
回复
在图像处理中,统计信息可以帮助我们了解图像的特性,例如区域内的像素分布、颜色转换以及特定区域的分析。本文将介绍基于LockAI视觉识别模块如何提取兴趣区域(ROI)、转换颜色通道、计算均值和标准差,以及查找最小值和最大值,并通过一个综合示例展示其实际应用。
#include <opencv2/opencv.hpp>
cv::Mat roi = image(cv::Rect(x, y, w, h));
cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);
转换方向 | 转换代码 | 描述 |
---|---|---|
BGR ↔ Grayscale | cv::COLOR_BGR2GRAY |
将 BGR 图像转换为灰度图像 |
cv::COLOR_GRAY2BGR |
将灰度图像转换为 BGR 图像 | |
BGR ↔ RGB | cv::COLOR_BGR2RGB |
将 BGR 图像转换为 RGB 图像 |
cv::COLOR_RGB2BGR |
将 RGB 图像转换为 BGR 图像 | |
BGR ↔ HSV | cv::COLOR_BGR2HSV |
将 BGR 图像转换为 HSV 图像 |
cv::COLOR_HSV2BGR |
将 HSV 图像转换为 BGR 图像 | |
BGR ↔ LAB | cv::COLOR_BGR2LAB |
将 BGR 图像转换为 LAB 图像 |
cv::COLOR_Lab2BGR |
将 LAB 图像转换为 BGR 图像 | |
BGR ↔ YUV | cv::COLOR_BGR2YUV |
将 BGR 图像转换为 YUV 图像 |
cv::COLOR_YUV2BGR |
将 YUV 图像转换为 BGR 图像 | |
BGR ↔ XYZ | cv::COLOR_BGR2XYZ |
将 BGR 图像转换为 CIE XYZ 图像 |
cv::COLOR_XYZ2BGR |
将 CIE XYZ 图像转换为 BGR 图像 | |
BGR ↔ YCrCb | cv::COLOR_BGR2YCrCb |
将 BGR 图像转换为 YCrCb 图像 |
cv::COLOR_YCrCb2BGR |
将 YCrCb 图像转换为 BGR 图像 | |
BGR ↔ HLS | cv::COLOR_BGR2HLS |
将 BGR 图像转换为 HLS 图像 |
cv::COLOR_HLS2BGR |
将 HLS 图像转换为 BGR 图像 | |
BGR ↔ Luv | cv::COLOR_BGR2Luv |
将 BGR 图像转换为 Luv 图像 |
cv::COLOR_Luv2BGR |
将 Luv 图像转换为 BGR 图像 | |
BGR ↔ Bayer | cv::COLOR_BayerBG2BGR |
将 Bayer 格式图像转换为 BGR 图像 |
BGR ↔ RGBA | cv::COLOR_BGR2RGBA |
将 BGR 图像转换为 RGBA 图像(添加 Alpha 通道) |
cv::COLOR_RGBA2BGR |
将 RGBA 图像转换为 BGR 图像 |
cv::meanStdDev(src, mean, stddev);
cv::minMaxLoc(src, &minVal, &maxVal, &minLoc, &maxLoc);
cv::Mat image = cv::imread("2.jpg");
if (image.empty()) {
std::cerr << "Error: Could not open image!" << std::endl;
return -1;
}
// 定义 ROI 并提取
cv::Rect roiRect(50, 50, 200, 200);
cv::Mat roi = image(roiRect);
cv::Mat grayRoi;
cv::cvtColor(roi, grayRoi, cv::COLOR_BGR2GRAY);
// 计算均值和标准差
cv::Scalar mean, stddev;
cv::meanStdDev(grayRoi, mean, stddev);
#include <opencv2/opencv.hpp>
#include <iostream>
int main()
{
// 读取图像
cv::Mat image = cv::imread("example.jpg");
if (image.empty())
{
std::cerr << "Error: Could not open image!" << std::endl;
return -1;
}
// 定义 ROI 并提取
cv::Rect roiRect(50, 50, 200, 200);
cv::Mat roi = image(roiRect);
// 转换为灰度图
cv::Mat grayRoi;
cv::cvtColor(roi, grayRoi, cv::COLOR_BGR2GRAY);
// 计算均值和标准差
cv::Scalar mean, stddev;
cv::meanStdDev(grayRoi, mean, stddev);
// 计算最小值和最大值
double minVal, maxVal;
cv::Point minLoc, maxLoc;
