scbc_repos/cv/cv/cv.cpp

// cv.cpp : 定义 DLL 的导出函数。
//

#include "stdafx.h"
#include "framework.h"
#include "cv.h"

#ifdef _DEBUG
#define new DEBUG_NEW
#endif

#ifdef _DEBUG
extern void test();
extern void test2();
#endif
// 唯一的应用程序对象

CWinApp theApp;

using namespace std;

int main()
{
    int nRetCode = 0;

    HMODULE hModule = ::GetModuleHandle(nullptr);

    if (hModule != nullptr)
    {
        // 初始化 MFC 并在失败时显示错误
        if (!AfxWinInit(hModule, nullptr, ::GetCommandLine(), 0))
        {
            // TODO: 在此处为应用程序的行为编写代码。
            _tprintf(_T("错误: MFC 初始化失败\n"));
            nRetCode = 1;
        }
        else
        {
            // TODO: 在此处为应用程序的行为编写代码。
#ifdef _DEBUG
			test2();
#endif
        }
    }
    else
    {
        // TODO: 更改错误代码以符合需要
        _tprintf(_T("错误: GetModuleHandle 失败\n"));
        nRetCode = 1;
    }

    return nRetCode;
}

// gdiplus token;
ULONG_PTR g_gdiplusToken;
// 初始化gid+环境;
void InitGdiplus() {
	Gdiplus::GdiplusStartupInput gdiplusStartupInput;
	Gdiplus::GdiplusStartup(&g_gdiplusToken, &gdiplusStartupInput, NULL);
}

void ShutGdiplus() {
	Gdiplus::GdiplusShutdown(g_gdiplusToken);
}

CV_API bool GdiplusReadImage(std::string strImgPath, Gdiplus::Bitmap** bitmap)
{
	// 参数有效性判断;
	if (!PathFileExists(strImgPath.c_str())) {
#ifdef _DEBUG
		OutputDebugString("参数无效！");
#endif
		return false;
	}

#ifdef UNICODE
	*bitmap = Image::FromFile(strImgPath.c_str());
#else
	// #include <comutil.h>
	BSTR strtmp = _bstr_t(strImgPath.c_str());
	*bitmap = Gdiplus::Bitmap::FromFile(strtmp, TRUE);
	SysFreeString(strtmp);

	if (*bitmap == NULL)
		return false;
#endif

	return true;
}

CV_API bool GdiReadImage(std::string strImgPath, CBitmap& bitmap)
{
	// 参数有效性判断;
	if (!PathFileExists(strImgPath.c_str())) {
#ifdef _DEBUG
		OutputDebugString("参数无效！");
#endif
		return false;
	}

	// 注意：CBitmap是无法直接加载文件;
	HBITMAP hBitmap;
	//从文件中加载，使用HBITMAP;
	hBitmap = (HBITMAP)::LoadImage(
		//::AfxGetInstanceHandle(), 
		NULL, // oem image
		strImgPath.c_str(),
		IMAGE_BITMAP, 
		0, // cx
		0, // cy
		// 如果是兼容位图,去掉LR_CREATEDIBSECTION
		LR_LOADFROMFILE|LR_CREATEDIBSECTION
	);

	// 附加资源;
	bitmap.Attach(hBitmap);
	if ( bitmap.m_hObject == NULL ) {
		return false;
	}

	/*
	hBmp=(HBITMAP)bmp.GetSafeHandle();
	*/

	return true;
}

CV_API bool ReadImage(std::string strImgPath, cv::Mat& img)
{
	// 参数有效性判断;
	if (!PathFileExists(strImgPath.c_str())) {
#ifdef _DEBUG
		OutputDebugString("参数无效！");
#endif
		return false;
	}

