当前位置： 首页 > news >正文

OpenCV基础（3）

news 2024/11/26 5:39:06

1.图像直方图

1.1.像素统计

计算图像均值：

Scalar cv::mean(InputArray src,InputArray mask=noArray());

  • src：输入图像
  • mask：掩膜层过滤

返回值是对输入图像通道数计算均值后的Scalar对象

计算图像均值与方差：

void cv::meanStdDev(InputArray src,OutputArray mean,OutputArray stddev,InputArray mask=noArray());

  • src：输入图像
  • mean：输出图像通道的均值
  • stddev：输出图像通道的方差
  • mask：掩膜层

查找最大值和最小值及其位置：

double cv::minMaxLoc(InputArray src, OutputArray minVal, OutputArray maxVal, OutputArray minLoc, OutputArray maxLoc, InputArray mask = noArray());

  • src：输入图像或矩阵，可以是单通道、多通道或彩色图像。
  • minVal：输出参数，指向一个double类型的指针，用于存储计算得到的最小值。
  • maxVal：输出参数，指向一个double类型的指针，用于存储计算得到的最大值。如果不提供此参数，则默认为0。
  • minLoc：输出参数，指向一个Point类型的指针，用于存储计算得到的最小值的位置。如果不提供此参数，则默认为0。
  • maxLoc：输出参数，指向一个Point类型的指针，用于存储计算得到的最大值的位置。如果不提供此参数，则默认为0。
  • mask：可选参数，输入图像或矩阵，用于指定感兴趣区域。只有位于mask内的像素才会被计算最小值和最大值。如果不提供此参数，则默认为noArray()。

1.2.直方图计算和绘制

void calcHist(const Mat* images,             //输入的数组或数据集int nimages,                   //输入数组的个数const int* channels,           //需要统计的通道（dim）索引    InputArray mask,               //可选的操作掩码，用于标记出统计直方图的数组元素数据OutputArray hist,              //输出的目标直方图    int dims,                      //需要计算的直方图的维数const int* histSize,           //存放每个直方图尺寸的数组const float** ranges,          //每一维数值的取值范围bool uniform = true,           //指示直方图是否均匀的标识符bool accumulate = false        //累计标识符，主要是允许多从多个阵列中计算单个直方图,或者用于在特定的时间更新直方图。
)

  • 第一个参数：const Mat* 类型的 iamges，输入的数组（或数据集），它们需为相同的深度（CV_8U 或 CV_32F）和相同的尺寸。
  • 第二个参数：int 类型的 nimages，输入数组的个数，也就是第一个参数中存放了多少张 “图像”，有几个原数组。
  • 第三个参数：const int* 类型的 channels，需要统计的通道（dim）索引。第一个数组通道从 0 到 images[0].channels() - 1，而第二个数组通道从 images[0].channels() 计算到 images[0].channels() + images[1].channels() - 1。
  • 第四个参数：InputArray 类型的 mask，可选的操作掩码。如果此掩码不为空，那么它必须为 8 位，并且与 images[i] 有同样的大小和尺寸。这里的非零掩码元素用于标记出统计直方图的数组元素数据。
  • 第五个参数：OutputArray 类型的 hist，输出的目标直方图，一个二维数组。
  • 第六个参数：int 类型的 dims，需要计算的直方图的维数，必须是正数，且不大于 CV_MAX_DIMS（在 OpenCV3 中等于 32）。
  • 第七个参数：const int* 类型的 histSize，存放每个维度的直方图尺寸的数组。
  • 第八个参数：const float** 类型的 ranges，表示每一个维度数组（第六个参数 dims）的每一维的边界阵列，可以理解为每一维数值的取值范围。
  • 第九个参数：bool 类型的 uniform，指示直方图是否均匀的标识符，有默认值 true。
  • 第十个参数：bool 类型的 accumulate，累计标识符，有默认值 false。若其为 true，直方图在配置阶段不会被清零。此功能主要是允许多从多个阵列中计算单个直方图，或者用于在特定的时间更新直方图。

