java+widthstep_关于IplImage中widthstep的大小与width,nchannels等的关系的问题

java+widthstep_关于IplImage中widthstep的大小与width,nchannels等的关系的问题width是图像宽度,可为任意值;widthstep是行字节数,应该是4的倍数,不一定等于width,nchannels为图像通道数。#defineWIDTHBYTES(bits)(((bits)+31)/32*4)看看这个公式你就明白了。对ROI和widthStep的补充ROI和widthStep在实际工作中有很重要的作用,在很多情况下,使用它们会提高计算机视觉代码的执行速度。这是因为它们…

大家好,又见面了,我是你们的朋友全栈君。

width是图像宽度,可为任意值;widthstep是行字节数,应该是4的倍数,不一定等于width,nchannels为图像通道数。

#define WIDTHBYTES(bits) (((bits)+31)/32*4) 看看这个公式你就明白了。

对ROI和widthStep的补充

ROI和widthStep在实际工作中有很重要的作用,在很多情况下,使用它们会提高计算机视觉代码的执行速度。这是因为它们允许对图像的某一小部分进行操作,而不是对整个图像进行运算。在OpenCV中 ,普遍支持ROI和widthStep,函数的操作被限于感兴趣区域。要设置或取消ROI,就要使用cvSetImageROI()和cvResetImageROI()函数。如果想设置ROI,可以使用函数cvSetImageROI(),并为其传递一个图像指针和矩形。而取消ROI,只需要为函数cvResetImageROI()传递一个图像指针。

void cvSetImageROI( IplImage* p_w_picpath, CvRect rect );

void cvResetImageROI( IplImage* p_w_picpath );

为了解释ROI的用法,我们假设要加载一幅图像并修改一些区域,如例3-12的代码,读取了一幅图像,并设置了想要的ROI的x,y,width和height的值,最后将ROI区域中像素都加上一个整数。本例程中通过内联的cvRect()构造函数设置ROI。通过cvResetImageROI()函数释放ROI是非常重要的,否则,将忠实地只显示ROI区域。

例3-12:用p_w_picpathROI来增加某范围的像素

// roi_add      

#include 

#include 

intmain(intargc,char** argv)

{

IplImage* src;

if( argc == 7 && ((cvLoadImage(argv[1],1)) != 0 )) < /span>

{

intx = atoi(argv[2]);

inty = atoi(argv[3]);

intwidth = atoi(argv[4]);

intheight = atoi(argv[5]);

intadd = atoi(argv[6]);

cvSetImage ROI(src, cvRect(x,y,width,height));

cvAddS(src, cvScalar(add),src);

cvResetImageROI(src);

cvNamedWindow( “Roi_Add”, 1 );

cvShowImage( “Roi_Add”, src );

cvWaitKey();

}

return0;

}

使用例3-12中的代码把ROI集中于一张猫的脸部,并将其蓝色通道增加150后的效果.

通过巧妙地使用widthStep,我们可以达到同样的效果。要做到这一点,我们创建另一个图像头,让它的width和height的值等于interest_rect的width和height的值。我们还需要按interest_rect起点设置图像起点(左上角或者左下角)。下一步,我们设置子图像的widthStep与较大的interest_img相同。这样,即可在子图像中逐行地步进到大图像里子区域中下一行开始处的合适位置。最后设置子图像的p_w_picpathDate指针指向兴趣子区域的开始,如例3-13所示。

例3-13:利用其他widthStep方法把interest_img的所有像素值增加1

// Assuming IplImage *interest_img; and

//   CvRect interest_rect;

//   Use widthStep to get a region of interest

//

// (Alternate method)

//

IplImage *sub_img = cvCreateImageHeader(

cvSize(

interest_rect.width,

interest_rect.height

),

interest_img->depth,

interest_img->nChannels

);

sub_img->origin = interest_img->origin;

sub_img->widthStep = interest_img->widthStep;

sub_img->p_w_picpathData = interest_img->p_w_picpathData +

interest_rect.y * interest_img->widthStep    +

interest_rect.x * interest_img->nChannels;

cvAddS( sub_img, cvScalar(1), sub_img );

cvReleaseImageHeader(&sub_img);

看起来设置和重置ROI更方便一些,为什么还要使用widthStep?原因在于有些时候在处理的过程中,想在操作过程中设置和保持一幅图像的多个子区域处于活动状态,但是ROI只能串行处理并且必须不断地设置和重置。

最后,我们要在此提到一个词– 掩码或模板,在代码示例中cvAddS()函数允许第四个参数默认值为空:const CvArr* mask=NULL。这是一个8位单通道数组,它允许把操作限制到任意形状的非0像素的掩码区,如果ROI随着掩码或模板变化,进程将会被限制在ROI和掩码的交集区域。掩码或模板只能在指定了其图像的函数中使用。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/135667.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • 程序化交易入门_程序化交易的经验之谈

    程序化交易入门_程序化交易的经验之谈这里会分享最新的个人新文章及转载不错的程序化交易文章!![在这里插入图片描述](https://img-blog.csdnimg.cn/20190520205748924.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lpc2h1aW…

    2022年10月8日
    1
  • 疫后本地生活踏入拐点,全面升级的饿了么助力身边经济

    疫后本地生活踏入拐点,全面升级的饿了么助力身边经济7月10日饿了么宣布全面升级,从餐饮外卖平台转变为解决用户身边一切即时需求的生活服务平台,并将在未来大力布局“身边经济”,打造应有尽有的生活圈。眼下,整个经济正在迎来疫情后的反弹复苏,以餐饮、生鲜、零售为代表的消费行业加速反弹,饿了么在此时宣布全面升级,可谓顺势而为,在笔者看来,此次全面升级,有两大看点。在后疫情时代,饿了么从餐饮外卖平台转型同城生活服务,也将对整个本地生活服务会产生深刻的影响。看点1:饿了么为什么在此时宣布全面升级?在零售的战场上,时机和火候往往决定一切。饿了么此次..

    2022年6月22日
    51
  • PXE网络

    PXE网络PXE原理和概念PXE严格来说并不是一种安装方式,而是一种引导的方式。进行PXE安装的必要条件是要安装的计算机中包含一个PXE支持的网卡(NIC),即网卡中必须要有PXEClient。PXE(Pre-bootExecutionEnvironment)协议使计算机可以通过网络启动。协议分为client和server端,PXEclient在网卡的ROM中,当计算机引导时,BIOS把PXEclient调入内存执行,由PXEclient将放置在远端的文件通过.

    2022年6月16日
    28
  • 【UVA】1449-Dominating Patterns(AC自己主动机)

    【UVA】1449-Dominating Patterns(AC自己主动机)

    2022年1月29日
    49
  • 提问的智慧

    提问的智慧提问的智慧HowToAskQuestionsTheSmartWayCopyright©2001,2006,2014EricS.Raymond,RickMoen

    2022年7月1日
    33
  • 数据挖掘十大算法之Apriori算法「建议收藏」

    数据挖掘十大算法之Apriori算法「建议收藏」文章目录1.“啤酒与尿布”的案例2.Aprior算法核心术语事物集记录(事务)项目(项)项目集(项集)K项集支持度(Support)置信度(Confidence)最小支持度(min_support)最小置信度(min_confidence)提升度频繁K项(目)集候选K项(目)集3.Aprior算法的三大性质(关联规则的三大性质)4.Aprior算法实现过程5.数据挖掘5.1寻找关联属性5.2生成关联规则5.3更加严谨的栗子6.Aprior算法的优缺点6.1改进Aprior算法6.2F

    2022年5月1日
    47

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号