	// 以BGR三通道方式读取图片;
	img = cv::imread(strImgPath.c_str(), cv::IMREAD_COLOR);
    // 判断图片是否为空;
	if (img.empty()) {
#ifdef _DEBUG
		OutputDebugString("读取图片失败！");
#endif
		return false;
	}

	return true;
}


CV_API bool GetBinaryImage(std::string strImgPath, long nThresholdVal, long nMaxThresholdVal, cv::Mat& thresholdImg)
{
    cv::Mat img;
    // 读取图片;
    if (!ReadImage(strImgPath, img))
        return false;

    cv::Mat grayImg;
	// 转成灰阶图;
	cv::cvtColor(img, grayImg, cv::COLOR_BGR2GRAY);
    // 释放对象;
    img.release();

    cv::Mat gaussImg;
	// 再高斯模糊处理(滤波);
    cv::GaussianBlur(grayImg, gaussImg, cv::Size(5, 5), 0, 0);
    // 释放对象;
    grayImg.release();

	// 全局化指定的阀值与返回值相等;
	cv::threshold(gaussImg, thresholdImg, nThresholdVal, nMaxThresholdVal, cv::THRESH_BINARY);
    // 释放对象;
    gaussImg.release();

    // 判断图片是否空;
    if (thresholdImg.empty())
        return false;

    return true;
}

CV_API bool GetOTSUBinaryImage(std::string strImgPath, long nThresholdVal, long nMaxThresholdVal, cv::Mat& thresholdImg)
{
	cv::Mat img;
	// 读取图片;
	if (!ReadImage(strImgPath, img))
		return false;

	cv::Mat grayImg;
	// 转成灰阶图;
	cv::cvtColor(img, grayImg, cv::COLOR_BGR2GRAY);
	// 释放对象;
	img.release();

	cv::Mat gaussImg;
	// 再高斯模糊处理(滤波);
	cv::GaussianBlur(grayImg, gaussImg, cv::Size(5, 5), 0, 0);
	// 释放对象;
	grayImg.release();

	// OTSU,此时参数3可随意设置;
	cv::threshold(gaussImg, thresholdImg, nThresholdVal, nMaxThresholdVal, cv::THRESH_BINARY | cv::THRESH_OTSU);
	// 释放对象;
	gaussImg.release();

	// 判断图片是否空;
	if (thresholdImg.empty())
		return false;

	return true;
}


CV_API bool GetAdaptiveBinaryImage(std::string strImgPath, long nMaxThresholdVal, cv::Mat& thresholdImg)
{
	cv::Mat img;
	// 读取图片;
	if (!ReadImage(strImgPath, img))
		return false;

	cv::Mat grayImg;
	// 转成灰阶图;
	cv::cvtColor(img, grayImg, cv::COLOR_BGR2GRAY);
	// 释放对象;
	img.release();

	cv::Mat gaussImg;
	// 再高斯模糊处理(滤波);
	cv::GaussianBlur(grayImg, gaussImg, cv::Size(5, 5), 0, 0);
	// 释放对象;
	grayImg.release();

	cv::Mat blurImg;
	// 自适应阀值;
	cv::medianBlur(gaussImg, blurImg, 3);
	// 释放对象;
	gaussImg.release();

	// 局部二值化;//blocksize一般取3、5、7
	cv::adaptiveThreshold(blurImg, thresholdImg, nMaxThresholdVal, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 3, 4.5);
	// 释放对象;
	blurImg.release();

	// 判断图片是否空;
	if (thresholdImg.empty())
		return false;

	return true;
}

CV_API bool GaussianBlur(cv::Mat& img, cv::Size cvSize, cv::Mat& gaussImg)
{
	if (img.empty())
		return false;

	// 再高斯模糊处理(滤波);
	cv::GaussianBlur(img, gaussImg, cvSize, 0, 0);
	// 判断图片是否空;
	if (gaussImg.empty())
		return false;

	return true;
}

CV_API bool GaussianBlur(std::string strImgPath, cv::Size cvSize, cv::Mat& gaussImg)
{
	cv::Mat img;
	// 读取图片;
	if (!ReadImage(strImgPath, img))
		return false;

	// 再高斯模糊处理(滤波);
	cv::GaussianBlur(img, gaussImg, cvSize, 0, 0);
	// 判断图片是否空;
	if (gaussImg.empty())
		return false;

	return true;
}

CV_API bool Color2Gray(cv::Mat& img, cv::Mat& grayImg)
{
	if (img.empty())
		return false;

