🥑C++数理逻辑定义和实现成像捕捉及交互式变形

关键词

C++数理逻辑定义和实现成像捕捉及交互式变形 | Notion亚图跨际 on Notion

🏈page指点迷津 | Brief

🎯要点

🎯图像的数学转换。
🎯按位转换，使用最低有效位编码策略的隐写术。
🎯对比增强线性变换数学定义。
🎯直方图运算：灰度概率分布，累计直方图，直方图均衡。
🎯数学形态学：🖊膨胀和腐蚀算子逻辑数学定义和C++代码，🖊开运算和闭运算逻辑数学定义及C++代码，🖊克莱默-布鲁克纳滤波器逻辑数学定义及C++代码，🖊交替顺序滤波器逻辑数学定义及C++代码，🖊形态梯度数学逻辑定义及C++代码，🖊细化（骨架化）形态学技术逻辑关系及C++代码，🖊细化算法C++代码。
🎯空间过滤：离散卷积逻辑数学定义和C++代码，🖊低通滤波器C++方法，🖊高通滤波器的一阶导数滤波C++方法，🖊二阶导数滤波C++拉普拉斯方法，🖊自适应滤波器C++西格玛滤波方法，🖊自适应窗口滤波器C++ Nagao 滤波方法，C++桑原非利斯托尔滤波方法，🖊Deriche 轮廓滤波器逻辑数学定义和C++代码，🖊Deriche 轮廓滤波器应用于二维图像，🖊计算梯度范数，🖊二阶Deriche 轮廓滤波器对图像拉普拉斯计算，🖊快速傅里叶变换C++代码，应用于两幅图傅里叶变换的模和参数混合，🖊图像光谱的可视化C++代码，以分贝为单位，🖊频域滤波：高斯滤波逻辑数学定义和C++代码，🖊莫列图像的处理，数学关系变换和C++代码去除莫列波纹，🖊线性扩散滤波数学方程和C++代码，🖊非线性扩散滤波C++代码二维上实现 Perona 和 Malik 算法，🖊视频序列上的非线性扩散滤波器C++代码。
🎯特征提取：C++实现高斯窗口，使用 Harris 和 Stephens 算法的实现角点检测，🖊兴趣点的亚像素检测线性系统数学定义和C++实现，🖊霍夫变换：C++对累加器网格进行阈值化，C++直线检测的霍夫变换，🖊圆和椭圆检测：C++计算圆检测的累加器，🖊纹理特征：纹理光谱数学定义及C++实现，🖊Tamura 系数和Tamura对比度C++代码，🖊粗糙度数学定义和C++使用积分图像的局部平均值，🖊C++绝对差异计算，🖊C++Tamura粗糙度计算，🖊纹理的方向性数学定义及C++Tamura的方向计算，🖊局部二值模式和对比度数学定义和C++实现，🖊C++使用局部二值模式串联直方图。
🎯图像分割，🎯二维和三维动作分析，🎯多光谱成像捕捉，🎯可视化和渲染三维网格对象，🎯通过变换压缩，🎯断层重建，🎯立体视觉图像分析，🎯使用径向基函数交互式变形。

🍇C++灰度处理和滤镜函数使用

我们将使用 C++ 和 OpenCV 来读取图像并显示结果。首先，让我们编写一个简单的 C++ 程序来读取来自相机的流并使用 OpenCV 显示 RGB 和灰度图像。

 #include <iostream>
 #include "opencv2/opencv.hpp"
 
 int main() {
     cv::VideoCapture cam(0);
     if (!cam.isOpened()) {
         throw std::runtime_error("Error");
     }
 
     cv::namedWindow("Window");
     while (true) {
         cv::Mat frame;
         cam >> frame;
         cv::resize(frame, frame, cv::Size(400, 400));
         cv::imshow("bgr_frame", frame);
         cv::Mat gray_frame;
         cv::cvtColor(frame, gray_frame, CV_BGR2GRAY);
         cv::imshow("gray_frame", gray_frame);
         if (cv::waitKey(30) >= 0) break;
     }
 }

我们要在类里安排我们的工作，我们将其称为 ImageOperator。

 class ImageOperator{
 public:
     ImageOperator() = default;
     ~ImageOperator() = default;
     
     static void to_gray_m1(const cv::Mat& input, cv::Mat& output);
     static void to_gray_m2(const cv::Mat& input, cv::Mat& output);
     static void to_gray_m3(const cv::Mat& input, cv::Mat& output);
     static void to_gray(const unsigned char* input,
                         const int width,
                         const int height,
                         const int channel,
                         unsigned char* output);
 };

您可能注意到，我们在第 6 行到第 9 行中声明了四个函数，用于将 RGB 图像转换为灰度图像。

前三个函数以 OpenCV Mat 矩阵作为输入参数。我们将探索三种不同的方法将图像转换为灰度。最后一个函数 to_gray 使用原始 C unsigned char 指针。我们将使用加权方法将 RGB 图像转换为灰度图像。执行此操作的等式是：gray_image = ( (0.3 * R) + (0.59 * G) + (0.11 * B) ).