cv::minMaxLoc(grayRoi, &minVal, &maxVal, &minLoc, &maxLoc);
// 输出结果
std::cout << "Mean: " << mean[0] << std::endl;
std::cout << "Standard Deviation: " << stddev[0] << std::endl;
std::cout << "Min Value: " << minVal << " at " << minLoc << std::endl;
std::cout << "Max Value: " << maxVal << " at " << maxLoc << std::endl;
return 0;
}
# CMake最低版本要求
cmake_minimum_required(VERSION 3.10)
project(test-Image-information-statistics)
set(CMAKE_CXX_STANDARD 17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
# 定义项目根目录路径
set(PROJECT_ROOT_PATH "${CMAKE_CURRENT_SOURCE_DIR}/../..")
message("PROJECT_ROOT_PATH = " ${PROJECT_ROOT_PATH})
include("${PROJECT_ROOT_PATH}/toolchains/arm-rockchip830-linux-uclibcgnueabihf.toolchain.cmake")
# 定义 OpenCV SDK 路径
set(OpenCV_ROOT_PATH "${PROJECT_ROOT_PATH}/third_party/opencv-mobile-4.10.0-lockzhiner-vision-module")
set(OpenCV_DIR "${OpenCV_ROOT_PATH}/lib/cmake/opencv4")
find_package(OpenCV REQUIRED)
set(OPENCV_LIBRARIES "${OpenCV_LIBS}")
# 定义 LockzhinerVisionModule SDK 路径
set(LockzhinerVisionModule_ROOT_PATH "${PROJECT_ROOT_PATH}/third_party/lockzhiner_vision_module_sdk")
set(LockzhinerVisionModule_DIR "${LockzhinerVisionModule_ROOT_PATH}/lib/cmake/lockzhiner_vision_module")
find_package(LockzhinerVisionModule REQUIRED)
# 图像信息处理
add_executable(Test-Image-information-statistics Image_information_statistics.cc)
target_include_directories(Test-Image-information-statistics PRIVATE ${LOCKZHINER_VISION_MODULE_INCLUDE_DIRS})
target_link_libraries(Test-Image-information-statistics PRIVATE ${OPENCV_LIBRARIES} ${LOCKZHINER_VISION_MODULE_LIBRARIES})
install(
TARGETS Test-Image-information-statistics
RUNTIME DESTINATION .
)
使用 Docker Destop 打开 LockzhinerVisionModule 容器并执行以下命令来编译项目
# 进入Demo所在目录
cd /LockzhinerVisionModuleWorkSpace/LockzhinerVisionModule/Cpp_example/B02_Image_information_statistics
# 创建编译目录
rm -rf build && mkdir build && cd build
# 配置交叉编译工具链
export TOOLCHAIN_ROOT_PATH="/LockzhinerVisionModuleWorkSpace/arm-rockchip830-linux-uclibcgnueabihf"
# 使用cmake配置项目
cmake ..
# 执行编译项目
make -j8 && make install
在执行完上述命令后,会在build目录下生成可执行文件。
在凌智视觉模块中输入以下命令:
chmod 777 Test-Image-information-statistics
./Test-Image-information-statistics
在运行上述代码时,会输出以下结果:
通过上述内容,我们介绍了如何使用 OpenCV 提取图像的 ROI、转换颜色空间、计算统计信息等操作。按照以下步骤,您可以轻松地进行图像的统计分析: