QT--Opencv图片处理

这篇具有很好参考价值的文章主要介绍了QT--Opencv图片处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

提示:本文为学习记录,若有疑问,请联系作者。


前言

忙碌里寻宝藏。


opencv主要是对图像进行处理。

一、读取照片

原型
Mat imread( const String& filename, int flags )

第一个参数 filename: 表示图像的路径。
第二个参数 flags:表示读取图像的方式。

  IMREAD_UNCHANGED = -1,表示读取原图, 不进行任何改变
  IMREAD_GRAYSCALE = 0,表示以灰度图方式读取原图
  IMREAD_COLOR = 1,表示以RGB方式读取原图
   默认不加 flags 的话,表示不做改变读取原图。
enum ImreadModes {
       IMREAD_UNCHANGED            = -1, //如果设置,则返回的数据带有alpha通道(R,G,B,A 四个通道),否则没有alpha通道
       IMREAD_GRAYSCALE            = 0,  //如果设置,则将图像转换为单通道灰度图像
       IMREAD_COLOR                = 1,  //如果设置,则将图像转换成3通道BGR彩色图像
       IMREAD_ANYDEPTH             = 2,  //如果设置,则在输入具有相应深度时返回16位/32位图像,否则将其转换为8位
       IMREAD_ANYCOLOR             = 4,  //如果设置,则图像可能以任何颜色格式读取
       IMREAD_LOAD_GDAL            = 8,  //如果设置,使用gdal驱动程序加载图像
       IMREAD_REDUCED_GRAYSCALE_2  = 16, //如果设置,总是将图像转换为单通道灰度图像且图像大小减少1/2
       IMREAD_REDUCED_COLOR_2      = 17, //如果设置,总是将图像转换为3通道BGR彩色图像且图像大小减少1/2
       IMREAD_REDUCED_GRAYSCALE_4  = 32, //如果设置,总是将图像转换为单通道灰度图像且图像大小减少1/4
       IMREAD_REDUCED_COLOR_4      = 33, //如果设置,总是将图像转换为3通道BGR彩色图像且图像大小减少1/4
       IMREAD_REDUCED_GRAYSCALE_8  = 64, //如果设置,总是将图像转换为单通道灰度图像且图像大小减少1/8
       IMREAD_REDUCED_COLOR_8      = 65, //如果设置,总是将图像转换为3通道BGR彩色图像且图像大小减少1/8
       IMREAD_IGNORE_ORIENTATION   = 128 //如果设置,不会根据EXIF的方向标志旋转图像
     };

filename 图片路径编译器里面接受 单斜杆/, 双斜杆//, 以及反向双斜杆 \。 不支持反向单斜杆\。
代码如下:

QString filename=QFileDialog::getOpenFileName(this,"打开图像文件","C:\\Users\\lizhifun\\Desktop\\ModelTest\\","Image File(*.bmp;*.png;*.jpg)");
if(filename == "")
{
QMessageBox::information(this,"提示","文件打开失败!");
return;
}
Mat img_input = cv::imread(cv::String(filename.toLocal8Bit().toStdString()));
if(img_input.empty())
{
QMessageBox::information(this,"提示","文件打开失败!");
 return;
 }

二、保存照片

            QString filename = QCoreApplication::applicationDirPath();
            image.save("./mirror.png");

            Mat img_input = cv::imread("./mirror.png");
            //Mat转QImage 颜色
            cvtColor(img_input,img_input,CV_BGR2RGB);
            //Mat转QImage 像素   oldlabel放置原图
            QImage disimage = QImage(img_input.data,img_input.cols,img_input.rows,img_input.cols*img_input.channels(),QImage::Format_RGB888);

            Mat retimage;
            //高斯模糊
            GaussianBlur(img_input,retimage,Size(5,5),3,3);
            GaussianBlur(retimage,retimage,Size(5,5),3,3);

            //Mat转QImage 像素   newlabel放置图像处理后图片
            QImage disimage2 = QImage(retimage.data,retimage.cols,retimage.rows,retimage.cols*retimage.channels(),QImage::Format_RGB888);
            disimage2 = disimage2.scaled(ui->label_4->width(),ui->label_4->height());
            
            ui->label_4->setPixmap(QPixmap::fromImage(disimage2));
            ui->label_4->setScaledContents(true);

//            QFile m_image("./mirror.png");
//            m_image.remove();

三、图像算法

1.高斯滤波

高斯模糊 GaussianBlur(Mat src, Mat dst, Size(11, 11), sigmax, sigmay);
参数1:输入图片
参数2:输出图片
参数3:内核大小
参数4:高斯核函数在X方向上的标准偏差
参数5:高斯核函数在Y方向上的标准偏差
代码计算:

const long _RADIUS = 10;//10 值越大越模糊
const long _IMAGES = 2;
QImage _image[_IMAGES];

