尔值，累加标志。 当 accumulate 为假，函数左端传入的 Hist 将被清空后，再写入本次直方图统计结果； 当 accumulate 为真，函数左端传入的 Hist 不会被清空，而是直接累加上本次直方图统计结果。
Mask	Mat 类型的掩码，可选参数，不连接代表全图参与统计。

• 例2-2：灰度图的直方图统计，自定义非均匀分割区间

• 例2-3：将两张彩色图片的 R通道 直方图累加在一起
• 通道顺序是BGR，所以两张图片R通道的序号分别是2和5；
• 第一次 calcHist 的 accumulate 参数是真、假都可以，因为传入的 Hist 初始为空矩阵；
• 但第二次 calcHist 的 accumulate 参数必须为真，才能实现累加。

• 例2-4：二维直方图范例
• channels 同时给定2个通道序号，histSize 和 ranges 指定两组分割区间，将进行二维直方图统计；
• 假如两组区间数分别为 M 和 N，那么输出的二维直方图尺寸就是 M x N；
• 每个元素 Hist (i,j) 代表 同时满足 “第1个通道强度值落在第1组的第 i 区间，第2个通道强度值落在第2组的第 j 区间” 的像素数；
• 不难看出，将二维直方图 “行向累加” 成一列，就是第1个通道的一维直方图；“列向累加” 成一行，就是第2个通道的一维直方图。

---

3. 二值化

二值化的任务，是将一张灰度图，按照设定的阈值，转化成仅有黑白两种颜色的单通道图像。

OpenCV中，用 threshold 函数实现灰度图的二值化，简单用法如下：

• 例3-1：灰度图二值化，阈值127，最大值255，反向模式（大于阈值时置0，小于等于阈值时置最大值）

• threshold 参数含义：

参数	含义
srcImage	源图像
dstImage	目标图像，即二值化的结果
thresh	阈值
maxval	最大值，即二值中的较大值（最小值固定为0）
type	转化类型，共 8 种，含义见下表
retValue（返回值）	当 type 设为 OTSU 或 TRIANGLE 时，返回自适应的阈值；否则原样返回 thresh 参数值。
–	–
type类型	含义
THRESH_BINARY	阈值二值化模式，大于阈值时置 maxval ，小于等于阈值时置 0
THRESH_BINARY_INV	反向阈值二值化模式，大于阈值时置 0 ，小于等于阈值时置 maxval
THRESH_TRUNC	截断模式，大于阈值时置 thresh ，小于等于阈值时维持原值
THRESH_TOZERO	取零模式，大于阈值时维持原值，小于等于阈值时置 0
THRESH_TOZERO_INV	反向取零模式，大于阈值时置 0 ，小于等于阈值时维持原值
THRESH_MASK	返回掩码（本类型已不支持，冗余残留）
THRESH_OTSU	OTSU 自适应 阈值， 基于区分前景和背景。通常与其他模式叠加使用
THRESH_TRIANGLE	TRIANGLE 自适应 阈值， 基于寻找直方图双峰之间的谷底。 通常与其他模式叠加使用

• 例3-2：灰度图二值化，采用OTSU自动确定阈值，再按 THRESH_BINARY_INV 模式转化

---

4. 腐蚀、膨胀、开闭运算

腐蚀、膨胀、开闭运算都属于形态学操作，这些通常在二值化图像上进行。通过特殊的滤波规则，实现二值图中白色区域的收缩、扩张、去噪、联通、边缘润滑等效果。先腐蚀后膨胀，称为开运算；先膨胀后腐蚀，称为闭运算。

相关函数如下表：

函数	功能
erode	腐蚀，白色区域收缩，孤立的小型白色区域（噪声点）甚至完全消失
dilate	膨胀， 白色区域扩张，孤立的小型黑色区域（噪声点）甚至完全消失
morphology	可实现多种形态学运算，包括腐蚀、膨胀、开运算 和 闭运算（取决于 op 参数）
getStructuringElement	生成结构元素（一个小型二维Mat），作为上述运算的滤波 “核”

