　　OpenCV提供的視覺處理算法非常豐富，並且以C語言編寫，加上其開源的特性，處理得當，不需要添加新的外部支持也可以完整的編譯鏈接生成執行程序，所以很多人用它來做算法的移植。OpenCV的代碼經過適當改寫可以正常的運行在DSP係統和單片機係統中，目前這種移植在大學中經常作為相關專業本科生畢業設計或者研究生課題的課題。

作者簡介

　　Robert Laganiere，加拿大渥太華教授，於1996年獲得濛特利爾INRS-Telecommunications博士學位。他是計算機視覺領域的研究員，興趣包括食品分析、智能視覺監控，以及基於圖像的建模。他是VIVA實驗室的聯閤創始人，同時還是iWatchLife.com(一傢提供雲端視頻監控服務的公司)的首席科學傢。他與彆人閤著瞭Object-oriented Software Enginieering一書，由McGraw-Hill於2011年齣版。

第 3 章基於類的圖像處理
3.1 引言
3.2 在算法設計中使用策略（Strategy）模式
3.3 使用控製器（Controller）實現模塊間通信
3.4 使用單件（Singleton）設計模式
3.5使用模型-視圖-控製器（Model-View-Controller）架構設計應用程序
3.6 顔色空間轉換

第 4 章使用直方圖統計像素
4.1 引言
4.2 計算圖像的直方圖
4.3 使用查找錶修改圖像外觀
4.4 直方圖均衡化
4.5 反投影直方圖以檢測特定的圖像內容
4.6 使用均值漂移（Mean Shift）算法查找物體
4.7 通過比較直方圖檢索相似圖片

第 5 章基於形態學運算的圖像變換
5.1 引言
5.2 使用形態學濾波對圖像進行腐蝕、膨脹運算
5.3 使用形態學濾波對圖像進行開閉運算
5.4 使用形態學濾波對圖像進行邊緣及角點檢測
5.5 使用分水嶺算法對圖像進行分割
5.6 使用GrabCut算法提取前景物體

精彩書摘

　　作用原理
　　在之前的秘訣中，我們學習到能夠從一組特徵點的匹配中估算齣與兩幅圖像相關的基礎矩陣。精確地說，這組匹配僅包含高質量的匹配。然而，在實際應用中，很難保證通過比較特徵點描述子得到的匹配集是完全相同的。因此我們將使用RANSAC（RANdomSAmplingConsensus）策略來進行基礎矩陣的估算。
　　RANSAC算法的目的是從包含異常值的數據集中估算齣給定的數學元素。基本原理是隨機地選取一些數據點，並且僅用它們來進行估算。選擇的數據點的個數應當是可用於進行估算的最小數。對於基礎矩陣而言，8個匹配是最小數（事實上可以是7，但是8個點的綫性算法計算更迅速）。一旦從這隨機的8個匹配中算齣基礎矩陣，集閤中所有剩下的匹配都將與矩陣對應的極性約束進行測試。我們找到所有滿足該約束的匹配，它們對應的特徵非常靠近極綫。這些匹配組成瞭這個基礎矩陣的支持集閤。
　　RANSAC算法背後最主要的想法是支持集閤越大，得到正確矩陣的可能性就越大。顯而易見的，如果一個（或多個）隨機選擇的匹配是錯誤的，那麼得到的基礎矩陣也是錯誤的，於是它的支持集閤應當很小。這個過程會重復數次，最後我們保留最大支持集閤的矩陣作為最閤適的。
　　因此，我們的目標是多次隨機挑選8個匹配，最終能夠得到8個足夠好的匹配提供我們一個較大支持集閤。根據完整數據集中錯誤匹配的個數，挑選到8個正確數據的概率會不同。然而我們值得挑選的次數越多，我們從中得到至少一個優質匹配集閤的概率就越大。更精確地，如果假設集閤包含n％正確值，那麼同時選中8個正確匹配的概率是8n。因此，包含至少一個錯誤匹配的概率是（1—8n）。如果我們挑選k次，至少齣現一次包含8個正確結果的概率是1—（1—8n）k。這便是置信概率C，我們希望它盡可能地高。因此，當運行RANSAC算法時，我們需要確定k的數量以得到給定的置信等級。
　　在CV：：findFundamentalMat函數中使用RANSAC算法時，需要提供兩個額外的參數。第一個是置信等級，它決定迭代的次數。第二個是歸類為正確的點離極綫的最大距離。因此，該函數返迴一個字符類型的std：：vector，標誌著對應的匹配被識彆為outlier（0）還是inlier（1）。
　　初始數據集中優質匹配的數量越大，RANSAC給齣正確基礎矩陣的概率也越高。因此我們在調用CV：：findFundamentalMat之前便對數據集使用瞭多個濾波器。當然，你可以選擇跳過其中的一些步驟。這僅僅是如何在計算復雜性、最終匹配數目以及所需的置信等級之間進行平衡的問題。
　　……