c++调用python函数画2d图像

python程序 plot1.py

#coding=utf-8
import matplotlib.pyplot as plt
import numpy as np
def plot():
    x = np.arange(-5, 5, 0.02)
    y = np.sin(x)
    plt.axis([-np.pi, np.pi, -2, 2])
    plt.plot(x, y, color="r", linestyle="-", linewidth=1)
    plt.show()

C++程序 c++_python.cpp

#include <iostream>

#include <Python.h>

using namespace std;

int main(int)
{
Py_Initialize();//-初始化python解释器
if(!Py_IsInitialized())
 {
  PyRun_SimpleString("print 'inital error!' ");
  return -1;
 }
PyRun_SimpleString("print 'inital ok!' ");
PyRun_SimpleString("import sys");//--相当于python中的import sys语句,sys是和解释器打交道的
PyRun_SimpleString("sys.path.append('./')"); //指定pytest.py所在的目录
PyRun_SimpleString("sys.argv = ['python.py']");
PyObject *pName =NULL;
PyObject *pMoudle = NULL;//--存储要调用的python模块
PyObject *pFunc = NULL;//--存储要调用的函数
pName = PyString_FromString("plot1"); //指定要导入的文件名
pMoudle = PyImport_Import(pName);//--利用导入文件函数将helloWorld.py函数导入
if(pMoudle == NULL)
 {
  PyRun_SimpleString("print 'PyImport_Import error!' ");
  return -1;
 }
pFunc = PyObject_GetAttrString(pMoudle,"plot");//--是在python引用模块helloWorld.py中查找hello函数
PyObject_CallObject(pFunc,NULL);//--调用hello函数

Py_Finalize();//--清理python环境释放资源
return 0;
} 

注意:要想画图成功 必须加上:
PyRun_SimpleString(“sys.argv = [‘python.py’]”);
具体是为什么,我暂时没研究,以后有时间研究一下。有懂的大神可以评论知道一下,小弟这里 ORZ

编写CMakeLists

cmake_minimum_required(VERSION 3.1)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED TRUE)
project(plot_project)
#添加头文件搜索路径
include_directories(/usr/include/python2.7)#添加头文件目录,相当于g++ -I参数
link_directories(/usr/include/python2.7)#动态链接库或静态链接库的搜索路径,相当于gcc的-L参数
set(OpenCV_DIR /home/xiaoyuer/myopencv/opencv)
#寻找依赖功能包
find_package(OpenCV   REQUIRED)
#add_executable(1 1.cpp)
add_executable(c++_python c++_python.cpp)
#添加需要链接的共享库
#target_link_libraries(1 PRIVATE ${OpenCV_LIBS} python2.7) #添加链接库,相同于指定gcc -l参数
target_link_libraries(c++_python PRIVATE ${OpenCV_LIBS} python2.7)

