上大计算机视觉实验报告资料.docx
《上大计算机视觉实验报告资料.docx》由会员分享，可在线阅读，更多相关《上大计算机视觉实验报告资料.docx（13页珍藏版）》请在冰豆网上搜索。
上大计算机视觉实验报告资料
实验1
一．习题1
a）实验代码
intmain（）{
//readanimage
cv:
:
Matimage=cv:
:
imread（"test.jpg"）;
//createimagewindownamed"MyImage"
//cv:
:
namedWindow（"MyImage"）;
//showtheimageonwindow
//cv:
:
imshow（"MyImage",image）;
//waitkeyfor5000ms
IplImage*pImg=cvLoadImage（"test.jpg"）;
CvFontfont;
cvInitFont（&font,CV_FONT_HERSHEY_COMPLEX,0.5,0.5,1,2,8）;
cvPutText（pImg,"12121448",cvPoint（0,50）,&font,CV_RGB（255,255,255））;
cvSaveImage（"D:
\\testttt.jpg",pImg）;
cvNamedWindow（"Myimage"）;
cvShowImage（"Myimage",pImg）;
cv:
:
waitKey（5000）;
return1;
b）
实验结果截图
c）结果分析
1．第一次主要是熟悉VS里面如何运用已有的openCV库函数来解决实际的问题
2．这次实验通过查阅书籍，我找到了在图片中快速插入文字的方法，即运用cv:
:
puttext函数还来解决，需要注意的是这个函数的参数，需要确定在图片中位置。
实验2
一．习题1.
a）实验代码
#include"stdafx.h"
#include"opencv.hpp"
#include
#ifdefined_DEBUG
#pragmacomment（lib,"opencv_core249d.lib"）
#pragmacomment（lib,"opencv_imgproc249d.lib"）
#pragmacomment（lib,"opencv_highgui249d.lib"）
#else
#pragmacomment（lib,"opencv_core249.lib"）
#pragmacomment（lib,"opencv_imgproc249.lib"）
#pragmacomment（lib,"opencv_highgui249.lib"）
#endif
voidcopy_color（cv:
:
Mat&image）{
intnl=image.rows;
intnc=image.cols*image.channels（）/2;
for（intj=0;j{
uchar*data=image.ptr（j）;
for（inti=0;idata[i]=data[nc+i];
}
}
intmain（）{
cv:
:
Matimage=cv:
:
imread（"1.jpg"）;
copy_color（image）;
cv:
:
namedWindow（"MyImage"）;
cv:
:
imshow（"MyImage",image）;
cv:
:
waitKey（50000）;
return1;
}
b）实验结果截图
c）结果分析
利用X和Y的两次循环将整块图片复制过去，裁减函数做得有欠缺。
实验3
一．习题1
a）实验代码：
方法一：
data[i]=data[i]/div*div+div/2;
原始图像中的每个维度的颜色数降低为原来的1/div,但是整张图片的像素点数并没有减少，只是每个像素点都被它所在格子中的中心像素“量化”了。
方法二：
*data++=*data/div*div+div/2;
与方法一相比，方法二只是在颜色缩减的图像遍历函数上面做出了修改，等效的使用指针运算从一列移动到下一列。
方法三：
intv=*data;
*data++=v-v%div+div/2;
通过模运算来计算最接近被除数的除数的整数倍数，但是这种方式速度会慢一些，因为对于一张图片的像素来说存取了两次。
方法四：
intnl=image.rows;//numberoflines
intnc=image.cols*image.channels（）;//totalnumberofelementsperline
intn=static_cast（log（static_cast（div））/log（2.0））;
//maskusedtoroundthepixelvalue
ucharmask=0xFF<用移位的方法来进行乘除计算是一种高效的方法，如果我们限制缩减因子为2的幂次，只取像素值的前n位即可得到不大于该值的关于缩减因子的最大整数倍数，所以可见其在效率上来讲非常高效。
方法五：
intstep=image.step;//effectivewidth
data+=step;//nextline
与方法四类似，，只有颜色缩减函数的赋值语句*（data+i）=*data&mask+div/2;不同，并且加上step的行宽可以便捷地完成换行操作，速度比方法四更快。
方法六：
与方法五相比缺少intnc=image.cols*image.channels（）;//totalnumberofelementsperline；这样导致我们在每次reduce的时候要计算一次行中的像素数，导致速度成倍降低。
方法七：
if（image.isContinuous（））{
