使用C++结合OpenCV进行图像处理与分类

⭐️我叫忆_恒心，一名喜欢书写博客的在读研究生👨‍🎓。
如果觉得本文能帮到您，麻烦点个赞👍呗！

近期会不断在专栏里进行更新讲解博客~~~ 有什么问题的小伙伴 欢迎留言提问欧，喜欢的小伙伴给个三连支持一下呗。👍⭐️❤️
Qt5.9专栏定期更新Qt的一些项目Demo
项目与比赛专栏定期更新比赛的一些心得，面试项目常被问到的知识点。

在这里插入图片描述

一、引言

在当今数字化时代，图像处理技术在各个领域得到了广泛应用。无论是自动驾驶、医学影像分析，还是安防监控、虚拟现实，图像处理都扮演着重要角色。OpenCV（Open Source Computer Vision Library）作为一个开源的计算机视觉库，提供了丰富的图像处理函数和工具，使得图像处理变得更加简单和高效。本文将介绍如何使用C++结合OpenCV进行基础的图像处理操作。
在这里插入图片描述
在C++领域中，openCV同时也是使用yolo的必备配置环境。
结合yolo可以完成图像分类和目标检测
除了进行目标检测，也可以将这个应用在图像分类中。
使用C++实现YOLO图像分类：从环境搭建到性能评估的完整指南
在这里插入图片描述
在这里插入图片描述

模型的图像分类的流程:

  • 加载图像：从文件系统或其他来源加载图像数据。 预处理图像：对图像进行预处理操作，如缩放、归一化、去噪等，以便于后续处理。
  • 特征提取：从图像中提取有意义的特征，如边缘、纹理、形状等。常用的方法包括SIFT、SURF、ORB等。
  • 处理：对提取的特征进行处理，如特征选择、特征缩放等，以减少维度和提高分类器的性能。
  • 加载分类器模型：加载预先训练好的分类器模型，如支持向量机（SVM）、神经网络、随机森林等。
  • 进行分类：使用分类器对处理后的特征进行分类，得到图像的类别。 输出分类结果：将分类结果输出或展示。

在这里插入图片描述

二、 安装OpenCV

Windows系统详细的环境安装，可以参考我之前写的这一篇文章。
VS2019中配置C++ OpenCV 4.5.4完整指南

在使用OpenCV之前，我们需要先在开发环境中安装OpenCV库。以下是Windows和Ubuntu系统中安装OpenCV的基本步骤：

1. Windows系统：

  1. 下载OpenCV安装包：OpenCV官网
  2. 解压安装包到指定目录。
  3. 配置环境变量，将OpenCV的bin目录添加到系统的PATH中。
  4. 在C++项目中添加OpenCV库的包含路径和库文件路径。

2. Ubuntu系统：

sudo apt update
sudo apt install libopencv-dev

三、 图像读取与显示

在这里插入图片描述

首先，我们来看一个简单的图像读取与显示的示例程序：

#include <opencv2/opencv.hpp>
#include <iostream>int main() {// 读取图像cv::Mat image = cv::imread("example.jpg");// 检查图像是否读取成功if(image.empty()) {std::cout << "无法打开图像文件" << std::endl;return -1;}// 显示图像cv::imshow("Display Image", image);cv::waitKey(0); // 等待按键按下return 0;
}

在这个示例中，我们使用cv::imread函数读取一张图像，并使用cv::imshow函数显示图像。cv::waitKey(0)函数用于等待用户按键，以便窗口不会立即关闭。

四、 图像预处理

图像预处理是图像处理中的重要步骤，包括图像的灰度化、二值化、平滑处理等。以下是一个简单的图像预处理示例：

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat image = cv::imread("example.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像if(image.empty()) {std::cout << "无法打开图像文件" << std::endl;return -1;}cv::Mat blurredImage;cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 1.5); // 高斯模糊处理cv::imshow("Original Image", image);cv::imshow("Blurred Image", blurredImage);cv::waitKey(0);return 0;
}

