实验一 熟悉OpenCV环境和基本操作

已于 2024-04-18 17:21:34 修改
阅读量1k 收藏 19
点赞数 28
分类专栏： 数字图像处理 文章标签： opencv 计算机视觉 人工智能
于 2024-04-18 17:16:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ggsfsa/article/details/137929021
版权

实验一 熟悉OpenCV环境和基本操作

一、实验目的

熟悉OpenCV运行环境，了解图像的基本操作及直方图均衡化。

二、实验内容

一个简单的图像处理例子。

代码如下：

#include <opencv2/opencv.hpp>

using namespace cv;

int main() {

       Mat img = imread("result1.bmp");

       int nr = img.rows; // number of rows

       int nc = img.cols; // number of columns

       Mat result;

       result.create(img.rows, img.cols, img.type());

       for (int j = 0; j < nr; j++) {

              for (int i = 0; i < nc; i++) {

                     result.at<uchar>(j, i) = 255 - img.at<uchar>(j, i);

              } // end of row

       }

       namedWindow("source");

       imshow("source", img);

       namedWindow("result");

       imshow("result", result);

       waitKey(0);

       return 0;

}

三、实验要求

1.按上述代码运行，能不能得出正确结果？如果不能，请修改代码。

2.利用OpenCV产生一幅图像，尺寸为200*240，三通道，其中某一块为红色，其它皆为黑色，示例图如下。

 

  1. 对一幅低对比度图像进行增强处理，分别采用直方图均衡化、对比拉伸和幂次变换的方法，比较处理结果。

直方图均衡化算法步骤如下：

  1. 统计直方图数组，用一个数组p记录p[i]；
  2. i从1开始，令S[i]=S[i-1]+p[i]，S[0]=p[0]；
  3. 一个数组L记录新的S索引值，即令L[i]=S[i]*(256-1)；

依次循环每一个像素，取原图的像素值作为数组L的下标值，取该下标对应的数组值为均衡化之后的像素值。

四、实验报告要求

1.给出简要的设计思路（原理）

<1>通过result.at<Vec3b>(j, i)[？]访问不同通道

<2>通过将像素数均分为相等的小块，正方形各占长宽相同数量的像素即可，然后再做一些偏移

<3>

//直方图均衡化

首先计算原始图像的直方图，然后计算直方图的累积分布函数，接着计算映射后的灰度级，最后用新的映射关系修改原始图像的灰度级，获得直方图近似均匀分布的输出图像。这种处理方式使得原始图像中具有相近灰度且占有大量像素点的区域灰度范围展宽，同时使占有较少像素的灰度级变换后和前一个灰度级的级差减小，从而增强图像的对比度和清晰度。

//拉伸

将整体图片的像素压缩到某段区间内

//幂次变换

将图片的某些像素灰度提高，某些降低

2.给出主要代码

<1> for (int j = 0; j < nr; j++) {

         for (int i = 0; i < nc; i++) {

             result.at<Vec3b>(j, i)[0] = 255 - img.at<Vec3b>(j, i)[0];

             result.at<Vec3b>(j, i)[1] = 255 - img.at<Vec3b>(j, i)[1];

             result.at<Vec3b>(j, i)[2] = 255 - img.at<Vec3b>(j, i)[2];

         }

    }

<2> Mat img = imread("H://文档//Tencent Files//ASE//1.jpg");

    int nr = 240; // number of rows

    int nc = 200; // number of columns

    Mat result;

    result.create(nr, nc,img.type());

    for (int j = 0; j < nr; j++) {

         for (int i = 0; i < nc; i++) {

             result.at<Vec3b>(j, i)[0] = 0;

             result.at<Vec3b>(j, i)[1] = 0;

             result.at<Vec3b>(j, i)[2] = 0;

         }

    }

    for (int j = 2*nc / 5; j < 3*nc/5; j++) {

         for (int i = 2*nr/6; i < 3*nr/6; i++) {

             result.at<Vec3b>(j, i)[0] = 0;

             result.at<Vec3b>(j, i)[1] = 0;

             result.at<Vec3b>(j, i)[2] = 255;

         }

    }

    namedWindow("result");

    imshow("result", result);

<3>//直方图均衡化

    Mat img = imread("H://文档//Tencent Files//ASE//1.jpg",0);

    Mat result1;

    CV_Assert(img.type() == CV_8UC1);

    result1.create(img.size(), img.type());

    int histSize = 256; // 像素值范围

    int total = img.rows * img.cols; // 总像素数

    // 计算直方图

    vector<int> hist(histSize, 0);

    for (int i = 0; i < img.rows; i++) {

         for (int j = 0; j < img.cols; j++) {

             hist[img.at<uchar>(i, j)]++;