• 例4-1：对同一个二值图，用 9x9 的矩形核，分别进行腐蚀、膨胀、开运算
• 参考范例：examples/Molitec/OpenCV/imgproc/imgproc_3(binary).vi
• 简单说明参数：
  anchor 是锚点，即 “核” 在图像上移动时的参考点，默认（-1，-1）代表中心点‌；
  iterations 是迭代次数；
  borderType 边界像素外推的方法，默认为 BORDER_CONSTANT ，即常量填充；
  borderValue 边界填充值，默认为 64F 的最大值 1.797693134862E+308 ；
  op 是 morphology 函数独有的参数，定义操作类型。开运算 MORPH_OPEN ，闭运算 MORPH_CLOSE；

---

5. 梯度与轮廓

图像梯度指的是像素强度（灰度）的变化率，可以用来确定图像的边缘轮廓。

OpenCV中，常用的边缘检测函数包括：Canny、Scharr、Sobel 和 Laplacian。

其中 Canny 是个多态VI，包含 image 输入 和 dxdy 输入 两种模式。

• 例5-1：对同一个灰度图，分别用 Canny、Scharr、Sobel 和 Laplacian 进行梯度计算和边缘检测
• 参考范例：examples/Molitec/OpenCV/imgproc/imgproc_4(gradient).vi

• 各函数的 params 参数说明

Canny参数	含义
threshold1	低阈值，像素梯度低于这个阈值的，一定不是边缘。
threshold2	高阈值，像素梯度高于这个阈值的，一定是边缘，且为 “强边缘”。 如果介于两个阈值之间，只有与强边缘相邻时，才被视为边缘的一部分。
apertureSize	Sobel 算子尺寸，必须取1、3、5 或 7。 默认为3，代表使用 3x3 的卷积核计算梯度。
L2gradient	布尔值，为真代表使用L2范数（欧几里得距离），为假代表使用L1范数（曼哈顿距离）
–	–
Scharr参数
ddepth	目标图像深度（数据类型，如 CV_8U 等），默认为-1，代表与源图像深度相同。
dx	x方向的求导阶数。0表示不计算x方向导数。
dy	y方向的求导阶数。0表示不计算y方向导数。
scale	计算导数时的缩放因子，默认为1。
delta	增量值，加到计算出的导数上，默认值为0。
borderType	边界类型，默认为 BORDER_DEFAULT，等同于 BORDER_REFLECT_101
–	–
Sobel参数
ddepth	同上
dx	同上
dy	同上
ksize	Sobel 算子尺寸，必须取1、3、5 或 7。
scale	同上
delta	同上
borderType	同上
–	–
Laplacian参数
ddepth	同上
ksize	Laplacian 算子尺寸，必须是奇数。
scale	同上
delta	同上
borderType	同上

• 例5-2：采用 spatialGradient 分别计算dx、dy，再用 Canny 的dxdy模式进行边缘检测
• 这相当于把 例5-1 的 Canny 计算过程一分为二。

在经过 Canny、Scharr、Sobel 和 Laplacian 计算之后，我们往往需要把其中的边缘轮廓提取出来，也就是把输出的二值图中 “连续的白色像素” 的坐标连接在一起，形成轮廓线条。

在OpenCV中，可以使用 findContours 提取梯度二值图中的轮廓线条。

• 例5-3：使用 Canny + findContours 计算梯度并提取轮廓，最后用 drawContours 绘制轮廓
• findContours 参数
• mode 定义轮廓检索模式，默认 RETR_EXTERNAL 代表只检索最外层的轮廓；
• method 定义轮廓近似方法，默认 CHAIN_APPROX_SIMPLE 代表简单近似法；
• offset 是坐标偏移量，默认（0，0）；
• 输出 contours‌ 是轮廓结果，其中 pts 数组是全部点坐标序列，npts 代表每个轮廓包含的点数，ncontours 代表轮廓个数。这与之前教程（5）中 drawContours 的输入参数定义相同；
• 输出 hierarchy 代表轮廓的层次结构，是1个（轮廓个数 x 4）的二维数组。每行4个整数，依次代表本行索引号轮廓的 “上一个、下一个、第一个、最后一个” 轮廓的索引号。-1 表示没有。