在这个示例中，我们使用cv::imread函数以灰度模式读取图像，并使用cv::GaussianBlur函数对图像进行高斯模糊处理。

五、图像形状检测

OpenCV还提供了丰富的形状检测功能，例如边缘检测和轮廓检测。以下是一个简单的边缘检测示例：

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat image = cv::imread("example.jpg", cv::IMREAD_GRAYSCALE);if(image.empty()) {std::cout << "无法打开图像文件" << std::endl;return -1;}cv::Mat edges;cv::Canny(image, edges, 50, 150); // Canny边缘检测cv::imshow("Edges", edges);cv::waitKey(0);return 0;
}

在这个示例中，我们使用cv::Canny函数进行边缘检测，并显示结果图像。

六、图像分类

图像分类是计算机视觉中的重要任务，常用于自动驾驶、安防监控、医疗诊断等领域。通过对图像内容进行分类，我们可以实现对不同类别物体的识别和区分。

1.1 使用Bag of Words (BOW)算法进行图像分类

Bag of Words (BOW)算法是一种经典的图像分类方法，通过将图像表示为特征词袋进行分类。下面是使用OpenCV和C++实现BOW算法进行图像分类的示例代码。

1.2 环境准备

首先，确保已安装OpenCV库，并配置好C++开发环境。需要安装额外的库如opencv_contrib，以便使用BOW相关模块。

1.3 示例代码

以下是实现BOW算法进行图像分类的代码：

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/ml.hpp>
#include <iostream>
#include <vector>using namespace cv;
using namespace cv::ml;
using namespace std;
using namespace cv::xfeatures2d;void extractFeatures(const vector<string>& imagePaths, vector<Mat>& features, Ptr<SIFT> detector) {for (const auto& path : imagePaths) {Mat image = imread(path, IMREAD_GRAYSCALE);vector<KeyPoint> keypoints;Mat descriptors;detector->detectAndCompute(image, noArray(), keypoints, descriptors);features.push_back(descriptors);}
}int main() {// 图像路径vector<string> trainImages = {"image1.jpg", "image2.jpg", "image3.jpg"};vector<string> testImages = {"test1.jpg", "test2.jpg"};// 创建SIFT特征检测器Ptr<SIFT> detector = SIFT::create();// 提取训练集特征vector<Mat> trainFeatures;extractFeatures(trainImages, trainFeatures, detector);// 聚类，创建词典BOWKMeansTrainer bowTrainer(100); // 词典大小for (const auto& feature : trainFeatures) {bowTrainer.add(feature);}Mat dictionary = bowTrainer.cluster();// 创建BOW图像描述器Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("FlannBased");BOWImgDescriptorExtractor bowDE(detector, matcher);bowDE.setVocabulary(dictionary);// 训练分类器Ptr<SVM> svm = SVM::create();Mat trainData, labels;for (size_t i = 0; i < trainImages.size(); ++i) {Mat bowDescriptor;bowDE.compute(imread(trainImages[i], IMREAD_GRAYSCALE), bowDescriptor);trainData.push_back(bowDescriptor);labels.push_back((float)i); // 假设每个图像都有不同的标签}svm->train(trainData, ROW_SAMPLE, labels);// 测试分类器for (const auto& path : testImages) {Mat testImage = imread(path, IMREAD_GRAYSCALE);Mat bowDescriptor;bowDE.compute(testImage, bowDescriptor);float response = svm->predict(bowDescriptor);cout << "Image: " << path << " classified as: " << response << endl;}return 0;
}

