OpenCV实践之路——像素初探

55 篇文章 205 订阅
45 篇文章 6 订阅


本文由@星沉阁冰不语出品,转载请注明作者和出处。

文章链接:http://blog.csdn.net/xingchenbingbuyu/article/details/50708765

微博:http://weibo.com/xingchenbing 


安装ImageWatch之后,对于图片每一个点的像素值一目了然。由于之前对于像素点的操作老是出现各种问题,比如上次想要实现矩形图片的对角线切割就是一直没能成功。今天借助IamgeWatch正好探究下Mat数据结构中像素到底是怎么访问的。

我用了一种比较直观的方式来访问像素。即利用at函数:

	cout    << " image.at<Vec3b>(Point(3,2)) = " << image.at<Vec3b>(Point(3, 2)) << endl
		<< " image.at<Vec3b>(Point(2,3)) = " << image.at<Vec3b>(Point(2, 3)) << endl

		<< " image.at<Vec3b>(3,2) = " << image.at<Vec3b>(3, 2) << endl
		<< " image.at<Vec3b>(2,3) = " << image.at<Vec3b>(2, 3) << endl

		<< " image.at<Vec3b>(2,3)[0] = " << image.at<Vec3b>(2, 3)[0] << endl
		<< " image.at<Vec3b>(2,3)[1] = " << image.at<Vec3b>(2, 3)[1] << endl
		<< " image.at<Vec3b>(2,3)[2] = " << image.at<Vec3b>(2, 3)[2] << endl


分别提取(2,3)、(3,2)和Point(2,3)、Point(3,2)的像素值。同时分别提取了三通道的BGR值。

结果如下:


可以看到Point(3,2)和(2,3)的像素值相同,Point(2,3)和(3,2)的值相同。从右边的ImageWatch可以看出Point(2,3)才是符合我们常规思维的坐标点。(其实点是(0,0))。

所以image.at<Vec3b>(Point(x,y)) = image.at<Vec3b>(y,x) 。

继续往下看:



等等!BGR三通道分别是1,A,k是什么鬼?说好的[ 49,65,107]呢?搜索下Opencv的官方教程文档,发现下面这句话:


发现Vec3b原来是uchar类型数据,上网找了个ASCII码对照表一对比,果然【1,A,k】就对应着【49,65,107】。



但是如果像素值大于127的话,这种方式就不能输出像素值了,考虑到这只喵星人身上白色部分的像素值大于127,于是提取(400,300)点的像素值,果然什么也没有显示出来。



把他们转换成int型呢

		<< " (int) image.at<Vec3b>(2,3)[0] = " << (int)image.at<Vec3b>(2, 3)[0] << endl
		<< " (int) image.at<Vec3b>(2,3)[1] = " << (int)image.at<Vec3b>(2, 3)[1] << endl
		<< " (int) image.at<Vec3b>(2,3)[2] = " << (int)image.at<Vec3b>(2, 3)[2] << endl


结果就真的可以了:


经过这一番探索,终于对像素的操作有了更深入的理解。上次没有完成的矩形对角线分割现在顿时觉得有了清晰的思路,那就是下一篇文章的内容了。

opencv是一个开源的计算机视觉库,opencv2.4.9是其中的一个版本。在opencv2.4.9中,有一个模块叫做stitching,用于图像拼接。 图像拼接是将多张图像按照一定的顺序和方式进行合并,形成一张更大视野覆盖范围的图像。拼接的过程需要解决图像间的重叠区域匹配、图像变换与叠加等问题。 在opencv2.4.9的stitching模块中,主要有以下几个重要的类: 1. Stitcher类:拼接器类,用于执行拼接的主要操作。它提供了一系列的方法,如设置拼接的模式、添加要拼接的图像等。 2. FeaturesFinder类:特征点检测类,用于在图像中寻找特征点。该类利用SIFT、SURF等算法来检测图像中的关键点,以便进行匹配。 3. FeaturesMatcher类:特征点匹配类,用于对图像中的特征点进行匹配。该类使用KNN算法进行特征点的匹配,并利用RANSAC算法进一步筛选特征点,剔除误匹配。 4. Estimator类:变换估计类,用于估计图像间的变换参数。该类可以通过特征点的对应关系,计算图像间的旋转矩阵、平移矩阵等变换参数。 5. Blender类:图像融合类,用于将拼接后的图像进行融合。该类可以进行多种融合方式,如线性融合、多频融合等。 通过以上的类和方法,opencv2.4.9的stitching模块能够完成图像拼接的过程。整个过程包括特征点检测、特征点匹配、变换参数估计和图像融合等步骤。 需要指出的是,本文只是对opencv2.4.9的stitching模块进行了初步的介绍,具体的源码分析需要深入研究。整个源码工程庞大,包含很多细节和算法,需要对计算机视觉和图像处理有较深入的理解才能进行分析和改进。
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