图像质心分析:Matlab、质心法,高斯拟合法

    通过质心法(加权质心法、阈值质心法)、高斯拟合法三种方法来分析图像的质心,通过对比来比较三种算法的计算精度。计算过程如下:

1、利用MATLAB的图像采集工具采集摄像头的图像;

2、将其转换为灰度图像;

3、利用质心法、高斯拟合法计算图像的质心;

4、显示采集的图像,并将计算得到的质心标记到图像中;


程序界面

    程序运行结果如下:



运行结果

    左图为处理后图像的显示,测试环境为背景全黑,仅有一个红色LED灯,程序计算LED灯光斑中心位置,并计算出结果,绘制在处理后的图像中。


  • 1
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 29
    评论
YOLO高分设计资源源码,详情请查看资源内容中使用说明 YOLO高分设计资源源码,详情请查看资源内容中使用说明 YOLO高分设计资源源码,详情请查看资源内容中使用说明 YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明YOLO高分设计资源源码,详情请查看资源内容中使用说明
很抱歉,目前并不存在yolov8这个版本,但是YOLOv4是目前最新的版本,可以用于图像识别任务。下面是使用YOLOv4识别图片质心的Python代码: ```python import cv2 import numpy as np # 加载YOLOv4模型 net = cv2.dnn.readNet("yolov4.weights", "yolov4.cfg") # 加载图片 img = cv2.imread("test.jpg") # 获取图片尺寸 height, width, _ = img.shape # 构建输入图像的blob blob = cv2.dnn.blobFromImage(img, 1/255, (416, 416), swapRB=True, crop=False) # 将blob输入到模型中进行前向推理 net.setInput(blob) outs = net.forward(net.getUnconnectedOutLayersNames()) # 解析输出结果 class_ids = [] confidences = [] boxes = [] for out in outs: for detection in out: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: center_x = int(detection[0] * width) center_y = int(detection[1] * height) w = int(detection[2] * width) h = int(detection[3] * height) x = int(center_x - w / 2) y = int(center_y - h / 2) class_ids.append(class_id) confidences.append(float(confidence)) boxes.append([x, y, w, h]) # 非极大值抑制 indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4) # 绘制边界框和标签 for i in indices: i = i[0] box = boxes[i] x, y, w, h = box cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.putText(img, 'Center', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 显示结果 cv2.imshow("Image", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码使用OpenCV的dnn模块加载YOLOv4模型,并对一张图片进行识别,最终在图片上绘制出识别出的目标的边界框和标签。其中,使用了Intersection over Union (IoU)算进行非极大值抑制,可以有效地去除重叠的边界框。

“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 29
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