result

Image: test1.jpg classified as: 0
Image: test2.jpg classified as: 1

七、适合图像分类的优秀的仓库

我可以为您提供一些图片的链接，您可以使用这些图片作为博客中的例子。以下是一些公共领域图片资源网站的链接，您可以从这些网站下载适合用于图像分类任务的图片：

  1. Pixabay - 提供大量免费图片，适用于个人和商业用途。

    • 链接: Pixabay

  2. Unsplash - 一个提供高分辨率照片的平台，所有照片均可免费使用。

    • 链接: Unsplash

  3. Pexels - 提供免费且高质量的图片，可用于商业用途，无需署名。

    • 链接: Pexels

  4. Open Images Dataset - Google 提供的一个大规模图片数据集，可用于图像识别和分类。

    • 链接: Open Images Dataset
      在这里插入图片描述

  5. MNIST Database - 手写数字的图片数据集，常用于图像分类和机器学习任务。

    • 链接: MNIST Database
      在这里插入图片描述
      在这里插入图片描述

  6. CIFAR-10 and CIFAR-100 - 包含多种类别的图片数据集，适用于图像分类。

    • 链接: CIFAR-10/CIFAR-100

  7. ImageNet - 一个非常大的图像数据库，用于视觉对象识别研究。

    • 链接: ImageNet

  8. Flickr - 通过Flickr的Creative Commons搜索，您可以找到许多可用于非商业或商业用途的图片。

    • 链接: Flickr Creative Commons

  9. Getty Images - 虽然Getty Images主要是版权图片，但它们也提供了一些免费图片的集合。

    • 链接: Getty Images

  10. NASA Image and Video Library - NASA提供的图片和视频资源，适合用于科学和教育目的。

    • 链接: NASA Image and Video Library

请注意，使用图片时，您应遵守每个网站的使用条款和版权信息。对于商业用途，建议仔细检查图片的许可证，确保合法使用。

八、 结论

通过以上步骤，我们使用C++和OpenCV实现了基于BOW算法的图像分类。本文介绍了从特征提取、词典创建到模型训练和分类的全过程。这仅仅是图像分类的入门，OpenCV还支持更多复杂的算法和深度学习模型，读者可以进一步探索，以便在实际项目中更好地应用这些技术。希望本文对您在学习和应用图像分类技术方面有所帮助。

最后，最后
如果觉得有用，麻烦三连👍⭐️❤️支持一下呀，希望这篇文章可以帮到你，你的点赞是我持续更新的动力

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：http://www.mzph.cn/web/24880.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于STC12C5A60S2系列1T 8051单片机实现串口调试助手软件与单片机相互发送数据的RS485通信功能

基于STC12C5A60S2系列1T 8051单片机实现串口调试助手软件与单片机相互发送数据的RS485通信功能

基于STC12C5A60S2系列1T 8051单片机实现串口调试助手软件与单片机相互发送数据的RS485通信功能 STC12C5A60S2系列1T 8051单片机管脚图STC12C5A60S2系列1T 8051单片机串口通信介绍STC12C5A60S2系列1T 8051单片机串口通信的结构基于STC12C5A60S2系列1T 8051单片机串口通信的特殊功…
阅读更多...
力扣 74.搜索二维矩阵

力扣 74.搜索二维矩阵

题目描述&#xff1a; 给你一个满足下述两条属性的 m x n 整数矩阵&#xff1a; 每行中的整数从左到右按非严格递增顺序排列。每行的第一个整数大于前一行的最后一个整数。 给你一个整数 target &#xff0c;如果 target 在矩阵中&#xff0c;返回 true &#xff1b;否则&am…
阅读更多...
MySQL和MariaDB的对比和选型

MySQL和MariaDB的对比和选型

目录 1 基本介绍 2 功能对比 3 性能对比 4 兼容性 5 社区支持和发展 6 安全性 7 选择建议 8 结论 除去功能本身的对比&#xff0c;相应各位看官不一定能看出太大所以然&#xff0c;而且对于大部分同学来说&#xff0c;使用起来感觉应该差不多。 所以综合来说&#xff0…
阅读更多...
决策树Decision Tree

