opencv算法精解 c++/python
发现了一个很棒的git，mark一下
https://github.com/android-nuc/StudyPath/blob/master/README.md
找到了一本书《opencv算法精解基于python和C++》
图书馆没有啦不过下载了电子版
对算法进行了解析并且通过python和c++两种语言实现
感觉挺棒的 学习一下试试看
看毛星云那本可以等看完这个再看
// ex2c++.cpp : 定义控制台应用程序的入口点。
//
#include “stdafx.h”
#include
#include
using namespace cv;
int main()
{
//两种定义Mat的方式
Mat m = Mat(Size(2, 3), CV_32FC(1));
Mat n = (Mat_(2, 3) << 1, 2, 3, 4, 5, 6);
std::cout <<"利用Size"<<"\n"<< m<<"\n";
std::cout <<"\n"<<"利用Mat_"<<"\n"<< n<<"\n";
std::cout <<"\n"<< "行" << n.rows;
Size size = m.size();//获取尺寸
std::cout <<"\n"<< "尺寸" << size;
std::cout << "\n" << "利用at/Point获取矩阵数值" << std::endl;
for (int r = 0; r < n.rows; r++)
{
for (int c = 0; c < n.cols; c++)
{
std::cout << n.at(r, c) << ",";//用at时注意只能对n处理，m未规定数字，且rc不要过界否则报内存错误
std::cout << n.at(Point(c, r)) << ",";//用Point时c在前r在后
}
}
std::cout << "\n"<<"利用指针获取矩阵数值" << std::endl;
for (int r = 0; r < n.rows; r++)
{
//获取矩阵n第r行首地址
const int* ptr = n.ptr(r);
for (int c = 0; c < n.cols; c++)
{
std::cout << ptr[c] << "\t";
}
std::cout << std::endl;
}
if (n.isContinuous())//这里不要忘记（）获取连续地址内存
{
int *ptr = n.ptr(0);
std::cout << "\n" << "用iscontinue";
for (int k = 0; k < n.rows*n.cols; k++)
{
std::cout << ptr[k];
}
}
//向量类
Vec vi(11, 22, 33);
Vec4f vf(1.2, 3.2, 1.1, 2.3);//即Vec;Vec3d;Vec3b即Vec
std::cout << "\n" << vi.rows;
std::cout << "\n" << vi.cols;
std::cout << "\n" << vi;
std::cout << "\n" << "访问第i个元素" << vi[1];
std::cout << "\n" << vf;
std::cout << "\n" << "向量矩阵";
Mat mm = (Mat_(2, 3) <(r, c) << ",";
}
}
std::cout << "\n" << "采用指针";
for (int r = 0; r < mm.rows; r++)
{
Vec3f* ptr = mm.ptr(r);//第r行的第一个元素
for (int c = 0; c < mm.cols; c++)
{
std::cout << ptr[c] << ",";
}
}
std::cout << "\n" << "采用成员变量data/step";
for (int r = 0; r < mm.rows; r++)
{
for (int c = 0; c < mm.cols; c++)
{
Vec3f *ptr = (Vec3f*)(mm.data + r*mm.step[0] + c*mm.step[1]);
std::cout << *ptr;
std::cout << mm.step[0];//第0维是线 3*4*3=36
std::cout << mm.step[1];//每一维的大小：第1维是点 float四个字节，最低维（点）3(通道)*4（字节）=12
}
}
system("pause");
return 0;
}
TIPS1 Mat属性里面的step/size的用法
for (int r = 0; r < mm.rows; r++)
{
for (int c = 0; c < mm.cols; c++)
{
Vec3f *ptr = (Vec3f*)(mm.data + r*mm.step[0] + c*mm.step[1]);
std::cout << *ptr;
std::cout << mm.step[0];//第0维是线 3*4*3=36
std::cout << mm.step[1];//每一维的大小：第1维是点 float四个字节，最低维（点）3(通道)*4（字节）=12
}
}
也就是说，这个数组内存区是连在一起的，首先先从data（首数值地址）开始，可以看出data地址是0，然后每遍历一个Vec3f，地址往后走3*4(float是四字节的)个地址，然后遍历完一个Vec3f就把*ptr地址更新
Mat matrix = (Mat_(5, 5) << 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25);
int r = 1;
int c = 1;
Mat mr = matrix.row(r);//输出第r行
Mat mc = matrix.col(c);//输出第c列
Mat r_range = matrix.rowRange(Range(2, 4));
Mat c_range = matrix.colRange(Range(2, 4));
