转自：http://blog.csdn.net/poem_qianmo/article/details/20537737
1：Mat imread(const string& filename, intflags=1 );
eg:
- Mat image0=imread("dota.jpg",CV_LOAD_IMAGE_ANYDEPTH | CV_LOAD_IMAGE_ANYCOLOR);//载入最真实的图像
- ge1=imread("dota.jpg",0);//载入灰度图
- Mat image2=imread("dota.jpg",199);//载入3通道的彩色图像
- Mat logo=imread("dota_logo.jpg");//载入3通道的彩色图像
- 第一个参数，const string&类型的trackbarname，表示轨迹条的名字，用来代表我们创建的轨迹条。
- 第二个参数，const string&类型的winname，填窗口的名字，表示这个轨迹条会依附到哪个窗口上，即对应namedWindow（）创建窗口时填的某一个窗口名。
- 第三个参数，int* 类型的value，一个指向整型的指针，表示滑块的位置。并且在创建时，滑块的初始位置就是该变量当前的值。
- 第四个参数，int类型的count，表示滑块可以达到的最大位置的值。PS:滑块最小的位置的值始终为0。
- 第五个参数，TrackbarCallback类型的onChange，首先注意他有默认值0。这是一个指向回调函数的指针，每次滑块位置改变时，这个函数都会进行回调。并且这个函数的原型必须为void XXXX(int,void*);其中第一个参数是轨迹条的位置，第二个参数是用户数据（看下面的第六个参数）。如果回调是NULL指针，表示没有回调函数的调用，仅第三个参数value有变化。
- 第六个参数，void*类型的userdata，他也有默认值0。这个参数是用户传给回调函数的数据，用来处理轨迹条事件。如果使用的第三个参数value实参是全局变量的话，完全可以不去管这个userdata参数。
- ******************************************************************************************************************************
- Size(5, 5)；//构造出的Size宽度和高度都为5，即XXX.width和XXX.height都为5
参数详解：
- 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。该函数对通道是独立处理的，且可以处理任意通道数的图片，但需要注意，待处理的图片深度应该为CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
- 第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。
- 第三个参数，int类型的ddepth，输出图像的深度，-1代表使用原图深度，即src.depth()。
- 第四个参数，Size类型（对Size类型稍后有讲解）的ksize，内核的大小。一般这样写Size( w,h )来表示内核的大小( 其中，w 为像素宽度， h为像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小
- 第五个参数，Point类型的anchor，表示锚点（即被平滑的那个点），注意他有默认值Point(-1,-1)。如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。
- 第六个参数，bool类型的normalize，默认值为true，一个标识符，表示内核是否被其区域归一化（normalized）了。
- 第七个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它
- 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。该函数对通道是独立处理的，且可以处理任意通道数的图片，但需要注意，待处理的图片深度应该为CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
- 第二个参数，OutputArray类型的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。
- 第三个参数，Size类型（对Size类型稍后有讲解）的ksize，内核的大小。一般这样写Size( w,h )来表示内核的大小( 其中，w 为像素宽度， h为像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小
- 第四个参数，Point类型的anchor，表示锚点（即被平滑的那个点），注意他有默认值Point(-1,-1)。如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。
- 第五个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它
- 第一个参数，InputArray类型的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。
- 第二个参数，OutputArray类型的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。
- 第三个参数，Size类型的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。或者，它们可以是零的，它们都是由sigma计算而来。
- 第四个参数，double类型的sigmaX，表示高斯核函数在X方向的的标准偏差。
- 第五个参数，double类型的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。
- 第六个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它。
参数详解：
- 第一个参数，InputArray类型的src，函数的输入参数，填1、3或者4通道的Mat类型的图像；当ksize为3或者5的时候，图像深度需为CV_8U，CV_16U，或CV_32F其中之一，而对于较大孔径尺寸的图片，它只能是CV_8U。
- 第二个参数，OutputArray类型的dst，即目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型。我们可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。
- 第三个参数，int类型的ksize，孔径的线性尺寸（aperture linear size），注意这个参数必须是大于1的奇数，比如：3，5，7，9 ...
