S = S / 255.0 minVal, maxVal = cv.minMaxLoc(V) V1=(V-minVal)/(maxVal-minVal) S = (1 / 2 + V1 * (0.5)) * S *255.0 return S, V

我们可以使用以下公式计算：S = (1/2) * V1 * (0.5) * S * 255.0。其中，V1=(V-minVal)/(maxVal-minVal)，minVal和maxVal分别是图像V的最小值和最大值。

相关问题

import cv2 import matplotlib.pyplot as plt import numpy as np from skimage.measure import label, regionprops file_url = './data/origin/DJI_0081.jpg' output_url = './DJI_0081_ROI.jpg' def show_img(img, title): cv2.namedWindow(title, cv2.WINDOW_NORMAL) cv2.imshow(title, img) def output_img(img, url): cv2.imwrite(url, img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9]) # 使用2g-r-b分离 src = cv2.imread(file_url) show_img(src, 'src') # 转换为浮点数进行计算 fsrc = np.array(src, dtype=np.float32) / 255.0 (b, g, r) = cv2.split(fsrc) gray = 2 * g - 0.9 * b - 1.1 * r # 求取最大值和最小值 (minVal, maxVal, minLoc, maxLoc) = cv2.minMaxLoc(gray) # 转换为u8类型，进行otsu二值化 gray_u8 = np.array((gray - minVal) / (maxVal - minVal) * 255, dtype=np.uint8) (thresh, bin_img) = cv2.threshold(gray_u8, -1.0, 255, cv2.THRESH_OTSU) show_img(bin_img, 'bin_img') def find_max_connected_component(binary_img): # 输出二值图像中所有的连通域 img_label, num = label(binary_img, connectivity=1, background=0, return_num=True) # connectivity=1--4 connectivity=2--8 # print('+++', num, img_label) # 输出连通域的属性，包括面积等 props = regionprops(img_label) resMatrix = np.zeros(img_label.shape).astype(np.uint8) # 只保留最大的连通域 max_area = 0 max_index = 0 for i in range(0, len(props)): if props[i].area > max_area: max_area = props[i].area max_index = i tmp = (img_label == max_index + 1).astype(np.uint8) resMatrix += tmp resMatrix *= 255 return resMatrix bin_img = find_max_connected_component(bin_img) show_img(bin_img, 'bin_img') # 得到彩色的图像 (b8, g8, r8) = cv2.split(src) color_img = cv2.merge([b8 & bin_img, g8 & bin_img, r8 & bin_img]) output_img(color_img, output_url) show_img(color_img, 'color_img') cv2.waitKey() cv2.destroyAllWindows()

这段代码是用来对一张图片进行处理，找到图片中最大的连通域，并将其保留下来。具体的处理过程如下：

1.读入图片并显示；

2.将图片转换成浮点数类型，方便做计算；

3.使用2g-r-b分离，得到灰度图像；

4.使用minMaxLoc函数找到灰度图像中的最大值和最小值；

5.将灰度图像转换成u8类型，方便做Otsu二值化；

6.使用Otsu二值化将图像进行二值化处理；

7.找到图像中最大的连通域；

8.将连通域保留下来，并输出彩色图像。

需要注意的是，代码中使用了一些第三方库，比如OpenCV和skimage，需要提前安装好。另外，代码中也有一些常量的设置，比如阈值等，可以根据具体需求进行调整。

public Point2f FindExtremePoint(Mat<float> image, bool white2black) { const double maxVal = 255.0; const MinMaxLocResult searchDirection = white2black ? MinMaxLocRresult.Min : MinMaxLocResult.Max; if (image == null) { throw new ArgumentNullException(nameof(image)); } Point minLoc, maxLoc; double minVal, maxVal; Cv2.MinMaxLoc(image, out minVal, out maxVal, out minLoc, out maxLoc, image); return searchDirection == MinMaxLocResult.Min ? minLoc : maxLoc; } 返回亚像素点，请优化代码,生成新的函数

要返回亚像素点，可以使用OpenCV的minMaxLoc函数的另一个重载，该重载返回一个带有亚像素精度的最小值/最大值和其对应的坐标。然后，可以使用cornerSubPix函数对找到的角点进行亚像素级别的精确化。另外，也可以将const double maxVal = 255.0; 改为 const float maxVal = 255f;，这样可以避免不必要的类型转换。下面是生成新函数的优化代码：

public Point2f FindSubPixelExtremePoint(Mat<float> image, bool white2black)
{
    const float maxVal = 255f;
    const MinMaxLocResult searchDirection = white2black ? MinMaxLocResult.Min : MinMaxLocResult.Max;

    if (image == null)
    {
        throw new ArgumentNullException(nameof(image));
    }

    Point2f minLoc, maxLoc;
    double minVal, maxVal;
    Cv2.MinMaxLoc(image, out minVal, out maxVal, out minLoc, out maxLoc);

    var criteria = new TermCriteria(TermCriteria.Eps | TermCriteria.Count, 20, 0.03);
    Cv2.CornerSubPix(image, new[] { minLoc, maxLoc }, new Size(3, 3), new Size(-1, -1), criteria);

    return searchDirection == MinMaxLocResult.Min ? minLoc : maxLoc;
}

这个版本的代码在搜索边缘点时，只搜索了一次，同时也进行了亚像素级别的精确化。