OpenCV如何利用Eigen？

Question

在从源代码编译OpenCV时，有一个CMake选项WITH_EIGEN，它显示“包含Eigen3支持”。然而，在文档中(或者在google中)，我找不到这到底是做什么以及如何使用它的。我可以想象几种选择：

我是否可以继续使用cv::Mat和某些函数(哪些函数？)例如cv::Mat::inv()将开始使用来自Eigen的算法？

或者WITH_EIGEN标志基本上什么也不做，我需要将cv：：Mat转换为Eigen (或使用Eigen::Map)，然后手动使用Eigen的算法？

Answer 1

在使用它一段时间后，我可以给出答案：

WITH_EIGEN标志除了使eigen-opencv互操作性功能可用之外，什么也不做。

我是否可以继续使用cv::Mat和某些函数(哪些函数？)例如cv::Mat::inv()将开始使用来自Eigen的算法？

不，cv::Mat::inv()没有智能逻辑，将使用OpenCV算法。

，还是WITH_EIGEN标志基本上什么也不做，我需要将cv：：Mat转换为Eigen (或使用Eigen::Map)，然后手动使用Eigen的算法？

没错，这就是我们要走的路。不过，我不一定推荐使用cv2eigen()和eigen2cv()。我使用了Eigen::Map来映射内存(复制任何东西都没有成本)和cv::Mat(void*，...)将数据映射回。不过，在使用行/列主要标志之类的东西时要小心。

Answer 2

以下是我的Eigen+OpenCV互操作性示例，希望对您有所帮助：

//
#define EIGEN_RUNTIME_NO_MALLOC // Define this symbol to enable runtime tests for allocations
#include <Eigen/Dense>
#include <Eigen/Sparse>
#include <vector>
#include <Eigen/IterativeLinearSolvers>
#include <iostream>
#include "opencv2/core/eigen.hpp"
#include "opencv2/opencv.hpp"
using namespace Eigen;
using namespace cv;
using namespace std;

void EnergyFilter(Mat& src,Mat& dst,double alpha)
{
int n_pixels=src.rows*src.cols;
// Image to row-vector
Mat m=src.reshape(1,n_pixels).clone();
// To double
m.convertTo(m,CV_64FC1);

// Eigen vectors
VectorXd I(n_pixels);
VectorXd u(n_pixels);

// convert image from openCV to Eigen 
cv2eigen(m,I);

// 
SparseMatrix<double> A(n_pixels,n_pixels);

// Fill sparse martix using triplets
typedef Eigen::Triplet<double> T;
std::vector<T> tripletList;

// Filter parameter (smoothing factor)
//double alpha=-0.1;

// Set values
for(int i=0;i<n_pixels;i++)
{
    tripletList.push_back(T(i,i,1+4*alpha));
    if((i+1) < n_pixels){tripletList.push_back(T(i,i+1,-alpha));} // +1
    if((i-1) >= 0){tripletList.push_back(T(i,i-1,-alpha));} // -1
    if((i+src.cols) < n_pixels){tripletList.push_back(T(i,i+src.cols,-alpha));} // +3
    if((i-src.cols) >= 0){tripletList.push_back(T(i,i-src.cols,-alpha));} // -3
}

// Boundary values of main diag
tripletList.push_back(T(0,0,1+2*alpha));
for(int i=1;i<src.cols;i++)
{
    tripletList.push_back(T(i,i,1+3*alpha));
}

// 
tripletList.push_back(T(n_pixels-1,n_pixels-1,1+2*alpha));
for(int i=1;i<src.cols;i++)
{
    tripletList.push_back(T(i,n_pixels-i-1,1+3*alpha));
}

// Init sparse matrix
A.setFromTriplets(tripletList.begin(),tripletList.end());

tripletList.clear();
// Solver init
ConjugateGradient<SparseMatrix<double> > cg;
cg.compute(A);
// Solve linear systyem
u = cg.solve(I);
std::cout << "#iterations:     " << cg.iterations() << std::endl;
std::cout << "estimated error: " << cg.error()      << std::endl;
// Get the solution
dst=Mat(n_pixels,1,CV_64FC1);
eigen2cv(u,dst);
dst=dst.reshape(1,src.rows);
dst.convertTo(dst,CV_8UC1);
}


int main(int argc, char* argv[])
{
    namedWindow("image");
    namedWindow("result");
    Mat img=imread("d:\\ImagesForTest\\lena.jpg",1);
    imshow("image",img);
    waitKey(10);
    Mat res;
    vector<Mat> ch;
    cv::split(img,ch);

    for(int i=0;i<3;i++)
    {
        EnergyFilter(ch[i],res,3);
        res.copyTo(ch[i]);
    }

    cv::merge(ch,res);
    // show the resilt
    imshow("result",res);
    waitKey(0);
    return 0;
}