数字图像处理OpenCV——实验一熟悉OpenCV环境和基本操作

水深无声 2023-09-28 21:01 33阅读 0赞

## 实验一 熟悉OpenCV环境和基本操作 ##

### **一、实验目的**  ###

熟悉OpenCV运行环境，了解图像的基本操作及直方图均衡化。

### **二、实验内容**  ###

一个简单的图像处理例子。

代码如下：

\#include <opencv2/opencv.hpp>

using namespace cv;

int main( ) \{

Mat img = imread("result1.bmp");

int nr = img.rows; // number of rows

int nc = img.cols; // number of columns

Mat result;

result.create(img.rows, img.cols, img.type());

for (int j = 0; j < nr; j++) \{

for (int i = 0; i < nc; i++) \{

result.at<cv::Vec3b>(j, i)\[0\] = 255 - img.at<cv::Vec3b>(j, i)\[0\];

result.at<cv::Vec3b>(j, i)\[1\] = 255 - img.at<cv::Vec3b>(j, i)\[1\];

result.at<cv::Vec3b>(j, i)\[2\] = 255 - img.at<cv::Vec3b>(j, i)\[2\];

\} // end of row

namedWindow("source");

imshow("source", img);

namedWindow("result");

imshow("result", result);

waitKey(0);

return 0;

### **三、实验要求** ###

1.按上述代码运行，给出结果。

2.利用OpenCV产生一幅图像，尺寸为200\*240，三通道，其中某一块为红色，其它皆为黑色，示例图如下。

![a4050160ae384f2c9cd3b992f479eca5.png][]

3.对一副图像进行直方图均衡化处理。**要求自行编写直方图均衡化函数，实现图像灰度均衡的算法步骤如下：**

1.  统计直方图数组，用一个数组p记录p\[i\]；
2.  i从1开始，令S\[i\]=S\[i-1\]+p\[i\]，S\[0\]=p\[0\]；
3.  一个数组L记录新的S索引值，即令L\[i\]=S\[i\]\*(256-1)；

依次循环每一个像素，取原图的像素值作为数组L的下标值，取该下标对应的数组值为均衡化之后的像素值。

### **四、实验设计思路** ###

1.opencv的安装与环境配置，根据所给代码进行运行并输出结果。

2.先生成一个200\*240三通道的黑色图像，再生成一个rgb只有一个红色通道的红色图像。

3. 将一副图像的直方图分布变成近似均匀分布，从而增强图像的对比度。对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。统计每个灰度级别下的像素个数与灰度分布密度，通过均衡化算法累加概率乘以255，并四舍五入步骤等更新原图每个点的像素值。

### **五、实验代码** ###

#### 1. ####

#include <opencv2/opencv.hpp>
    
    using namespace cv;
    
    int main() {
    
        Mat img = imread("result1.bmp");
    
        int nr = img.rows; // number of rows
    
        int nc = img.cols; // number of columns
    
        Mat result;
    
        result.create(img.rows, img.cols, img.type());
    
        for (int j = 0; j < nr; j++) {
    
            for (int i = 0; i < nc; i++) {
    
                result.at<cv::Vec3b>(j, i)[0] = 255 - img.at<cv::Vec3b>(j, i)[0];
    
                result.at<cv::Vec3b>(j, i)[1] = 255 - img.at<cv::Vec3b>(j, i)[1];
    
                result.at<cv::Vec3b>(j, i)[2] = 255 - img.at<cv::Vec3b>(j, i)[2];
    
            } // end of row
    
        }
    
        namedWindow("source");
    
        imshow("source", img);
    
        namedWindow("result");
    
        imshow("result", result);
    
        waitKey(0);
    
        return 0;
    
    }

#### 2. ####

#include <opencv2/opencv.hpp>
    
    using namespace cv;
    
    int main() {
    
        Mat img = imread("result1.bmp");
    
        int nr = 240; // number of rows
    
        int nc = 200; // number of columns
    
        Mat result;
    
        result.create(240, 200, img.type());
    
        for (int j = 0; j < nr; j++) {
    
            for (int i = 0; i < nc; i++) {
    
                    result.at<cv::Vec3b>(j, i)[0] = 0;
    
                    result.at<cv::Vec3b>(j, i)[1] = 0;
    
                    result.at<cv::Vec3b>(j, i)[2] = 0;
    
                } // end of row
    
        }
    
        for (int j = nr/5; j < nr/2; j++) {
    
                for (int i = nc/4; i < nc/2; i++) {
    
                    result.at<cv::Vec3b>(j, i)[0] = 0;
    
                    result.at<cv::Vec3b>(j, i)[1] = 0;
    
                    result.at<cv::Vec3b>(j, i)[2] = 255;
    