- 第一个参数，InputArray类型的src，输入图像，即源图像，需要为8位或者浮点型单通道、三通道的图像。
- 第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。
- 第三个参数，int类型的d，表示在过滤过程中每个像素邻域的直径。如果这个值我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。
- 第四个参数，double类型的sigmaColor，颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
- 第五个参数，double类型的sigmaSpace坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。
- 第六个参数，int类型的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。
膨胀与腐蚀能实现多种多样的功能，主要如下：
- 消除噪声
- 分割(isolate)出独立的图像元素，在图像中连接(join)相邻的元素。
- 寻找图像中的明显的极大值区域或极小值区域
- 求出图像的梯度
- C++: void dilate(
- InputArray src,
- OutputArray dst,
- InputArray kernel,
- Point anchor=Point(-1,-1),
- int iterations=1,
- int borderType=BORDER_CONSTANT,
- const Scalar& borderValue=morphologyDefaultBorderValue()
- );
那么，我们接下来一起看一看拉普拉斯金字塔的概念吧
- 对图像向上采样：pyrUp函数（图像尺寸加倍，图像首先在每个维度上扩大为原来的两倍，新增的行（偶数行）以0填充。然后给指定的滤波器进行卷积（实际上是一个在每个维度都扩大为原来两倍的过滤器）去估计“丢失”像素的近似值。）
- 对图像向下采样：pyrDown函数
为了获取层级为 G_i+1 的金字塔图像，我们采用如下方法:
<1>对图像G_i进行高斯内核卷积
<2>将所有偶数行和列去除
得到的图像即为G_i+1的图像，显而易见，结果图像只有原图的四分之一。通过对输入图像G_i(原始图像)不停迭代以上步骤就会得到整个金字塔。同时我们也可以看到， 向下取样会逐渐丢失图像的信息。
以上就是对图像的向下取样操作，即缩小图像。
8.2： 对图像的向上取样
如果想放大图像，则需要通过向上取样操作得到，具体做法如下：
<1>将图像在每个方向扩大为原来的两倍，新增的行和列以0填充
<2>使用先前同样的内核(乘以4)与放大后的图像卷积，获得 “新增像素”的近似值
得到的图像即为放大后的图像，但是与原来的图像相比会发觉比较模糊，因为在缩放的过程中已经丢失了一些信息，如果想在缩小和放大整个过程中减少信息的丢失，这些 数据形成了拉普拉斯金字塔。
那么，我们接下来一起看一看拉普拉斯金字塔的概念吧
****************************************************************************************************************************************************************************************
9：resize函数剖析void resize(InputArray src,OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR)
- 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。
- 第二个参数，OutputArray类型的dst，输出图像，当其非零时，有着dsize（第三个参数）的尺寸，或者由src.size()计算出来。
- 第三个参数，Size类型的dsize，输出图像的大小
- 第四个参数，double类型的fx，沿水平轴的缩放系数，有默认值0
- 第五个参数，double类型的fy，沿垂直轴的缩放系数，有默认值0
- 第五个参数，double类型的fy，沿垂直轴的缩放系数，有默认值0
resize( )为OpenCV中专职调整图像大小的函数。
此函数将源图像精确地转换为指定尺寸的目标图像。如果源图像中设置了ROI（Region Of Interest ，感兴趣区域），那么resize( )函数会对源图像的ROI区域进行调整图 像尺寸的操作，来输出到目标图像中。若目标图像中已经设置ROI区域，不难理解resize( )将会对源图像进行尺寸调整并填充到目标图像的ROI中。
很多时候，我们并不用考虑第二个参数dst的初始图像尺寸和类型（即直接定义一个Mat类型，不用对其初始化），因为其尺寸和类型可以由src,dsize,fx和fy这其他的几个 参数来确定。
****************************************************************************************************************************************************************************************
10：pryUp函数剖析
pyrUp( )函数的作用是向上采样并模糊一张图像，说白了就是放大一张图片
void pyrUp(InputArray src, OutputArraydst, const Size& dstsize=Size(), int borderType=BORDER_DEFAULT )
- 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。
- 第二个参数，OutputArray类型的dst，输出图像，和源图片有一样的尺寸和类型。
- 第三个参数，const Size&类型的dstsize，输出图像的大小;有默认值Size()，即默认情况下，由Size（src.cols*2，src.rows*2）来进行计算，
- 第四个参数，int类型的borderType，又来了，边界模式，一般我们不用去管它。
总结一下，OpenCV中的霍夫线变换有如下三种：
<1>标准霍夫变换（StandardHough Transform，SHT），由HoughLines函数调用。