绘制H-S直方图

#include<opencv2/opencv.hpp>
#include<time.h>
#include<iostream>using namespace std;
using namespace cv;int main() {system("color 2F");//载入原图，转化为 HSV 颜色模型Mat srcImage, hsvImage;srcImage = imread("1.jpg");cvtColor(srcImage, hsvImage, COLOR_BGR2HSV);//将色调量化为 30 个等级，将饱和度量化为 32 个等级int hueBinNum = 30;     //色调的直方图直条数量int saturationBinNum = 32;      //饱和度的直方图直条数量int histSize[] = { hueBinNum,saturationBinNum };//定义色调的变化范围为 0 到 179float hueRanges[] = { 0,180 };//定义饱和度的变化范围为 0（黑、白、灰）到 255（纯光谱颜色）float saturationRanges[] = { 0,256 };const float* ranges[] = { hueRanges,saturationRanges };MatND dstHist;  //Mat 一般指二维矩阵，MatND 指多维矩阵（ > 2 )//calcHist 函数中将计算第 0 通道和第 1 通道的直方图int channels[] = { 0,1 };//正式调用 calcHist ，进行直方图计算calcHist(&hsvImage,  //输入的数组1,      //数组个数为 1channels,   //通道索引Mat(),      //不使用掩膜dstHist,    //输出的目标直方图2,      //需要计算的直方图的维度为 2histSize,   //存放每个维度的直方图尺寸的数组ranges,     //每一维数值的取值范围数组true,       //指示直方图是否均匀的标识符，true 表示均匀的直方图false       //累计标识符，false 表示直方图在配置阶段会被清零);//为绘制直方图准备参数double  maxValue = 0;   //最大值//查找数组和子数组的全局最小值和最大值存入 maxValue 中minMaxLoc(dstHist, 0, &maxValue, 0, 0); int scale = 10;     //直方图放大倍数Mat histImage = Mat::zeros(saturationBinNum * scale, hueBinNum * 10, CV_8UC3);//双重循环，实现直方图绘制for (int hue = 0; hue < hueBinNum; hue++) {for (int saturation = 0; saturation < saturationBinNum; saturation++) {//直方图直条的值float binValue = dstHist.at<float>(hue, saturation);int intensity = cvRound(binValue * 255 / maxValue);     //强度//正式进行绘制rectangle(histImage,Point(hue * scale, saturation * scale),Point((hue + 1) * scale - 1, (saturation + 1) * scale - 1),Scalar::all(intensity),FILLED);}}imshow("素材图", srcImage);imshow("H-S 直方图", histImage);waitKey(0);return 0;
}

绘制一维直方图

#include<opencv2/opencv.hpp>
#include<time.h>
#include<iostream>using namespace std;
using namespace cv;int main() {system("color 2F");Mat srcImage = imread("1.jpg", 0);imshow("原图", srcImage);if (!srcImage.data) {printf("图像读取失败!");return 0;}MatND dstHist;int dims = 1;float hranges[] = { 0,255 };const float *ranges[] = { hranges };    //这里需为 const 类型 int size = 256;int channels = 0;//计算图像的直方图calcHist(&srcImage, 1, &channels, Mat(), dstHist, dims, &size, ranges);int scale = 1;Mat dstImage(size * scale, size, CV_8U, Scalar(0));//获取最大值和最小值double minValue = 0;double maxValue = 0;minMaxLoc(dstHist, &minValue, &maxValue, 0, 0);//绘制出直方图int hpt = saturate_cast<int>(0.9 * size);for (int i = 0; i < 256; i++) {float binValue = dstHist.at<float>(i);  //注意 hist 中是 float 类型int realValue = saturate_cast<int>(binValue * hpt / maxValue);rectangle(dstImage, Point(i * scale, size - 1), Point((i + 1) * scale - 1, size - realValue), Scalar(255)); }imshow("一维直方图", dstImage);waitKey(0);return 0;
}

1.3.直方图均衡化

void cv::equalizeHist(

        InputArray src,//输入图像

        OutputArray dst//输出图像

)

1.4.直方图比较

double cv::campareHist( InputArray H1, InputArray H2, int method )

H1和H2是两个直方图数据，method表示衡量直方图数据相似性的计算方法。

  • HISTCMP_CORREL：相关性相似比较
  • HISTCMP_CHISQP：卡方相似比较
  • HISTCMP_INTERSECT：交叉相似比较
  • HISTCMP_BHATTACHARYYA：巴氏距离相似比较
  • HISTCMP_HELLINGER：海林格距离相似比较，与巴氏距离相似比较相同
  • HISTCMP_CHISQR_ALT：可变卡方相似比较
  • HISTCMP_KL_DIV：基于KL散度相似比较

对相关性相似比较与交叉相似比较方法来说，直方图数据相似度越低，值就越低；而对卡方相似比较与巴氏距离相似比较方法来说，直方图数据相似度越低，值就越高；其中巴氏距离相似比较方法的取值范围是[0,1]，0表示完全相同，1表示完全

