使用OpenCV从一个矩阵提取子矩阵

本文详细介绍了OpenCV库中的Range()和Rect()函数,前者用于表示范围并应用于Mat对象的行、列选择,后者表示矩形区域用于子矩阵选取。通过实例展示了如何使用这两个函数提取旋转矩阵和平移矩阵。
摘要由CSDN通过智能技术生成

介绍opencv的两个函数:Range()和Rect()

Range()是用于表示一个范围的类。它的构造函数有两个整数参数,分别表示范围的起始和终止索引。这个范围包括起始索引但不包括终止索引。

cv::Range(int start, int end);
/*
在OpenCV中,cv::Range() 主要用于 cv::Mat 的行、列、或通道的选择。例如,你可以使用 cv::Mat 
的 rowRange()、colRange()、channel() 等函数,并通过 cv::Range() 指定相应的范围。
*/

Rect()是用于表示一个矩形区域的类。它的构造函数有四个整数参数,分别表示矩形的左上角坐标的 x 和 y,以及矩形的宽度和高度。

cv::Rect(int x, int y, int width, int height);
/*
在OpenCV中,cv::Rect() 主要用于表示矩阵的子矩阵的区域。例如,你可以使用 cv::Mat 
的 rowRange()、colRange() 等函数,并通过 cv::Rect() 指定相应的区域。
*/

下面通过代码演示:

#include <opencv2/opencv.hpp>


int main()
{
    // 定义一个转换矩阵T
    /*
        T=[R,t
            0,1]
        R为3x3的旋转矩阵,t为1x3的平移矩阵
    */
    cv::Mat T=(cv::Mat_<double>(4, 4) << 0.9996238460064014, -0.01649257893348039, -0.02191258395290964,-0.07806970076422,
             0.01627794636500941, 0.9998181209081466, -0.009937482872516265, 0.001608557714,
             0.02207249323271539, 0.009577052982343131, 0.9997105006443944, -0.00261919831793,
             0,0,0,1.000000000000000);
    std::cout << "T=" << std::endl;
    std::cout << T << std::endl;
    std::cout << "------------------------------"<< std::endl;

    // 使用Range()函数提取子矩阵
    // 提取旋转矩阵
    cv::Mat R = T(cv::Range(0,3),cv::Range(0,3));
    std::cout << "R=" << std::endl;
    std::cout << R << std::endl;
    std::cout << "------------------------------"<< std::endl;

    // 提取平移矩阵
    cv::Mat t = T(cv::Range(0,3),cv::Range(3,4));
    std::cout << "t=" << std::endl;
    std::cout << t << std::endl;
    std::cout << "------------------------------"<< std::endl;


    // 使用Rect()函数提取子矩阵
    // 提取旋转矩阵
    R = T(cv::Rect(0,0,3,3));
    std::cout << "R=" << std::endl;
    std::cout << R << std::endl;
    std::cout << "------------------------------"<< std::endl;

    // 提取平移矩阵
    t = T(cv::Rect(3,0,1,3));
    std::cout << "t=" << std::endl;
    std::cout << t << std::endl;
    std::cout << "------------------------------"<< std::endl;


    return 0;
}

运行结果:

T=
[0.9996238460064014, -0.01649257893348039, -0.02191258395290964, -0.07806970076422;
 0.01627794636500941, 0.9998181209081466, -0.009937482872516265, 0.001608557714;
 0.02207249323271539, 0.009577052982343131, 0.9997105006443944, -0.00261919831793;
 0, 0, 0, 1]
------------------------------
R=
[0.9996238460064014, -0.01649257893348039, -0.02191258395290964;
 0.01627794636500941, 0.9998181209081466, -0.009937482872516265;
 0.02207249323271539, 0.009577052982343131, 0.9997105006443944]
------------------------------
t=
[-0.07806970076422;
 0.001608557714;
 -0.00261919831793]
------------------------------
R=
[0.9996238460064014, -0.01649257893348039, -0.02191258395290964;
 0.01627794636500941, 0.9998181209081466, -0.009937482872516265;
 0.02207249323271539, 0.009577052982343131, 0.9997105006443944]
------------------------------
t=
[-0.07806970076422;
 0.001608557714;
 -0.00261919831793]
------------------------------

  • 8
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
OpenCV中的共生矩阵是一种用于纹理特征提取的方法,它通常用于计算机视觉中的图像分析和模式识别任务。共生矩阵是由Hunt and DeRose在1987年提出的一种统计描述方法,用于捕捉纹理的局部统计信息,尤其是方向和空间的相关性。 具体来说,共生矩阵是通过计算两个邻近像素值之间的协方差来构建的。对于每个像素,你会选择其周围的一组邻域(比如3x3或5x5窗口),然后计算这个区域中两个特定方向上像素值的差异(通常是垂直和水平方向)。将这些差异乘积相加得到共生矩阵一个条目,整个矩阵会反映纹理的局部结构和方向依赖性。 以下是共生矩阵纹理特征提取的基本步骤: 1. **预处理**:首先对图像进行灰度化和噪声过滤,以便更好地提取特征。 2. **构造共生矩阵**:遍历图像,对于每个像素及其邻居,计算不同方向(如45°和-45°)的像素值差并将其乘起来。 3. **归一化**:由于共生矩阵的值可能会受到像素值范围的影响,通常会对矩阵进行归一化,例如除以像素值的标准差。 4. **特征提取**:从归一化的共生矩阵提取特征,这可能包括计算矩阵的某些统计量(如平均值、标准差、最大值等)或者使用更复杂的特征描述(如局部二值模式,LBP)。 5. **应用到任务**:最后,这些纹理特征可以作为输入到分类器、识别算法或其他机器学习模型中,用于区分不同的纹理类别。
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

打赏作者

笨小古

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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