<2>多尺度霍夫变换（Multi-ScaleHough Transform，MSHT），由HoughLines函数调用。
<3>累计概率霍夫变换（ProgressiveProbabilistic Hough Transform，PPHT），由HoughLinesP函数调用。
我们可以对图像中所有的点进行上述操作. 如果两个不同点进行上述操作后得到的曲线在平面
以上的说明表明，一般来说, 一条直线能够通过在平面 
这就是霍夫线变换要做的. 它追踪图像中每个点对应曲线间的交点. 如果交于一点的曲线的数量超过了阈值, 那么可以认为这个交点所代表的参数对
2：houghLines函数详解
我们可以用其来调用标准霍夫变换SHT和多尺度霍夫变换MSHT的OpenCV内建算法。
void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 )
具体见：http://blog.csdn.net/poem_qianmo/article/details/26977557
***********************************************************************************************************************************
12：openCV角点检测之Harris角点检测
当前的图像处理领域，角点检测算法可归纳为三类：
<1>基于灰度图像的角点检测
<2>基于二值图像的角点检测
<3>基于轮廓曲线的角点检测
“如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，那么我们就把它称之为角点“
另外，关于角点的具体描述可以有几种：
- 一阶导数(即灰度的梯度)的局部最大所对应的像素点；
- 两条及两条以上边缘的交点；
- 图像中梯度值和梯度方向的变化速率都很高的点；
- 角点处的一阶导数最大，二阶导数为零，指示物体边缘变化不连续的方向。
cornerHarris函数详解cornerHarris 函数用于在OpenCV中运行Harris角点检测算子处理图像。cornerHarris 函数对于每一个像素(x,y)在邻域内，计算2x2梯度的协方差矩阵
，接着它计算如下式子：
，即可以找出输出图中的局部最大值，即找出了角点。
函数原型：void cornerHarris(InputArray src,OutputArray dst, int blockSize, int ksize, double k, intborderType=BORDER_DEFAULT )
- 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可，且需为单通道8位或者浮点型图像。
- 第二个参数，OutputArray类型的dst，函数调用后的运算结果存在这里，即这个参数用于存放Harris角点检测的输出结果，和源图片有一样的尺寸和类型。
- 第三个参数，int类型的blockSize，表示邻域的大小，更多的详细信息在cornerEigenValsAndVecs（）中有讲到。
- 第四个参数，int类型的ksize，表示Sobel()算子的孔径大小。
- 第五个参数，double类型的k，Harris参数。
- 第六个参数，int类型的borderType，图像像素的边界模式，注意它有默认值BORDER_DEFAULT。更详细的解释，参考borderInterpolate( )函数。
double threshold(InputArray src,OutputArray dst, double thresh, double maxval, int type)函数Threshold( ) 对单通道数组应用固定阈值操作。该函数的典型应用是对灰度图像进行阈值操作得到二值图像。(另外，compare( )函数也可以达到此目的) 或者是去掉噪声，例如过滤很小或很大象素值的图像点。
- 第一个参数，InputArray类型的src，输入数组，填单通道 , 8或32位浮点类型的Mat即可。
- 第二个参数，OutputArray类型的dst，函数调用后的运算结果存在这里，即这个参数用于存放输出结果，且和第一个参数中的Mat变量有一样的尺寸和类型。
- 第三个参数，double类型的thresh，阈值的具体值。
- 第四个参数，double类型的maxval，当第五个参数阈值类型type取 CV_THRESH_BINARY 或CV_THRESH_BINARY_INV 阈值类型时的最大值.
- 第五个参数，int类型的type，阈值类型,。threshold( )函数支持的对图像取阈值的方法由其确定，
- http://blog.csdn.net/poem_qianmo/article/details/29356187（不是特别明白里面的一些函数）
- ************************************************************************************************************************************************************************
13：重映射与SURF点检测重映射SURF点检测OpenCV中关于SURF算法的部分，常常涉及到的是SURF、SurfFeatureDetector、SurfDescriptorExtractor这三个类，这一小节我们就来对他们进行人肉，挖 挖其背景，看看他们究竟是什么来头。绘制关键点的函数：drawKeypoints( )void drawKeypoints(const Mat&image, const vector<KeyPoint>& keypoints, Mat& outImage, constScalar& color=Scalar::all(-1),int flags=DrawMatchesFlags::DEFAULT)
- 第一个参数，const Mat&类型的src，输入图像。
- 第二个参数，const vector<KeyPoint>&类型的keypoints，根据源图像得到的特征点，它是一个输出参数。
- 第三个参数，Mat&类型的outImage，输出图像，其内容取决于第五个参数标识符falgs。
- 第四个参数，const Scalar&类型的color，关键点的颜色，有默认值Scalar::all(-1)。
