使用 OpenCV 的随机生成器和文本

目标

在本教程中，您将学习如何：

• 使用随机数生成器类 （cv：：RNG） 以及如何从均匀分布中获取随机数。
• 使用函数 cv：:p utText 在 OpenCV 窗口上显示文本

法典

• 在上一个教程（基础绘图）中，我们绘制了不同的几何图形，给出了坐标（以 cv：:P oint 的形式）、颜色、厚度等作为输入参数。您可能已经注意到，我们为这些参数提供了特定的值。
• 在本教程中，我们打算对绘图参数使用随机值。此外，我们打算用大量的几何图形填充我们的图像。由于我们将以随机方式初始化它们，因此此过程将是自动的，并且使用 循环 .
• 此代码位于 OpenCV 示例文件夹中。否则你可以从这里抓住它

解释

1. 让我们从查看 main 函数开始。我们观察到，我们做的第一件事是创建一个随机数生成器对象 （RNG）：
   RNG rng（ 0xFFFFFFFF ）;
   RNG 实现了一个随机数生成器。在此示例中，rng 是使用值 0xFFFFFFFF 初始化的 RNG 元素
2. 然后我们创建一个初始化为零的矩阵（这意味着它将显示为黑色），指定其高度、宽度和类型：
   垫子图像 = Mat：：zeros（ window_height， window_width， CV_8UC3 );

   imshow（ window_name， 图像 ）;
3. 然后我们继续画疯狂的东西。看了一下代码，可以看到它主要分为 8 个部分，定义为函数：

   c = Drawing_Random_Lines（图像、window_name、rng）;

   if（ c ！= 0 ） 返回 0;

   c = Drawing_Random_Rectangles（图像、window_name、rng）;

   if（ c ！= 0 ） 返回 0;

   c = Drawing_Random_Ellipses（ 图像， window_name， RNG ）;

   if（ c ！= 0 ） 返回 0;

   c = Drawing_Random_Polylines（ 图像， window_name， RNG ）;

   if（ c ！= 0 ） 返回 0;

   c = Drawing_Random_Filled_Polygons（ 图像， window_name， RNG ）;

   if（ c ！= 0 ） 返回 0;

   c = Drawing_Random_Circles（ 图像， window_name， RNG ）;

   if（ c ！= 0 ） 返回 0;

   c = Displaying_Random_Text（ 图像， window_name， RNG ）;

   if（ c ！= 0 ） 返回 0;

   c = Displaying_Big_End（ 图像， window_name， RNG ）;
   所有这些函数都遵循相同的模式，因此我们将只分析其中的几个，因为相同的解释适用于所有函数。
4. 查看函数Drawing_Random_Lines：

   intDrawing_Random_Lines（ Mat image， char* window_name， RNG rng ）

   {

   int lineType = 8;

   点 pt1、pt2;

   for（ int i = 0; i < NUMBER; i++ ）

   {

   pt1 中。x = rng.uniform（ x_1， x_2 ）;

   pt1.y = rng.uniform（ y_1， y_2 ）;

   pt2.x = rng.uniform（ x_1， x_2 ）;

   pt2.y = rng.uniform（ y_1， y_2 ）;

   line（ 图像， pt1， pt2， randomColor（rng）， rng.uniform（1， 10）， 8 ）;

   imshow（ window_name， 图像 ）;

   if（ waitKey（ 延迟 ） >= 0 ）

   { 返回 -1;}

   }

   返回 0;

   }

   我们可以观察到以下几点：
   • for 循环将重复 NUMBER 次。由于函数 cv：：line 位于此循环中，这意味着将生成 NUMBER 行。
   • 直线极值由 pt1 和 pt2 给出。对于 pt1，我们可以看到：
     pt1.x = rng.uniform（ x_1， x_2 ）;

     pt1.y = rng.uniform（ y_1， y_2 ）;
     • 我们知道 rng 是一个随机数生成器对象。在上面的代码中，我们调用 rng.uniform（a，b）。这将在值 a 和 b 之间生成随机均匀分布（在 a 中包含，在 b 中排除）。
     • 从上面的解释中，我们推断出极值 pt1 和 pt2 将是随机值，因此线的位置将非常不可预测，从而产生良好的视觉效果（查看下面的结果部分）。
     • 作为另一个观察，我们注意到在 cv：：line 参数中，对于颜色输入，我们输入：
       随机颜色（rng）
       让我们检查一下函数实现：
       静态标量 randomColor（ RNG& rng ）

       {

       int icolor = （无符号） rng;

       返回标量（ icolor&255， （icolor>>8）&255， （icolor>>16）&255 ）;

       }
       正如我们所看到的，返回值是一个标量，其中包含 3 个随机初始化的值，这些值用作线条颜色的 R、G 和 B 参数。因此，线条的颜色也是随机的！
5. 上面的解释适用于生成圆、椭圆、多边形等的其他函数。中心和顶点等参数也是随机生成的。
6. 在完成之前，我们还应该看一下函数 Display_Random_Text 和 Displaying_Big_End，因为它们都有一些有趣的功能：

