推理完的小图合并为大图

最新推荐文章于 2024-07-15 13:32:43 发布
最新推荐文章于 2024-07-15 13:32:43 发布
阅读量543 收藏 17
点赞数 15
文章标签： c++ 图像处理
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/m0_56127259/article/details/136197345
版权
文章介绍了如何使用C++和OpenCV库处理大图切割后的多个小图，通过findNonBlackRegion函数找出非全黑区域边界，然后在restore_images函数中按顺序拼接小图，并移除黑色区域，最后保存为大图。
摘要由CSDN通过智能技术生成

代码简介

之前说过大图切割成小图，小图推理，但是最终呈现的结果肯定是要返还回去变成大图的。这个就是jpg格式拼接回去。之前给出的demo它生成之后，就是全部都在一个文件夹内，文件名从0开始排序。所以自己就做了一个根据顺序拼接的代码。然后拼接过程中，把切割的时候增加的黑色区域剪裁掉。

代码结构

  • findNonBlackRegion函数：用于找到图像中非全黑区域的边界。
  • restore_images函数：对输入文件夹中的小图进行拼接，并保存为大图。
  • 主函数（main函数）：程序入口，调用以上函数实现小图拼接和保存。

头文件

#include <iostream>
#include <opencv2/opencv.hpp>
#include <dirent.h>
#include <cstring>
#include <vector>
#include <algorithm>
#include <regex>
#include <sys/stat.h>
#include <unistd.h>

函数详解

  1. findNonBlackRegion函数

    • 功能：找到图像中非全黑区域的边界。
    • 参数：img（输入的图像）。
    • 返回值：包含非全黑区域边界的矩形对象。
    • 实现原理：将彩色图像转换为灰度图像，使用阈值操作找到非黑色区域的掩码，通过轮廓检测找到最大的非黑色区域并获取其边界矩形。 
      cv::Rect findNonBlackRegion(cv::Mat& img) {
    cv::Mat gray;
    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);

    cv::Mat mask = gray > 0;
    std::vector<std::vector<cv::Point>> contours;
    cv::findContours(mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

    if (contours.empty()) {
        return cv::Rect();
    }

    cv::Rect bounding_rect = cv::boundingRect(contours[0]);
    for (size_t i = 1; i < contours.size(); ++i) {
        cv::Rect rect = cv::boundingRect(contours[i]);
        bounding_rect |= rect;
    }

    return bounding_rect;
}

  2. restore_images函数

    • 功能：对输入文件夹中的小图进行拼接，并保存为大图。
    • 参数：input_folder（输入文件夹路径）、output_folder（输出文件夹路径）、crop_size（小图的尺寸）、num_per_row（每行小图的数量）、num_per_col（每列小图的数量）。
    • 返回值：无。
    • 实现原理：创建输出文件夹，获取输入文件夹中所有小图文件名并排序，计算大图的大小，逐批次拼接小图到大图上，并保存为大图文件。拼接时根据小图的位置计算在大图上的坐标。 
      void restore_images(
    const std::string& input_folder, const std::string& output_folder,
    const cv::Size& crop_size, int num_per_row, int num_per_col
) {
    // 创建输出文件夹
    mkdir(output_folder.c_str(), 0777);

    // 获取所有小图文件名，并按照顺序排序
    std::vector<std::string> file_names;
    DIR* dir = opendir(input_folder.c_str());
    dirent* entry;
    while ((entry = readdir(dir)) != nullptr) {
        std::string file_name = entry->d_name;
        if (file_name == "." || file_name == "..") {
            continue;
        }
        file_names.push_back(file_name);
    }
    closedir(dir);

    std::sort(file_names.begin(), file_names.end(), [](const std::string& a, const std::string& b) {
        return std::stoi(std::regex_replace(a, std::regex("\\D"), "")) < std::stoi(std::regex_replace(b, std::regex("\\D"), ""));
    });

    // 计算大图的大小
    int height = num_per_col * crop_size.height;
    int width = num_per_row * crop_size.width;

    // 逐批次还原图像
    for (size_t i = 0; i < file_names.size(); i += num_per_row * num_per_col) {
        cv::Mat merged_img(height, width, CV_8UC3, cv::Scalar(0, 0, 0));
        for (int j = 0; j < num_per_row * num_per_col; ++j) {
            if (i + j >= file_names.size()) {
                break;
            }

            std::string crop_path = input_folder + "/" + file_names[i + j];
            cv::Mat crop_img = cv::imread(crop_path);
            if (crop_img.empty()) {
                break;
            }

            int row = j % num_per_row;
            int col = j / num_per_row;
            int y1 = col * crop_size.height;
            int y2 = y1 + crop_size.height;
            int x1 = row * crop_size.width;
            int x2 = x1 + crop_size.width;

            cv::Mat roi = merged_img(cv::Rect(x1, y1, crop_size.width, crop_size.height));
            crop_img.copyTo(roi);
        }

