該函數(shù)只能輸出直線的極坐標(biāo)表示形式的參數(shù)，如果想在圖像中繪制該直線需要進(jìn)一步得到直線兩端的坐標(biāo)，通過(guò)line()函數(shù)在原圖像中繪制直線，由于該函數(shù)只能判斷圖像中是否有直線，而不能判斷直線的起始位置，因此使用line()函數(shù)繪制直線時(shí)常繪制盡可能長(zhǎng)的直線。使用標(biāo)準(zhǔn)霍夫變換和多尺度霍夫變換函數(shù)HoughLins()提取直線時(shí)無(wú)法準(zhǔn)確知道圖像中直線或者線段的長(zhǎng)度，只能得到圖像中是否存在符合要求的直線以及直線的極坐標(biāo)解析式。

Metric參數(shù)決定模板識(shí)別的條件，如果設(shè)為’use_polarity’，則圖像中的物體和模板必須有相同的對(duì)比度；創(chuàng)建好模板后，這時(shí)還需要監(jiān)視模板，用inspect_shape_model()來(lái)完成，它檢查參數(shù)的適用性，還能幫助找到合適的參數(shù)；這個(gè)過(guò)程也就是在新圖像中尋找與模板匹配的圖像部分，這部分的工作就由函數(shù)find_shape_model()來(lái)承擔(dān)了，它也擁有許多的參數(shù)，這些參數(shù)都影響著尋找模板的速度和精度。

【OpenCV入門教程之十四】OpenCV霍夫變換：霍夫線變換，霍夫圓變換合輯。在OpenCV中，我們可以用HoughLines函數(shù)來(lái)調(diào)用標(biāo)準(zhǔn)霍夫變換SHT和多尺度霍夫變換MSHT。void cv::HoughLines( InputArray _image,OutputArray _lines, double rho, double theta,int threshold, double srn, double stn ) { Ptr<CvMemStorage> storage = cvCreateMemStorage(STORAGE_SIZE);

霍夫變換(Hough)霍夫變換Hough.對(duì)于一副大小為D×D" role="presentation">D×DD×D的圖像，通常ρ" role="presentation">ρρ的取值范圍為[?2D/2,2D/2]" role="presentation">[?2–√D/2,2–√D/2][?2D/2,2D/2],θ" role="presentation">θθ的取值范圍為[?90°,90°]" role="presentation">[?90°,90°][?90&#17

作者：翟天保Steven 版權(quán)聲明：著作權(quán)歸作者所有，商業(yè)轉(zhuǎn)載請(qǐng)聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請(qǐng)注明出處? 函數(shù)原型。對(duì)不同的x和y可以得到不同的極坐標(biāo)曲線，如果這些極坐標(biāo)系曲線匯聚于一點(diǎn)，說(shuō)明這些不同的x和y都有同一個(gè)r0和t0，也就是說(shuō)在笛卡爾坐標(biāo)系下，這些不同的x和y都屬于同一個(gè)直線，該直線的表達(dá)式中t就是t0，r就是r0，即實(shí)現(xiàn)了直線的識(shí)別。

OpenCV學(xué)習(xí)28查找輪廓。我們同樣可以使用cv::compare,cv::inRange,cv::threshold,cv::adaptiveThreshold,cv::Canny等函數(shù)來(lái)創(chuàng)建二值圖像。void cv::drawContours ( InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar &color, int thickness = 1, int lineType = LINE_8, InputArray hierarchy = noArray(), int maxLevel = INT_MAX, Point offset = Point() )int main(){ Mat src,dst,gray_

Log("無(wú)法命中!"); return; } float theta1 = Mathf.Atan(((velocity * velocity) + Mathf.Sqrt(delta)) / (gravityAcceleration * x)); float theta2 = Mathf.Atan(((velocity * velocity) - Mathf.Sqrt(delta)) / (gravityAcceleration * x)); float angle = Mathf.Min(theta1, theta2);如果Δ大于0，那么會(huì)有一大一小兩個(gè)有效角度，可以根據(jù)需求選擇較大的角或者較小的角來(lái)實(shí)現(xiàn)較高的彈道和較低的彈道。