         }

    }

    // 计算累积分布函数（CDF）

    vector<float> cdf(histSize, 0);

    cdf[0] = hist[0];

    for (int i = 1; i < histSize; i++) {

         cdf[i] = cdf[i - 1] + hist[i];

    }

    // 归一化CDF

    for (int i = 0; i < histSize; i++) {

         cdf[i] = cdf[i] / total;

    }

    // 应用直方图均衡化

    for (int i = 0; i < img.rows; i++) {

         for (int j = 0; j < img.cols; j++) {

             uchar pixel = img.at<uchar>(i, j);

             result1.at<uchar>(i, j) = static_cast<uchar>(cdf[pixel] * 255);

         }

    }

//拉伸

double minVal, maxVal;

    minMaxLoc(img, &minVal, &maxVal); // 查找图像的最小和最大像素值

    result = img.clone();

    for (int i = 0; i < img.rows; i++) {

         for (int j = 0; j < img.cols; j++) {

             result.at<uchar>(i, j) = static_cast<uchar>(255.0 * (img.at<uchar>(i, j) - minVal) / (maxVal - minVal));

         }

    }

//幂次变换

for (int i = 0; i < img.rows; i++) {

    for (int j = 0; j < img.cols; j++) {

         result.at<uchar>(i, j) = static_cast<uchar>(pow(img.at<uchar>(i, j) / 255.0, gamma) * 255.0);

    }

}

3.给出实验结果的屏幕截图

  1. 实验过程中遇到的主要问题、心得体会或建议

这三种方法都旨在增强图像的对比度，但它们各自采用不同的技术路径。直方图均衡化通过调整图像的直方图分布来实现对比度增强，对比拉伸通过拉伸图像的灰度级范围来增强对比度，而幂次变换则通过对图像的每个像素应用幂律函数来调整对比度。这展示了在图像处理中达到相似目的的多种方法。

#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
void func1() {
	Mat	img = imread("H://文档//Tencent Files//ASE//1.jpg");
	int nr = 240; // number of rows
	int nc = 200; // number of columns
	Mat result;
	result.create(nr, nc,img.type());
	for (int j = 0; j < nr; j++) {
		for (int i = 0; i < nc; i++) {
			result.at<Vec3b>(j, i)[0] = 0;
			result.at<Vec3b>(j, i)[1] = 0;
			result.at<Vec3b>(j, i)[2] = 0;
		} // end of row
	}
	for (int j = 2*nc / 5; j < 3*nc/5; j++) {
		for (int i = 2*nr/6; i < 3*nr/6; i++) {
			result.at<Vec3b>(j, i)[0] = 0;
			result.at<Vec3b>(j, i)[1] = 0;
			result.at<Vec3b>(j, i)[2] = 255;
		} // end of row
	}
	namedWindow("result");
	imshow("result", result);
	waitKey(0);
}
void func2() {
	Mat	img = imread("H://文档//Tencent Files//ASE//1.jpg",0);
	Mat result1;
	CV_Assert(img.type() == CV_8UC1);
	result1.create(img.size(), img.type());

	int histSize = 256; // 像素值范围
	int total = img.rows * img.cols; // 总像素数
	// 计算直方图
	vector<int> hist(histSize, 0);
	for (int i = 0; i < img.rows; i++) {
		for (int j = 0; j < img.cols; j++) {
			hist[img.at<uchar>(i, j)]++;
		}
	}
	// 计算累积分布函数（CDF）
	vector<float> cdf(histSize, 0);
	cdf[0] = hist[0];
	for (int i = 1; i < histSize; i++) {
		cdf[i] = cdf[i - 1] + hist[i];
	}
	// 归一化CDF
	for (int i = 0; i < histSize; i++) {
		cdf[i] = cdf[i] / total;
	}
	// 应用直方图均衡化
	for (int i = 0; i < img.rows; i++) {
		for (int j = 0; j < img.cols; j++) {
			uchar pixel = img.at<uchar>(i, j);
			result1.at<uchar>(i, j) = static_cast<uchar>(cdf[pixel] * 255);
		}
	}
	namedWindow("img");
	imshow("img", img);
	namedWindow("直方图均衡化");
	imshow("直方图均衡化", result1);
}
void func3() {
	Mat	img = imread("H://文档//Tencent Files//ASE//1.jpg", 0);
	Mat result;
	CV_Assert(img.type() == CV_8UC1);
	double minVal, maxVal;
	minMaxLoc(img, &minVal, &maxVal); // 查找图像的最小和最大像素值

	result = img.clone();
	for (int i = 0; i < img.rows; i++) {
		for (int j = 0; j < img.cols; j++) {
			result.at<uchar>(i, j) = static_cast<uchar>(255.0 * (img.at<uchar>(i, j) - minVal) / (maxVal - minVal));
		}
	}
	namedWindow("拉伸");
	imshow("拉伸", result);
}
void func4() {
	Mat	img = imread("H://文档//Tencent Files//ASE//1.jpg", 0);
	Mat result;
	float gamma = 2.0;
	CV_Assert(img.type() == CV_8UC1);
	result = img.clone();
	for (int i = 0; i < img.rows; i++) {
		for (int j = 0; j < img.cols; j++) {
			result.at<uchar>(i, j) = static_cast<uchar>(pow(img.at<uchar>(i, j) / 255.0, gamma) * 255.0);
		}
	}
	namedWindow("幂次变换");
	imshow("幂次变换", result);
	waitKey(0);
}
int main() {
	func2();
	func3();
	func4();
	return 0;
}

 

z君埋了吧
关注
  • 28
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
opencv4.1.1和opencv-contrib-4.1.1和相关文件
02-01
opencv_contrib-4.1.1是OpenCV的一个扩展模块，其中包含了一些实验性或不稳定的特性和算法。这些特性通常不包含在OpenCV的主要发行版中，但为开发者提供了更多的功能选择，比如面部识别、文字识别、深度学习模块...
opencv+opencv-contrib4.5.5
04-17
OpenCV_contrib是OpenCV的一个扩展模块，包含了更多实验性的功能和模块，这些功能可能尚未被包含在主要的OpenCV库中。 在Windows环境下，构建OpenCV和OpenCV_contrib通常需要一些额外的工具，如MinGW（一个轻量级的...
数字图像处理OpenCV——实验一 熟悉OpenCV环境和基本操作
加载中.......
08-18 2552
实验一 熟悉OpenCV环境和基本操作 熟悉OpenCV运行环境，了解图像的基本操作及直方图均衡化。 利用OpenCV产生一幅图像，尺寸为200*240，三通道，其中某一块为红色，其它皆为黑色，示例图如下。 对一副图像进行直方图均衡化处理。要求自行编写直方图均衡化函数，实现图像灰度均衡的算法步骤如下： （1） 统计直方图数组，用一个数组p记录p[i]； （2） i从1开始，令S[i]=S[i-1]+p[i]，S[0]=p[0]； （3） 一个数组L记录新的S索引值，即令L[i]=S[i]*(256-1)；
OpenCV-opencv下载安装和基本操作
y_k_j_c的博客
12-06 1993
通过本次实验，我对以下知识有了更好的掌握：文件读取和图像显示：学习如何使用OpenCV库来读取图像文件并在窗口中显示图像，这是图像处理的基础操作。窗口事件：了解如何处理窗口事件，比如窗口的关闭事件，以确保图像显示过程中的交互性和稳定性。鼠标事件：学习如何捕获和处理鼠标事件，比如点击、移动和拖拽等，为图像标记、交互式测量等功能的实现奠定基础。键盘事件：掌握如何处理键盘事件，比如按键响应和组合操作，为实现键盘控制的图像处理流程打下基础。
OpenCV-Python快速入门（一）：基本操作
FriendshipTang的博客
07-17 2556
Python、OpenCV、读取图像、显示图像、保存图片、播放视频、保存视频
【Opencv-Python】数字图像处理(一) —— 图像的基本操作
weixin_64876095的博客
10-26 3661
本文介绍了在Python中使用opencv-python库处理图像的基本操作。通过本文可以掌握这些技能，可以读取不同格式的图像，获取图像信息，调整图像大小、色彩转换，按照指定要求存储图像，以及实现图像间的转化，包括图像坐标变换和色彩空间转化等操作。
桂电七院opencv实验报告三
qq_55810765的博客
12-11 2015
实验目的 (1)掌握OpenCV 3在图像处理中常用函数的使用。 (2)熟练操作Anaconda环境中Jupyter Notebook的使用。 (3)熟悉OpenCV中傅里叶变化的原理。 实验原理 (1)熟练掌握Anaconda环境的安装及其基本操作。 (2)理解Jupyter Notebook的工作原理。 (3)将上机程序调试通过，并能独立完成课堂练习题目。 实验内容与步骤 在filters.py文件中实现这个函数： import cv2 def strokeEdges(src,blurKsize=7
操作系统原理实验——实验一 Linux基本操作
nuoyanli的博客
11-30 4286
1、实验目的 （1）熟悉Linux下的基本操作，学会使用各种Shell命令去操作Linux，对Linux有一个感性认识。 （2）学会使用vi编辑器编辑简单的C语言程序，并能对其编译和调试。 2、实验预备内容 （1）参阅相关Linux操作系统的安装手册，熟悉Linux的基本安装和配置； （2）参阅相关Linux的命令参考手册，熟悉Linux下的操作命令。 （3）C语言源程序的调试和编译知识。 3、实验内容 （1）以root用户身份登陆，并使用“ls”,“cat”“cd”等常用命令来实现基本的文件操作并观察Li
桂电七院opencv实验报告一
qq_55810765的博客
11-01 510
熟悉Anaconda环境和基本操作实验目的实验原理使用仪器，材料实验内容与步骤 实验目的 (1)掌握Anaconda的安装及配置。 (2)掌握Anaconda环境中Jupyter Notebook的基本操作使用。 (3)熟悉Anaconda环境中python语言的编写及运行。 实验原理 (1)熟练掌握Anaconda环境的安装及其基本操作。 (2)理解Jupyter Notebook的工作原理。 (3)将上机程序调试通过，并能独立完成课堂练习题目。 使用仪器，材料 Windows11,Anaconda 实