决策树Decision Tree

目录 一、介绍发展优点缺点基本原理 二、熵1、熵2、条件熵3、信息增益4、信息增益率 三、基尼系数四、ID3算法1、建树过程2、优点3、缺点 五、C4.51、二分法处理连续变量1、流程&#xff1a;2、示例 2、缺点 六、CART1、连续数据处理2、离散数据处理3、CART回归原理1、均方误差…
阅读更多...
定时器更新界面，线程报错

定时器更新界面，线程报错

项目场景&#xff1a; 在javafx框架下使用线程更新UI的时候&#xff0c;出现无法正常更新UI。 问题代码如下&#xff1a; package clock;import java.util.Calendar; import java.util.GregorianCalendar; import java.util.Timer; import java.util.TimerTask;import javaf…
阅读更多...
【机器学习】机器学习引领AI：重塑人类社会的新纪元

【机器学习】机器学习引领AI：重塑人类社会的新纪元

&#x1f4dd;个人主页&#x1f339;&#xff1a;Eternity._ &#x1f339;&#x1f339;期待您的关注 &#x1f339;&#x1f339; ❀机器学习引领AI &#x1f4d2;1. 引言&#x1f4d5;2. 人工智能&#xff08;AI&#xff09;&#x1f308;人工智能的发展&#x1f31e;应用领…
阅读更多...
每日两题6

每日两题6

文章目录 删除并获得点数粉刷房子 删除并获得点数 分析 class Solution { public:int deleteAndEarn(vector<int>& nums) {const int N 10001;// 预处理int arr[N] {0};for (int& e : nums)arr[e] e;// 在 arr 上进行 打家劫舍 问题vector<int> f(N),…
阅读更多...
【Python机器学习】NMF——模拟数据

【Python机器学习】NMF——模拟数据

与使用PCA不同&#xff0c;我们需要保证数据是正的&#xff0c;NMF能够对数据进行操作。这说明数据相对于原点(0,0)的位置实际上对NMF很重要。因此&#xff0c;可以将提取出来的非负向量看作是从(0,0)到数据的方向。 举例&#xff1a;NMF在二维玩具数据上的结果&#xff1a; …
阅读更多...
基于fegin远程调用的重试功能

基于fegin远程调用的重试功能

前言 在微服务场景中,可能因为系统中网络抖动,导致调用超时或者失败, 按照我们分布式事务角度来看的话, 如果我们在业务中只调用了一次远程的服务查询(只去查询用户服务的某个信息),如果查询失败, 从而导致整个业务回滚, 这种代价是我们不想看到,所以我们就可以基于fegin的远程…
阅读更多...
FreeRTOS基础（十二）：信号量

FreeRTOS基础（十二）：信号量

本篇博客&#xff0c;我们详细介绍另一个重要的应用&#xff0c;信号量。 目录 一、信号量的简介 1.0 举例理解 1.1 FreeRTOS中的应用 1.2 队列与信号量的对比 二、二值信号量 2.1 二值信号量的概念 2.2 二值信号量的API函数接口 2.2.1 使用二值信号量的过程 2.2.2 …
阅读更多...
PDF转图片工具

PDF转图片工具

背景&#xff1a; 今天有个朋友找我&#xff1a;“我有个文件需要更改&#xff0c;但是文档是PDF的&#xff0c;需要你帮我改下内容&#xff0c;你是搞软件的&#xff0c;这个对你应该是轻车熟路了吧&#xff0c;帮我弄弄吧”&#xff0c;听到这话我本想反驳&#xff0c;我是开…
阅读更多...
IT闲谈-IMD是什么，有什么优势

IT闲谈-IMD是什么，有什么优势

目录 一、引言二、IDM是什么&#xff1f;三、IDM的优势1. 高速下载2. 稳定性强3. 强大的任务管理4. 视频下载5. 浏览器整合 四、应用场景1. 商务办公2. 教育学习3. 娱乐休闲 总结 一、引言 在数字化时代&#xff0c;下载管理器已成为我们日常工作和生活中不可或缺的工具。而在…
阅读更多...
王学岗鸿蒙开发(北向)——————(四、五、六)ArkUi声明式组件