這一節(jié)我們首先介紹下計(jì)算機(jī)視覺(jué)領(lǐng)域中常見(jiàn)的三個(gè)坐標(biāo)系：圖像坐標(biāo)系，相機(jī)坐標(biāo)系，世界坐標(biāo)系以及他們之間的關(guān)系，然后介紹如何使用張正友相機(jī)標(biāo)定法標(biāo)定相機(jī)。j++) { /* 假設(shè)定標(biāo)板放在世界坐標(biāo)系中z=0的平面上 */ Point3f tempPoint; tempPoint.x = i*square_size.width; tempPoint.y = j*square_size.height; tempPoint.z = 0; tempPointSet.push_back(tempPoint); } } object_Points.push_back(tempPointSet); }

分水嶺算法（理論 opencv實(shí)現(xiàn)）Mat grayImage;threshold(grayImage, grayImage, 0, 255, THRESH_BINARY | THRESH_OTSU);morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);grayImage.convertTo(grayImage, CV_8UC1);threshold(grayImage, grayImage,0,255, THRESH_BINARY | THRESH_OTSU);Mat showImage = Mat::zeros(grayImage.size(), CV_32SC1);Mat dst = Mat::zeros(showImage.size(), CV_8UC3);Mat hist_base;

參數(shù) contours 為 vector<vector<cv::Point>>, vector<vector<cv::Point2f>>, 使用 array of arrays 結(jié)構(gòu)可以同時(shí)保存多條 contours。4 cv::Rect cv::boundingRect(cv::InputArray points) 求 contour 所圍成的矩形（無(wú)旋轉(zhuǎn)矩形）。11 double cv::pointPolygonTest(cv::InputArray contour, cv::Point2f pt, bool measureDist) 判斷點(diǎn)是否在 contour 中，如果 measureDist = true, 返回點(diǎn)到最近邊緣距離

若識(shí)別圖像中數(shù)字為深色，背景為白色，則反相；若同字典類似，數(shù)字為白，背景為黑，則不動(dòng)。vector<cv::Mat> GetSubarea(cv::Mat src,vector<vector<Point>> contour, vector<Vec4i> hierarchy);cv::Mat NumberRecognition(cv::Mat Thresh, vector<cv::Mat> sub_size, vector<cv::Mat> sub_t_size, vector<vector<Point>> contour, int thresh);

hierarchy，每個(gè)輪廓 contours[i] 對(duì)應(yīng)四個(gè) hierarchy[i][0] ~ hierarchy[i][3]，分別表示與當(dāng)前輪廓平級(jí)的后一個(gè)輪廓的的索引編號(hào)、與當(dāng)前輪廓平級(jí)的前一個(gè)輪廓的索引編號(hào)、當(dāng)前輪廓的子輪廓的索引編號(hào)、當(dāng)前輪廓的父輪廓的索引編號(hào)。提取所有輪廓，并建立網(wǎng)狀的輪廓結(jié)構(gòu)（最外層輪廓為根）。offset，所有的輪廓信息相對(duì)于原始圖像對(duì)應(yīng)點(diǎn)的偏移量，相當(dāng)于在每一個(gè)檢測(cè)出的輪廓點(diǎn)上加上該偏移量，有默認(rèn)值 Point() 。

但是在計(jì)算主攝像機(jī) +Z 軸方向與重力輸入方向之間角度關(guān)系之前，還需要一個(gè)小換算，因?yàn)橹亓斎敕较蚴且?iPad 屏幕坐標(biāo)系度量的，而 iPad 屏幕坐標(biāo)系與主攝像機(jī)自身坐標(biāo)系之間 Z 軸是反向的，所以需要進(jìn)行一次坐標(biāo)變換，將重力輸入方向向量從 iPad 屏幕坐標(biāo)系變換到主攝像機(jī)坐標(biāo)系?，F(xiàn)在我們可以計(jì)算主攝像機(jī) +Z 軸方向向量（0, 0, 1）與 g 之間的夾角，進(jìn)而計(jì)算出主攝像機(jī) +Z 軸方向向量變換到游戲世界坐標(biāo)系下時(shí)的方向向量。