2021-10-09 Opencv安装以及基本操作方法
F__9527的博客
10-09 559
Opencv安装以及基本操作方法 目录Opencv安装以及基本操作方法一.Opencv的安装二.图像处理三.运用Opencv操控摄像头四.问题回答五.总结六.参考 一.Opencv的安装 详细讲解请看如下链接： 链接: https://blog.csdn.net/ssj925319/article/details/109231145. 二.图像处理 (1）新建文件夹，并选择要处理的图片 在opencv -3.4.11下面新建文件夹mytest,并选择一张图片保存到目录下命名 复制一张图片到home目录下，并
OpenCv算法的基本介绍与应用
weixin_60368327的博客
03-18 1421
图像处理流程
OpenCv实验环境配置 -通用配置.zip_opencv环境配置
09-22
在进行OpenCV环境配置时，可能会遇到各种问题，如找不到库文件、链接错误等。遇到问题时，检查你的配置步骤是否正确，或者查阅相关论坛和社区寻找解决方案。OpenCV社区非常活跃，有大量资源可以帮助你解决遇到的问题...
OpenCV配置
12-31
OpenCV 是一个强大的开源计算机视觉库，用于图像处理和计算机视觉任务。它的配置涉及多个步骤，包括理解库的组成部分、选择正确的版本以及设置环境变量。以下是对OpenCV配置的详细说明： 1. **OpenCV库的基本结构**...
opencv3.4.9+opencv_conbtrib3.4.9(32位).zip
06-19
OpenCV，全称为Open Source Computer Vision Library，是一个开源的计算机视觉和机器学习软件库，广泛应用于图像处理和计算机视觉相关的各种任务。这个压缩包“opencv3.4.9+opencv_contrib3.4.9(32位).zip”包含的是...
[OpenCV] 数字图像处理 C++ 学习——11自定义线性滤波 附完整代码
最新发布
m0_60437290的博客
09-01 1012
线性滤波用于去噪、平滑、边缘检测等操作。通过定义卷积核（算子）与图像进行卷积，线性滤波器可以有效地提取图像中的特定特征。本文将介绍几种常见的边缘检测算子，包括 Robert算子、Sobel 算子和拉普拉斯算子，并展示如何在 OpenCV 中实现这些滤波器的自定义操作。将提供完整的代码，以便学习使用。
opencv之阈值处理
hola173841439的博客
08-31 903
最大化类间方差（Between-Class Variance）是 Otsu’s 阈值法的核心概念，旨在选择一个最佳阈值，使得图像的前景和背景之间的差异最大化。这种方法通过分析图像的灰度直方图，找到一个阈值，使得图像被分割成前景和背景后，它们之间的类间方差最大。全局阈值适合简单、光照均匀的图像，计算速度快但对复杂场景效果不好。自适应阈值适合光照不均的复杂图像，能更好地处理细节，但计算复杂度较高。Otsu’s 阈值法是一种自动选择阈值的全局方法，适合灰度直方图呈双峰分布的图像。
[OpenCV] 数字图像处理 C++ 学习——09图像金字塔上采样(PyrUp)和降采样(PyrDown) 附完整代码
m0_60437290的博客
08-29 1199
本博客主要学习图像金字塔技术中的上采样和降采样操作。这些操作用于改变图像的分辨率，是多尺度图像处理的基础。通过上采样（拉普拉斯金字塔）可以放大图像，恢复或接近原始图像，而降采样（高斯金字塔）可以缩小图像，减少图像的细节，从而降低图像处理的计算复杂度。本博客将详细讲解上采样和降采样的原理，并提供完整的实现代码，通过具体示例来展示这些操作的实际效果。
OpenCV绘图函数（2）绘制圆形函数circle()的使用
jndingxin的专栏
08-27 762
cv::circle 函数用于绘制一个给定中心和半径的简单圆或填充圆。
Python OpenCV 实验：2022年数字图像处理基础操作详解
本实验方案针对Python版本的数字图像处理，以OpenCV 3.x为基础，旨在让学生熟悉和掌握在Python环境下进行图像处理的基本操作。以下是主要内容的详细解析： 1. **实验背景**： - 实验课程名称：数字图像处理...
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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