/*放在函数里,下面是主要代码*/
//高斯滤波
if (!_IMAGES) return;
    _image[0] = image;
     if (_image[0].isNull()) return;
       for(int i = 1; i < _IMAGES; ++i)
       {
         if (i == 1)
            _image[1] = _image[0].convertToFormat(QImage::Format_RGB888);
         else
             _image[i] = _image[1].copy();
      }
static filter::pair_t pair[] =
   {
   { filter::Gauss, filter::Blur1D },
    { filter::Gauss, filter::Blur2D }
    };
filter::bitmap_t bmp;
for(int i = 1; i < _IMAGES; ++i)
   {
       bmp.set((filter::bitmap_t::pixel_t*)_image[i].bits(),
       _image[i].width(), _image[i].height());
       CHECK_TIME(i, filter::Filter(pair[i - 1], bmp, _RADIUS))
   }
 image = _image[1];

opencv库函数

void cv::GaussianBlur(
	cv::InputArray src, // 输入图像
	cv::OutputArray dst, // 输出图像
	cv::Size ksize, // 核大小
	double sigmaX, // x方向高斯半宽
	double sigmaY = 0.0, // y方向高斯半宽
	int borderType = cv::BORDER_DEFAULT // 边界处理方法
);
GaussianBlur(src, dst, Size(9, 9), 0);		//高斯滤波

2.均值滤波

均值模糊 blur(Mat src, Mat dst, Size(x,y), Point(-1,-1));
参数1:输入图片
参数2:输出图片
参数3:x*y大小的内核
参数4:锚点(默认-1,-1)

void cv::blur(
	cv::InputArray src, // 输入图像
	cv::OutputArray dst, // 输出图像
	cv::Size ksize, // 核大小
	cv::Point anchor = cv::Point(-1,-1), // 锚点位置
	int borderType = cv::BORDER_DEFAULT // 边界处理方法
);
blur(src, dst, Size(9, 9), Point(-1, -1));		//均值滤波

3.中值滤波

中值模糊 medianBlur(Mat src, Mat dst, ksize)
参数1:输入图片
参数2:输出图片
参数3:滤波模板的尺寸大小(大于1的奇数)

void cv::medianBlur(
	cv::InputArray src, // 输入图像
	cv::OutputArray dst, // 输出图像
	cv::Size ksize // 核大小
);
medianBlur(src, dst, 9);		//中值滤波

4.双边滤波

双边滤波 bilateralFilter(Mat src, Mat dst, d = 15, double sigmaColor, double sigmaSpace)
参数1:输入图片
参数2:输出图片
参数3:计算的半径,半径之内的像素会被纳入计算,如果提供-1则根据sigma space参数取值
参数4:sigma color决定多少差值之内的像素会被计算
参数5:如果d的值大于0则声明无效,否则用它来计算d值

第一个参数d是滤波过程中的像素邻域直径;
第二个参数是用于颜色域高斯核的参数,称作sigmaColor,和高斯滤波中的sigma参数类似;
第三个参数是空间域中的高斯核宽度,称作sigmaSpace。
bilateralFilter(src, dst, 9, 75, 75);					//双边滤波

5.其他操作

一、图像模糊
上面已介绍。

二、腐蚀与膨胀
获取结构元素 Mat getStructuringElement(int shape, Size esize, Point anchor = Point(-1, -1));
参数1:内核形状
矩形:MORPH_RECT;
交叉形:MORPH_CROSS;
椭圆形:MORPH_ELLIPSE;
参数2:内核尺寸
参数3:内核锚点

膨胀 dilate(src, dst, kernal)
参数1:输入图片
参数2:输出图片
参数3:膨胀操作的核

腐蚀 erode(src, dst, kernal)
参数1:输入图片
参数2:输出图片
参数3:腐蚀操作的核

三、形态学操作
形态学操作 morphologyEx(src, dest, CV_MOP_BLACKHAT, kernel);
参数1:输入图片
参数2:输出图片
参数3:形态学操作类型
参数4:结构元素

  • 开操作:CV_MOP_OPEN -先腐蚀后膨胀
  • 闭操作:CV_MOP_CLOSE -先膨胀后腐蚀
  • 形态学梯度:CV_MOP_GRADIENT -膨胀减去腐蚀
  • 顶帽:CV_MOP_TOPHAT -原图像与开操作图像的差值图像
  • 黑帽:CV_MOP_BLACKHAT -闭操作图像与原图像的差值图像