        // 计算非全黑区域的边界
        cv::Rect boundingRect = findNonBlackRegion(merged_img);

        // 裁剪拼接图像
        cv::Mat cropped_img = merged_img(boundingRect);

        // 保存拼接后的大图
        std::string output_path = output_folder + "/" + std::to_string(i / (num_per_row * num_per_col)) + ".jpg";
        cv::imwrite(output_path, cropped_img);
    }
}

  3. 主函数（main函数）

    • 功能：程序入口函数。
    • 参数：无。
    • 返回值：整型，程序运行结果。
    • 实现原理：定义输入和输出的文件夹路径、小图的尺寸，每行和每列的小图数量，调用restore_images函数进行小图拼接和保存。 
      int main() {
    std::string input_folder = "./results"; // 小图
    std::string output_folder = "./output"; // 拼接后

    cv::Size crop_size(512, 512);  // 小图的大小
    int num_per_row = 5;  // 每行小图的数量
    int num_per_col = 3;  // 每列小图的数量

    // 创建输出文件夹
    mkdir(output_folder.c_str(), 0777);

    restore_images(input_folder, output_folder, crop_size, num_per_row, num_per_col);

    return 0;
}

整体

#include <iostream>
#include <opencv2/opencv.hpp>
#include <dirent.h>
#include <cstring>
#include <vector>
#include <algorithm>
#include <regex>
#include <sys/stat.h>
#include <unistd.h>  

cv::Rect findNonBlackRegion(cv::Mat& img) {
    cv::Mat gray;
    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);

    cv::Mat mask = gray > 0;
    std::vector<std::vector<cv::Point>> contours;
    cv::findContours(mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

    if (contours.empty()) {
        return cv::Rect();
    }

    cv::Rect bounding_rect = cv::boundingRect(contours[0]);
    for (size_t i = 1; i < contours.size(); ++i) {
        cv::Rect rect = cv::boundingRect(contours[i]);
        bounding_rect |= rect;
    }

    return bounding_rect;
}


void restore_images(
    const std::string& input_folder, const std::string& output_folder,
    const cv::Size& crop_size, int num_per_row, int num_per_col
) {
    // 创建输出文件夹
    mkdir(output_folder.c_str(), 0777);

    // 获取所有小图文件名，并按照顺序排序
    std::vector<std::string> file_names;
    DIR* dir = opendir(input_folder.c_str());
    dirent* entry;
    while ((entry = readdir(dir)) != nullptr) {
        std::string file_name = entry->d_name;
        if (file_name == "." || file_name == "..") {
            continue;
        }
        file_names.push_back(file_name);
    }
    closedir(dir);

    std::sort(file_names.begin(), file_names.end(), [](const std::string& a, const std::string& b) {
        return std::stoi(std::regex_replace(a, std::regex("\\D"), "")) < std::stoi(std::regex_replace(b, std::regex("\\D"), ""));
    });

    // 计算大图的大小
    int height = num_per_col * crop_size.height;
    int width = num_per_row * crop_size.width;

    // 逐批次还原图像
    for (size_t i = 0; i < file_names.size(); i += num_per_row * num_per_col) {
        cv::Mat merged_img(height, width, CV_8UC3, cv::Scalar(0, 0, 0));
        for (int j = 0; j < num_per_row * num_per_col; ++j) {
            if (i + j >= file_names.size()) {
                break;
            }

            std::string crop_path = input_folder + "/" + file_names[i + j];
            cv::Mat crop_img = cv::imread(crop_path);
            if (crop_img.empty()) {
                break;
            }

            int row = j % num_per_row;
            int col = j / num_per_row;
            int y1 = col * crop_size.height;
            int y2 = y1 + crop_size.height;
            int x1 = row * crop_size.width;
            int x2 = x1 + crop_size.width;

            cv::Mat roi = merged_img(cv::Rect(x1, y1, crop_size.width, crop_size.height));
            crop_img.copyTo(roi);
        }

        // 计算非全黑区域的边界
        cv::Rect boundingRect = findNonBlackRegion(merged_img);

        // 裁剪拼接图像
        cv::Mat cropped_img = merged_img(boundingRect);

