目标
在本教程中,您将学习如何:
- 使用 OpenCV 函数 cv::filter2D 执行一些拉普拉斯滤波以进行图像锐化
- 使用 OpenCV 函数 cv::d istanceTransform 获取二进制图像的派生表示形式,其中每个像素的值将替换为其与最近背景像素的距离
- 使用 OpenCV 函数 cv::watershed 将图像中的对象与背景隔离开来
理论
法典 C++爪哇岛蟒
本教程代码如下所示。您也可以从这里下载。
#include < opencv2/core.hpp>
#include < opencv2/imgproc.hpp>
#include < opencv2/highgui.hpp>
#include < iostream>
使用命名空间 std;
使用命名空间 CV;
int main(int argc, char *argv[])
{
加载图像
CommandLineParser 解析器( argc, argv, “{@input |卡片:.png |输入图像}” );
Mat src = imread( samples::findFile( parser.get[>( “@input” ) ) );
if( src.空() )
{
cout << “无法打开或找到图像!”<<结束;
cout << “Usage: ” << argv[0] << “ ” << endl;
返回 -1;
}
显示源图像
imshow(“源图像”, src);
将背景从白色更改为黑色,因为这将有助于以后提取
在使用距离变换期间获得更好的结果
inRange(src, 标量(255, 255, 255), 标量(255, 255, 255), 掩码);
来源。setTo(Scalar(0, 0, 0), 掩码);
显示输出图像
imshow(“黑色背景图像”, src);
创建一个内核,我们将用它来锐化我们的图像
1, 1, 1,
1, -8, 1,
1, 1, 1);// 二阶导数的近似值,一个相当强的内核
按原样进行拉普拉斯滤波
好吧,我们需要将所有内容转换为比CV_8U更深层次的东西
因为内核有一些负值,
我们通常可以期望有一个带有负值的拉普拉斯图像
但是 8 位无符号 int(我们正在使用的那个)可以包含从 0 到 255 的值
所以可能的负数将被截断
Mat imgLaplacian;
filter2D(src, imgLaplacian, CV_32F, kernel);
垫子锋利;
Mat imgResult = sharp - imgLaplacian;
转换回 8 位灰度
imgResult。convertTo(imgResult, CV_8UC3);
imgLaplacian.convertTo(imgLaplacian, CV_8UC3);
imshow( “拉普拉斯滤波图像”, imgLaplacian );
imshow( “新锐化图像”, imgResult );
从源图像创建二进制图像
垫子bw;
cvtColor(imgResult, bw, COLOR_BGR2GRAY);
阈值(bw, bw, 40, 255, THRESH_BINARY |THRESH_OTSU);
imshow(“二进制图像”, bw);
执行距离变换算法
垫子区;
归一化距离图像的范围 = {0.0, 1.0}
因此,我们可以对其进行可视化和阈值设置
规范化(dist, dist, 0, 1.0, NORM_MINMAX);
imshow(“距离变换图像”, dist);
获得峰值的阈值
这将是前景对象的标记
阈值(dist, dist, 0.4, 1.0, THRESH_BINARY);
稍微扩张 dist 图像
Mat kernel1 = Mat::ones(3, 3, CV_8U);
膨胀(dist, dist, kernel1);
imshow(“峰值”, dist);
创建距离图像的CV_8U版本
findContours() 需要它
垫子dist_8u;
dist.convertTo(dist_8u, CV_8U);
查找总标记
vector<vector >轮廓;
findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
为分水岭算法创建标记图像
Mat 标记 = Mat::zeros(dist.size(), CV_32S);
绘制前景标记
for (size_t i = 0; i < contours.size(); i++)
{
drawContours(markers, contours, static_cast(i), Scalar(static_cast(i)+1), -1);
}
绘制背景标记
circle(markers, Point(5,5), 3, Scalar(255), -1);
垫子标记8u;
标记。convertTo(markers8u, CV_8U, 10);
imshow(“标记”, markers8u);
执行分水岭算法
分水岭(imgResult, markers);
垫痕;
bitwise_not(标记,标记);
imshow(“Markers_v2”, 标记);如果您想查看标记如何,请取消注释
图像在这一点上看起来
生成随机颜色
vector 颜色;
for (size_t i = 0; i < contours.size(); i++)
{
int b = theRNG()。制服(0, 256);
colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
}
创建结果图像
Mat dst = Mat::zeros(markers.size(), CV_8UC3);
用随机颜色填充标记对象
for (int i = 0; i < 个标记。行;我++)
{
for (int j = 0; j < 标记。科尔斯;j++)
{
if (索引 > 0 && 索引 <= static_cast(contours.size()))
{
夏令时。at<Vec3b>(i,j) = 颜色[index-1];
}
}
}
可视化最终图像
imshow(“最终结果”, dst);
等待键();
返回 0;
}
解释/结果 C++爪哇岛蟒
- 加载源图像并检查它是否加载没有任何问题,然后显示它:
加载图像
CommandLineParser 解析器( argc, argv, “{@input |卡片:.png |输入图像}” );
