OpenGL在VC中绘制圆形的基础教程

版权申诉
0 下载量 60 浏览量 更新于2024-10-22 收藏 112KB RAR 举报
资源摘要信息: "本资源包中包含了一个名为 'Img_circle.rar_img_circle' 的压缩文件，该文件包含了一个专门用于图像处理的源代码示例。通过深入分析这个代码，可以学习到如何在使用 VC（Visual C++）开发环境中应用 OpenGL（开放图形库）来绘制圆形。这个示例是面向对象编程（OOP）的一个应用，通过它可以帮助开发者掌握在VC中使用OpenGL进行基本图形绘制的核心概念和技术细节。 标题 'Img_circle.rar_img_circle' 表明这个文件专注于图像处理，并且将焦点放在了如何利用OpenGL来绘制圆这一特定的图形上。标题中的 'rar' 可能意味着这是一个压缩文件，而 '_img_circle' 则明确指出了文件的主题是图像中的圆形处理。这暗示了在编程实践中，使用OpenGL进行图形绘制的实用性和重要性。 在描述中提到的 'oopengl' 是 'OpenGL' 的拼写错误，应该是 'OpenGL'，这是一个跨语言、跨平台的编程接口，用于渲染2D和3D矢量图形。'vc' 指的是 Microsoft Visual C++，这是一个广泛使用的集成开发环境（IDE），支持C和C++程序的开发。在这个描述中，'通过该代码可以了解OpenGL在VC中画圆的基本知识' 表明了资源中的代码是一个教学示例，目的是教育用户如何使用OpenGL在Visual C++环境下绘制圆形。 由于文件中还包含了 '***.txt' 和 'c11' 这两个文件名，它们可能是指向其他资源或相关文档的链接和代码实现细节。'***.txt' 文件可能是一个文本文件，包含了指向PUDN（一个程序员资源下载网站）的链接，用户可以通过这个链接下载更多相关资源。'c11' 则可能是一个C语言的源代码文件，这里的 '11' 似乎是对C11标准的指代，这表明该代码文件遵循C语言的最新标准，即C11标准。C11是2011年发布的一个标准，提供了新的语言特性和库函数。 从标题和描述中可以推断出，这个压缩文件包含了教学用的源代码，展示了在VC中使用OpenGL绘制圆形的编程技巧。这个资源对于想要学习OpenGL在VC环境中的应用，特别是对于图像处理感兴趣的程序员来说非常有价值。此外，了解和学习OpenGL的使用也是图形编程领域一个非常重要的技能点。"

OpenStack M版一键安装工具包详细指南

点击了解资源详情
CirrOS（Circle Operating System）是一个轻量级的 Linux 发行版，专为云计算设计。它通常用于 OpenStack 中的实例启动测试，因为它体积小，启动快，便于在云环境中进行演示和开发。 2. local_settings: 这是一个...

Python3使用Dlib19.7进行人脸68特征点标定

点击了解资源详情
cv2.circle(img, (x, y), 2, (0, 0, 255), -1) cv2.putText(img, str(i + 1), (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2) # 显示图像 cv2.imshow("68 Landmarks", img) cv2.waitKey(0) cv2....

OpenCV绘制圆形与正弦曲线教程

点击了解资源详情
资源摘要信息:"openCV-draw-circle.rar_正弦 opencv" 知识点概述: 本资源涉及的是OpenCV库在计算机视觉和图像处理方面的应用。OpenCV是一个开源的计算机视觉和机器学习软件库，提供了很多常用的图像处理和分析功能...

TestOpencv_C.rar

2020-10-16 上传
Cv2.Circle(img, new Point((int)circle.X, (int)circle.Y), (int)circle.Radius, Scalar.Red, 2); } // 显示结果 Cv2.ImShow("Result", img); Cv2.WaitKey(); ``` 这个例子展示了如何使用OpenCVSharp实现一个...

ImageMapControl_Source.rar

2021-10-26 上传
ImageMapControl_Source.rar这个压缩包文件显然包含了一个用于实现这一功能的源代码或组件。让我们深入探讨一下这个话题。 首先，"图片热点"是指在图像上定义的可交互区域，这些区域通常被称为“热区”（Hotspots）...

mat_mask.rar_opencv mask_图像 掩码 musk

2022-09-24 上传
之后，我们可以创建一个掩码，例如一个圆形掩码，用`cv2.circle()`函数绘制在一个新的黑色图像上，然后使用这个掩码来操作原图像。 遍历图像的像素点是图像处理中的基础操作。在Python中，我们可以使用双重循环来...