	// 再高斯模糊处理(滤波);
	cv::cvtColor(img, grayImg, cv::COLOR_BGR2GRAY);
	// 判断图片是否空;
	if (grayImg.empty())
		return false;

	return true;
}

CV_API bool Color2Gray(std::string strImgPath, cv::Mat& grayImg)
{
	cv::Mat img;
	// 读取图片;
	if (!ReadImage(strImgPath, img))
		return false;

	// 再高斯模糊处理(滤波);
	cv::cvtColor(img, grayImg, cv::COLOR_BGR2GRAY);
	// 判断图片是否空;
	if (grayImg.empty())
		return false;

	return true;
}

CV_API bool Gray2Color(cv::Mat& img, cv::Mat& colorImg)
{
	if (img.empty())
		return false;

	// 再高斯模糊处理(滤波);
	cv::cvtColor(img, colorImg, cv::COLOR_GRAY2BGR);
	// 判断图片是否空;
	if (colorImg.empty())
		return false;

	return true;
}

CV_API bool ErodeImg(cv::Mat& img, cv::MorphShapes kernelShape, cv::Size kernelSize, cv::Mat& erodeImg)
{
	if (img.empty())
		return false;

	// 获取自定义核（核形状：矩形MORPH_RECT、十字架CROSS、椭圆ELLIPSE ）
	cv::Mat element = cv::getStructuringElement(kernelShape, kernelSize);
	// 再高斯模糊处理(滤波);
	cv::erode(img, erodeImg, element);
	// 判断图片是否空;
	if (erodeImg.empty())
		return false;

	return true;
}

CV_API bool DilateImg(cv::Mat& img, cv::MorphShapes kernelShape, cv::Size kernelSize, cv::Mat& dilateImg)
{
	if (img.empty())
		return false;

	// 获取自定义核（核形状：矩形MORPH_RECT、十字架CROSS、椭圆ELLIPSE ）
	cv::Mat element = cv::getStructuringElement(kernelShape, kernelSize);
	// 再高斯模糊处理(滤波);
	cv::dilate(img, dilateImg, element);
	// 判断图片是否空;
	if (dilateImg.empty())
		return false;

	return true;
}

CV_API bool CutPictures(cv::Mat& img, cv::Rect cvRect, cv::Mat& roiImg)
{
	if (img.empty())
		return false;

	if (cvRect.empty())
		return false;

	// 裁剪ROI区域;
	roiImg = img(cvRect);
	// 判断图片是否空;
	if (roiImg.empty())
		return false;

	return true;
}

CV_API bool CutPictures(std::string strImgPath, cv::Rect cvRect, cv::Mat& roiImg)
{
	cv::Mat img;
	// 读取图片;
	if (!ReadImage(strImgPath, img))
		return false;

	if (cvRect.empty())
		return false;

	// 裁剪ROI区域;
	roiImg = img(cvRect);
	// 释放原图;
	img.release();
	// 判断图片是否空;
	if (roiImg.empty())
		return false;

	return true;
}

CV_API bool CutPictures(std::string strImgPath, cv::Rect cvRect, std::string strRoiImgPath)
{
	cv::Mat img;
	// 读取图片;
	if (!ReadImage(strImgPath, img))
		return false;

	if (cvRect.empty())
		return false;

	cv::Mat roiImg;
	// 裁剪ROI区域;
	roiImg = img(cvRect);
	// 释放原图;
	img.release();
	// 判断图片是否空;
	if (roiImg.empty())
		return false;

	cv::imwrite(strRoiImgPath.c_str(), roiImg);
	roiImg.release();

	return true;
}

CV_API bool DrawContours(cv::Mat& binImg, cv::Mat& drawImg, bool InternalContour, bool bPerimeter, long nMinPerimeter, long nMaxPerimeter, bool bArea, long nMinArea, long nMaxArea)
{
	// 图片空或都不是单通道;
	if (binImg.empty() || binImg.channels() > 1)
		return false;

	if (drawImg.empty()) {
		// 复制到目标中;
		binImg.copyTo(drawImg);
		// 再转为BGR;
		cv::cvtColor(drawImg, drawImg, cv::COLOR_GRAY2BGR);
	}