1.5.直方图反向投影

void cv::calcBackProject(const Mat *images,        //输入图像int nimages,              //输入图像数量const int *channels,      //不同图像的索引通道，编号从0开始InputArray hist,          //输入的模板直方图数据OutputArray backProject,  //反向投影后的输出const float **ranges,     //通道的取值范围double scale=1,           //输出数据的缩放，1表示保持原值bool uniform=true         //表示一致性，对边界数据的处理方式，取值为false表示不处理
)

2.图像平滑操作

2.1.均值滤波

void blur( InputArray src, OutputArray dst,Size ksize, Point anchor = Point(-1,-1),int borderType = BORDER_DEFAULT 
);参数说明：
参数1：被处理的图像
参数2：均值滤波处理之后的图像
参数3：滤波核大小，其格式为（高度，宽度），建议使用（3,3），（5,5），（7,7）等 宽、高相等的奇数边长。滤波核越大，处理之后的图像越模糊
参数4：滤波核的锚点，建议采用默认值，可以自动计算锚点
参数5：边界样式，建议采用默认值

2.2.高斯滤波

void GaussianBlur( InputArray src, OutputArray dst, Size ksize,double sigmaX, double sigmaY = 0,int borderType = BORDER_DEFAULT 
);参数说明：
参数1：待处理的图像
参数2：高斯滤波处理之后的图像
参数3：滤波核的大小，宽高必须是奇数，与均值滤波相同
参数4：卷积核水平方向的标准差，建议填0，会根据滤波核的大小自动计算合适的权重比例
参数5：卷积核垂直方向的标准差，建议填0，会根据滤波核的大小自动计算合适的权重比例
参数6：边界样式，建议使用默认值

2.3.中值滤波

void medianBlur( InputArray src, OutputArray dst, int ksize );参数说明：
参数1：待处理的图像
参数2：中值滤波处理后的图像
参数3：滤波核大小，其值表示边长，必须是大于1的奇数 3,5,7等

2.4.双边滤波

void bilateralFilter( InputArray src, OutputArray dst, int d,double sigmaColor, double sigmaSpace,int borderType = BORDER_DEFAULT 
);参数说明：
参数1：待处理的图像
参数2：双边滤波处理后的图像
参数3：以当前像素为中心的整个滤波区域的直径。如果d<0，则自动根据sigmaSpace参数 计算得到。该值与保留的边缘信息数量成正比，与方法运行效率成反比
参数4：参与计算的颜色范围，这个值是像素颜色值与周围颜色值的最大差值，只有颜色值 之差小于这个值时，周围的像素才进行滤波计算。值为255时，表示所有颜色都参与计算
参数5：坐标空间的σ(sigma)值，该值越大，参与计算的像素数量就越多
参数6：边界样式，建议默认值


http://www.mrgr.cn/news/78038.html

相关文章：

  • # DBeaver 连接hive数仓
  • 【K8S系列】在K8S中如何正确配置websocket及常见问题解决
  • 【Flask+Gunicorn+Nginx】部署目标检测模型API完整解决方案
  • 计算机网络socket编程(2)_UDP网络编程实现网络字典
  • 部署实战(二)--修改jar中的文件并重新打包成jar文件
  • Rust 力扣 - 2266. 统计打字方案数
  • 优化Docker镜像：提升部署效率与降低资源消耗
  • Spring Boot 与 Java 决策树：构建智能分类系统
  • 数字逻辑（一）——导论
  • 241125学习日志——[CSDIY] [ByteDance] 后端训练营 [18]
  • 车载摄像camera基础知识和评估
  • 2024年底-Arch linux或转为0BSD许可证！
  • 打造智能扩容新纪元：Kubernetes Custom Metrics深度解析
  • Vue 修饰符的作用与应用，应用场景详细介绍
  • 栈、队列、链表
  • 241124学习日志——[CSDIY] [ByteDance] 后端训练营 [14]
  • 传输控制协议（TCP）和用户数据报协议（UDP）
  • WebSocket 常见问题及解决方案
  • MySQL的UPDATE（更新数据）详解
  • Sickos1.1 详细靶机思路 实操笔记
  • 10、PyTorch autograd使用教程
  • 生成对抗网络模拟缺失数据，辅助PAMAP2数据集仿真实验
  • 手机发展史介绍
  • 韩顺平 一周学会Linux | Linux 实操篇-实用指令
  • 卡达掐发展史
  • 【Pytest+Yaml+Allure】实现接口自动化测试框架