---

前言

1. 需要下載安裝OpenCV工具包的朋友，請前往 此處 ；
2. 系統要求：Windows系統，LabVIEW>=2018，兼容32位和64位。

---

imgproc 基礎操作（上）

本文對于之前教程中，未曾集中詳細講解的基礎圖像處理內容，進行必要的補充。

這些功能基本都來源于 imgproc 模塊，大概可以分為以下幾個方面。

1. 顏色空間

此內容之前已有教程，詳見：【秣厲科技】LabVIEW工具包——OpenCV 教程（4）：顏色空間

---

2. 直方圖

直方圖是一種統計表示方法，用于展示圖像中不同像素強度出現的頻率分布。

OpenCV中，用 calcHist 函數計算直方圖，簡單用法如下：

• 例2-1：灰度圖的直方圖統計，區間數為5，均勻分割 8U 范圍（0~255）

• 作為常用的一維直方圖，其輸出結果 Hist 是個列向量，每一個數值代表相應灰度區間內的像素數。
  

• calcHist 參數含義：

參數	含義
ImageArray	Mat 數組，存儲一張或多張輸入圖像，尺寸必須一致
Hist	一個 Mat 對象，直方圖統計結果的輸出容器，類型為 32F
channels	int 數組，指定需要做直方圖統計的通道序號。當 ImageArray 包含多張圖片時，通道序號依次遞增，比如第一張包含3個通道，序號為0、1、2；第二張也包含3個通道，序號為3、4、5，以此類推。 channels 只包含一個通道序號時，代表最常用的一維直方圖；當包含多個通道序號時，則是多維直方圖。
histSize	int 數組，指定每個通道（維度）的直方圖數量
ranges	float 數組，指定每個通道中像素強度（灰度）值的統計范圍。 當 uniform 為真，ranges 每通道只需兩個數值，即（總下限，總上限），將自動平均分割成 histSize 指定的份數； 當 uniform 為假，ranges 每通道需手動分割，如（h0，h1，h2，h3）代表三個范圍 h0-h1，h1-h2，h2-h3 ； 以上的每個范圍都遵循 “包含左端，不包含右端” 的原則，即左閉右開。
uniform	布爾值，均一化標志，其功能如上面 ranges 所述。
accumulate	布爾值，累加標志。 當 accumulate 為假，函數左端傳入的 Hist 將被清空后，再寫入本次直方圖統計結果； 當 accumulate 為真，函數左端傳入的 Hist 不會被清空，而是直接累加上本次直方圖統計結果。
Mask	Mat 類型的掩碼，可選參數，不連接代表全圖參與統計。

• 例2-2：灰度圖的直方圖統計，自定義非均勻分割區間

• 例2-3：將兩張彩色圖片的 R通道 直方圖累加在一起
• 通道順序是BGR，所以兩張圖片R通道的序號分別是2和5；
• 第一次 calcHist 的 accumulate 參數是真、假都可以，因為傳入的 Hist 初始為空矩陣；
• 但第二次 calcHist 的 accumulate 參數必須為真，才能實現累加。

• 例2-4：二維直方圖范例
• channels 同時給定2個通道序號，histSize 和 ranges 指定兩組分割區間，將進行二維直方圖統計；
• 假如兩組區間數分別為 M 和 N，那么輸出的二維直方圖尺寸就是 M x N；
• 每個元素 Hist (i,j) 代表 同時滿足 “第1個通道強度值落在第1組的第 i 區間，第2個通道強度值落在第2組的第 j 區間” 的像素數；
• 不難看出，將二維直方圖 “行向累加” 成一列，就是第1個通道的一維直方圖；“列向累加” 成一行，就是第2個通道的一維直方圖。

---

3. 二值化

二值化的任務，是將一張灰度圖，按照設定的閾值，轉化成僅有黑白兩種顏色的單通道圖像。

OpenCV中，用 threshold 函數實現灰度圖的二值化，簡單用法如下：

• 例3-1：灰度圖二值化，閾值127，最大值255，反向模式（大于閾值時置0，小于等于閾值時置最大值）

• threshold 參數含義：

參數	含義
srcImage	源圖像
dstImage	目標圖像，即二值化的結果
thresh	閾值
maxval	最大值，即二值中的較大值（最小值固定為0）
type	轉化類型，共 8 種，含義見下表
retValue（返回值）	當 type 設為 OTSU 或 TRIANGLE 時，返回自適應的閾值；否則原樣返回 thresh 參數值。
–	–
type類型	含義
THRESH_BINARY	閾值二值化模式，大于閾值時置 maxval ，小于等于閾值時置 0
THRESH_BINARY_INV	反向閾值二值化模式，大于閾值時置 0 ，小于等于閾值時置 maxval
THRESH_TRUNC	截斷模式，大于閾值時置 thresh ，小于等于閾值時維持原值
THRESH_TOZERO	取零模式，大于閾值時維持原值，小于等于閾值時置 0
THRESH_TOZERO_INV	反向取零模式，大于閾值時置 0 ，小于等于閾值時維持原值
THRESH_MASK	返回掩碼（本類型已不支持，冗余殘留）
THRESH_OTSU	OTSU 自適應 閾值， 基于區分前景和背景。通常與其他模式疊加使用
THRESH_TRIANGLE	TRIANGLE 自適應 閾值， 基于尋找直方圖雙峰之間的谷底。 通常與其他模式疊加使用

