需要找出白色中心点

第一想到的肯定就是for for 了，然而效率太低，320*240迭代下来花费10ms。优点效果好，稳定在目标物的中心。

优化的方法：

1、在不丢失目标的情况下缩小图像进行扫描

2、内循环根据因子迭代，不满足则下一层。也就是在行扫描的时候，如果满足则条件设为后一个像素，不满足则进行下一行扫描。（问题：如果目标区域不连续，该行扫描不完就跳出了）

#传统扫描 :耗时10ms  约占总时间1/3，显然很浪费。优点：在图像处理算法准确的时候坐标精确
#优化方式：1、在不丢失目标的情况下缩小图像进行扫描  2、内循环根据因子迭代，不满足则下一层
def get_Target_Location(image):size = image.shape#print sizeh = size[0]w = size[1]num_x = 0num_y = 0x=0y=0num = 0#tt = cv2.getTickCount()for i in range(w):for j in range(h):if image.item(j,i) & 255:                   #(x,y) = (j,i)num_x += inum_y += jnum += 1if num > 0:x = int(num_x/num)y = int(num_y/num)#print  (cv2.getTickCount() - tt)/cv2.getTickFrequency()   #  传统扫描:耗时10ms  约占总时间1/3，显然很浪费。优点：在图像处理算法准确的时候坐标精确return x,y,num

第二种方法，粗略扫描（两点法），从左上角开始扫描，也是一行一行的扫描，当发现有满足的像素时，跳出并记录该点的x。继续在该行从行最大扫描到记录的x点，发现有满足的即结束循环。算出两次记录的平均值，即为目标中点。若找y，则一列一列的扫描，记录两次y算中点。 耗时： 0.5 - 2ms

问题：1、目标物对称才好确定。 2、两点波动性大。 3、区域不连续仍然不好确定

def get_mid_x(image):size = image.shapeh = size[0]w = size[1]flag_back = 0x = 0y = 0ttt = cv2.getTickCount()for i in range(0,h,3):for j in range(w):if image.item(i, j) & 255:flag_back = 1y = ix = jbreakif flag_back:breakfor k in range(w,x):if image.item(y, k) & 255:x = (k+x)/2return  x,y,1print  (cv2.getTickCount() - ttt)/cv2.getTickFrequency()              # 粗略扫描2:耗时  0.5 - 2ms 缺点：目标较近时，波动大return x, y, 0def get_mid_y(image):                   #不需要找y了size = image.shapeh = size[0]w = size[1]flag_back = 0x = 0y = 0ttt = cv2.getTickCount()for i in range(0,w,3):for j in range(h):if image.item(j, i) & 255:flag_back = 1y = jx = ibreakif flag_back:breakfor k in range(h,y):if image.item(k, x) & 255:y = (k+y)/2return  x,y,1print  (cv2.getTickCount() - ttt)/cv2.getTickFrequency()              # 粗略扫描:耗时  0.5 - 2ms 缺点：目标较近时，波动大return x, y, 0

结合上两种，只找第一点，然后根据自己的需要（我所需要的是x），进行该行扫描，扫描完成后判断该行满足要求像素多少，若数量达到要求则完成，否则继续扫描下一行直到该行目标像素满足要求。最后取均值得出x的中点。耗时 1 - 3ms..该方法解决了两点不稳定性，并且有效缩短了时间。但所制定的满足要求像素的数量需要确定好。
增加Y轴的值，即得出目标物的长和宽。在第k行找到x后，从图像最下面的x坐标（x，height）开始扫描，到我们得到x的坐标的点（x，k），如果找到满足目标的像素值（255）则跳出循环，中间的则为高度。称之为十字扫描法（效果不错）。

def get_mid_X(image, min_p):size = image.shapeh = size[0]w = size[1]flag_back = 0sum_x = 0num = 0x = 0y = 0y_num = 0# tt = cv2.getTickCount()for i in range(0, h, 3):for j in range(w):if image.item(i, j) & 255:sum_x += jnum += 1else:if num > min_p:breakif num > min_p:x = int(sum_x / num)y = ibreakif x > 0:for k in range(1, h - y):if image.item(h - k, x) & 255:y_num = h - k - ybreak# print  (cv2.getTickCount() - ttt)/cv2.getTickFrequency()              # 粗略扫描1:耗时  2ms左右 缺点：目标较近时，波动大# print  numreturn x, y, y_num