	// 轮廓;
	vector<vector<cv::Point>> contours;
	// 轮廓关系;
	vector<cv::Vec4i> hierarchy;
	// 获取轮廓区域;
	if (InternalContour)
	{
		// 所有轮廓，内外轮廓分等级;
		findContours(binImg, contours, hierarchy, cv::RETR_CCOMP, cv::CHAIN_APPROX_SIMPLE);
		// 所有轮廓，内外轮廓不分等级，独立;
		//findContours(m_ImgThreshold, m_contours, m_hierarchy, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE);
	}
	else
	{
		// RETR_EXTERNAL=只检索最外面的轮廓;
		findContours(binImg, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
	}

	vector<vector<cv::Point>>::iterator it = contours.begin();
	for (int i = 0; it != contours.end(); it++, i++)
	{
		if (bPerimeter && !bArea)
		{
			if (arcLength(*it, true) < nMinPerimeter || arcLength(*it, true) > nMaxPerimeter)
				continue;
		}
		else if (!bPerimeter && bArea)
		{
			if (contourArea(*it) < nMinArea || contourArea(*it) > nMaxArea)
				continue;
		}
		else if (bArea && bPerimeter)
		{
			if ((arcLength(*it, true) < nMinPerimeter || arcLength(*it, true) > nMaxPerimeter) || (contourArea(*it) < nMinArea || contourArea(*it) > nMaxArea))
				continue;
		}

		// 随机色填充轮廓;
		cv::Scalar color = cv::Scalar(rand() % 255, rand() % 255, rand() % 255);
		// 输出轮廓图;
		cv::drawContours(drawImg, contours, i, color, cv::FILLED, 8, hierarchy);
	}

	if (drawImg.empty())
		return false;

	return true;
}

CV_API bool MatchSingleImage(cv::Mat& img, cv::Mat templImg, double& matchVal, cv::Rect& matchRect)
{
	if (img.empty() || templImg.empty())
		return false;

	/*
	模板匹配的匹配方式：
	0:CV_TM_SQDIFF 平方差匹配法：最好匹配为0。 匹配越差，匹配值越大。
		这类方法利用图像与模板各个像素差值的平方和来进行匹配，最好匹配为 0。 匹配越差，匹配值越大。
	1:CV_TM_SQDIFF_NORMED 归一化平方差匹配法：最好匹配为0。 匹配越差，匹配值越大。
		这个方法其实和差值平方和算法是类似的。只不过对图像和模板进行了标准化操作
	2:CV_TM_CCORR 相关匹配法：0最差匹配,越接近1越完美;
		这类方法采用模板和图像的互相关计算作为相似度的度量方法，所以较大的数表示匹配程度较高，0标识最坏的匹配效果。
	3:CV_TM_CCORR_NORMED 归一化相关匹配法：0最差匹配,越接近1越完美;
		这个方法和 标准化差值平方和匹配 类似，都是去除了亮度线性变化对相似度计算的影响。可以保证图像和模板同时变亮或变暗k倍时结果不变。
	4:CV_TM_CCOEFF 相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
		这种方法也叫做相关匹配，但是和上面的 CV_TM_CCORR 匹配方法还是有不通过的。简单的说，这里是把图像和模板都减去了各自的平均值，使得这两幅图像都没有直流分量
	5:CV_TM_CCOEFF_NORMED 归一化相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
		这是 OpenCV 支持的最复杂的一种相似度算法。
		这里的相关运算就是数理统计学科的相关系数计算方法。
		具体的说，就是在减去了各自的平均值之外，还要各自除以各自的方差。
		经过减去平均值和除以方差这么两步操作之后，无论是我们的待检图像还是模板都被标准化了，
		这样可以保证图像和模板分别改变光照亮不影响计算结果。计算出的相关系数被限制在了 -1 到 1 之间，
		1 表示完全相同，-1 表示两幅图像的亮度正好相反，0 表示两幅图像之间没有线性关系。
	*/
	cv::Mat resultImg;
	cv::matchTemplate(img, templImg, resultImg, cv::TM_CCOEFF_NORMED);
	if (resultImg.empty())
		return false;