从上图 hierarchy 输出可以分析：
第0行（1，-1，-1，-1）代表0号轮廓的上一个是1号轮廓，下一个是 -1（没有）；
第1行（2，0，-1，-1）代表1号轮廓的上一个是2号轮廓，下一个是0号轮廓；
第2行（3，1，-1，-1）代表2号轮廓的上一个是3号轮廓，下一个是1号轮廓；
…
最终得出，这6个轮廓的先后顺序为：5，4，3，2，1，0

---

6. 简易绘图

此内容之前已有教程，详见：【秣厉科技】LabVIEW工具包——OpenCV 教程（5）：简易绘图

---

7. 重映射

图像重映射，指的是按照一定规则，重新排布源图像中的像素坐标位置，并渲染到目标图像中。

之前教程提到的 resize 就是一种重映射，用于实现图片的缩放。

• 例7-1：使用 resize 将源图像尺寸缩小到原来的一半
• resize 参数
• dsize：目标图像尺寸。如果 dsize 不为0，输出图像尺寸以 dsize 为准；否则，将由下面的 fx、fy 计算决定；
• fx：水平方向缩放因子；
• fy：垂直方向缩放因子；
• interpolation：插值方法，指的是当放大图像时，填补空缺的方法。默认 ‌INTER_LINEAR 双线性插值法。

下面，再介绍两种可以扭曲源图像形状的重映射：仿射变换（warpAffine）和 透视变换（warpPerspective）。

• 例7-2：分别使用 warpAffine 和 warpPerspective，将图片中一块 “四边形” 区域重映射成 “矩形”
• 参考范例：examples/Molitec/OpenCV/imgproc/imgproc_7(wrap).vi
• 首先，锚定源图像四边形的4个顶点，再给定输出矩形的4个顶点，将这两组顶点分别输入到 getAffineTransform 和 getPerspectiveTransform 中，运行得到各自的变换矩阵 M；
• 接着，使用 warpAffine 配合 getAffineTransform 输出的 M，完成仿射变换；
• 使用 warpPerspective 配合 getPerspectiveTransform 输出的 M，完成透视变换；

如果你想完全自定义一种映射关系，即手动给定每一个像素在新图像中的坐标位置，那么可以使用 remap 函数。

• 例7-3：使用 remap 实现图片的水平翻转
• remap 函数 VI 的上方需要输入两个 Mat 参数，名称分别为 map1 和 map2，用于逐像素指定映射后的新坐标；
• 上述 map1 和 map2 有两种组织方式：
  其一，map1 和 map2 都是单通道矩阵，那么 map1 指定所有像素映射之后的X坐标，map2 指定Y坐标；
  其二，map1 是双通道矩阵，那么由 map1 独自指定（X,Y)坐标，而 map2 为空矩阵 即可。
• 参考范例：examples/Molitec/OpenCV/imgproc/imgproc_6(remap).vi

顺便一提，如果只是需要进行图片翻转、旋转这样常规的操作，那完全没必要用到 remap。使用 core 模块下的 flip 和 rotate 等函数，就完全可以做到，而且更为简洁。

core 模块下也有不少重映射的方法，感兴趣的读者可以试一试。

---

总结

1. 本系列博文作为LabVIEW工具包—OpenCV的教程，将以专栏的形式陆续发布和更新。
2. 对工具包感兴趣的朋友，欢迎下载试用：秣厉科技 - LabVIEW工具包 - OpenCV
3. 各位看官有什么想法、建议、吐槽、批评，或新奇的需求，也欢迎留言讨论。