数字图像处理OpenCV——实验一 熟悉OpenCV环境和基本操作

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

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

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

              } // 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，给出结果。

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。

 

3.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)；

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、实验设计思路

1.opencv的安装与环境配置，根据所给代码进行运行并输出结果。

2.先生成一个200*240三通道的黑色图像，再生成一个rgb只有一个红色通道的红色图像。

3. 将一副图像的直方图分布变成近似均匀分布，从而增强图像的对比度。对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。统计每个灰度级别下的像素个数与灰度分布密度，通过均衡化算法累加概率乘以255，并四舍五入步骤等更新原图每个点的像素值。

五、实验代码

1.

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

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

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

        } // end of row

    }

    namedWindow("source");

    imshow("source", img);

    namedWindow("result");

    imshow("result", result);

    waitKey(0);

    return 0;

}

2.

#include <opencv2/opencv.hpp>

using namespace cv;

int main() {

    Mat img = imread("result1.bmp");

    int nr = 240; // number of rows

    int nc = 200; // number of columns

    Mat result;

    result.create(240, 200, img.type());

    for (int j = 0; j < nr; j++) {

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

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

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

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

            } // end of row

    }

    for (int j = nr/5; j < nr/2; j++) {

            for (int i = nc/4; i < nc/2; i++) {

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

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

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

            } // end of row

    }

    namedWindow("result");

    imshow("result", result);

    waitKey(0);

    return 0;

   

}

3.

#include<iostream>

#include<opencv2/opencv.hpp>

using namespace cv;

using namespace std;



int main()

{



    //Mat InputImage = imread("D:\\shana.jpg ", 1);

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

    imshow("原图", InputImage);

    int  Gray_Count[256] = { 0 };  //每个灰度级别下的像素个数

    double Gray_Distribution_Density[256] = { 0 }; //灰度分布密度

    double Gray_Density_Sum[256] = { 0 }; //累计密度

    int Result[256] = { 0 };  //均衡化后的灰度值

    int Pixel_Sum = InputImage.cols * InputImage.rows;

    int Pixel_Value;



    Mat OutputImage(InputImage.size(), CV_8UC1, Scalar(0));

    //gray=0.299R+0.587G+0.114b

    uchar r, g, b;

    float fgray;

    //对图像的灰度处理

    for (int m = 0; m < 100; m++)

        for (int i = 0; i < InputImage.size().height; i++)

            for (int j = 0; j < InputImage.size().width; j++)

            { //默认图像的channel排列顺序为 BGR

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

                g = InputImage.at<Vec3b>(i, j)[1];

                r = InputImage.at<Vec3b>(i, j)[2];

                fgray = 0.299 * r + 0.587 * g + 0.114 * b;//R,G,B转换灰度图像的常用公式

                OutputImage.at<uchar>(i, j) = saturate_cast<uchar>(fgray);//防止颜色溢出，对图像色彩变化时做的保护

            }

    imshow("灰度图", OutputImage);//显示灰度图像



    for (int image_y = 0; image_y < InputImage.rows; image_y++)//遍历图片

    {

        uchar* p = InputImage.ptr<uchar>(image_y);

        for (int image_x = 0; image_x < InputImage.cols; image_x++)

        {

            Pixel_Value = p[image_x];

            Gray_Count[Pixel_Value]++;//统计每个灰度下的像素个数

        }

    }



    for (int i = 0; i < 256; i++)

    {

        Gray_Distribution_Density[i] = ((double)Gray_Count[i] / Pixel_Sum);//统计灰度频率

    }

    Gray_Density_Sum[0] = Gray_Distribution_Density[0];

    for (int i = 1; i < 256; i++)

    {

        Gray_Density_Sum[i] = Gray_Density_Sum[i - 1] + Gray_Distribution_Density[i]; //计算累计密度

    }

    for (int i = 0; i < 256; i++)

    {

        Result[i] = 255 * Gray_Density_Sum[i];//计算均衡化后的灰度值

    }



    for (int image_y = 0; image_y < InputImage.rows; image_y++)//遍历图片

    {

        uchar* p = OutputImage.ptr<uchar>(image_y);

        for (int image_x = 0; image_x < InputImage.cols; image_x++)

        {

            p[image_x] = Result[p[image_x]]; //直方图均衡化,更新原图每个点的像素值

        }

    }

    imshow("均衡化", OutputImage);

    waitKey();

    return 0;

}

六、实验结果与心得体会

1.

2.

3.