OpenCV 图像缩减算法

uchar类型的3通道图像,对颜色的表示方法有256X256X256(无符号整形大小范围是0~255)种,需要对其种类进行缩减,如0~9为0,10~19为10,20~29为20,这样就只有26X26X26种表示方法了。
若对图像中每点的像素值进行计算后重新赋值太过麻烦,多次的计算是很耗时间的。不如提前规定好一个数组[0,10,20,30…..],再将像素值进行比较,处在0~9区间的自动赋值为0

uchar table[256];//一个通道最多256种
for(int i=0;i<256;++i)
{
table[i] = 10*(i/10);//自动截余算法,去掉个位,变成了一个区间数组 table[2X]=20 table[3X]=30………
}

p[j]=table[p[j])//p[j]为某个通道的像素值,将其值转换为区间值

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉库,供了丰富的图像处理和计算机视觉算法。其中包括了一些常用的图像识别算法。下面是一些常见的OpenCV图像识别算法的介绍: 1. Haar特征分类器:Haar特征分类器是一种基于Haar小波的图像特征提取方法,常用于人脸检测。它通过计算图像中不同区域的灰度差异来提取特征,并使用AdaBoost算法进行分类。 2. HOG特征描述子:HOG(Histogram of Oriented Gradients)特征描述子是一种用于目标检测的特征提取方法。它通过计算图像中不同区域的梯度方向直方图来描述图像的纹理和形状信息。 3. SIFT特征描述子:SIFT(Scale-Invariant Feature Transform)特征描述子是一种用于图像匹配和目标识别的特征提取方法。它通过检测图像中的关键点,并计算关键点周围区域的梯度方向直方图来描述图像的局部特征。 4. SURF特征描述子:SURF(Speeded Up Robust Features)特征描述子是一种与SIFT类似的特征提取方法,但在计算效率上更高。它通过计算图像中的兴趣点的Hessian矩阵来提取特征。 5. CNN深度学习算法:卷积神经网络(Convolutional Neural Network)是一种深度学习算法,常用于图像分类和目标检测。它通过多层卷积和池化操作来提取图像的特征,并使用全连接层进行分类。 以上是一些常见的OpenCV图像识别算法的介绍。如果你对某个具体的算法或者其他相关问题有进一步的了解需求,请告诉我。
评论
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