使用迭代器

它也被称为安全方法。它不如其他方法有效，但它使循环像素变得更加容易。

 void ImageOperator::to_gray_m1(const cv::Mat &input, cv::Mat &output) {
   
     unsigned char *data_out = (unsigned char*)(output.data);
     int ind = 0;
     auto end = input.end<cv::Vec3b>();
     cv::MatConstIterator_<cv::Vec3b> it = input.begin<cv::Vec3b>();
     for (; it != end; ++it) {
         const unsigned char &r = (*it)[2];
         const unsigned char &g = (*it)[1];
         const unsigned char &b = (*it)[0];
         data_out[ind] = 0.3*r+0.59*g+0.11*b;
         ind++;
     }
 
 }

我们使用 cv::Vec3b 是因为每个元素由三个通道 bgr（蓝色、绿色和红色）组成，每个通道都是 1 字节，因此我们需要 3 字节。输出 Mat 仅包含一个通道，并且具有与输入 Mat 相同的大小（行数和列数），因此我们可以访问其原始 unsigned char 指针数据并对其进行修改。

使用原始指针和总大小

可以使用 data 属性访问 cv::Mat 的原始数据指针。图像的总字节数可以通过以下公式计算： img_size_in_byte = number_of_channels * img_width*img_height 因此，如果我们有 4040 bgr 图像，则其总大小为 34040 = 4800，相应的灰度图像大小为 140*40 = 1600。这里，我们假设每个通道需要一个字节。

每三个连续字节应转换为灰度图像中的一个值。

 void ImageOperator::to_gray_m2(const cv::Mat &input, cv::Mat &output) {
     unsigned char *data_in = (unsigned char*)(input.data);
     unsigned char *data_out = (unsigned char*)(output.data);
 
     int index = 0;
     int byte_size = input.channels()*input.rows*input.cols;
     while(index!=byte_size){
         data_out[index/input.channels()] = unsigned(0.11*data_in[index]+0.59*data_in[index+1]+0.3*data_in[index+2]);
 
         index+=3;
     }
 }

在上面的代码片段中，我们使用索引来循环 bgr 输入图像中的字节。我们还将每个循环的索引移动 3，直到它等于总大小（以字节为单位）。

在 for 循环中使用原始指针

图像数据以连续字节的形式存储在内存中。在此方法中，您可以使用其行和列坐标但从 1D 字符指针访问像素。input.step 给出一行中的总字节数。如果将其与行索引相乘，就可以获得指向特定行的指针。访问特定行后，可以使用 col 索引来访问特定列。换句话说：要访问 2D 数组中 x,y 位置的一个像素，可以编写 $\operatorname{img}[ x ][ y ]$ 。要在一维数组中获得相同的结果，必须使用 $\operatorname{img}\left[ y ^*\right. step+x]$ 。

 void ImageOperator::to_gray_m3(const cv::Mat &input, cv::Mat &output) {
 
     unsigned char *data_in = (unsigned char*)(input.data);
     unsigned char *data_out = (unsigned char*)(output.data);
 
     int index = 0;
     for (int row = 0; row < input.rows; ++row) {
         for (int col = 0; col < input.cols*input.channels(); col+=input.channels()) {
             data_out[index]= 0.11*data_in[row*input.step+col]+
                              0.59*data_in[row*input.step+col+1]+
                              0.3*data_in[row*input.step+col+2];
             index++;
         }
     }
 }

前面的代码循环遍历 bgr 图像中的每 3 个字节并计算其比例值。

现在，在了解了前面的方法之后，您会发现将 RGB 图像转换为灰度图像非常简单。实际上，甚至不需要解释，因为正如您所注意到的，我们在方法 2 和 3 中使用了原始指针。

PreviousPython蛛网图可视化函数迭代 NextPython大型数据集(GPU)可视化和Pillow解释性视觉推理及材料粒子凝聚

Last updated 1 month ago