我们的测试用例
让我们考虑图像对比度增强方法的问题。基本上,我们想对图像的每个像素应用以下公式:
第一种表示法是使用公式,而第二种表示法是第一种表示法的压缩版本,使用掩码。通过将掩码矩阵的中心(大写字母表示为零-零索引)放在要计算的像素上,并将像素值乘以重叠的矩阵值相加来使用掩码。这是一回事,但是在大型矩阵的情况下,后一种符号更容易查看。
法典
C++爪哇岛蟒
您可以从此处下载此源代码,或查看位于 的 OpenCV 源代码库示例目录。samples/cpp/tutorial_code/core/mat_mask_operations/mat_mask_operations.cpp
#include < opencv2/imgcodecs.hpp>#include < opencv2/highgui.hpp>#include < opencv2/imgproc.hpp>#include < iostream>使用命名空间 std;使用命名空间 CV;static void help(char* progName){cout << endl<< “这个程序展示了如何使用蒙版过滤图像:自己写和”<< “filter2d 方式。<< endl<< “用法:” << endl<< progName << “ [image_path -- default lena.jpg] [G -- grayscale] ” << endl << endl;}无效锐化(const Mat&myImage,Mat&Result);int main( int argc, char* argv[]){帮助(argv[0]);const char* 文件名 = argc >=2 ?argv[1] : “lena.jpg”;垫子 src, dst0, dst1;if (argc >= 3 && !strcmp(“G”, argv[2]))src = imread( samples::findFile( 文件名 ), IMREAD_GRAYSCALE);还src = imread( samples::findFile( 文件名 ), IMREAD_COLOR);如果 (src.空()){cerr << “无法打开图像 [” <<文件名<< “]” << endl;返回EXIT_FAILURE;}namedWindow(“输入”, WINDOW_AUTOSIZE);namedWindow(“输出”, WINDOW_AUTOSIZE);imshow( “输入”, src );double t = (double)getTickCount();锐化( src, dst0 );t = ((double)getTickCount() - t)/getTickFrequency();cout << “以秒为单位的手写函数时间:” << t << endl;imshow( “输出”, dst0 );等待键();垫核 = (Mat_<char>(3,3) << 0, -1, 0,-1, 5, -1,0, -1, 0);t = (double)getTickCount();t = ((double)getTickCount() - t)/getTickFrequency();cout << “内置 filter2D 时间以秒为单位传递:” << t << endl;imshow( “输出”, dst1 );等待键();返回EXIT_SUCCESS;}无效锐化(const Mat&myImage,Mat&Result){const int nChannels = myImage。渠道();for(int j = 1 ; j < myImage.行-1;++j){const uchar* previous = myImage。PTR<uchar>(J-1);const uchar* current = myImage。PTR<uchar>(J);const uchar* next = myImage。PTR<uchar>(J+1);uchar* 输出 = 结果。PTR<uchar>(j);for(int i= nChannels;我< nChannels*(myImage.cols-1);++i){输出[i] = saturate_cast<uchar>(5*current[i]-current[i-nChannels] - current[i+nChannels] - 上一个[i] - 下一个[i]);}}}
基本方法
C++爪哇岛蟒
现在让我们看看如何通过使用基本的像素访问方法或使用 filter2D() 函数来实现这一点。
下面是一个函数可以做到这一点:
无效锐化(const Mat&myImage,Mat&Result){const int nChannels = myImage.channels();结果.create(myImage.size(),myImage.type());for(int j = 1 ; j < myImage.rows-1; ++j){const uchar* 前 = myImage.ptr<uchar>(j - 1);const uchar* 当前 = myImage.ptr<uchar>(j );const uchar* next = myImage.ptr<uchar>(j + 1);uchar* 输出 = Result.ptr<uchar>(j);for(int i= nChannels;i < nChannels*(myImage.cols-1);++i){输出[i] = saturate_cast<uchar>(5*current[i]-current[i-nChannels] - current[i+nChannels] - 上一个[i] - 下一个[i]);}}结果.row(0).setTo(标量(0));结果.row(Result.rows-1).setTo(标量(0));结果.col(0).setTo(标量(0));结果.col(Result.cols-1).setTo(标量(0));}首先,我们确保输入图像数据是无符号字符格式。为此,我们使用 cv::CV_Assert 函数,当其中的表达式为 false 时,该函数会抛出错误。
我们创建一个与输入具有相同大小和类型的输出图像。正如您在存储部分中看到的,根据通道的数量,我们可能有一个或多个子列。
我们将通过指针遍历它们,因此元素的总数取决于这个数字。
const int nChannels = myImage.channels();结果.create(myImage.size(),myImage.type());我们将使用普通的 C [] 运算符来访问像素。由于我们需要同时访问多行,因此我们将获取每行的指针(上一行、当前行和下一行)。我们需要另一个指向要保存计算位置的指针。然后,只需使用 [] 运算符访问正确的项目即可。为了向前移动输出指针,我们只需在每次操作后增加此值(增加一个字节):
for(int j = 1 ; j < myImage.rows-1; ++j){const uchar* 前 = myImage.ptr<uchar>(j - 1);const uchar* 当前 = myImage.ptr<uchar>(j );const uchar* next = myImage.ptr<uchar>(j + 1);uchar* 输出 = Result.ptr<uchar>(j);for(int i= nChannels;i < nChannels*(myImage.cols-1);++i){输出[i] = saturate_cast<uchar>(5*current[i]-current[i-nChannels] - current[i+nChannels] - 上一个[i] - 下一个[i]);}}在图像的边框上,上部符号导致不存在的像素位置(如负一 - 负一)。在这些方面,我们的公式是不确定的。一个简单的解决方案是不要在这些点上应用内核,例如,将边框上的像素设置为零:
filter2D 函数
C++爪哇岛蟒
应用这种过滤器在图像处理中非常普遍,以至于在 OpenCV 中有一个函数可以处理应用掩码(在某些地方也称为内核)。为此,您首先需要定义一个包含掩码的对象:
然后调用 filter2D() 函数,指定要使用的输入、输出图像和内核:
该函数甚至还有第五个可选参数来指定内核的中心,第六个参数用于在将过滤后的像素存储在 K 中之前向它们添加可选值,第七个参数用于确定在操作未定义(边界)的区域中要执行的操作。
此函数更短、更不冗长,并且由于进行了一些优化,因此通常比手动编码的方法更快。例如,在我的测试中,第二个只用了 13 毫秒,而第一个只用了大约 31 毫秒。有很大的不同。
例如:
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🆓