<aside> <img src="/icons/condense_yellow.svg" alt="/icons/condense_yellow.svg" width="40px" /> C++ | 数学 | 逻辑 | 按位转换 | 隐写术 | 最低有效位编码策略 | 对比增强 | 线性变换 | 非线性 | 直方图 | 累计 | 直方图均衡 | 概率分布 | 灰度 | 形态学 | 膨胀算子 | 腐蚀算子 | 开运算 | 闭运算 | 滤波器 | 克莱默-布鲁克纳滤波器 | 细化算法 | 骨架化 | 空间过滤 | 离散卷积 | 低通 | 高通 | 一阶导数 | 二阶导数 | Nagao滤波 | 拉普拉斯 | 自适应滤波 | 西格玛滤波 | 自适应窗口 | Deriche 轮廓滤波 | 分贝 | 频域滤波 | 傅里叶 | 莫列波纹 | 线性扩散 | 方程 | 算法 | 视频序列 | 高斯窗口 | 角点检测 | 纹理光谱 | Tamura 系数 | 粗糙度 | 局部二值模式 | 图像分割 | 动作分析 | 多光谱 | 成像捕捉 | 网格 | 变换压缩 | 断层 | 立体视觉 | 径向基函数
</aside>
🎯图像的数学转换 | 🎯按位转换，使用最低有效位编码策略的隐写术 | 🎯对比增强线性变换数学定义 | 🎯直方图运算：灰度概率分布，累计直方图，直方图均衡
🎯数学形态学：🖊膨胀和腐蚀算子逻辑数学定义和C++代码，🖊开运算和闭运算逻辑数学定义及C++代码，🖊克莱默-布鲁克纳滤波器逻辑数学定义及C++代码，🖊交替顺序滤波器逻辑数学定义及C++代码，🖊形态梯度数学逻辑定义及C++代码，🖊细化（骨架化）形态学技术逻辑关系及C++代码，🖊细化算法C++代码
🎯空间过滤：离散卷积逻辑数学定义和C++代码，🖊低通滤波器C++方法，🖊高通滤波器的一阶导数滤波C++方法，🖊二阶导数滤波C++拉普拉斯方法，🖊自适应滤波器C++西格玛滤波方法，🖊自适应窗口滤波器C++ Nagao 滤波方法，C++桑原非利斯托尔滤波方法，🖊Deriche 轮廓滤波器逻辑数学定义和C++代码，🖊Deriche 轮廓滤波器应用于二维图像，🖊计算梯度范数，🖊二阶Deriche 轮廓滤波器对图像拉普拉斯计算，🖊快速傅里叶变换C++代码，应用于两幅图傅里叶变换的模和参数混合，🖊图像光谱的可视化C++代码，以分贝为单位，🖊频域滤波：高斯滤波逻辑数学定义和C++代码，🖊莫列图像的处理，数学关系变换和C++代码去除莫列波纹，🖊线性扩散滤波数学方程和C++代码，🖊非线性扩散滤波C++代码二维上实现 Perona 和 Malik 算法，🖊视频序列上的非线性扩散滤波器C++代码。
🎯特征提取：C++实现高斯窗口，使用 Harris 和 Stephens 算法的实现角点检测，🖊兴趣点的亚像素检测线性系统数学定义和C++实现，🖊霍夫变换：C++对累加器网格进行阈值化，C++直线检测的霍夫变换，🖊圆和椭圆检测：C++计算圆检测的累加器，🖊纹理特征：纹理光谱数学定义及C++实现，🖊Tamura 系数和Tamura对比度C++代码，🖊粗糙度数学定义和C++使用积分图像的局部平均值，🖊C++绝对差异计算，🖊C++Tamura粗糙度计算，🖊纹理的方向性数学定义及C++Tamura的方向计算，🖊局部二值模式和对比度数学定义和C++实现，🖊C++使用局部二值模式串联直方图。
🎯图像分割 | 🎯二维和三维动作分析 | 🎯多光谱成像捕捉 | 🎯可视化和渲染三维网格对象 | 🎯通过变换压缩 | 🎯断层重建 | 🎯立体视觉图像分析 | 🎯使用径向基函数交互式变形
我们将使用 C++ 和 OpenCV 来读取图像并显示结果。首先，让我们编写一个简单的 C++ 程序来读取来自相机的流并使用 OpenCV 显示 RGB 和灰度图像。
#include <iostream>
#include "opencv2/opencv.hpp"
int main() {
cv::VideoCapture cam(0);
if (!cam.isOpened()) {
throw std::runtime_error("Error");
}
cv::namedWindow("Window");
while (true) {
cv::Mat frame;
cam >> frame;
cv::resize(frame, frame, cv::Size(400, 400));
cv::imshow("bgr_frame", frame);
cv::Mat gray_frame;
cv::cvtColor(frame, gray_frame, CV_BGR2GRAY);
cv::imshow("gray_frame", gray_frame);
if (cv::waitKey(30) >= 0) break;
}
}
我们要在类里安排我们的工作，我们将其称为 ImageOperator。
class ImageOperator{
public:
ImageOperator() = default;
~ImageOperator() = default;
static void to_gray_m1(const cv::Mat& input, cv::Mat& output);
static void to_gray_m2(const cv::Mat& input, cv::Mat& output);
static void to_gray_m3(const cv::Mat& input, cv::Mat& output);
static void to_gray(const unsigned char* input,
const int width,
const int height,
const int channel,
unsigned char* output);
};
您可能注意到，我们在第 6 行到第 9 行中声明了四个函数，用于将 RGB 图像转换为灰度图像。
前三个函数以 OpenCV Mat 矩阵作为输入参数。 我们将探索三种不同的方法将图像转换为灰度。 最后一个函数 to_gray 使用原始 C unsigned char 指针。我们将使用加权方法将 RGB 图像转换为灰度图像。执行此操作的等式是：gray_image = ( (0.3 * R) + (0.59 * G) + (0.11 * B) ).
它也被称为安全方法。它不如其他方法有效，但它使循环像素变得更加容易。
void ImageOperator::to_gray_m1(const cv::Mat &input, cv::Mat &output) {
unsigned char *data_out = (unsigned char*)(output.data);
int ind = 0;
auto end = input.end<cv::Vec3b>();
cv::MatConstIterator_<cv::Vec3b> it = input.begin<cv::Vec3b>();
for (; it != end; ++it) {
const unsigned char &r = (*it)[2];
const unsigned char &g = (*it)[1];
const unsigned char &b = (*it)[0];
data_out[ind] = 0.3*r+0.59*g+0.11*b;
ind++;
}
}
我们使用 cv::Vec3b 是因为每个元素由三个通道 bgr（蓝色、绿色和红色）组成，每个通道都是 1 字节，因此我们需要 3 字节。 输出 Mat 仅包含一个通道，并且具有与输入 Mat 相同的大小（行数和列数），因此我们可以访问其原始 unsigned char 指针数据并对其进行修改。