7. Display_Random_Text：

   intDisplaying_Random_Text（ Mat image， char* window_name， RNG rng ）

   {

   int lineType = 8;

   for （ int i = 1; i < NUMBER; i++ ）

   {

   点组织;

   org.x = rng.uniform（x_1， x_2）;

   org.y = rng.uniform（y_1， y_2）;

   putText（ image， “测试文本渲染”， org， rng.uniform（0,8），

   rng.uniform（0,100）*0.05+0.1， randomColor（rng）， rng.uniform（1， 10）， lineType）;

   imshow（ window_name， 图像 ）;

   如果（ waitKey（DELAY） >= 0 ）

   { 返回 -1;}

   }

   返回 0;

   }

   一切看起来都很熟悉，但表达方式：

   putText（ image， “测试文本渲染”， org， rng.uniform（0,8），

   rng.uniform（0,100）*0.05+0.1， randomColor（rng）， rng.uniform（1， 10）， lineType）;

   那么，函数cv：:p utText有什么作用呢？在我们的示例中：

   • 在图像中绘制文本**“测试文本呈现”**
   • 文本的左下角将位于 Point 组织中
   • 字体类型是 字体类型是以下范围内的随机整数值： 。 范围内的随机整数值。[0,8>
   • 字体的比例由表达式 rng.uniform（0， 100）x0.05 + 0.1 表示（表示其范围为：[0.1， 5.1>[0.1,5.1>)
   • 文本颜色是随机的（用 randomColor（rng） 表示)
   • 文本粗细介于 1 和 10 之间，由 rng.uniform（1,10） 指定

   因此，我们将在图像上随机位置获得（类似于其他绘图函数）NUMBER 文本。

8. Displaying_Big_End

   intDisplaying_Big_End（ Mat image， char* window_name， RNG rng ）

   {

   Size textsize = getTextSize（“OpenCV forever！”， FONT_HERSHEY_COMPLEX， 3， 5， 0）;

   点组织（（window_width - textsize.width）/2， （window_height - textsize.height）/2）;

   int lineType = 8;

   垫子图像2;

   for（ int i = 0; i < 255; i += 2 ）

   {

   image2 = 图像 - 标量：：all（i）;

   putText（ image2， “OpenCV forever！”， org， FONT_HERSHEY_COMPLEX， 3，

   标量（i， i， 255）， 5， lineType ）;

   imshow（ window_name， image2 ）;

   如果（ waitKey（DELAY） >= 0 ）

   { 返回 -1;}

   }

   返回 0;

   }

   除了函数 getTextSize（获取参数文本的大小）之外，我们可以观察到的新操作位于 foor 循环中：

   image2 = 图像 - 标量：：all（i）

   因此，image2 是 image 和 Scalar：：all（i） 的减法。 事实上，这里发生的事情是，image2 的每个像素都将是减去图像的每个像素减去 i 值的结果（请记住，对于每个像素，我们正在考虑三个值，例如 R、G 和 B，因此它们中的每一个都会受到影响）

   还要记住，减法运算总是在内部执行饱和运算，这意味着获得的结果将始终在允许的范围内（在我们的示例中，没有负数，介于 0 和 255 之间）。

结果

正如您刚才在“代码”部分看到的，程序将按顺序执行各种绘图功能，这将产生：

1. 首先，屏幕上将出现一组随机的 NUMBER 行，如以下屏幕截图所示：

   

2. 然后，一组新的图形，这些时间矩形将随之而来。

3. 现在将出现一些椭圆，每个椭圆都有随机的位置、大小、厚度和弧长：

   

4. 现在，具有 03 段的折线将再次以随机配置出现在屏幕上。

   

5. 填充的多边形（在本例中为三角形）将紧随其后。

6. 最后一个出现的几何图形：圆圈！

   

7. 在接近尾声时，文本 *“Testing Text Rendering”* 将以各种字体、大小、颜色和位置出现。

8. 还有大结局（顺便说一句，这也表达了一个大事实）：

   在线教程

• 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
• 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
• EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
• 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
• 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
• 机器学习 – 有指导和无指导情况下的基本机器学习算法
• 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
• 斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取
​

人工智能书籍

• OpenCV（中文版）.(布拉德斯基等)
• OpenCV+3计算机视觉++Python语言实现+第二版
• OpenCV3编程入门 毛星云编著
• 数字图像处理_第三版
• 人工智能:一种现代的方法
• 深度学习面试宝典
• 深度学习之PyTorch物体检测实战
• 吴恩达DeepLearning.ai中文版笔记
• 计算机视觉中的多视图几何
• PyTorch-官方推荐教程-英文版
• 《神经网络与深度学习》(邱锡鹏-20191121)
• …
  

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

 有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取
​