        // 保存拼接后的大图
        std::string output_path = output_folder + "/" + std::to_string(i / (num_per_row * num_per_col)) + ".jpg";
        cv::imwrite(output_path, cropped_img);
    }
}

int main() {
    std::string input_folder = "./results";
    std::string output_folder = "./output";

    cv::Size crop_size(512, 512);  // 小图的大小
    int num_per_row = 5;  // 每行小图的数量
    int num_per_col = 3;  // 每列小图的数量

    // 创建输出文件夹
    mkdir(output_folder.c_str(), 0777);

    restore_images(input_folder, output_folder, crop_size, num_per_row, num_per_col);

    return 0;
}

总结

因为对C++不是很熟悉，所以是先写的python理了思绪，后面在写的C++。需要python程序可以留言，私发给你。基本上对环境没啥特别要求。因为写的时候本身就规避了很多库迎合服务器的环境。

算法贝多芬
关注
  • 15
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
详谈大模型训练和推理优化技术
夏栀的博客
05-19 1万+
本文介绍大模型的训练和推理优化技术，包括混合精度训练、分布式训练DeepSpeed、INT8模型量化、参数有效性学习、混合专家训练、梯度检查点、梯度累积、Flash Attention等。
yolov5 超大图片检测套路（附代码）
destiny11213的博客
03-16 3578
切割代码，将切割后的照片放到detect里去检测，生成检测后的图片是有顺序的，下一步图像的拼接，注意照片保存读取文件夹的选取，总体实现还是很简单的， 1.切割图片（附代码） from PIL import Image import os ######## 需要裁剪的图片位置######### path_img = r'C:\Users\Destiny\Desktop\qiege\60.JPG' ''' （左上角坐标(x,y)，右下角坐标（x+w，y+h） ''' img = Image.ope.
python实现图片切割和合并
猿小白的博客
11-21 2856
在进行滑块验证码图像还原的过程中，需要用到图片切割成小的图像块，然后根据给定的排序对小的图像块进行重新组合。
目标检测任务超大图像的切图实现
zengwb的博客
04-17 1万+
超大图像切图实现
图形推理的50大规律
pengzhisen123的博客
03-22 1万+
1.大小变化2.方向旋转3.笔画增减(数字,线条数)4.图形求同5.相同部份去掉6.图形叠加(简单叠加,合并叠加,去同叠加)7.图形组合变化(如:首尾两个图形中都包含中间图形)8.对应位置阴影变化(两图相同或不同则第三图对应位置变阴影或变空白)9.顺时针或逆时针旋转10.总笔画成等差数列11.由内向外逐步包含12.相同部件,上下,左右组合13.类似组合(如平行,图形个数一样等)14.横竖线条之比有...
语言大模型推理加速指南
OneFlow深度学习框架
01-31 4632
本文是一篇关于加快语言大模型推理速度的综合指南。从硬件优化到各种解码技巧，文章介绍了各种优化策略，旨在帮助读者更好地理解和优化LLM的性能。相信不论是这一领域的初学者或是专家，都能从中有所收获。本文作者为工程师和计算语言学家Theia。（以下内容由OneFlow编译发布，转载请联系授权。原文：https://vgel.me/posts/faster-inference/）作者 |TheiaOne...
【文生图系列】文生图大模型合集与效果对比
热门推荐
陶将的博客
07-06 1万+
本篇博文粗略了介绍了OpenAI的DALL E系列，百度的ERNIE-ViLG系列，google的Imagen，MidJourney，Stable Diffusion，智源研究院的AltDiffusion，英伟达的eDiff-I和阿里的通义文生图大模型，并进行了效果对比。
大模型推理框架概述
吃果冻不吐果冻皮
10-07 2003
Text Generation Inference（TGI）是 HuggingFace 推出的一个项目，作为支持 HuggingFace Inference API 和 Hugging Chat 上的LLM 推理的工具，旨在支持大型语言模型的优化推理。FasterTransformer 库使用此参数对所有底层算法进行实时基准测试，并为模型的参数和您的输入数据（注意层的大小、注意头的数量、隐藏层的大小）选择最佳的一个。对于自注意力块和前馈网络块，FT 按行拆分第一个矩阵的权重，并按列拆分第二个矩阵的权重。
语义分割推理-大图像分割成多patch推理后拼接的方法----探究
weixin_39450742的博客
07-05 7785
