OpenCV学习(十三)之根据路径连续加载图像放入vector中,最后再一张一张显示出来

实验环境:VS2010 + OpenCV2.4.9

#include <iostream>
#include <afx.h>
#include <vector>
#include <string>
#include "cv.h"
#include "highgui.h"

using namespace std;
using namespace cv;

vector<Mat> tMat;

void loadImage()
{
	CString path;
	path = L"test\\*.jpg";

	CFileFind finder;
	bool selectFlag = finder.FindFile(path);
	while(selectFlag)
	{
		selectFlag = finder.FindNextFileW();
		if(selectFlag)
		{
			CString str = finder.GetFilePath();
			CT2A pszConvertedAnsiString(str);
			std::string fileName(pszConvertedAnsiString);
			//加载为灰度图
			Mat img = imread(fileName,CV_LOAD_IMAGE_GRAYSCALE);
			tMat.push_back(img);
			cout << "Load Image Successful!" << endl;
		}
	}
}

int main(int argc, char** argv)
{
	loadImage();

	//cout << tMat.size() << endl;
	//vector<string> wndName(tMat.size());
	//int count = 0;
	//for(int i = 0;i < tMat.size();i++)
	//{
	//	if(tMat.at(i).empty())
	//	{	
	//		cout << "!!!" << endl;
	//		continue;
	//	}
	//	else
	//	{
	//		wndName.at(i) = i;
	//		namedWindow(wndName.at(i),CV_WINDOW_AUTOSIZE);
	//		imshow(wndName.at(i),tMat.at(i));
	//		++count;
	//	}
	//}
	为什么这种方法读出来的图片数目多一个,
	但是第一个和第二个为空。why?也就是说总的能显示出来的图片少了一个
	tMat也是从第二个开始显示的
	//cout << "count is: " << count << endl;

	vector<string> wndName(tMat.size());
	for(int i = 0;i < tMat.size();i++)
	{
		string typex= "Type: ";
		char name = 'i';
		putText(tMat[i],typex,Point( tMat[i].rows/2,tMat[i].cols/4),CV_FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255));
		wndName[i] = i;
		namedWindow(wndName[i],CV_WINDOW_AUTOSIZE);
		imshow(wndName[i],tMat[i]);	//显示图片
	}

	waitKey();
	system("pause");
	return 1;
}
主函数中注释掉的code和下面的code实则是一样的,只是保留了调试的代码而已。但是的确通过这种方法加载读入并显示的的时候,少了一张图片,不知道为什么????╮(╯▽╰)╭

以下是一个使用 TNN 框架和 OpenCV 库实现的 C++ 代码示例,用于将输入的图像按照指定的方式进行分割: ```cpp #include <iostream> #include <string> #include <vector> #include <opencv2/opencv.hpp> #include "tnn/core/macro.h" #include "tnn/core/context.h" #include "tnn/device/cpu/cpu_device.h" #include "tnn/interpreter/tnn/tnn_interpreter.h" #include "tnn/utils/mat_utils.h" using namespace std; using namespace cv; using namespace TNN_NS; int main() { // 加载模型和配置文件 TNN_NS::ModelConfig config; config.model_type = TNN_NS::MODEL_TYPE_TNN; config.params.push_back("model.tnnproto"); config.params.push_back("model.tnnmodel"); TNN_NS::TNN_Interpeter interpreter; TNN_NS::Status status = interpreter.Init(config); if (status != TNN_NS::TNN_OK) { std::cerr << "Error: Init TNN Interpreter failed: " << status.description() << endl; return -1; } // 创建 CPU 上下文 TNN_NS::CPUDevice cpu_device; TNN_NS::Context context; context.device_list.push_back(&cpu_device); context.memory_type = TNN_NS::DEVICE_MEMORY_TYPE_AUTO; // 加载输入图像 Mat input_image = imread("input.jpg"); if (input_image.empty()) { std::cerr << "Error: Load input image failed" << endl; return -1; } // 预处理输入图像 Mat input_mat; input_image.convertTo(input_mat, CV_32FC3); cv::cvtColor(input_mat, input_mat, cv::COLOR_BGR2RGB); auto input_dims = interpreter.GetInputShape(0); input_dims[0] = 1; TNN_NS::MatUtils::ConvertCVMatToTNNMat(input_mat, interpreter.GetInputMat(0)); // 运行神经网络 status = interpreter.Interpret(&context); if (status != TNN_NS::TNN_OK) { std::cerr << "Error: Run TNN Interpreter failed: " << status.description() << endl; return -1; } // 获取分割结果 TNN_NS::Mat output_mat; status = interpreter.GetOutputMat(output_mat, 0); if (status != TNN_NS::TNN_OK) { std::cerr << "Error: Get TNN output failed: " << status.description() << endl; return -1; } // 后处理分割结果 auto output_dims = output_mat.GetDims(); int num_classes = output_dims[1]; int height = output_dims[2]; int width = output_dims[3]; vector<Mat> output_images(num_classes); for (int i = 0; i < num_classes; i++) { output_images[i] = Mat(height, width, CV_32FC1, output_mat.GetData() + i * height * width); output_images[i] = output_images[i] * 255; output_images[i].convertTo(output_images[i], CV_8UC1); } // 保存分割结果 for (int i = 0; i < num_classes; i++) { string output_filename = "output_" + to_string(i) + ".jpg"; imwrite(output_filename, output_images[i]); } return 0; } ``` 本代码使用 TNN 框架和 OpenCV 库来实现图像分割。首先,我们加载模型和配置文件,并创建一个 TNN_Interpeter 对象,以便在 CPU 上下文运行神经网络。然后,我们加载输入图像,并使用 OpenCV 库进行预处理。在预处理过程,我们将输入图像转换为 TNN 支持的格式,并将其设置为神经网络输入。接下来,我们调用 Interpret() 函数运行神经网络,并使用 GetOutputMat() 函数获取分割结果。最后,我们对分割结果进行后处理,并使用 imwrite() 函数将输出图像保存到文件。 请注意,本示例仅适用于输入单个图像的情况。如果您需要处理多个图像,请将代码放入循环,并替换 input_image 和输出路径。同时,请根据您的网络架构和数据集自定义后处理代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值