效果图：分别对应三种。图二即使加了高斯滤波抖动还是比较大

代码链接（包括树莓派端实现的自动寻灯小车代码）

Opencv学习记录(三) —— 得到图像中目标物坐标的简单处理算法（望指正与补充）相关推荐

OpenCV学习记录三（傅里叶逆变换原理及实现）
为什么要在频率域研究图像增强? 利用频率成分和图像外表之间的对应关系.滤波在频率域更为直观,它可以解释空间域滤波的某些性质.可以在频率域指定滤波器,做反变换,然后在空间域使用结果滤波器作为空间域滤波器 ...
《OpenCv视觉之眼》Python图像处理十六:Opencv图像处理实战一之图像中的硬币检测
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
图像中目标的绝对位置信息(2)--Global Pooling, More than Meets the Eye: Position Information is Encoded Channel-
关于偶数卷积核和padding的副作用可以参考这个博客. 首先,本文是翻译了 ICCV 2021的一篇文章:Global Pooling, More than Meets the Eye: Posit ...
使用Python，OpenCV，K-Means聚类查找图像中最主要的颜色
Python,OpenCV,K-Means聚类查找图像中最主要的颜色 1. K-Means是什么? 2. 步骤 3. 效果图 4. 源代码参考对于肉眼来说,从一幅图中识别出主要颜色很容易.那怎么用 ...
MySQL学习记录 (三) ----- SQL数据定义语句(DDL)
相关文章: <MySQL学习记录 (一) ----- 有关数据库的基本概念和MySQL常用命令> <MySQL学习记录 (二) ----- SQL数据查询语句(DQL)> &l ...
Kafka学习记录(三)——Broker
Kafka学习记录(三)--Broker 目录 Kafka学习记录(三)--Broker 对应课程 Zookeeper存储的Kafka信息 Broker总体工作流程 Broker的服役和退役 Kafk ...
使用Python，OpenCV和Hough圆检测图像中的圆
使用Python,OpenCV和Hough圆检测图像中的圆 1. 效果图 2. cv2.HoughCircles(image, method, dp, minDist) 3. 源码参考前几篇博客中 ...
OpenCV演示代码以查找图像中的轮廓(附完整代码)
OpenCV演示代码以查找图像中的轮廓 OpenCV演示代码以查找图像中的轮廓 OpenCV演示代码以查找图像中的轮廓 #include "opencv2/imgcodecs.hpp&quo ...
css学习记录三：文本属性
css学习记录三:CSS文本属性一.文本属性的作用二.文本颜色三.文本对齐四.装饰文本五.文本缩进六.行间距一.文本属性的作用 CSSS Text(文本)属性可定义文本的外观,比如文本的 ...

Opencv学习记录(三) —— 得到图像中目标物坐标的简单处理算法（望指正与补充）

先描述一下使用场景：

我要识别一个红灯，已经把目标准确的提取出来了，二值图像中白色为目标物，现在要算出二值图中的白色像素点的坐标。因为之后需要移植到树莓派，所以需要高效的方法。

需要找出白色中心点

**第一想到的肯定就是for for 了，然而效率太低，320*240迭代下来花费10ms。优点效果好，稳定在目标物的中心**。

优化的方法：

1、在不丢失目标的情况下缩小图像进行扫描

2、内循环根据因子迭代，不满足则下一层。也就是在行扫描的时候，如果满足则条件设为后一个像素，不满足则进行下一行扫描。（问题：如果目标区域不连续，该行扫描不完就跳出了）

问题：1、目标物对称才好确定。 2、两点波动性大。 3、区域不连续仍然不好确定

Opencv学习记录(三) —— 得到图像中目标物坐标的简单处理算法（望指正与补充）相关推荐

最新文章

热门文章

Opencv学习记录(三) —— 得到图像中目标物坐标的简单处理算法（望指正与补充）

先描述一下使用场景：

我要识别一个红灯，已经把目标准确的提取出来了，二值图像中白色为目标物，现在要算出二值图中的白色像素点的坐标。因为之后需要移植到树莓派，所以需要高效的方法。

需要找出白色中心点

第一想到的肯定就是for for 了，然而效率太低，320*240迭代下来花费10ms。优点效果好，稳定在目标物的中心。

优化的方法：

1、在不丢失目标的情况下缩小图像进行扫描

2、内循环根据因子迭代，不满足则下一层。也就是在行扫描的时候，如果满足则条件设为后一个像素，不满足则进行下一行扫描。（问题：如果目标区域不连续，该行扫描不完就跳出了）

问题：1、目标物对称才好确定。 2、两点波动性大 。 3、区域不连续仍然不好确定

Opencv学习记录(三) —— 得到图像中目标物坐标的简单处理算法（望指正与补充）相关推荐

最新文章

热门文章

**第一想到的肯定就是for for 了，然而效率太低，320*240迭代下来花费10ms。优点效果好，稳定在目标物的中心**。

问题：1、目标物对称才好确定。 2、两点波动性大。 3、区域不连续仍然不好确定