参考1：https://www.zhihu.com/question/453750066/answer/1828121763 参考2：https://blog.csdn.net/weixin_43162240/article/details/105137693#comments_16943083 当业务场景中碰到较大图像时，如遥感图像、医疗图像等，图像大小会达到数百M或者几个G甚至更大。此时将图片打开放入内存都会比较卡顿，直接将原图放入GPU推理，显然显存会爆掉。所以需要先将原图像按patchsize进
基于图神经网络的推理研究
04-25
然而，GNN并没有显式地将先前的逻辑规则合并到模型中，并且可能需要为目标任务添加许多标记示例。来自佐治亚理工学院和蚂蚁金服的Le Song给了关于图神经网络推理的精炼讲解。探讨了神经网络与广义网络的结合，并利用...
大型外企公司图形推理题
06-19
在PB公司的招聘过程中，图形推理题是常见的面试环节，它主要考察应聘者的逻辑思维、问题解决和模式识别能力。图形推理题通常包含一系列图形，这些图形之间存在某种规律或模式，求职者需要通过观察和分析，找出规律并...
公务员考试行测——图形推理.pdf
12-07
8. 对应位置阴影变化（两图相同或不同则第三图对应位置变阴影或变空白）：图形的对应位置阴影变化是图形推理中的一种常见的变化类型。考生需要能够识别和分析图形的对应位置阴影变化，并判断图形的变化趋势。 9. ...
1.图形推理讲义.rar
09-15
《图形推理讲义》是关于逻辑推理和图形分析的一个学习资料集合，主要针对的是逻辑思维能力和视觉辨识能力的提升。在解题过程中，图形推理是逻辑推理题型中的一个重要分支，常见于各类智力测试、公务员考试以及部分...
行测之图形推理入门篇.doc
10-11
- **图形的合并与相加**：有时，图形推理会涉及图形的合并，如题目中描述，第三幅图是前两幅图的组合，而且阴影部分遵循特定规则。 - **图形元素的旋转**：观察图形中元素的旋转方向，例如题目中每个图形的元素都是...
函数模板与类模板
程序员_小兵
07-12 1554
/交换int数据a = b;b = temp;//交换char数据a = b;b = temp;//问题：如果我要交换double类型数据，那么还需要些一个double类型数据交换的函数//繁琐，写的函数越多，当交换逻辑发生变化的时候，所有的函数都需要修改，无形当中增加了代码的维护难度//如果能把类型作为参数传递进来就好了，传递int就是Int类型交换，传递char就是char类型交换//我们有一种技术，可以实现类型的参数化---函数模板。
Linux C | 管道open打开方式
I_feige的博客
07-12 321
1.
C++ 多态
wxk2227814847的博客
07-10 790
多态是C++语言的三大特性之一，另两个特性是封装和继承。多态性使得对象可以根据运行时的实际类型来表现出不同的行为，从而实现灵活和可扩展的设计。在软件开发过程中，多态能够提高代码的复用性和可维护性，减少重复代码，并提供更加抽象和通用的接口。本文将详细探讨C++中的多态，包括其定义、构成、虚函数、抽象类以及实现原理，帮助读者全面理解这一重要概念。
Reversing Numbers C++
FGGFFoj的博客
07-11 377
在默认情况下，C++的输入输出流（比如 cin, cout）与C标准库的输入输出流是同步的，这意味着在使用C++的输入输出流时，可能会因为需要与C标准库的同步而导致性能略有损失。在 C++ 中，默认情况下，cin 和 cout 是绑定在一起的，意味着在输入时，输出可能需要等待输入完成才会进行，这样可能会造成一些性能上的损失，特别是在需要频繁输入输出的场景下。需要注意的是，在取消同步后，应确保不要混合使用C++的输入输出和C标准库的输入输出，因为这可能会导致未定义的行为。
c++ 生成随机字符串
最新发布
m0_56306892的博客
07-15 97
以下是一个示例代码，它使用std::random_device和std::mt19937生成随机字符，并将结果存储在一个字符串中。std::uniform_int_distribution<> distribution(0, max_index - 1) 创建一个均匀分布，以确保生成的随机数在字符集的索引范围内。输出随机字符串: 在主函数中调用generateRandomString生成一个长度为1024的随机字符串，并输出结果。std::random_device rd 用于生成一个随机种子。
行测图形推理思维导图
09-13
很高兴回答你的问题！下面是一个行测图形推理思维导图的示例： 主题：行测图形推理思维导图 1. 图形类型 - 线段和角度 - 图形的形状与结构 2. 图形特征比较 - 大小和比例 - 方向和位置 - 对称性和平衡性 3. 图形变换 - 旋转 - 平移 - 镜像 4. 图形序列推理 - 图形的增减规律 - 图形的位置和顺序规律 - 图形的变换规律 5. 图形组合与拆分 - 图形的合并与分解 - 图形的重叠与切割 6. 图形推理方法 - 观察图形特征 - 比较图形变化 - 推测图形规律 请注意，这只是一个示例思维导图，你可以根据需要进行扩展和修改。希望这个导图对你的行测图形推理有所帮助！如有其他问题，欢迎继续提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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