open 컴퓨터 시각 프로 그래 밍 총화
크로스 플랫폼 의 오픈 소스 컴퓨터 시각 라 이브 러 리 로 서 OpenCV 는 많은 이미지 처리 의 강력 한 API 를 제공 합 니 다.컴퓨터 시각 에 대한 일련의 응용 을 요약 하면 기본 적 인 방법 은 센서 데이터 입력, 특징 점 추출, 관건 점 일치, 계산 추출 데 이 터 를 분석 하 는 네 가지 절차 로 나 눌 수 있다.그 중에서 관련 된 일부 열 알고리즘 은 전단 데이터 처리 든 백 엔 드 필터 최적화 든 모두 정확 한 분석 결 과 를 얻 는 것 을 목적 으로 한다.
2. OpenCV 입문
2.1 기본 이미지 처리
알다 시 피 이미 지 는 하나의 픽 셀 점 이 일정한 순서에 따라 조 합 된 것 이다. 이 원리 에 따라 이미지 에 대한 저장 은 본질 적 으로 픽 셀 로 구 성 된 행렬 에 대한 저장 이 고 이미지 에 대한 조작 은 픽 셀 에 대한 조작 이다.OpenCV 에서 가장 기본 적 인 이미지 데이터 구 조 는
cv:Mat
로 이미지 대상 을 예화 하고 이 대상 에 대해 일련의 조작 을 하 는 것 이다. 예 를 들 어 cv:Ma
t 중의 at(int x,int y)
은 이미지 가 (x, y) 에 있 는 픽 셀 값 을 가 져 오 는 데 사용 된다.그 밖 에 OpenCV 는 이미지 의 불 러 오기, 뒤 집기, 이미지 형식의 변환 (예 를 들 어 컬러 이미지 와 그 레이스 케 일 이미지 의 변환), ROI (region of interest) 등 기본 적 인 처리 함 수 를 패키지 했다.2.2 이미지 분할
OpenCV 의 GrabCut 알고리즘 은 픽 셀 특징 을 바탕 으로 그림 을 분할 할 수 있 습 니 다. GrabCut 기본 사상
1. 먼저 그림 을 테스트 그림 으로 지정 하고 분 리 될 전경 영역 에 상 자 를 그 려 왼쪽 아래 와 오른쪽 아래 의 위 치 를 기록 합 니 다. 2. 원본 그림 과 같은 마스크 를 초기 화하 고 4 개의 인자 GCD BGD, GCD FGD, GCD PR BGD, GCD PR FGD, GCD PR FGD 를 모두 0 으로 초기 화 합 니 다.
PS: 매개 변 수 는 GCD BGD (= 0), 배경, GCD FGD (= 1), 전경, GCD PR BGD (= 2), 배경 일 수 있 습 니 다. GCD PR FGD (= 3), 전경 일 수 있 습 니 다.
3. 전경 모델 과 배경 모델 을 1 * 56 매트릭스 2 개 로 정의 합 니 다. 4. 정 의 된 전경 모델, 배경 모델, 마스크 를 설정 하고 교체 횟수 몇 개의 매개 변 수 를 GrabCut 알고리즘 에 전달 하여 새로운 마스크 를 계산 합 니 다. 새로운 마스크 에서 제 시 된 결 과 는 2 또는 3 입 니 다. 즉, 하나의 픽 셀 은 두 가지 상황 만 존재 합 니 다. 배경 일 수도 있 고 전망 일 수도 있 습 니 다. 5. 마스크 중의 2 를 0.3 으로 변경 합 니 다.1 로 바 꾸 고 원본 이미지 의 대 점 곱 하기 입 니 다. 원본 이미지 의 배경 부분 은 모두 0 이 고 전경 부분 은 변 하지 않 습 니 다.
2.3 직사 도 통계 픽 셀 과 그 응용
1. 직사 도 통계 픽 셀: 2 차원 이미지, 가로 축 을 픽 셀 로 하 는 번호 (0 - 255 예), 세로 축 을 픽 셀 수량 으로 하고 이미지 의 픽 셀 특징 을 바탕 으로 전경 과 배경 을 분리 할 수 있 습 니 다. 2. 픽 셀 의 수정:
3. 직사 도 통계 픽 셀 의 응용
3.1 부식 과 팽창 이미지
조작 방법: 원본 이미 지 를 일정한 크기 의 구조 요소 와 겹 치고 교차 하 는 부분 은 하나의 픽 셀 집합 을 형성 합 니 다. 부식 은 현재 픽 셀 을 현재 픽 셀 집합 중의 픽 셀 최소 값 으로 바 꾸 는 것 입 니 다. 팽창 은 현재 픽 셀 을 현재 이미지 집합 중의 가장 큰 값 원리 로 바 꾸 는 것 입 니 다. 구조 요 소 는 본질 적 으로 a * a 의 형태학 필터 입 니 다.
3.2 이미지 열기 및 닫 기
열 림 과 닫 힌 이미 지 는 가장 기본 적 인 부식 과 팽창 연산 과 만 관련 이 있 으 며, 이미 지 를 열 면 먼저 부식 연산 을 한 다음 에 팽창 연산 을 하고, 닫 힌 이미 지 는 먼저 팽창 연산 을 한 다음 에 부식 연산 을 한다.
3.3 그 레이스 케 일 이미지 에서 부식 팽창 연산 을 이용 하여 가장자리 검 사 를 실현 한다.
그 레이스 케 일 이미지 에 서 는 부 식 된 이미지 와 부 풀 어 오 른 이미지 의 차 이 를 나 타 낼 수 있 습 니 다. 즉, i 테두리 검출 연산, Beucher 연산 입 니 다. 이외에 도 부 풀 어 오 른 이미지 와 원본 이미지 의 차 이 를 나 타 낼 수 있 는 두 가지 방식 이 있 습 니 다. 원시 이미지 와 부식 이미지 의 차 이 를 나 타 낼 수 있 습 니 다. 연산 을 시작 하 는 것 은 이미지 의 부식 을 먼저 하기 때문에 이미지 의 부식 을 없 앨 수 있 습 니 다.뾰족 한 부분, 폐 합 연산 분석 사고방식 이 유사 하 다.
참조 링크:https://blog.csdn.net/u013631121/article/details/80549079
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
다양한 언어의 JSONJSON은 Javascript 표기법을 사용하여 데이터 구조를 레이아웃하는 데이터 형식입니다. 그러나 Javascript가 코드에서 이러한 구조를 나타낼 수 있는 유일한 언어는 아닙니다. 저는 일반적으로 '객체'{}...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.