王学岗鸿蒙开发(北向)——————(四、五、六)ArkUi声明式组件

普通组件 1,注意&#xff0c;如上图&#xff0c;build只能有一个根节点 2,Entry表示程序的入口 Component表示自定义的组件 Preview表示可以预览 3&#xff0c;图片存放的地方 4&#xff0c; Image组件最好只给宽度&#xff0c;给了高度又给宽度容易失真。 build() {Row() {/…
阅读更多...
normalizing flows vs 直方图规定化

normalizing flows vs 直方图规定化

normalizing flows名字的由来 The base density P ( z ) P(z) P(z) is usually defined as a multivariate standard normal (i.e., with mean zero and identity covariance). Hence, the effect of each subsequent inverse layer is to gradually move or “flow” the da…
阅读更多...
第十二章：净世山的终极考验

第十二章：净世山的终极考验

虽然击败了黑袍人&#xff0c;但四人并未有丝毫的松懈。他们深知&#xff0c;净世山的考验远不止如此。果然&#xff0c;随着黑袍人的倒下&#xff0c;整个山顶开始剧烈震动&#xff0c;仿佛有什么东西即将苏醒。“小心&#xff0c;这山顶似乎有变&#xff01;”赵无极大声提醒…
阅读更多...
Java——JVM

Java——JVM

前言 JVM.即Java虚拟机.用来解释执行Java字节码. 一、JVM中的内存区域划分 JVM其实也是一个进程,进程运行过程中,要从操作系统这里申请一些资源(内存就是其中的典型资源) 这些内存空间,就支撑了后续Java程序的执行. JVM从系统中申请了一大块内存,这一大块内存给Java程序使…
阅读更多...
18、关于优化中央企业资产评估管理有关事项的通知

18、关于优化中央企业资产评估管理有关事项的通知

一、加强重大资产评估项目管理 （一）中央企业应当对资产评估项目实施分类管理，综合考虑评估目的、评估标的资产规模、评估标的特点等因素，合理确定本集团重大资产评估项目划分标准，原则上，企业对外并购股权项目应纳入重大资产评估项目。中央企业应当研究制定重大资产评估…
阅读更多...
WebSocket首次使用踩坑记录

WebSocket首次使用踩坑记录

背景 IOT服务&#xff0c;后台收到信息推送至前端进行实时日志打印。 实现步骤 Springboot版本&#xff1a;2.5.15 1、增加依赖&#xff0c;我的是jdk1.8编写时发现需要用到javax.websocket但是我默认没有的&#xff0c;故此添加第二个依赖&#xff0c;引入javax.websocket。…
阅读更多...
折腾日记：如何在Mac上连接Esp32

折腾日记：如何在Mac上连接Esp32

个人博客地址 最近购买了一块Esp32单片机&#xff0c;在Mac环境上进行开发&#xff0c;并且成功点亮LED灯和连上屏幕&#xff0c;为什么会上手选择Esp32开发板&#xff0c;主要考虑它自带Wi-Fi和蓝牙&#xff0c;单价也不高&#xff0c;就算后面不玩了&#xff0c;也能转成物联…
阅读更多...
深度学习：如何静悄悄地改变我们的日常生活

深度学习：如何静悄悄地改变我们的日常生活

深度学习 深度学习&#xff1a;如何静悄悄地改变我们的日常生活一、消费电子产品智能手机与个人助理娱乐与社交媒体 二、医疗健康三、汽车与交通四、公共安全五、总结 深度学习&#xff1a;如何静悄悄地改变我们的日常生活 在近年来&#xff0c;深度学习技术因其强大的数据处理…
阅读更多...
最新文章

Copyright @ 2022~2023