OpenCV + CPP 系列（卅八）图像积分图

文章目录

一、积分图简介

第一个提出 Haar 特征快速计算方法的是 CVPR2001上 的那篇经典论文 ​​《Rapid object detection using a boosted cascade of simple features》​​, Viola 提出了一种利用积分图(integral image)快速计算 Haar 特征的方法, 这个方法使得图像的局部矩形求和 运算的复杂度从 O(MN) 下降到了 O(4) 。

Haar 特征的计算需要重复计算目标区域的像素值，使用积分图能大大减少计算量，达到实时计算 Haar 特征的目的。简单来说，就是先构造一张“积分图”（integral image），也叫 Summed Area Table，之后任何一个 Haar 矩形特征都可以通过查表的方法（Look Up Table）和有限次简单运算得到，大大减少了运算次数。所以但凡需要重复计算目标区域内像素值和的场合，积分图都能派上用场。下面开始介绍积分图原理，并给出其的几个应用。

积分图原理

图像是由一系列的离散像素点组成, 因此图像的积分其实就是求和. 图像积分图中每个点的值是原图像中该点左上角的所有像素值之和。

​​详情理论见​​

$\mathbf{sum}(m,n) = ii(x, y) +ii(u,v) -ii(x,v) -ii(u, y)$

其中矩形大小为：$m =x -u$, $n = y -v$

示例如下图：设原图（左图）像素值为1，则有积分图（右图）：

计算：（泥土色区域）9 =（ 整块有区域）25 + （紫色区域）4 - （黄色区域）10 - （蓝色区域）10 =

$W \times H$，8 位或浮点数（32f 或 64f）。

OutputArray sum,　　　整数图像 $(W+1)\times (H+1)$，i32 或 f32 或 f64

OutputArray sqsum, 　　平方像素值的积分图像。(大小同上) f64

OutputArray tilted,　　　图像旋转 45 度的积分(大小同上) i32 或 f32 或 f64

int sdepth = -1, 　　　

int sqdepth = -1 　　　

)

二、代码演示

头文件 ​​image_feature_all.h​​：声明类与公共函数

#pragma once
#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;


class ImageFeature {
public:
  void integral_demo(Mat& image);

};

主函数​​main.cpp​​调用该类的公共成员函数

#include "image_feature_all.h"



int main(int argc, char** argv) {
  const char* img_path = "D:\\Desktop\\jianzhu.jpg";
  Mat image = imread(img_path, IMREAD_GRAYSCALE);   //灰度图读入
  if (image.empty()) {
    cout << "图像数据为空，读取文件失败！" << endl;
  }
  ImageFeature imgfeature;
  imgfeature.integral_demo(image);

  imshow("image", image);
  waitKey(0);
  destroyAllWindows();
  return 0;
}

源文件 ​​feature_extract.cpp​​：实现类与公共函数

void ImageFeature::integral_demo(Mat& image) {
  Mat sum_ii = Mat::zeros(image.rows + 1, image.cols + 1, CV_32FC1);
  Mat sqsum_ii = Mat::zeros(image.rows + 1, image.cols + 1, CV_64FC1);

  integral(image, sum_ii, sqsum_ii);
  Mat iiResult;
  normalize(sum_ii, iiResult, 0, 255, NORM_MINMAX, CV_8UC1, Mat());
  imshow("iiResult", iiResult);
}