opencv基本圖片操作：

　　因?yàn)閛pencv有2.0 和 3.0 的版本區(qū)別，所以網(wǎng)上搜到的函數(shù)或類型都是兩種格式，建議用新版的，什么impImage* 類型的都是2.0版本的寫法，我全部使用的是Mat。一定要統(tǒng)一好，不要一會新的一會舊的，會報(bào)錯的。

　　讀圖片imread，顯示imshow，等待waitKey等等，這些要先熟悉

　　opencv的強(qiáng)大之處在于幾乎所有的圖像操作它都有現(xiàn)成的函數(shù)可供調(diào)用，非常方便。多谷歌，一定會有函數(shù)已經(jīng)實(shí)現(xiàn)了你想完成的功能。

　　二值化：不論是原圖還是有劃痕或噪點(diǎn)的圖，背景都不干凈，這對識別的影響還是挺不好的，所以要先二值化，把黑白像素點(diǎn)區(qū)分的開一些。但是圖片右側(cè)明顯要比左側(cè)更暗，所以在閾值選取的時候比較難辦，很難用一個固定的值將兩部分圖像都二值化得很理想，所以就用到了逼格更高的自適應(yīng)二值化（adaptiveThreshold），tips：二值化前先直方圖均衡一下效果會更好。

　　中值濾波：針對有噪點(diǎn)和有劃痕的圖像，中值濾波是非常好的處理方案，中值的參數(shù)可調(diào)，可以很好的消除噪音的影響。缺點(diǎn)就是參數(shù)不好調(diào)啊，調(diào)的想死。。

　　模板匹配：模板的來源可以是自己從待識別的圖片中摳圖，不過我們作業(yè)提供了模板圖片，所以這一步就可以省掉了。opencv提供了非常強(qiáng)大的matchTemplate函數(shù)，可以將給定圖片與模板按照你規(guī)定的計(jì)算方法計(jì)算一個相似度的值，并將對應(yīng)的坐標(biāo)存儲下來，你需要做的只是將值比較大（或小，與你規(guī)定計(jì)算相似度的函數(shù)有關(guān)）的圖像框出來即可

　　窗口掃描：為了提高識別率，我設(shè)定了一個窗口對原圖進(jìn)行掃描，掃描窗口的移動設(shè)定了一點(diǎn)規(guī)則，就是如果前一個窗口沒有匹配到數(shù)字就微調(diào)窗口位置，如果匹配到數(shù)字就將窗口左軸移動到匹配到的數(shù)字的右側(cè)，再重復(fù)掃描。

　　以下是基于OpenCV實(shí)現(xiàn)簡單的數(shù)字識別。這里以游戲Angry Birds為例，通過以下幾個主要步驟對其中右上角的分?jǐn)?shù)部分進(jìn)行自動識別。

　　1. 學(xué)習(xí)分類器

　　根據(jù)訓(xùn)練樣本，選取模型訓(xùn)練產(chǎn)生數(shù)字分類器。這里的樣本可以是通用的數(shù)字樣本庫（如NIST等），也可以是針對應(yīng)用場景而制作的專門訓(xùn)練樣本。前者優(yōu)在泛化性，后者強(qiáng)在準(zhǔn)確率，當(dāng)然常用做法是將這兩者結(jié)合，即在通用數(shù)字庫基礎(chǔ)上做修改。另外這里由于模式并不復(fù)雜，計(jì)算量也不大，所以不對樣本進(jìn)行特征提取，對原始樣本作簡單變換后直接作為訓(xùn)練樣本。

　　具體地，首先是生成訓(xùn)練樣本矩陣，一般樣本是以二維矩陣的方式存在文件當(dāng)中，現(xiàn)在要將它們讀出來，進(jìn)行適當(dāng)?shù)念A(yù)處理，然后生成OpenCV能理解的數(shù)據(jù)結(jié)構(gòu)。

　　train_X = cvCreateMat（sample_num * class_num， size * size， CV_32FC1）;

　　train_Y = cvCreateMat（sample_num * class_num， 1， CV_32FC1）;

　　for（i = 0; i 《 class_num; i++）{

　　for（j = 0; j 《 sample_num; j++）{

　　src_image = cvLoadImage（file，0）;

　　pimage = preprocessing（src_image， size， size）;

　　。。。

　　cvGetRow（train_X， &row， i * sample_num + j）;

　　row_vec = cvReshape（&data， &mathdr， 0， 1）;

　　cvCopy（row_vec， &row， NULL）;

　　。。。

　　cvGetRow（train_Y， &row， i * sample_num + j）;

　　cvSet（&row， cvRealScalar（i））;

　　}

　　}

　　訓(xùn)練樣本中的數(shù)字位置形態(tài)各異，因此讀入時需要進(jìn)行規(guī)整化。主要方法是先找到數(shù)字的邊界框，然后以寬和高中大的一邊為基準(zhǔn)進(jìn)行縮放和拉伸，從而使得其可以占滿整個表示單個樣本的矩陣。

　　IplImage preprocessing（IplImage* img， int w， int h）{

　　。。。

　　bb = findBoundingBox（img）;

　　cvGetSubRect（img， &data， cvRect（bb.x， bb.y， bb.width， bb.height））;

　　size = （bb.width 》 bb.height） ？ bb.width ： bb.height;

　　res = cvCreateImage（cvSize（size， size）， 8， 1）;

　　x = floor（（float）（size - bb.width） / 2.0f）;

　　y = floor（（float）（size - bb.height） / 2.0f）;

　　cvGetSubRect（res， &subdata， cvRect（（int）x， （int）y， bb.width， bb.height））;

　　cvCopy（&data， &subdata， NULL）;

　　ret = cvCreateImage（cvSize（w， h）， 8， 1）;

　　cvResize（res， ret， CV_INTER_NN）;

　　return *ret;

　　}

　　假設(shè)單個樣本可表示為0/1矩陣，那findBoundingBox（）只要從x和y方向分別掃描最大最小的非0值就可以了。 訓(xùn)練樣本準(zhǔn)備好后，在OpenCV中創(chuàng)建相應(yīng)的分類器非常方便。這里用的是KNN，當(dāng)然除了KNN外還有其它很多封裝好的分類器（如NN， SVM等）。

　　knn = new CvKNearest（train_X， train_Y， 0， false， K）;