• 例3-2：灰度圖二值化，采用OTSU自動確定閾值，再按 THRESH_BINARY_INV 模式轉化

---

4. 腐蝕、膨脹、開閉運算

腐蝕、膨脹、開閉運算都屬于形態學操作，這些通常在二值化圖像上進行。通過特殊的濾波規則，實現二值圖中白色區域的收縮、擴張、去噪、聯通、邊緣潤滑等效果。先腐蝕后膨脹，稱為開運算；先膨脹后腐蝕，稱為閉運算。

相關函數如下表：

函數	功能
erode	腐蝕，白色區域收縮，孤立的小型白色區域（噪聲點）甚至完全消失
dilate	膨脹， 白色區域擴張，孤立的小型黑色區域（噪聲點）甚至完全消失
morphology	可實現多種形態學運算，包括腐蝕、膨脹、開運算 和 閉運算（取決于 op 參數）
getStructuringElement	生成結構元素（一個小型二維Mat），作為上述運算的濾波 “核”

• 例4-1：對同一個二值圖，用 9x9 的矩形核，分別進行腐蝕、膨脹、開運算
• 參考范例：examples/Molitec/OpenCV/imgproc/imgproc_3(binary).vi
• 簡單說明參數：
  anchor 是錨點，即 “核” 在圖像上移動時的參考點，默認（-1，-1）代表中心點?；
  iterations 是迭代次數；
  borderType 邊界像素外推的方法，默認為 BORDER_CONSTANT ，即常量填充；
  borderValue 邊界填充值，默認為 64F 的最大值 1.797693134862E+308 ；
  op 是 morphology 函數獨有的參數，定義操作類型。開運算 MORPH_OPEN ，閉運算 MORPH_CLOSE；

---

5. 梯度與輪廓

圖像梯度指的是像素強度（灰度）的變化率，可以用來確定圖像的邊緣輪廓。

OpenCV中，常用的邊緣檢測函數包括：Canny、Scharr、Sobel 和 Laplacian。

其中 Canny 是個多態VI，包含 image 輸入 和 dxdy 輸入 兩種模式。

• 例5-1：對同一個灰度圖，分別用 Canny、Scharr、Sobel 和 Laplacian 進行梯度計算和邊緣檢測
• 參考范例：examples/Molitec/OpenCV/imgproc/imgproc_4(gradient).vi

• 各函數的 params 參數說明

Canny參數	含義
threshold1	低閾值，像素梯度低于這個閾值的，一定不是邊緣。
threshold2	高閾值，像素梯度高于這個閾值的，一定是邊緣，且為 “強邊緣”。 如果介于兩個閾值之間，只有與強邊緣相鄰時，才被視為邊緣的一部分。
apertureSize	Sobel 算子尺寸，必須取1、3、5 或 7。 默認為3，代表使用 3x3 的卷積核計算梯度。
L2gradient	布爾值，為真代表使用L2范數（歐幾里得距離），為假代表使用L1范數（曼哈頓距離）
–	–
Scharr參數
ddepth	目標圖像深度（數據類型，如 CV_8U 等），默認為-1，代表與源圖像深度相同。
dx	x方向的求導階數。0表示不計算x方向導數。
dy	y方向的求導階數。0表示不計算y方向導數。
scale	計算導數時的縮放因子，默認為1。
delta	增量值，加到計算出的導數上，默認值為0。
borderType	邊界類型，默認為 BORDER_DEFAULT，等同于 BORDER_REFLECT_101
–	–
Sobel參數
ddepth	同上
dx	同上
dy	同上
ksize	Sobel 算子尺寸，必須取1、3、5 或 7。
scale	同上
delta	同上
borderType	同上
–	–
Laplacian參數
ddepth	同上
ksize	Laplacian 算子尺寸，必須是奇數。
scale	同上
delta	同上
borderType	同上

• 例5-2：采用 spatialGradient 分別計算dx、dy，再用 Canny 的dxdy模式進行邊緣檢測
• 這相當于把 例5-1 的 Canny 計算過程一分為二。

在經過 Canny、Scharr、Sobel 和 Laplacian 計算之后，我們往往需要把其中的邊緣輪廓提取出來，也就是把輸出的二值圖中 “連續的白色像素” 的坐標連接在一起，形成輪廓線條。

