OpenCV运动分析和目标跟踪(1)累积操作函数accumulate()的使用

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

将一个图像添加到累积图像中。

该函数将 src 或其部分元素添加到 dst 中:
dst ( x , y ) ← dst ( x , y ) + src ( x , y ) if mask ( x , y ) ≠ 0 \texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src} (x,y) \quad \text{if} \quad \texttt{mask} (x,y) \ne 0 dst(x,y)←dst(x,y)+src(x,y)ifmask(x,y)=0

该函数支持多通道图像。每个通道独立处理。

cv::accumulate 函数可以用于收集由静止相机拍摄的场景背景的统计数据,并用于进一步的前景-背景分割。

函数原型

cpp 复制代码
void cv::accumulate	
(
	InputArray 	src,
	InputOutputArray 	dst,
	InputArray 	mask = noArray() 
)	

参数

  • 参数src 输入图像,类型为 CV_8UC(n),CV_16UC(n),CV_32FC(n) 或 CV_64FC(n),其中 n 是一个正整数。

  • 参数dst 累积图像,与输入图像具有相同数量的通道,并且深度为 CV_32F 或 CV_64F。

  • 参数mask 可选的操作掩码。

代码示例

cpp 复制代码
#include <iostream>
#include <opencv2/opencv.hpp>

int main()
{
    // 加载一个真实的图像
    cv::Mat sourceImage = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/sun2.jpg", cv::IMREAD_COLOR );
    if ( sourceImage.empty() )
    {
        std::cout << "Error loading image" << std::endl;
        return -1;
    }

    // 获取源图像的尺寸和通道数
    cv::Size imageSize = sourceImage.size();
    int numChannels = sourceImage.channels();

    // 输出源图像的尺寸和类型
    std::cout << "Source Image Size: " << imageSize << std::endl;
    std::cout << "Source Image Type: " << sourceImage.type() << std::endl;
    std::cout << "Source Image Channels: " << numChannels << std::endl;

    // 创建一个空的累积图像
    cv::Mat cumulativeImage = cv::Mat::zeros(imageSize, CV_32FC(numChannels)); // 累积图像类型为 CV_32FC3

    // 输出累积图像的尺寸和类型
    std::cout << "Cumulative Image Size: " << cumulativeImage.size() << std::endl;
    std::cout << "Cumulative Image Type: " << cumulativeImage.type() << std::endl;
    std::cout << "Cumulative Image Channels: " << cumulativeImage.channels() << std::endl;

    // 将源图像转换为浮点类型
    cv::Mat sourceImageFloat;
    sourceImage.convertTo(sourceImageFloat, CV_32FC(numChannels), 1.0 / 255.0);

    // 输出转换后的图像尺寸和类型
    std::cout << "Converted Image Size: " << sourceImageFloat.size() << std::endl;
    std::cout << "Converted Image Type: " << sourceImageFloat.type() << std::endl;
    std::cout << "Converted Image Channels: " << sourceImageFloat.channels() << std::endl;

    // 创建一个掩码图像
    cv::Mat mask = cv::Mat::ones(imageSize, CV_8U) * 255; // 全部像素为255,即不使用掩码

    // 输出掩码图像的尺寸和类型
    std::cout << "Mask Image Size: " << mask.size() << std::endl;
    std::cout << "Mask Image Type: " << mask.type() << std::endl;

    // 确保累积图像和源图像的尺寸一致
    if (cumulativeImage.rows != sourceImageFloat.rows || cumulativeImage.cols != sourceImageFloat.cols) {
        std::cout << "Error: Cumulative image and source image do not have the same size." << std::endl;
        return -1;
    }

    // 确保累积图像和源图像的通道数一致
    if (cumulativeImage.channels() != sourceImageFloat.channels()) {
        std::cout << "Error: Cumulative image and source image do not have the same number of channels." << std::endl;
        return -1;
    }

    // 累积源图像到累积图像中
    int numAccumulations = 100; // 增加累加次数
    for (int i = 0; i < numAccumulations; ++i) {
        cv::accumulate(sourceImageFloat, cumulativeImage, mask);
    }

    // 显示累积图像
    cv::Mat normalizedCumulativeImage;
    cv::normalize(cumulativeImage, normalizedCumulativeImage, 0, 255, cv::NORM_MINMAX, CV_8U);

    // 使用高对比度的色彩映射
    cv::Mat enhancedCumulativeImage;
    cv::applyColorMap(normalizedCumulativeImage, enhancedCumulativeImage, cv::COLORMAP_JET);

    cv::imshow("Original Image", sourceImage);
    cv::imshow("Cumulative Image", enhancedCumulativeImage);
    
    cv::waitKey( 0 );
    return 0;
}

运行结果

相关推荐
果冻人工智能30 分钟前
2025 年将颠覆商业的 8 大 AI 应用场景
人工智能·ai员工
代码不行的搬运工31 分钟前
神经网络12-Time-Series Transformer (TST)模型
人工智能·神经网络·transformer
石小石Orz33 分钟前
Three.js + AI:AI 算法生成 3D 萤火虫飞舞效果~
javascript·人工智能·算法
孤独且没人爱的纸鹤42 分钟前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
阿_旭1 小时前
TensorFlow构建CNN卷积神经网络模型的基本步骤:数据处理、模型构建、模型训练
人工智能·深度学习·cnn·tensorflow
羊小猪~~1 小时前
tensorflow案例7--数据增强与测试集, 训练集, 验证集的构建
人工智能·python·深度学习·机器学习·cnn·tensorflow·neo4j
极客代码1 小时前
【Python TensorFlow】进阶指南(续篇三)
开发语言·人工智能·python·深度学习·tensorflow
zhangfeng11331 小时前
pytorch 的交叉熵函数,多分类,二分类
人工智能·pytorch·分类
Seeklike1 小时前
11.22 深度学习-pytorch自动微分
人工智能·pytorch·深度学习
庞传奇1 小时前
TensorFlow 的基本概念和使用场景
人工智能·python·tensorflow