	// 最小和最大匹配值;
	double lv_nMinVal = 0.0;
	double lv_nMaxVal = 0.0;
	// 匹配的坐标点;
	cv::Point lv_nMinLoc = cv::Point(0, 0);
	cv::Point lv_nMaxLoc = cv::Point(0, 0);
	cv::minMaxLoc(resultImg, &lv_nMinVal, &lv_nMaxVal, &lv_nMinLoc, &lv_nMaxLoc);

	// TM_CCOEFF_NORMED匹配是取最大值为匹配值;
	matchVal = lv_nMaxVal;
	// 匹配区域，使用最大区域;
	matchRect.x = lv_nMaxLoc.x;
	matchRect.y = lv_nMaxLoc.y;
	matchRect.width = templImg.cols;
	matchRect.height = templImg.rows;

#ifdef _DEBUG
	// 在原图上框出模板位置;
	cv::Mat showImg;
	img.copyTo(showImg);
	cv::rectangle(showImg,
		cv::Point(lv_nMaxLoc.x, lv_nMaxLoc.y),
		cv::Point(lv_nMaxLoc.x + templImg.cols, lv_nMaxLoc.y + templImg.rows),
		cv::Scalar(rand() % 255, rand() % 255, rand() % 255),
		2,
		cv::LINE_AA,
		0);
	// 输出到文件中;
	imwrite("showImg.png", showImg);
	// 释放对象;
	showImg.release();
#endif

	// 释放对象;
	resultImg.release();

	return true;
}

CV_API bool MatchSingleImage(cv::Mat& img, std::string strTmpImg, double& matchVal, cv::Rect& matchRect)
{
	if (img.empty())
		return false;

	// 读取模板图片;
	cv::Mat templImg = imread(strTmpImg.c_str(), cv::IMREAD_COLOR);
	if (templImg.empty()) {
		return false;
	}

	cv::Mat resultImg;
	cv::matchTemplate(img, templImg, resultImg, cv::TM_CCOEFF_NORMED);
	if (resultImg.empty()) {
		templImg.release();
		return false;
	}

	// 最小和最大匹配值;
	double lv_nMinVal = 0.0;
	double lv_nMaxVal = 0.0;
	// 匹配的坐标点;
	cv::Point lv_nMinLoc = cv::Point(0, 0);
	cv::Point lv_nMaxLoc = cv::Point(0, 0);
	cv::minMaxLoc(resultImg, &lv_nMinVal, &lv_nMaxVal, &lv_nMinLoc, &lv_nMaxLoc);
	
	// TM_CCOEFF_NORMED匹配是取最大值为匹配值;
	matchVal = lv_nMaxVal;
	// 匹配区域，使用最大区域;
	matchRect.x = lv_nMaxLoc.x;
	matchRect.y = lv_nMaxLoc.y;
	matchRect.width = templImg.cols;
	matchRect.height = templImg.rows;

#ifdef _DEBUG
	// 在原图上框出模板位置;
	cv::Mat showImg;
	img.copyTo(showImg);
	cv::rectangle(showImg,
		cv::Point(lv_nMaxLoc.x, lv_nMaxLoc.y), 
		cv::Point(lv_nMaxLoc.x + templImg.cols, lv_nMaxLoc.y + templImg.rows),
		cv::Scalar(rand() % 255, rand() % 255, rand() % 255), 
		2, 
		cv::LINE_AA, 
		0);
	// 输出到文件中;
	imwrite("showImg.png", showImg);
	// 释放对象;
	showImg.release();
#endif

	// 释放对象;
	templImg.release();
	resultImg.release();

	return true;
}

CV_API bool MatchSingleImage(std::string strImg, std::string strTmpImg, double& matchVal, cv::Rect& matchRect)
{
	cv::Mat img;
	cv::Mat templImg;
	if (!ReadImage(strImg.c_str(), img) )
		return false;

	if (!ReadImage(strTmpImg.c_str(), templImg)) {
		img.release();
		return false;
	}

	cv::Mat resultImg;
	cv::matchTemplate(img, templImg, resultImg, cv::TM_CCOEFF_NORMED);
	if (resultImg.empty()) {
		img.release();
		templImg.release();
		return false;
	}