在OpenCV中，可以使用 findContours 提取梯度二值圖中的輪廓線條。

• 例5-3：使用 Canny + findContours 計算梯度并提取輪廓，最后用 drawContours 繪制輪廓
• findContours 參數
• mode 定義輪廓檢索模式，默認 RETR_EXTERNAL 代表只檢索最外層的輪廓；
• method 定義輪廓近似方法，默認 CHAIN_APPROX_SIMPLE 代表簡單近似法；
• offset 是坐標偏移量，默認（0，0）；
• 輸出 contours? 是輪廓結果，其中 pts 數組是全部點坐標序列，npts 代表每個輪廓包含的點數，ncontours 代表輪廓個數。這與之前教程（5）中 drawContours 的輸入參數定義相同；
• 輸出 hierarchy 代表輪廓的層次結構，是1個（輪廓個數 x 4）的二維數組。每行4個整數，依次代表本行索引號輪廓的 “上一個、下一個、第一個、最后一個” 輪廓的索引號。-1 表示沒有。

從上圖 hierarchy 輸出可以分析：
第0行（1，-1，-1，-1）代表0號輪廓的上一個是1號輪廓，下一個是 -1（沒有）；
第1行（2，0，-1，-1）代表1號輪廓的上一個是2號輪廓，下一個是0號輪廓；
第2行（3，1，-1，-1）代表2號輪廓的上一個是3號輪廓，下一個是1號輪廓；
…
最終得出，這6個輪廓的先后順序為：5，4，3，2，1，0

---

6. 簡易繪圖

此內容之前已有教程，詳見：【秣厲科技】LabVIEW工具包——OpenCV 教程（5）：簡易繪圖

---

7. 重映射

圖像重映射，指的是按照一定規則，重新排布源圖像中的像素坐標位置，并渲染到目標圖像中。

之前教程提到的 resize 就是一種重映射，用于實現圖片的縮放。

• 例7-1：使用 resize 將源圖像尺寸縮小到原來的一半
• resize 參數
• dsize：目標圖像尺寸。如果 dsize 不為0，輸出圖像尺寸以 dsize 為準；否則，將由下面的 fx、fy 計算決定；
• fx：水平方向縮放因子；
• fy：垂直方向縮放因子；
• interpolation：插值方法，指的是當放大圖像時，填補空缺的方法。默認 ?INTER_LINEAR 雙線性插值法。

下面，再介紹兩種可以扭曲源圖像形狀的重映射：仿射變換（warpAffine）和 透視變換（warpPerspective）。

• 例7-2：分別使用 warpAffine 和 warpPerspective，將圖片中一塊 “四邊形” 區域重映射成 “矩形”
• 參考范例：examples/Molitec/OpenCV/imgproc/imgproc_7(wrap).vi
• 首先，錨定源圖像四邊形的4個頂點，再給定輸出矩形的4個頂點，將這兩組頂點分別輸入到 getAffineTransform 和 getPerspectiveTransform 中，運行得到各自的變換矩陣 M；
• 接著，使用 warpAffine 配合 getAffineTransform 輸出的 M，完成仿射變換；
• 使用 warpPerspective 配合 getPerspectiveTransform 輸出的 M，完成透視變換；

如果你想完全自定義一種映射關系，即手動給定每一個像素在新圖像中的坐標位置，那么可以使用 remap 函數。

• 例7-3：使用 remap 實現圖片的水平翻轉
• remap 函數 VI 的上方需要輸入兩個 Mat 參數，名稱分別為 map1 和 map2，用于逐像素指定映射后的新坐標；
• 上述 map1 和 map2 有兩種組織方式：
  其一，map1 和 map2 都是單通道矩陣，那么 map1 指定所有像素映射之后的X坐標，map2 指定Y坐標；
  其二，map1 是雙通道矩陣，那么由 map1 獨自指定（X,Y)坐標，而 map2 為空矩陣 即可。
• 參考范例：examples/Molitec/OpenCV/imgproc/imgproc_6(remap).vi

順便一提，如果只是需要進行圖片翻轉、旋轉這樣常規的操作，那完全沒必要用到 remap。使用 core 模塊下的 flip 和 rotate 等函數，就完全可以做到，而且更為簡潔。

core 模塊下也有不少重映射的方法，感興趣的讀者可以試一試。

---

總結

1. 本系列博文作為LabVIEW工具包—OpenCV的教程，將以專欄的形式陸續發布和更新。
2. 對工具包感興趣的朋友，歡迎下載試用：秣厲科技 - LabVIEW工具包 - OpenCV
3. 各位看官有什么想法、建議、吐槽、批評，或新奇的需求，也歡迎留言討論。