自适应二值化 adaptiveThreshold( Mat src, Mat dest, double maxValue, int adaptiveMetad, int thresholdType, int blockSize, double C)
参数1:输入的灰度图像
参数2:输出的二值图像
参数3:二值图像最大值
参数4:自适应方法

  • ADAPTIVE_THRESH_MEAN_C 计算出领域的平均值再减去第七个参数double C的值
  • ADAPTIVE_THRESH_GAUSSIAN_C 计算出领域的高斯均值再减去第七个参数double C的值

参数5:阈值类型

  • THRESH_BINARY
  • THRESH_BINARY_INV

参数6:块大小
参数7:最终阈值

四、插值算法

resize是opencv库中的一个函数
函数功能: 缩小或者放大函数至某一个大小

resize(InputArray src, OutputArray dst, Size dsize, 
        double fx=0, double fy=0, int interpolation=INTER_LINEAR )

参数解释:
InputArray src :输入,原图像,即待改变大小的图像;
OutputArray dst: 输出,改变后的图像。这个图像和原图像具有相同的内容,只是大小和原图像不一样而已;
dsize:输出图像的大小。如果这个参数不为0,那么就代表将原图像缩放到这个Size(width,height)指定的大小;如果这个参数为0,那么原图像缩放之后的大小就要通过下面的公式来计算:
dsize = Size(round(fxsrc.cols), round(fysrc.rows))

其中,fx和fy就是下面要说的两个参数,是图像width方向和height方向的缩放比例。
fx:width方向的缩放比例,如果它是0,那么它就会按照(double)dsize.width/src.cols来计算;
fy:height方向的缩放比例,如果它是0,那么它就会按照(double)dsize.height/src.rows来计算;

interpolation:这个是指定插值的方式,图像缩放之后,肯定像素要进行重新计算的,就靠这个参数来指定重新计算像素的方式,有以下几种:
INTER_NEAREST - 最邻近插值
INTER_LINEAR - 双线性插值,如果最后一个参数你不指定,默认使用这种方法
INTER_AREA - 区域插值法
INTER_CUBIC - 4x4像素邻域内的双立方插值
INTER_LANCZOS4 - 8x8像素邻域内的Lanczos插值

使用注意事项:

dsize和fx/fy不能同时为0,
要么你就指定好dsize的值,让fx和fy空置直接使用默认值,就像resize(img, imgDst, Size(30,30));
要么你就让dsize为0,指定好fx和fy的值,比如fx=fy=0.5,那么就相当于把原图两个方向缩小一倍!
至于最后的插值方法,正常情况下使用默认的双线性插值就够用了。
几种常用方法的效率是:最邻近插值>双线性插值>双立方插值>Lanczos插值;
但是效率和效果成反比,所以根据自己的情况酌情使用。
正常情况下,在使用之前dst图像的大小和类型都是不知道的,类型从src图像继承而来,大小也是从原图像根据参数计算出来。但是如果你事先已经指定好dst图像的大小,那么你可以通过下面这种方式来调用函数:
resize(src, dst, dst.size(), 0, 0, interpolation);

        Mat retimage;
        //高斯模糊
        GaussianBlur(img_input,retimage,Size(5,5),0,0);//高斯模糊
        GaussianBlur(retimage,retimage,Size(5,5),0,0);

        Mat m_image2;
        cv::resize(retimage,m_image2,Size(500/2,500/2),0,0,INTER_LINEAR);//双线性插值操作
        cv::resize(retimage,m_image2,Size(500/2,500/2),0,0,INTER_NEAREST);//最邻近插值操作
        cv::resize(retimage,m_image2,Size(500/2,500/2),0,0,INTER_CUBIC);//4X4像素领域内的双立方插值操作
        cv::resize(retimage,m_image2,Size(500/2,500/2),0,0,INTER_LANCZOS4);//8X8像素领域内的双立方插值操作

五、Mat和QImage互转

1.Mat转QImage

 Mat img_input = cv::imread("./mirror.png");
//Mat转QImage 颜色
cvtColor(img_input,img_input,CV_BGR2RGB);
//Mat转QImage 像素   oldlabel放置原图
QImage disimage = QImage(img_input.data,img_input.cols,img_input.rows,img_input.cols*img_input.channels(),QImage::Format_RGB888);

2.QImage转Mat

QImage image;
Mat mat;
switch(image.format()){
case QImage::Format_RGB888:
mat = Mat(image.height(), image.width(),
CV_8UC3,(void*)image.constBits(),image.bytesPerLine());
break;
case QImage::Format_ARGB32_Premultiplied:
mat = Mat(image.height(), image.width(),
CV_8UC4,(void*)image.constBits(),image.bytesPerLine());
break;
}