编译运行

在这里插入图片描述

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 2D-3D图像配准是将二维图像与三维模型进行匹配,实现二者之间的空间对齐。下面是一个示例的2D-3D图像配准算法代码: ``` import cv2 import numpy as np def find_homography(image1, image2): # 提取图片1和图片2的特征点 sift = cv2.xfeatures2d.SIFT_create() kp1, des1 = sift.detectAndCompute(image1, None) kp2, des2 = sift.detectAndCompute(image2, None) # 特征点匹配 bf = cv2.BFMatcher(cv2.NORM_L2) matches = bf.knnMatch(des1, des2, k=2) # 筛选优秀的匹配点 good_matches = [] for m, n in matches: if m.distance < 0.75 * n.distance: good_matches.append(m) # 计算匹配点对应的坐标 src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) # 计算单应性矩阵 M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) return M def render_3d_model(image, model, homography): # 根据单应性矩阵将图像中的特征点映射到模型空间中 warped_image = cv2.warpPerspective(image, homography, (model.shape[1], model.shape[0])) # 在模型空间中以特定颜色渲染图像 rendered_model = np.zeros_like(model, dtype=np.uint8) rendered_model[np.where((model == [0, 0, 0]).all(axis=2))] = warped_image[np.where((model == [0, 0, 0]).all(axis=2))] return rendered_model # 读取二维图像和三维模型 image = cv2.imread('image.jpg') model = cv2.imread('model.obj') # 进行2D-3D图像配准并渲染 homography = find_homography(image, model) rendered_model = render_3d_model(image, model, homography) # 显示配准结果 cv2.imshow('Rendered Model', rendered_model) cv2.waitKey(0) cv2.destroyAllWindows() ``` 以上代码通过提取图像的特征点并进行匹配,计算出单应性矩阵,将图像中的特征点映射到模型空间中,最后在模型空间中渲染图像,实现2D-3D图像配准并可视化配准结果。 ### 回答2: 2D-3D图像配准算法是将一个二维图像与一个三维模型进行对齐的过程,通常用于医学影像中的图像配准,如CT图像和MRI图像。 其中,最常用的2D-3D图像配准算法是基于体素的配准方法。其主要步骤如下: 1. 定义一个粗略的初值,通常是通过特征匹配得到的。 2. 将三维模型转换为二维图像,即生成一个虚拟的CT或MRI图像。 3. 将虚拟图像与真实二维图像进行相似度度量,比如使用互相关系数或互信息等。 4. 通过最小化相似度度量函数,调整虚拟图像在真实图像中的位置。 5. 迭代执行步骤4,直到达到收敛的准确度或最大迭代次数。 这个算法的代码实现可以使用编程语言如PythonC++等。以下是一个简单的示例代码: ```python import numpy as np import cv2 def voxel_based_registration(virtual_image, real_image, initial_pose, max_iterations=100, tolerance=1e-6): pose = initial_pose last_loss = np.inf for iteration in range(max_iterations): transformed_image = transform_image(virtual_image, pose) loss = calculate_similarity(real_image, transformed_image) if np.abs(loss - last_loss) < tolerance: break gradient = calculate_gradient(virtual_image, real_image, transformed_image) pose -= gradient last_loss = loss return pose def transform_image(image, pose): # TODO: 实现图像变换 def calculate_similarity(image1, image2): # TODO: 计算相似度度量 def calculate_gradient(image1, image2, transformed_image): # TODO: 计算梯度 # 虚拟图像,即待配准的三维模型转换成的二维图像 virtual_image = cv2.imread('virtual_image.png', 0) # 真实图像,即待配准的二维图像 real_image = cv2.imread('real_image.png', 0) # 初始化位姿 initial_pose = np.zeros((6, 1)) # 进行配准 final_pose = voxel_based_registration(virtual_image, real_image, initial_pose) ``` 需要注意的是,上述代码只是一个简单的示例,真正的2D-3D图像配准算法会根据具体需求进行优化和改进。 ### 回答3: 2D-3D图像配准算法是将一个二维图像与一个三维模型进行匹配,以实现二维图像在三维场景中的准确定位和重建。下面是一个简单的2D-3D图像配准算法的代码示例: ```python import numpy as np # 第一步:读取二维图像和三维模型数据 image = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 二维图像数据 model = np.array([[[1, 1, 1], [2, 2, 2], [3, 3, 3]], [[4, 4, 4], [5, 5, 5], [6, 6, 6]], [[7, 7, 7], [8, 8, 8], [9, 9, 9]]]) # 三维模型数据 # 第二步:图像配准的核心算法 def image_registration(image, model): # 将二维图像转换为一维数组 image_vector = image.flatten() # 计算二维图像和三维模型之间的差异度 differences = [] for i in range(len(model)): model_vector = model[i].flatten() difference = np.sum(np.abs(image_vector - model_vector)) differences.append(difference) # 找到差异度最小的序号作为匹配结果 min_index = np.argmin(differences) # 返回匹配结果 return min_index # 第三步:调用图像配准算法并输出结果 matching_result = image_registration(image, model) print("匹配结果: ", matching_result) ``` 以上代码中,假设我们有一个3x3的二维图像和一个3x3x3的三维模型。图像配准的核心算法是将二维图像转换为一维数组,并计算二维图像和三维模型之间的差异度。最后,找到差异度最小的序号作为匹配结果。 这只是一个简单的示例,实际的2D-3D图像配准算法可能更加复杂和精确,涉及更多的数学和计算机视觉技术。
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