修改此代码使其可重复运行import pygame import sys from pygame.locals import * from robomaster import * import cv2 import numpy as np focal_length = 750 # 焦距 known_radius = 2 # 已知球的半径 def calculate_distance(focal_length, known_radius, perceived_radius): distance = (known_radius * focal_length) / perceived_radius return distance def show_video(ep_robot, screen): 获取机器人第一视角图像帧 img = ep_robot.camera.read_cv2_image(strategy="newest") 转换图像格式，转换为pygame的surface对象 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.transpose(img) # 行列互换 img = pygame.surfarray.make_surface(img) screen.blit(img, (0, 0)) # 绘制图像 def detect_white_circle(ep_robot): 获取机器人第一视角图像帧 img = ep_robot.camera.read_cv2_image(strategy="newest") 转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 进行中值滤波处理 gray = cv2.medianBlur(gray, 5) 检测圆形轮廓 circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 50, param1=160, param2=40, minRadius=5, maxRadius=60) if circles is not None: circles = np.uint16(np.around(circles)) for circle in circles[0, :]: center = (circle[0], circle[1]) known_radius = circle 在图像上绘制圆形轮廓 cv2.circle(img, center, known_radius, (0, 255, 0), 2) 显示图像 distance = calculate_distance(focal_length, known_radius, known_radius) 在图像上绘制圆和距离 cv2.circle(img, center, known_radius, (0, 255, 0), 2) cv2.putText(img, f"Distance: {distance:.2f} cm", (center[0] - known_radius, center[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imshow("White Circle Detection", img) cv2.waitKey(1) def main(): pygame.init() screen_size = width, height = 1280, 720 screen = pygame.display.set_mode(screen_size) ep_robot = robot.Robot() ep_robot.initialize(conn_type='ap') version = ep_robot.get_version() print("Robot version: {0}".format(version)) ep_robot.camera.start_video_stream(display=False) pygame.time.wait(100) clock = pygame.time.Clock() while True: clock.tick(5) # 将帧数设置为25帧 for event in pygame.event.get(): if event.type == QUIT: ep_robot.close() pygame.quit() sys.exit() show_video(ep_robot, screen) detect_white_circle(ep_robot) if name == 'main': main()

2023-07-13 上传
def detect_white_circle(ep_robot): # 获取机器人第一视角图像帧 img = ep_robot.camera.read_cv2_image(strategy="newest") # 转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 进行中值...

