OpenCV学习笔记(26)灰度直方图 练习

2024-09-02 19:32

本文主要是介绍OpenCV学习笔记(26)灰度直方图 练习,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

calcHist函数和minMaxLoc函数的参数学习与使用

#include <opencv2/core/core.hpp>  
#include<opencv2/highgui/highgui.hpp>  
#include"opencv2/imgproc/imgproc.hpp"  
#include <iostream>  
#include <math.h>
using namespace cv;
Mat srcImage;
Mat grayImage;
Mat histImage;   //灰度直方图//画一个白色矩形作为面板在灰度直方图
void fill_white(Mat image)
{rectangle(image, Point(0, 0), Point(image.cols, image.rows), Scalar(255, 255, 255), CV_FILLED);
}void histgram()
{//定义变量,calcHist函数的参数准备Mat dstHist;  //输出的结果存储的空间 int dims = 1;  //1维float midRanges[] = { 0,256 };  //用于指出直方图每一维的每个bin(份)的上下界范围数组的数组const float*ranges[] = { midRanges };int size = 256;   //数值一共分为256组,也就是柱条的数目int channels = 0;  int nScale = 2;calcHist(&grayImage, 1, &channels, Mat(), dstHist, dims, &size, ranges);//calcHist  函数调用结束后,dstHist变量中将储存了 直方图的信息  用dstHist的模版函数 at<Type>(i)得到第i个柱条的值  //at<Type>(i, j)得到第i个并且第j个柱条的值 //因为任何一个图像的某个像素的总个数,都有可能会有很多,会超出所定义的图像的尺寸,针对这种情况,先对个数进行范围的限制  //先用 minMaxLoc函数来得到计算直方图后的像素的最大个数  double HistMaxValue;minMaxLoc(dstHist, 0, &HistMaxValue, 0, 0);histImage = Mat::zeros(Size(255*nScale, 150), CV_8UC3);//定义灰度直方图页面的大小fill_white(histImage);//白底for (int i = 0; i < 256; i++){float fHistValue = dstHist.at<float>(i);//像素为i的直方块大小int nRealHeight = cvRound((fHistValue / HistMaxValue) * 150);  //要绘制的高度rectangle(histImage, Point(i*nScale, 254), Point((i + 1)*nScale - 1, 150- nRealHeight),Scalar(0,0,0),CV_FILLED);//从左往右一条一条的绘制~}imshow("灰度直方图", histImage);
}bool readImage()
{srcImage = imread("102.jpg");imshow("原图", srcImage);if (!srcImage.data){std::cout << "fail to load image" << std::endl;return 0;}
}void rgb_to_gray()
{grayImage.create(srcImage.size(), CV_8UC3);cvtColor(srcImage, grayImage, CV_BGR2GRAY);imshow("灰度图", grayImage);
}
void main()
{readImage();rgb_to_gray();histgram();waitKey();
}


这篇关于OpenCV学习笔记(26)灰度直方图 练习的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1130864

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个