Mat src = imread( samples::findFile( parser.get<String>( “@input” ) ) );
如果( src.empty() )
{
cout << “无法打开或找到图像!”<<结束;
cout << “Usage: ” << argv[0] << “ ” << endl;
返回 -1;
}
显示源图像
imshow(“源图像”, src);
- 然后,如果我们有一个白色背景的图像,最好将其转换为黑色。这将有助于我们在应用距离变换时更容易区分前景对象:
将背景从白色更改为黑色,因为这将有助于以后提取
在使用距离变换期间获得更好的结果
垫面膜;
inRange(src, 标量(255, 255, 255), 标量(255, 255, 255), 掩码);
src.setTo(Scalar(0, 0, 0), 掩码);
显示输出图像
imshow(“黑色背景图像”, src);
- 之后,我们将锐化图像,以锐化前景物体的边缘。我们将应用一个具有相当强滤波器(近似二阶导数)的拉普拉斯滤波器:
创建一个内核,我们将用它来锐化我们的图像
Mat 内核 = (Mat_(3,3) <<
1, 1, 1,
1, -8, 1,
1, 1, 1);// 二阶导数的近似值,一个相当强的内核
按原样进行拉普拉斯滤波
好吧,我们需要将所有内容转换为比CV_8U更深层次的东西
因为内核有一些负值,
我们通常可以期望有一个带有负值的拉普拉斯图像
但是 8 位无符号 int(我们正在使用的那个)可以包含从 0 到 255 的值
所以可能的负数将被截断
Mat imgLaplacian;
filter2D(src, imgLaplacian, CV_32F, kernel);
垫子锋利;
src.convertTo(sharp, CV_32F);
Mat imgResult = sharp - imgLaplacian;
转换回 8 位灰度
imgResult.convertTo(imgResult, CV_8UC3);
imgLaplacian.convertTo(imgLaplacian, CV_8UC3);
imshow( “拉普拉斯滤波图像”, imgLaplacian );
imshow( “新锐化图像”, imgResult );
- 现在,我们将新的锐化源图像分别转换为灰度和二进制图像:
从源图像创建二进制图像
垫子bw;
cvtColor(imgResult, bw, COLOR_BGR2GRAY);
阈值(bw, bw, 40, 255, THRESH_BINARY |THRESH_OTSU);
imshow(“二进制图像”, bw);
- 现在,我们已准备好对二进制图像应用距离变换。此外,我们对输出图像进行归一化,以便能够可视化和阈值化结果:
执行距离变换算法
垫子区;
归一化距离图像的范围 = {0.0, 1.0}
因此,我们可以对其进行可视化和阈值设置
规范化(dist, dist, 0, 1.0, NORM_MINMAX);
imshow(“距离变换图像”, dist);
- 我们对dist图像进行阈值设置,然后进行一些形态学操作(即扩张),以便从上图中提取峰:
获得峰值的阈值
这将是前景对象的标记
阈值(dist, dist, 0.4, 1.0, THRESH_BINARY);
稍微扩张 dist 图像
Mat kernel1 = Mat::ones(3, 3, CV_8U);
膨胀(dist, dist, kernel1);
imshow(“峰值”, dist);
- 然后,在 cv::findContours 函数的帮助下,从每个 blob 中为分水岭算法创建一个种子/标记:
创建距离图像的CV_8U版本
findContours() 需要它
垫子dist_8u;
dist.convertTo(dist_8u, CV_8U);
查找总标记
vector<vector >轮廓;
findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
为分水岭算法创建标记图像
Mat 标记 = Mat::zeros(dist.size(), CV_32S);
绘制前景标记
for (size_t i = 0; i < contours.size(); i++)
{
drawContours(markers, contours, static_cast(i), Scalar(static_cast(i)+1), -1);
}
绘制背景标记
circle(markers, Point(5,5), 3, Scalar(255), -1);
垫子标记8u;
标记。convertTo(markers8u, CV_8U, 10);
imshow(“标记”, markers8u);
- 最后,我们可以应用分水岭算法,并将结果可视化:
执行分水岭算法
分水岭(imgResult, markers);
垫痕;
markers.convertTo(标记, CV_8U);
bitwise_not(标记,标记);
imshow(“Markers_v2”, 标记);如果您想查看标记如何,请取消注释
图像在这一点上看起来
生成随机颜色
vector 颜色;
for (size_t i = 0; i < contours.size(); i++)
{
int b = theRNG()。制服(0, 256);
colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
}
创建结果图像
Mat dst = Mat::zeros(markers.size(), CV_8UC3);
用随机颜色填充标记对象
for (int i = 0; i < markers.rows; i++)
{
for (int j = 0; j < markers.cols; j++)
{
整数索引 = markers.at(i,j);z
if (索引 > 0 && 索引 <= static_cast(contours.size()))
{
dst.at<Vec3b>(i,j) = 颜色[index-1];
}
}
}
可视化最终图像
imshow(“最终结果”, dst);
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝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🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