	// 最小和最大匹配值;
	double lv_nMinVal = 0.0;
	double lv_nMaxVal = 0.0;
	// 匹配的坐标点;
	cv::Point lv_nMinLoc = cv::Point(0, 0);
	cv::Point lv_nMaxLoc = cv::Point(0, 0);
	cv::minMaxLoc(resultImg, &lv_nMinVal, &lv_nMaxVal, &lv_nMinLoc, &lv_nMaxLoc);

	// TM_CCOEFF_NORMED匹配是取最大值为匹配值;
	matchVal = lv_nMaxVal;
	// 匹配区域，使用最大区域;
	matchRect.x = lv_nMaxLoc.x;
	matchRect.y = lv_nMaxLoc.y;
	matchRect.width = templImg.cols;
	matchRect.height = templImg.rows;

#ifdef _DEBUG
	// 在原图上框出模板位置;
	cv::Mat showImg;
	img.copyTo(showImg);
	cv::rectangle(showImg,
		cv::Point(lv_nMaxLoc.x, lv_nMaxLoc.y),
		cv::Point(lv_nMaxLoc.x + templImg.cols, lv_nMaxLoc.y + templImg.rows),
		cv::Scalar(rand() % 255, rand() % 255, rand() % 255),
		2,
		cv::LINE_AA,
		0);
	// 输出到文件中;
	imwrite("showImg.png", showImg);
	// 释放对象;
	showImg.release();
#endif

	// 释放对象;
	img.release();
	templImg.release();
	resultImg.release();

	return true;
}

CV_API bool Mat2Bitmap(cv::Mat& img, CBitmap& bitmap)
{
	return CV_API bool();
}

CV_API bool Mat2HBitmap(cv::Mat& img, HBITMAP& bitmap)
{
	//MAT类的TYPE=（nChannels-1+ CV_8U）<<3
	int nChannels = (img.type() >> 3) - CV_8U + 1;
	int iSize = img.cols * img.rows * nChannels;
	bitmap = CreateBitmap(img.cols, img.rows, 1, nChannels * 8, img.data);
	return true;
}

CV_API bool Mat2GdiplusBitmap(cv::Mat& img, Gdiplus::Bitmap& bitmap)
{
	cv::Mat temp = img.clone();
	if (temp.channels() == 1 ) {
		cv::cvtColor(img, temp, cv::COLOR_GRAY2BGR);
	}

	Gdiplus::Bitmap bitmap2(temp.cols, temp.rows, temp.step1(), PixelFormat24bppRGB, temp.data);
	//bitmap = bitmap2;
	//bitmap2.
	Gdiplus::Rect rect(0,0, temp.cols, temp.rows);

	return CV_API bool();
}

CV_API bool Bitmap2Mat(CBitmap& bitmap, cv::Mat& img)
{
	return CV_API bool();
}

CV_API bool HBitmap2Mat(HBITMAP& bitmap, cv::Mat& img)
{
	return CV_API bool();
}

// 能转,但转出来的gdiplus的图片与opencv的大小存在差异;
CV_API bool GdiplusBitmap2Mat(Gdiplus::Bitmap* bitmap, cv::Mat& img)
{
	Gdiplus::PixelFormat format = bitmap->GetPixelFormat();
	if (format != PixelFormat24bppRGB)
		return false;

	int width = bitmap->GetWidth();
	int height = bitmap->GetHeight();

	Gdiplus::Rect rcLock(0,0,width,height);
	Gdiplus::BitmapData bmpData;

	if ( !bitmap->LockBits(&rcLock, Gdiplus::ImageLockModeRead, format, &bmpData) == Gdiplus::Ok )
	{
		return false;
	}

	img = cv::Mat(height, width, CV_8UC3, static_cast<unsigned char*>(bmpData.Scan0), bmpData.Stride).clone();
	bitmap->UnlockBits(&bmpData);

	if (img.empty())
		return false;

	return true;
}