opencv c++ 中uniform函数用法

在OpenCV C++中，uniform函数用于生成随机分布的数组。它的语法如下：

void cv::randu(InputOutputArray dst, InputArray lowerb, InputArray upperb)

其中，参数意义如下：

- `dst`：输出的数组。
- `lowerb`：下限值。
- `upperb`：上限值。

`randu`函数会生成一个位于`[lowerb, upperb]`之间的随机分布的数组，并将结果存储在输出数组`dst`中。

例如，下面的代码演示了如何使用uniform函数生成一个5行5列、元素值位于[0,1]之间的浮点型矩阵：

cv::Mat mat(5, 5, CV_32F);
cv::randu(mat, cv::Scalar(0), cv::Scalar(1));

相关问题

opencv calchist函数C++实现

以下是使用C++实现OpenCV中的calcHist函数的示例代码：

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
    Mat image = imread("test.jpg", IMREAD_GRAYSCALE); //读入灰度图像

    if (image.empty()) //判断图像是否为空
    {
        cerr << "Failed to load image!" << endl;
        return -1;
    }

    int histSize = 256; //直方图中bin的数量
    float range[] = { 0, 256 }; //像素值范围
    const float* histRange = { range };
    bool uniform = true, accumulate = false;

    Mat hist; //用于保存直方图的Mat

    calcHist(&image, 1, 0, Mat(), hist, 1, &histSize, &histRange, uniform, accumulate); //计算直方图

    int hist_w = 512, hist_h = 400; //直方图的宽和高
    int bin_w = cvRound((double)hist_w / histSize); //每个bin的宽度

    Mat histImage(hist_h, hist_w, CV_8UC1, Scalar(0)); //用于绘制直方图的Mat

    normalize(hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat()); //将直方图归一化到[0, histImage.rows]范围内

    for (int i = 1; i < histSize; i++)
    {
        line(histImage, Point((i - 1) * bin_w, hist_h - cvRound(hist.at<float>(i - 1))),
             Point(i * bin_w, hist_h - cvRound(hist.at<float>(i))), Scalar(255), 2, LINE_AA); //在直方图上绘制每个bin的高度
    }

    imshow("Image", image);
    imshow("Histogram", histImage);
    waitKey(0);

    return 0;
}

首先，使用`imread`函数读入灰度图像。然后，定义直方图的bin数量、像素值范围、是否均匀化、是否累加等参数，并创建一个用于保存直方图的Mat。接着，调用`calcHist`函数计算直方图。

计算完直方图后，定义用于绘制直方图的Mat，并将直方图归一化到[0, histImage.rows]范围内。最后，在直方图上绘制每个bin的高度，然后显示原始图像和直方图，等待用户按下任意键后程序结束。

opencv c++ meanshift 跟踪算法的实现

1. 背景

Meanshift算法是一种基于概率密度函数的图像跟踪算法，它可以用于物体跟踪、目标跟踪等领域。本文将介绍Meanshift算法的原理和实现方式。

2. 原理

Meanshift算法是基于概率密度函数的图像跟踪算法，其基本原理是根据当前帧中目标的位置和大小，计算出目标模型的概率密度函数，然后将该函数与下一帧中的图像进行卷积，得到目标在下一帧中的位置和大小。

具体实现步骤如下：

1）选择一个初始窗口，在该窗口内计算出目标的概率密度函数。

2）在下一帧中，将原始图像和目标模型的概率密度函数进行卷积，得到新的目标位置和大小。

3）重复上述过程，直到目标跟踪结束。

3. 实现

下面是一个简单的Meanshift跟踪算法的实现代码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    // 读入视频
    VideoCapture cap("test.mp4");
    if (!cap.isOpened())
    {
        cout << "视频读入失败" << endl;
        return -1;
    }

    // 初始化目标窗口
    Rect trackWindow(0, 0, 0, 0);
    Mat frame, hsv, mask, hist, backproj;

    // 设置迭代终止条件
    TermCriteria termCrit(TermCriteria::EPS | TermCriteria::COUNT, 10, 1);

    // 开始循环跟踪
    while (true)
    {
        // 读入当前帧
        cap >> frame;
        if (frame.empty())
            break;

        // 将当前帧转换为HSV颜色空间
        cvtColor(frame, hsv, COLOR_BGR2HSV);

        // 计算目标模型的直方图
        if (trackWindow.area() <= 0)
        {
            int x = frame.cols / 2;
            int y = frame.rows / 2;
            int w = 100;
            int h = 100;
            trackWindow = Rect(x - w / 2, y - h / 2, w, h);

            // 提取ROI
            Mat roi(hsv, trackWindow);
            Mat maskroi;
            inRange(roi, Scalar(0, 60, 32), Scalar(180, 255, 255), maskroi);
            Mat hsv_roi(hsv, trackWindow);
            calcHist(&hsv_roi, 1, 0, maskroi, hist, 2, &histSize, &histRange, uniform, accumulate);
            normalize(hist, hist, 0, 255, NORM_MINMAX);
        }

        // 计算反向投影
        calcBackProject(&hsv, 1, 0, hist, backproj, &histRange);
        backproj &= mask;

        // 调用meanshift算法
        meanShift(backproj, trackWindow, termCrit);

        // 在图像中绘制跟踪结果
        rectangle(frame, trackWindow, Scalar(0, 0, 255), 2);

        // 显示图像
        imshow("跟踪结果", frame);

        // 按下ESC键退出
        if (waitKey(1) == 27)
            break;
    }

    return 0;
}

在上述代码中，首先读入视频，并初始化跟踪目标的窗口。然后在循环中，对于每一帧图像，将其转换为HSV颜色空间，并计算目标模型的直方图。接着计算反向投影，并调用meanshift算法进行跟踪。最后在图像中绘制跟踪结果，并进行显示。当按下ESC键时退出程序。

4. 总结

本文介绍了Meanshift跟踪算法的原理和实现方式，以及一个简单的OpenCV C++实现代码。该算法可以用于物体跟踪、目标跟踪等领域，并且具有较高的运行效率。