//thennopaddedpixels
nc=nc*nl;
nl=1;//itisnowa1Darray
}
通过增加isContinuous（）函数，来检测是否存在没有使用额外像素填补的图像的情况，如果不存在使用这个函数能够使得遍历图像的速度更快——如果是连续的，就可以直接当作一维数组来处理。
方法八：
intnl=image.rows;//numberoflines
intnc=image.cols;//numberofcolumns
与方法七类似，不同的是将nc直接赋值为列数，而不是方法七的intnc=image.cols*image.channels（）;//totalnumberofelementsperline，来表示每行的像素点个数。
这样虽然计算次数变多了，但是由于计算量变少了，总体速度变快了。
方法九：
cv:
:
Mat_:
Vec3b>:
:
iteratorit=image.begin:
Vec3b>（）;
cv:
:
Mat_:
Vec3b>:
:
iteratoritend=image.end:
Vec3b>（）;
调用cv:
:
Mat的模板迭代器的begin和end来表示图像的起始和终止位置，从而遍历整张图片，但由于是最原始的迭代器，计算效率不高，遍历图像速度慢。
方法十：
intn=static_cast（log（static_cast（div））/log（2.0））;
ucharmask=0xFF<与方法九类似，不同的是增加位运算使得迭代的效率更高，速度更快。
方法十一：
cv:
:
Mat_:
Vec3b>cimage=image;
同样与方法九类似，通过调用cv:
:
Mat_的begin（）和end（）来处理，效率变低。
方法十二：
image.at:
Vec3b>（j,i）[0]=image.at:
Vec3b>（j,i）[0]/div*div+div/2;
image.at:
Vec3b>（j,i）[1]=image.at:
Vec3b>（j,i）[1]/div*div+div/2;
image.at:
Vec3b>（j,i）[2]=image.at:
Vec3b>（j,i）[2]/div*div+div/2;
通过图像矩阵的方法at（j,i）精确定位图像中的每一个点，这样图像颜色增减就能够方便地通过取每个点的RGB来完成操作，但是缺点也显而易见，对每个点操作需要浪费大量的空间和时间。
b）实验结果截图：
c）结果分析：
方法三和方法十相比方法一和方法九都增加了位运算，但是感觉上应该更加快，事实上却分别慢了6ms和3ms，这让我很意外。
我认为造成这种结果的原因可能是遍历图像的算法过于简单，致使没有使用到过多的位运算，体现不出位运算的优势。
方法七与方法八速度差不多，说明每次计算各行中的像素个数所需计算量不大，对运算结果的时间并没有造成很大的影响。
通过对比方法九和方法十一，可以发现调用cv:
:
Mat的内置迭代器和自己编写迭代器的运行速度有明显的区别。
实验4
一．习题1.
a）实验代码
#include"stdafx.h"
#include"opencv.hpp"
#include
#ifdefined_DEBUG
#pragmacomment（lib,"opencv_core249d.lib"）
#pragmacomment（lib,"opencv_imgproc249d.lib"）
#pragmacomment（lib,"opencv_highgui249d.lib"）
#else
#pragmacomment（lib,"opencv_core249.lib"）
#pragmacomment（lib,"opencv_imgproc249.lib"）
#pragmacomment（lib,"opencv_highgui249.lib"）
#endif
intmain（）
{
cv:
:
Matfind=cv:
:
imread（"find.jpg",0）;
cv:
:
Matmap=cv:
:
imread（"img.jpg",0）;
cv:
:
Matoutput=cv:
:
imread（"img.jpg",1）;
find.convertTo（find,CV_32F）;
for（intx=0;x<=map.rows-find.rows;++x）
{
for（inty=0;y<=map.cols-find.cols;++y）
{
cv:
:
Matsmall=map（cv:
:
Range（x,x+find.rows）,cv:
:
Range（y,y+find.cols））;
small.convertTo（small,CV_32F）;
doublesimilar=cv:
:
compareHist（find,small,CV_COMP_CORREL）;
if（similar>0.99）{
cv:
:
rectangle（output,cv:
:
Point（y,x）,cv:
:
Point（y+find.cols,x+find.rows）,cv:
:
Scalar（0,0,255））;
cv:
:
Point（y+find.cols,x+find.rows）;
cv:
:
Scalar（0,0,255）;
}
}
}
cv:
:
imshow（"resultofthecheck",output）;
cv:
:
waitKey（0）;
}
b）实验结果截图
c）结果分析
1．本实验通过遍历图片，找图与find图片相似度大于99%的
2．比较主要通过相同的矩形框，利用双重循环遍历图片
实验5
一．习题1.