import torch, os, cv2 from model.model import parsingNet from utils.common import merge_config from utils.dist_utils import dist_print import torch import scipy.special, tqdm import numpy as np import torchvision.transforms as transforms from data.dataset import LaneTestDataset from data.constant import culane_row_anchor, tusimple_row_anchor if __name__ == "__main__": torch.backends.cudnn.benchmark = True args, cfg = merge_config() dist_print('start testing...') assert cfg.backbone in ['18','34','50','101','152','50next','101next','50wide','101wide'] if cfg.dataset == 'CULane': cls_num_per_lane = 18 elif cfg.dataset == 'Tusimple': cls_num_per_lane = 56 else: raise NotImplementedError net = parsingNet(pretrained = False, backbone=cfg.backbone,cls_dim = (cfg.griding_num+1,cls_num_per_lane,4), use_aux=False).cuda() # we dont need auxiliary segmentation in testing state_dict = torch.load(cfg.test_model, map_location='cpu')['model'] compatible_state_dict = {} for k, v in state_dict.items(): if 'module.' in k: compatible_state_dict[k[7:]] = v else: compatible_state_dict[k] = v net.load_state_dict(compatible_state_dict, strict=False) net.eval() img_transforms = transforms.Compose([ transforms.Resize((288, 800)), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)), ]) if cfg.dataset == 'CULane': splits = ['test0_normal.txt', 'test1_crowd.txt', 'test2_hlight.txt', 'test3_shadow.txt', 'test4_noline.txt', 'test5_arrow.txt', 'test6_curve.txt', 'test7_cross.txt', 'test8_night.txt'] datasets = [LaneTestDataset(cfg.data_root,os.path.join(cfg.data_root, 'list/test_split/'+split),img_transform = img_transforms) for split in splits] img_w, img_h = 1640, 590 row_anchor = culane_row_anchor elif cfg.dataset == 'Tusimple': splits = ['test.txt'] datasets = [LaneTestDataset(cfg.data_root,os.path.join(cfg.data_root, split),img_transform = img_transforms) for split in splits] img_w, img_h = 1280, 720 row_anchor = tusimple_row_anchor else: raise NotImplementedError for split, dataset in zip(splits, datasets): loader = torch.utils.data.DataLoader(dataset, batch_size=1, shuffle = False, num_workers=1) fourcc = cv2.VideoWriter_fourcc(*'MJPG') print(split[:-3]+'avi') vout = cv2.VideoWriter(split[:-3]+'avi', fourcc , 30.0, (img_w, img_h)) for i, data in enumerate(tqdm.tqdm(loader)): imgs, names = data imgs = imgs.cuda() with torch.no_grad(): out = net(imgs) col_sample = np.linspace(0, 800 - 1, cfg.griding_num) col_sample_w = col_sample[1] - col_sample[0] out_j = out[0].data.cpu().numpy() out_j = out_j[:, ::-1, :] prob = scipy.special.softmax(out_j[:-1, :, :], axis=0) idx = np.arange(cfg.griding_num) + 1 idx = idx.reshape(-1, 1, 1) loc = np.sum(prob * idx, axis=0) out_j = np.argmax(out_j, axis=0) loc[out_j == cfg.griding_num] = 0 out_j = loc # import pdb; pdb.set_trace() vis = cv2.imread(os.path.join(cfg.data_root,names[0])) for i in range(out_j.shape[1]): if np.sum(out_j[:, i] != 0) > 2: for k in range(out_j.shape[0]): if out_j[k, i] > 0: ppp = (int(out_j[k, i] * col_sample_w * img_w / 800) - 1, int(img_h * (row_anchor[cls_num_per_lane-1-k]/288)) - 1 ) cv2.circle(vis,ppp,5,(0,255,0),-1) vout.write(vis) vout.release()

2023-04-23 上传
这段代码使用了PyTorch、OpenCV等库，从模型模块中导入了parsingNet模型，从常用工具模块中导入了merge_config和dist_print等函数。代码还使用了LaneTestDataset数据集和culane_row_anchor、tusimple_row_anchor常量...

# 根据每个轮廓的类型, 找到对应的焊缝轨迹 paths = [] self.welding_pts_3d = [] for k, info in enumerate(contours_info): c_type = info["type"] shape, path, pts_3d, end_point_2d = self.FindTypePath(pm, info) if path is None: vision_log.error(f"no path in {k} contour") img_show = cv2.drawContours( img_show, [info["box"].astype(int)], 0, (0, 0, 0), 5) continue for end_2d in end_point_2d: cv2.circle(img_show, tuple(end_2d.astype( np.int32).tolist()), 5, (0, 0, 0), 5) img_show = cv2.drawContours( img_show, [info["box"].astype(int)], 0, (255, 0, 0), 2) path_info = {} path_info["type"] = info["type"].value path_info['shape'] = shape path_info["path"] = path path_info["pts_3d"] = pts_3d.tolist() paths.append(path_info)

2023-06-13 上传
否则，遍历终点坐标end_point_2d，并将其用黑色圆圈绘制在img_show数组中，将该轮廓的矩形框用蓝色绘制在img_show数组中。 最后，将该轮廓的类型、形状、轨迹和三维点集等信息保存在path_info字典中，并将其添加到...

openCV-draw-circle.rar_正弦 opencv

2022-09-23 上传
标题中的"openCV-draw-circle.rar_正弦 opencv"表明这是一个关于使用OpenCV库在Python中绘制圆形和正弦曲线的教程。OpenCV（开源计算机视觉库）是一个强大的图像处理和计算机视觉库，广泛应用于图像分析、图像识别...
寒泊
  • 粉丝: 86
  • 资源: 1万+
上传资源 快速赚钱

最新资源