六、总结

善于总结,多进一步。文章来源地址https://www.toymoban.com/news/detail-575687.html

到了这里,关于QT--Opencv图片处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • QT--Opencv图片处理

    提示:本文为学习记录,若有疑问,请联系作者。 忙碌里寻宝藏。 opencv主要是对图像进行处理。 原型 Mat imread( const String filename, int flags ) 第一个参数 filename: 表示图像的路径。 第二个参数 flags:表示读取图像的方式。 filename 图片路径编译器里面接受 单斜杆/, 双斜杆//, 以

    2024年02月16日
    浏览(37)
  • 【OpenCV实现图像:使用OpenCV进行图像处理之透视变换】

    透视变换(Perspective Transformation)是一种图像处理中常用的变换手段,它用于将图像从一个视角映射到另一个视角,常被称为投影映射。透视变换可以用于矫正图像中的透视畸变,使得图像中的物体在新的视平面上呈现更加规则的形状。 透视变换通常涉及到寻找图像中的特定

    2024年02月03日
    浏览(59)
  • 【OpenCV实现平滑图像处理】

    在图像处理中,低通滤波器是一种常用的技术,用于平滑、模糊或降低图像的噪音。这种滤波器通过去除图像中高频部分(即变化较快的部分)来实现这些效果。通过应用2D卷积操作,低通滤波器将每个像素的值与其周围像素的值进行加权平均,从而实现图像的平滑处理。 在

    2024年02月08日
    浏览(36)
  • 图像处理--OpenCV实现图像加噪与滤波

    前言: Hello大家好,我是Dream。 今天来学习一下如何使用OpenCV实现图像加噪与滤波,欢迎大家一起参与探讨交流~ 编写一Python程序,要求实现以下功能: 读入一幅图像。 使用两种以上的方法分别向图像中添加噪声。 输出一幅二值图像,图像中未加入噪声的区域为黑色,加入

    2024年02月03日
    浏览(37)
  • 【图像处理】看OpenCV如何实现相机校准

            在本教程中,将介绍计算机视觉的科学领域,以及相机校准过程的简要总结。计算机视觉是实现自主系统的尝试,这些系统可以实现“人类视觉”的某些功能,其中相机被认为是传感器之一(相当于人眼)。了解捕获图像的内容是一项关键任务,这些计算机视觉系

    2024年02月12日
    浏览(36)
  • 图像处理之DCT图像压缩(基于c++ opencv实现)

    是老师布置的作业,拖到ddl才开始,opencv也才刚接触,有自己结合百度的一点理解,如有误,请谅解! 先贴一段在matlab上实现的代码,这个在网上都可以查到,就不赘述了 思路如下:      先划分处理块大小,对每个块分别进行DCT变换,再舍弃每个块中的高频系数,再进行

    2024年02月09日
    浏览(64)
  • 基于opencv的图像处理系统的设计与实现

      随着计算机技术的飞速发展,图像技术在各领域的研究和应用日渐深入和广泛。opencv是近年来推出的开源、免费的计算机视觉库,利用其所包含的函数可以很方便地实现数字图像处理。本文旨在对opencv进行一个快速全面简介,通过介绍图像处理的相关函数,使读者能快速形

    2024年04月27日
    浏览(36)
  • Python调用OpenCV实现图像反色(反相)处理

    1 前言 上一篇介绍了用C++如何将一幅彩色图像和灰度图像进行反色处理,本篇接着用python来做同样的事情。 图像反转,其目的就是增强图像的暗区中白色或灰色的细节,特别是原图中的阴影黑色区域。 原理就是用值 255 减去原来像素点上的像素值 ,比如用255(白色)-0(黑色

    2024年02月07日
    浏览(37)
  • 基于 OpenCV 的图像处理与分析应用的设计与实现

    图像处理与分析是计算机视觉中的重要应用领域,通过对图像进行处理和分析,可以提取有用的信息和特征,用于解决实际问题。 OpenCV 是一个强大的开源计算机视觉库,提供了丰富的功能和算法,适用于各种图像处理和分析任务。本文将以设计和实现一个基于 OpenCV 的图像处

    2024年02月16日
    浏览(36)
  • 【图像处理软件】Pyqt5+OpenCV实现图像的处理(附可视化界面+功能介绍+源代码)

    1.前言        使用pyqt5与opencv实现的图像处理程序,已实现转灰度图、图像平滑、形态学操作、梯度计算、阈值处理、边缘检测、轮廓检测等功能。 ☘️ Pyqt5介绍: Pyqt5是基于Digia公司强大的图形程式框架Qt5的python接口,由一组python模块构成。Pyqt5本身拥有超过620个类和600

    2024年02月08日
    浏览(69)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包