C和C++中产生随机数的方法如rand()、srand()等在OpenCV中仍可以用。此外，OpenCV还特地编写了C++的随机数类RNG，C的随机数类CvRNG
说明
关键字前带cv的都是C里的写法，不带cv的是C++里的写法，比如CvRNG和RNG，其本质都是一样的。
计算机产生的随机数都是伪随机数，是根据种子seed和特定算法计算出来的。所以，只要种子一定，算法一定，产生的随机数是相同的
要想产生完全重复的随机数，可以用系统时间做种子。OpenCV中用GetTickCount()，C 中用time()
double t2 = (double)cv::getTickCount(); //获取系统时间
RNG
RNG类是opencv里C++的随机数产生器。它可产生一个64位的int随机数。目前可按均匀分布和高斯分布产生随机数。随机数的产生采用的是Multiply-With-Carry算法和Ziggurat算法
RNG可以产生3种随机数:
RNG(int seed) 使用种子seed产生一个64位随机整数，默认-1
RNG::uniform( ) 产生一个均匀分布的随机数
RNG::gaussian( ) 产生一个高斯分布的随机数
RNG::uniform(a, b ) 返回一个[a,b)范围的均匀分布的随机数，a,b的数据类型要一致，而且必须是int、float、double中的一种，默认是int。
RNG::gaussian( σ) 返回一个均值为0，标准差为σ的随机数。
如果要产生均值为λ，标准差为σ的随机数，可以λ+ RNG::gaussian( σ)
#include<opencv2/opencv.hpp>
#include<iostream>
int main(int argc, char** argv) {
cv::RNG rng;//创建RNG对象，使用默认种子“-1”
cv::RNG rng1(100);//创建RNG对象，使用种子“100”
for (int i = 0; i < 10; i++) {
int N = rng; //产生64位随机整数
std::cerr << "i=" << i <<", N="<<N<<std::endl;
}
for (int i = 0; i < 10; i++) {
int N1 = rng1; //产生64位随机整数
std::cerr << "i=" << i << ", N1=" << N1 << std::endl;
}
cv::waitKey(0);
return 0;
}
#include<opencv2/opencv.hpp>
#include<iostream>
int main(int argc, char** argv) {
cv::RNG rng;//创建RNG对象，使用默认种子“-1”
cv::RNG rng1(100);//创建RNG对象，使用种子“100”
for (int i = 0; i < 10; i++) {
double N = rng.uniform(0, 1);
//总是得到double类型数据0.000000，因为会调用uniform(int,int),只会取整数，所以只产生0
std::cerr << "i=" << i <<", N="<<N<<std::endl;
double N1 = rng.uniform((double)0, (double)1);//产生[0,1)范围内均匀分布的double类型数据
std::cerr << "i=" << i << ", N1=" << N1 << std::endl;
double N2 = rng.uniform(0.f, 1.f); //产生[0,1)范围内均匀分布的float类型数据，注意被自动转换为double了
std::cerr << "i=" << i << ", N2=" << N2 << std::endl;
double N3 = rng.uniform(0., 1.);//产生[0,1)范围内均匀分布的double类型数据
std::cerr << "i=" << i << ", N3=" << N3 << std::endl;
}
cv::waitKey(0);
return 0;
}
double N = rng.gaussian(2);//产生符合均值为0，标准差为2的高斯分布的随机数
#include<opencv2/opencv.hpp>
#include<iostream>
int main(int argc, char** argv) {
cv::RNG rng((unsigned)time(NULL));//时间做种子，用这个要记得加上头函数<time.h>
for (int i = 0; i < 10; i++) {
int N = rng.uniform((int)0, (int)255);
std::cerr << "i=" << i << ", N=" << N << std::endl;
}
cv::waitKey(0);
return 0;
}
cv::RNG rng;
for (int i = 0; i < 10; i++) {
int N = rng.next();//返回下一个64位随机整数
N = rng.operator uchar(); //返回下一个无符号字符数
N = rng.operator schar(); //返回下一个有符号字符数
N = rng.operator ushort(); //返回下一个无符号短型
N = rng.operator short int(); //返回下一个短整型数
N = rng.operator int(); //返回下一个整型数
N = rng.operator unsigned int(); //返回下一个无符号整型数
N = rng.operator float(); //返回下一个浮点数
N = rng.operator double(); //返回下一个double型数
N = rng.operator ()(); //和rng.next( )等价
N = rng.operator ()(100); //返回[0,100)范围内的随机数
std::cerr << "i=" << i << ", N=" << N << std::endl;
随机数填充矩阵
cv::RNG rng;
cv::Mat src(3, 3, CV_8U);
rng.fill(src, cv::RNG::UNIFORM, 1, 255);//产生[1,255)均匀分布的int随机数填充src
//UNIFORM 表示均匀分布; NORMAL 表示高斯分布
std::cout << "src = " << src << std::endl << std::endl;
cv::Mat src1(3, 3, CV_8U);
rng.fill(src1, cv::RNG::UNIFORM, 1, 255,true);//产生[1,255)均匀分布的int随机数填充src
std::cout << "src1 = " << src1 << std::endl << std::endl;
cv::Mat src2(3, 3, CV_8U);
rng.fill(src1, cv::RNG::UNIFORM, 1, 255, false);//产生[1,255)均匀分布的int随机数填充src
//只针对均匀分布有效。当为真的时候，会先把产生随机数的范围变换到数据类型的范围，再产生随机数；
//如果为假，会先产生随机数，再进行截断到数据类型的有效区间
std::cout << "src2 = " << src2 << std::endl << std::endl;
rng.fill(fillN,RNG::NORMAL,1,3);
//产生均值为1，标准差为3的随机double数填进fillN