- 第五个参数，int类型的flags，绘制关键点的特征标识符，有默认值DrawMatchesFlags::DEFAULT。可以在如下这个结构体中选取值。
SURF检测大致代码：
Mat srcImage1 = imread("D:/TEST_GIT/test2/img/book1.jpg",1);
Mat srcImage2 = imread("D:/TEST_GIT/test2/img/book2.jpg",2);
//【2】定义需要用到的变量和类
int minHessian = 400; //定义SURF中的hessian阈值特征点检测算子
SurfFeatureDetector detector(minHessian); //定义一个SurfFeatureDetector（SURF） 特征检测类对象
std::vector<KeyPoint> keypoints_1, keypoints_2; //vector模板类是能够存放任意类型的动态数组，能够增加和压缩数据
//【3】调用detect函数检测出SURF特征关键点，保存在vector容器中
detector.detect(srcImage1, keypoints_1);
detector.detect(srcImage2, keypoints_2);
//【4】绘制特征关键点
Mat img_keypoints_1; Mat img_keypoints_2;
drawKeypoints(srcImage1, keypoints_1, img_keypoints_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
drawKeypoints(srcImage2, keypoints_2, img_keypoints_2, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
//【5】显示效果图
imshow("特征点检测效果图1", img_keypoints_1);
imshow("特征点检测效果图2", img_keypoints_2);在OpenCV中，使用SURF进行特征点描述主要是drawMatches方法和BruteForceMatcher类的运用，让我们一起来认识他们。
- C++: void drawMatches(const Mat& img1,
- constvector<KeyPoint>& keypoints1,
- const Mat& img2,
- constvector<KeyPoint>& keypoints2,
- constvector<DMatch>& matches1to2,
- Mat& outImg,
- const Scalar&matchColor=Scalar::all(-1),
- const Scalar&singlePointColor=Scalar::all(-1),
- const vector<char>&matchesMask=vector<char>(),
- intflags=DrawMatchesFlags::DEFAULT )
drawMatches用于绘制出相匹配的两个图像的关键点
- 第一个参数，const Mat&类型的img1，第一幅源图像。
- 第二个参数，const vector<KeyPoint>&类型的keypoints1，根据第一幅源图像得到的特征点，它是一个输出参数。
- 第三个参数，const Mat&类型的img2，第二幅源图像。
- 第四个参数，const vector<KeyPoint>&类型的keypoints2，根据第二幅源图像得到的特征点，它是一个输出参数。
- 第五个参数，matches1to2，第一幅图像到第二幅图像的匹配点，即表示每一个图1中的特征点都在图2中有一一对应的点、
- 第六个参数，Mat&类型的outImg，输出图像，其内容取决于第五个参数标识符falgs。
- 第七个参数，const Scalar&类型的matchColor，匹配的输出颜色，即线和关键点的颜色。它有默认值Scalar::all(-1)，表示颜色是随机生成的。
- 第八个参数，const Scalar&类型的singlePointColor，单一特征点的颜色，它也有表示随机生成颜色的默认值Scalar::all(-1)。
- 第九个参数，matchesMask，确定哪些匹配是会绘制出来的掩膜，如果掩膜为空，表示所有匹配都进行绘制。
- 第十个参数，int类型的flags，特征绘制的标识符，有默认值DrawMatchesFlags::DEFAULT。可以在如下这个DrawMatchesFlags结构体中选取值：
BruteForceMatcher类源码分析
而我们用BruteForceMatcher类时用到最多的match方法，是它从DescriptorMatcher类那里的“拿来主义”。定义如下：
- //为各种描述符找到一个最佳的匹配（若掩膜为空）
- CV_WRAP void match( const Mat& queryDescriptors, const Mat&trainDescriptors,
- CV_OUTvector<DMatch>& matches, const Mat& mask=Mat() ) const;
程序利用了SURF特征的特征描述办法，其操作封装在类SurfFeatureDetector中，利用类内的detect函数可以检测出SURF特征的关键点，保存在vector容器中。第二步利用SurfDescriptorExtractor类进行特征向量的相关计算。将之前的vector变量变成向量矩阵形式保存在Mat中。最后强行匹配两幅图像的特征向量，利用了类BruteForceMatcher中的函数match。
程序的核心思想是：
- 使用 DescriptorExtractor 接口来寻找关键点对应的特征向量。detector（srcImage，keyPoints）方法
- 使用 SurfDescriptorExtractor 以及它的函数 compute 来完成特定的计算。compute（srcImage，keyPoints, descriptor）方法
- 使用 BruteForceMatcher 来匹配特征向量。match（descriptor1,descriptor2,matches）方法
- 使用函数 drawMatches 来绘制检测到的匹配点.drawMatches( srcImage1, keyPoint1, srcImage2, keyPoints2, matches, imgMatches)