cout << "\n"<< mr;
cout << "\n"<< mc;
cout << "\n" << r_range;
cout << "\n" << c_range;
**改变矩阵数值**
r_range.at(0,0)=10000;//改变r_range第0行第0列的值
//注意此时matrix第0行第0列的值也变了
使用成员函数clone和copyTo
先
Mat r_range = matrix.rowRange(2,4).clone();
或者
Mat r_range;
matrix.rowRange(2,4).copyTo(r_range)
这两种方式都可以改变r_range值的同时不改变matrix
使用Rect类
#include "stdafx.h"
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat img = imread("D:\\opencvfile\\ex2c++\\1.jpg", CV_LOAD_IMAGE_COLOR);
if (img.empty())
return -1;
string winname = "原图";
namedWindow(winname, WINDOW_AUTOSIZE);
imshow(winname, img);
cvWaitKey(0);//一定要加这句不然图片缓冲不出来
system("pause");
}
显示图片的操作
1 注意路径：C++里一定是双斜杠+双引号
2 注意cvWaitKey(0)这句一定要加
gemm的用法 参考opencv手册
ch4.6 限制对比度的自适应直方图均衡化
原理：自适应直方图均衡化首先将图像划分为不重叠的区域块（tiles），然后对每一个块分
别进行直方图均衡化。显然，在没有噪声影响的情况下，每一个小区域的灰度直方图会
被限制在一个小的灰度级范围内；但是如果有噪声，每一个分割的区域块执行直方图均
衡化后，噪声会被放大。为了避免出现噪声这种情况，提出了“限制对比度”（Contrast
Limiting）[3]，如果直方图的bin超过了提前预设好的“限制对比度”，那么会被裁减，然
后将裁剪的部分均匀分布到其他的bin，这样就重构了直方图。如图4-9所示，假设设
置“限制对比度”为40，第四个bin的值为45，该值大于40，然后将多出的45-40=5均匀分布
到每一个bin，重构后的直方图如图（b）所示，接下来利用重构后的直方图进行均衡化操
作。
Python中 sys.argv[]的用法详解
sys.argv[]说白了就是一个从程序外部获取参数的桥梁，这个“外部”很关键，所以那些试图从代码来说明它作用的解释一直没看明白。因为我们从外部取得的参数可以是多个，所以获得的是一个列表（list)，也就是说sys.argv其实可以看作是一个列表，所以才能用[]提取其中的元素。其第一个元素是程序本身，随后才依次是外部给予的参数。
https://blog.csdn.net/woailyoo0000/article/details/79310728
限制对比度的自适应直方图均衡化（AHE），解决了全局直方图均衡化（HE）处理后产生的失真和噪声情况
import cv2
import numpy as np
import sys
if __name__=="__main__":
src = cv2.imread("D:\pythonlearning\gamma\img3.jpg")
src = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
clahe = cv2.createCLAHE(clipLimit=1.0,tileGridSize=(8,8))
dst = clahe.apply(src)
cv2.imshow("src",src)
cv2.imshow("clahe",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
OpenCV Error: Assertion failed (_src.type() == (((0) & ((1 << 3) - 1)) + (((1)-1) << 3)) || _src.type() == (((2) & ((1 << 3) - 1)) + (((1)-1) << 3))) in `anonymous-namespace'::CLAHE_Impl
这个错误解决方案：
convert each frame to grayscale or apply it on each channel
#convert to grayscale
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
6 阈值分割
它是一种基于区域的、简单的通过灰度值信息提取形状的技术，因其实现简单、计算量小、性能稳定而成为图像分割中最基本和应用最广泛的分割技术。往往阈值分割后的输出图像只有两种灰度值：255和0，所以阈值分割处理又常称为图像的二值化处理。阈值分割处理过程可以看作眼睛从背景中分离出前景的过程，阈值分割处理主要是根据灰度值信息提取前景，所以对前景物体与背景有较强对比度的图像的分割特别有用。对对比度很弱的图像进行阈值分割，需要先进行图像的对比度增强，然后再进行阈值处理。下面介绍两种常用的阈值分割技术：全局阈值分割和自适应局部阈值分割。
全局阈值，整幅图像采用同一个数作为阈值。这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。
这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。
因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。
这种方法需要我们指定三个参数，返回值只有一个。
• Adaptive Method- 指定计算阈值的方法。
– cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
– cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口