a）实验代码
#include
#include
#include
#include
#include
#include
usingnamespacestd;
usingnamespacecv;
/**FunctionHeaders*/
voiddetectAndDisplay（Matframe）;
/**Globalvariables*/
//--Note,eithercopythesetwofilesfromopencv/data/haarscascadestoyourcurrentfolder,orchangetheselocations
Stringface_cascade_name="haarcascade_frontalface_alt.xml";
Stringeyes_cascade_name="haarcascade_eye_tree_eyeglasses.xml";
CascadeClassifierface_cascade;
CascadeClassifiereyes_cascade;
stringwindow_name="Capture-Facedetection";
RNGrng（12345）;
intmain（intargc,constchar**argv）
{
Matframe;
//--1.Loadthecascades
if（!
face_cascade.load（face_cascade_name））{printf（"--（!
）Errorloading\n"）;return-1;};
if（!
eyes_cascade.load（eyes_cascade_name））{printf（"--（!
）Errorloading\n"）;return-1;};
//--2.Readthevideostream
//CvCapture*capture=cvCaptureFromCAM（-1）;//摄像头读取文件开关
VideoCapturecapture（"test.avi"）;
if（capture.isOpened（）/*capture*/）//摄像头读取文件开关
{
while（true）
{
//frame=cvQueryFrame（capture）;//摄像头读取文件开关
capture>>frame;
//--3.Applytheclassifiertotheframe
if（!
frame.empty（））
{detectAndDisplay（frame）;}
else
{printf（"--（!
）Nocapturedframe--Break!
"）;break;}
intc=waitKey（10）;
if（（char）c=='c'）{break;}
}
}
return0;
}
voiddetectAndDisplay（Matframe）
{
std:
:
vectorfaces;
Matframe_gray;
cvtColor（frame,frame_gray,CV_BGR2GRAY）;
equalizeHist（frame_gray,frame_gray）;
//--Detectfaces
face_cascade.detectMultiScale（frame_gray,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size（30,30））;
for（size_ti=0;i{
Pointcenter（int（faces[i].x+faces[i].width*0.5）,int（faces[i].y+faces[i].height*0.5））;
ellipse（frame,center,Size（int（faces[i].width*0.5）,int（faces[i].height*0.5））,0,0,360,Scalar（255,0,255）,2,8,0）;
MatfaceROI=frame_gray（faces[i]）;
std:
:
vectoreyes;
//--Ineachface,detecteyes
eyes_cascade.detectMultiScale（faceROI,eyes,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size（30,30））;
for（size_tj=0;j{
Pointcenter（int（faces[i].x+eyes[j].x+eyes[j].width*0.5）,int（faces[i].y+eyes[j].y+eyes[j].height*0.5））;
intradius=cvRound（（eyes[j].width+eyes[i].height）*0.25）;
circle（frame,center,radius,Scalar（255,0,0）,3,8,0）;
}
}
//--Showwhatyougot
imshow（window_name,frame）;
}
b）实验结果截图
c）结果分析
1．实验代码是从网上下载稍加修改的，主要取自opencv官网的教材
2．根据实验结果截图显示有些时候并不能检测出人脸，尤其是有手、眼镜等等在脸前面的时候
升级会员 