//檢測(cè)人臉 //detectMultiScale函數(shù)中smallImg表示的是要檢測(cè)的輸入圖像為smallImg，faces表示檢測(cè)到的人臉目標(biāo)序列，1.1表示 //每次圖像尺寸減小的比例為1.1，2表示每一個(gè)目標(biāo)至少要被檢測(cè)到3次才算是真的目標(biāo)(因?yàn)橹車南袼睾筒煌拇翱诖?//小都可以檢測(cè)到人臉),CV_HAAR_SCALE_IMAGE表示不是縮放分類器來(lái)檢測(cè)，而是縮放圖像，Size(30, 30)為目標(biāo)的 //最小最大尺寸。

void solvePnP(InputArray objectPoints, InputArray imagePoints, InputArray cameraMatrix, InputArray distCoeffs, OutputArray rvec, OutputArray tvec, bool useExtrinsicGuess=false, int flags = CV_ITERATIVE)Parameters:objectPoints - 世界坐標(biāo)系下的控制點(diǎn)的坐標(biāo)，vector<Point3f>的數(shù)據(jù)類型在這里可以使用imagePoints - 在圖像坐標(biāo)系下對(duì)應(yīng)的控制點(diǎn)的坐標(biāo)。

//進(jìn)行距離變換，查找出亮包 找出物體的中心Mat dist;distanceTransform(erosion, dist, DIST_L2, 3);normalize(dist, dist, 0, 1, NORM_MINMAX);//使用自適應(yīng)閾值Mat dist_8U;dist.convertTo(dist_8U, CV_8UC1);adaptiveThreshold(dist_8U, dist_8U, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 81,0);//rectangle(src, Rect(rect.x, rect.y, rect.width, rect.height), Scalar(0, 255, 0), 2);

OpenCV成長(zhǎng)之路(8)：直線、輪廓的提取與描述 - 博客 - 伯樂(lè)在線。void drawDetectLines(Mat& image,const vector<Vec4i>& lines,Scalar &color){ // 將檢測(cè)到的直線在圖上畫出來(lái) vector<Vec4i>::const_iterator it=lines.begin(); while(it!=lines.end()) { Point pt1((*it)[0],(*it)[1]); Point pt2((*it)[2],(*it)[3]); line(image,pt1,pt2,color,2); // 線條寬度設(shè)

Opencv學(xué)習(xí)筆記（四）霍夫變換Opencv學(xué)習(xí)筆記（四）霍夫變換(2012-08-18 14:21:44)轉(zhuǎn)載▼ 最簡(jiǎn)單的霍夫變換是在圖像中識(shí)別直線。用HoughLinesP查找圖像的一條較粗的直線時(shí)lines里存儲(chǔ)了很多線段，從找到lines的值可以看出其記錄的順序不太一樣，有的是從線段的底端開(kāi)始記錄，有的是從頂端開(kāi)始記錄。

Opencv學(xué)習(xí)筆記-----霍夫變換直線檢測(cè)及原理理解。二、Opencv實(shí)現(xiàn)直線檢測(cè)：/*邊緣檢測(cè)*/ pImgSrc = cvLoadImage(".\\res\\street.jpg", 1); pImg8u = cvCreateImage(cvGetSize(pImgSrc), IPL_DEPTH_8U, 1); pImgCanny = cvCreateImage(cvGetSize(pImgSrc), IPL_DEPTH_8U, 1); pImgDst = cvCreateImage(cvGetSize(pImgSrc), IPL_DEPTH_8U, 1); cvCvtColor(pImgSrc, pImg8u, CV_BGR2GRAY); cvCanny(pImg8u, pImgCanny, 20