                } // end of row
    
        }
    
        namedWindow("result");
    
        imshow("result", result);
    
        waitKey(0);
    
        return 0;
    
       
    
    }

#### 3. ####

#include<iostream>
    
    #include<opencv2/opencv.hpp>
    
    using namespace cv;
    
    using namespace std;
    
    
    
    int main()
    
    {
    
    
    
        //Mat InputImage = imread("D:\\shana.jpg ", 1);
    
        Mat InputImage = imread("result1.bmp");
    
        imshow("原图", InputImage);
    
        int  Gray_Count[256] = { 0 };  //每个灰度级别下的像素个数
    
        double Gray_Distribution_Density[256] = { 0 }; //灰度分布密度
    
        double Gray_Density_Sum[256] = { 0 }; //累计密度
    
        int Result[256] = { 0 };  //均衡化后的灰度值
    
        int Pixel_Sum = InputImage.cols * InputImage.rows;
    
        int Pixel_Value;
    
    
    
        Mat OutputImage(InputImage.size(), CV_8UC1, Scalar(0));
    
        //gray=0.299R+0.587G+0.114b
    
        uchar r, g, b;
    
        float fgray;
    
        //对图像的灰度处理
    
        for (int m = 0; m < 100; m++)
    
            for (int i = 0; i < InputImage.size().height; i++)
    
                for (int j = 0; j < InputImage.size().width; j++)
    
                { //默认图像的channel排列顺序为 BGR
    
                    b = InputImage.at<Vec3b>(i, j)[0];
    
                    g = InputImage.at<Vec3b>(i, j)[1];
    
                    r = InputImage.at<Vec3b>(i, j)[2];
    
                    fgray = 0.299 * r + 0.587 * g + 0.114 * b;//R,G,B转换灰度图像的常用公式
    
                    OutputImage.at<uchar>(i, j) = saturate_cast<uchar>(fgray);//防止颜色溢出，对图像色彩变化时做的保护
    
                }
    
        imshow("灰度图", OutputImage);//显示灰度图像
    
    
    
        for (int image_y = 0; image_y < InputImage.rows; image_y++)//遍历图片
    
        {
    
            uchar* p = InputImage.ptr<uchar>(image_y);
    
            for (int image_x = 0; image_x < InputImage.cols; image_x++)
    
            {
    
                Pixel_Value = p[image_x];
    
                Gray_Count[Pixel_Value]++;//统计每个灰度下的像素个数
    
            }
    
        }
    
    
    
        for (int i = 0; i < 256; i++)
    
        {
    
            Gray_Distribution_Density[i] = ((double)Gray_Count[i] / Pixel_Sum);//统计灰度频率
    
        }
    
        Gray_Density_Sum[0] = Gray_Distribution_Density[0];
    
        for (int i = 1; i < 256; i++)
    
        {
    
            Gray_Density_Sum[i] = Gray_Density_Sum[i - 1] + Gray_Distribution_Density[i]; //计算累计密度
    
        }
    
        for (int i = 0; i < 256; i++)
    
        {
    
            Result[i] = 255 * Gray_Density_Sum[i];//计算均衡化后的灰度值
    
        }
    
    
    
        for (int image_y = 0; image_y < InputImage.rows; image_y++)//遍历图片
    
        {
    
            uchar* p = OutputImage.ptr<uchar>(image_y);
    
            for (int image_x = 0; image_x < InputImage.cols; image_x++)
    
            {
    
                p[image_x] = Result[p[image_x]]; //直方图均衡化,更新原图每个点的像素值
    
            }
    
        }
    
        imshow("均衡化", OutputImage);
    
        waitKey();
    
        return 0;
    
    }

### **六、实验结果与心得体会** ###

#### 1. ####

![8ec8d5af127c49d1ad3d554151c1503f.png][]

#### 2. ####

![f67b0bf5359c41bfa3e89f96517ae6e1.png][]

#### 3. ####

![28db8a8a4d9f4009b97b1f51aab02a41.jpeg][]

[a4050160ae384f2c9cd3b992f479eca5.png]: https://img-blog.csdnimg.cn/a4050160ae384f2c9cd3b992f479eca5.png
[8ec8d5af127c49d1ad3d554151c1503f.png]: https://img-blog.csdnimg.cn/8ec8d5af127c49d1ad3d554151c1503f.png
[f67b0bf5359c41bfa3e89f96517ae6e1.png]: https://img-blog.csdnimg.cn/f67b0bf5359c41bfa3e89f96517ae6e1.png
[28db8a8a4d9f4009b97b1f51aab02a41.jpeg]: https://img-blog.csdnimg.cn/28db8a8a4d9f4009b97b1f51aab02a41.jpeg