当前位置：网站首页>合工大苍穹战队视觉组培训Day6——传统视觉，图像处理

合工大苍穹战队视觉组培训Day6——传统视觉，图像处理

2022-07-26 08:40:00 【工大电科小趴菜】

目录

学习目标：

学习内容：

学习时间：

学习产出：

一、图像预处理

1.zeros函数

2.at函数

3.saturate_cast函数

4.代码整体

 二、转化为灰度图

1.读取时灰度化处理

​2.调用cvtColor灰度化处理 

​3.平均值法： 

4.最大值法

​5.分量法

6.加权平均法 

 三、二值化（阈值化）操作

 四、开闭运算

五、英伟达 Jetson TX2

学习目标：

  • 对图像进行预处理
  • 转化为灰度图
  • 二值化（阈值化）操作
  • 开闭运算
  • 了解 NVIDIA Jetson TX2

学习内容：

  1. 图像处理
  2. 了解tx2

学习时间：

  • 2022年7月23日

学习产出：

一、图像预处理

理论依据为：g(i,j)=α∗f(i,j)+β α用于调节图像的对比度，β 用于调节图像亮度。

1.zeros函数


函数功能：创建一个指定尺寸和类型的零矩阵。
构造函数：

cv::Mat::zeros(	int rows,int cols,int type)	%第一种构造函数
参数1：指定行数
参数2：指定列数
参数3：指定类型
cv::Mat::zeros( Size size,int type) %第二种构造函数
参数1：指定尺寸
参数2：指定类型

2.at函数

函数功能：对指定数组元素进行操作。
构造函数：

//at的重构函数比较多，几种常用的构造函数如下:
//对于单通道
cv::Mat::at<标识符>(int i0);//对于一维数组，直接获取对应的元素
cv::Mat::at<标识符>(int row, int col);//对于二维数组，获取对应行和对应列上的元素
//标识符的类型和图像类型相关：
CV_8U ——> Mat.at<uchar>(y,x).
CV_8S ——> Mat.at<schar>(y,x).
CV_16U ——> Mat.at<ushort>(y,x).
CV_16S ——> Mat.at<short>(y,x).
CV_32S ——> Mat.at<int>(y,x).
CV_32F ——> Mat.at<float>(y,x).
CV_64F ——> Mat.at<double>(y,x).

//对于多通道，一般指三通道
cv::Mat::at<标识符>(int row, int col)[i];//i为通道数
//标识符为：
Vec<uchar, 3> Vec3b;
Vec<short, 3> Vec3s;
Vec<ushort, 3> Vec3w;
Vec<int, 3> Vec3i;
Vec<float, 3> Vec3f;
Vec<double, 3> Vec3d;

3.saturate_cast函数

函数功能：这是一个强制转换函数，即把数据从原始类型转换成另一种新类型，利用这种特性，可以充当特定的饱和函数使用。

4.代码整体

#include<opencv2\opencv.hpp>
#include<iostream>

using namespace cv;
using namespace std;

int pos = 0;
float alpha = 1;
float beta = 0;
Mat src, dst, dst1;

void set_brightness(int,void*) {
	src = imread("test.jpg");
	//cvtColor(src, src, COLOR_BGR2GRAY);
	int height = src.rows;
	int width = src.cols;
	beta = pos;
	dst = Mat::zeros(src.size(), src.type());
	for (int i = 0; i < height; i++)
		for (int j = 0; j < width; j++) {
			if (src.channels() == 3) {//如果读入图象是rgb图像
				float b = src.at<Vec3b>(i, j)[0];
				float g = src.at<Vec3b>(i, j)[1];
				float r = src.at<Vec3b>(i, j)[2];
				dst.at<Vec3b>(i, j)[0] = saturate_cast<uchar> (b * alpha + beta);
				dst.at<Vec3b>(i, j)[1] = saturate_cast<uchar> (g * alpha + beta);
				dst.at<Vec3b>(i, j)[2] = saturate_cast<uchar> (r * alpha + beta);
			}
			else if (src.channels() == 1) {如果是灰度图像
				float m = src.at<uchar>(i, j);
				dst.at<uchar>(i, j) = saturate_cast<uchar> (m * alpha + beta);
			}
		}
	imshow("out", dst);
}
int main() {
	namedWindow("out", 1);//创建窗口
	createTrackbar("Brightness", "out", &pos, 100, set_brightness)；//创建进度条
	set_brightness(0,0);//调用设置亮度函数
	imshow("input", src);
	waitKey(0);
}

可以对其进行调节。

 二、转化为灰度图

1.读取时灰度化处理

def img2Gray(filePath):
    image = cv.imread(filePath)
    cv.imshow("sourcePic",image)
    gray1 = cv.imread(filePath,cv.IMREAD_GRAYSCALE)
    cv.imshow("read2gray",gray1)

    cv.waitKey(0)
    cv.destroyAllWindows()

2.调用cvtColor灰度化处理 

def img2Gray(filePath):
    image = cv.imread(filePath)
    cv.imshow("sourcePic",image)
    gray2 = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    cv.imshow("cvtColor2gray", gray2)
    cv.waitKey(0)
    cv.destroyAllWindows()

3.平均值法： 

def img2Gray(filePath):
    image = cv.imread(filePath)
    cv.imshow("sourcePic",image)
    #平均值法
    h, w = image.shape[:2]
    gray3 = np.zeros((h, w), dtype=np.uint8)
    for i in range(h):
        for j in range(w):
            gray3[i, j] = (int(image[i, j][0]) + int(image[i, j][1]) + int(image[i, j][2])) / 3
    cv.imshow("meanGray", gray3)

4.最大值法

def img2Gray(filePath):
    image = cv.imread(filePath)
    cv.imshow("sourcePic",image)
    #最大值法
    h, w = image.shape[:2]
    gray4 = np.zeros((h, w), dtype=np.uint8)  # 创建一个h行w列的二维list
    for i in range(h):
        for j in range(w):
           gray4[i, j] = max(image[i, j][0], image[i, j][1], image[i, j][2])
    cv.imshow("maxGray",gray4)

5.分量法

def img2Gray(filePath):
    image = cv.imread(filePath)
    cv.imshow("sourcePic",image)

    #分量法:
    gray6 = cv.imread(filePath, cv.IMREAD_COLOR)
    for i in range(gray6.shape[0]):
        for j in range(gray6.shape[1]):
            gray6[i, j] = gray6[i, j, 0]
    cv.imshow("componentGray",gray6)

6.加权平均法 

def img2Gray(filePath):
    image = cv.imread(filePath)
    cv.imshow("sourcePic",image)
    #加权平均分
    h, w = image.shape[:2]
    gray5= np.zeros((h, w), dtype=np.uint8)
    for i in range(h):
        for j in range(w):
            # Y = 0．3R + 0．59G + 0．11B
            # 通过cv格式打开的图片，像素格式为 BGR
            gray5[i, j] = 0.3 * image[i, j][2] + 0.11 * image[i, j][0] + 0.59 * image[i, j][1]
    cv.imshow("weightedGray",gray5)

 三、二值化（阈值化）操作

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main(int argc, char* argv[]){
	Mat img;
	img = imread("C:\\Users\\86139\\Desktop\\target1.png");
	if (img.empty())
	{
		printf("could not load the picture...");
	}
 
	// 转为二值图
	threshold(img, img, 100, 255, THRESH_BINARY);
 
	imshow("Binarization", img);
	waitKey(0);
 
	return 0;
}

图像是由矩阵构成，矩阵中每个点的RGB值都不一样，呈现出来的色彩不一样，最终整体呈现给我们的就是一张彩色的图像。所谓”二值化处理“就是将矩阵中每个点的RGB值（0，0，0）[黑色]或者（255，255，255）[白色]简单阈值是选取一个全局阈值，然后把整幅图像分成非黑即白的二值图像，灰度值大于阈值就赋为255反之为0。

ret,mask = cv2.threshold(img2gray,175,255,cv2.THRESH_BINAR)

返回值一： 阈值，（Otsu‘s二值化会用到）
返回值二： 处理以后的图像
参数一:   初始图像
参数二：设定的阈值
参数三：当图像像素置超过我们的设定的阈值时赋为255
参数四 : 设定的二值化类型

二值化的效果会因为上一步是否进行通道相减或其他操作以及threshold函数中阈值设置而产生偏差。下面直接利用之前灰度化之后的图像进行二值化。

    GaussianBlur(gray, gray, Size(3, 3), 1);
    threshold(gray, dst, 100, 255, THRESH_BINARY_INV);
    imshow("dst", dst);

 

 四、开闭运算

知识点补充：

 

 

 

 

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main(int argc, char* argv[]){
	Mat img;
	img = imread("C:\\Users\\86139\\Desktop\\target2.png");
	if (img.empty())
	{
		printf("could not load the picture...");
	}
 
	Mat element;
	Mat dstImage;
 
    element = getStructuringElement(MORPH_RECT, Size(4, 4)); //Size选择要处理的精度，越大处理的越多
 
    morphologyEx(img, dstImage, MORPH_OPEN, element);
 
	imshow("open", dstImage);
	waitKey(0);
 
	return 0;
}

处理结果：

 

 

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main(int argc, char* argv[]){
	Mat img;
	img = imread("C:\\Users\\86139\\Desktop\\target2.png");
	if (img.empty())
	{
		printf("could not load the picture...");
	}
 
	Mat element;
	Mat dstImage;
 
    element = getStructuringElement(MORPH_RECT, Size(4, 4)); //Size选择要处理的精度，越大处理的越多
 
	morphologyEx(img, dstImage, MORPH_CLOSE, element);
 
	imshow("close", dstImage);
	waitKey(0);
 
	return 0;
}

处理结果：

 

 

 开闭运算:

//上面同上，不再赘述//
    element = getStructuringElement(MORPH_RECT, Size(3, 3));
    morphologyEx(dst, dst, MORPH_CLOSE, element);
    imshow("morphology", dst);
    waitKey(0);
    return 0;
 
}

 处理结果：

其实所有处理结果还有另一种二值化操作的不做赘述。 

五、英伟达 Jetson TX2

Jetson TX2是NIVDIA瞄准人工智能在Jetson TK1和TX1推出后的升级

TX2的GPU和CPU都进行了升级，内存增加到了8GB、存储增加到了32GB，支持Wifi和蓝牙，编解码支持H.265，体型同样小巧。

据NVIDIA官方介绍，Jetson TX2提供两种运行模态：一种是MAX Q，能效比能达到最高，是上一代的TX1的2倍，功耗在7.5W以下;另一种是MAX P，性能可以做到最高，能效比同样可以做到前一代的2倍，功耗则在15W以下。

 

原网站

版权声明
本文为[工大电科小趴菜]所创，转载请带上原文链接，感谢
https://blog.csdn.net/qq_67004876/article/details/125963522

边栏推荐

猜你喜欢

随机推荐