VLfeat库---研习
官网:http://www.vlfeat.org/index.html
下载后解压
不用管BioID-FaceDatabase-V1.2.zip,那是我下载的数据集
加压后直接打开 vlfeat.sln ,我的是VS2013 发现打不开,ok,我们打开vl
这里是vlfeat的源代码
打开VS2013,新建一个x64的工程,
将vl文件夹,整个文件夹复制到新建的工程下
将vl源代码中所有头文件.h,将全部 右键添加现有项,
这里别忘了,源代码中有一个,
也一定要加上,
接着源文件.c,将全部 右键添加现有项,
这里还是别忘了,源代码中有三个,
也一定要加上,
解释一下
https://stackoverflow.com/questions/1877196/tc-th-files-for-c-program
他们使用这些作为模板并且文件不是直接编译的,而是在设置影响最终结果的#defines之后在相应的.c或.h文件中包含#included。
一个例子是mathop_sse2.c中发生的事情。它们包括相同的mathop_sse2.tc两次,但第一次将FLT定义为VL_TYPE_DOUBLE,第二次定义为VL_TYPE_FLOAT。这样他们就可以避免为不同类型复制完全相同的代码。
=============================
用我们的话理解,就是这个头文件,一般不会被包含,当有#defines预定义时候,或者,添加某些预处理器时候,才可能使用到
完成后,工程样貌
编译会出错,四中类型错误
第一种
error C4996: 'scanf': This function or variable may be unsafe. Consider using scanf_s instead. To disable deprecation, use _CRT_SECURE_NO_WARNINGS. See online help for details.
解决:
要么 设置,C++,预处理器,预处理器定义,加入 _CRT_SECURE_NO_WARNINGS
要么 哪个文件出现了,在那个文件的头,加入警告忽略 #pragma warning( disable : 4996)
要么 哪个文件出现了,在那个文件的头,加入预定义 #define _CRT_SECURE_NO_WARNINGS
要么 在VS中新建项目的时候去掉“安全开发生命周期(SDL)检查”即可将错误转变成警告,使得使用不安全版本也不影响编译和运行,如下图所示。
第二种
error C2491,不允许dllimport函数的定义:
解决:
将宏VL_BUILD_DLL加入到预处理器定义中;
第三种
三个类似的错误,fatal error C1189: #error : "Compiling with SSE2 enabled, …”:
解决:
分别将三个宏 __SSE2__、_SSE2_、__AVX__加入到预处理器定义中;
第四种
六个类似的错误,error C4146 一元负运算符应用于无符号类型,结果仍为无符号类型:
将C/C++--> 常规--> SDL检查改为否(/sdl-)。
这里还有一点问题,将我们新建的这个工程,改为动态库.dll
调试库信息加上,但不生成,因为Release下不太需要这个,所以改为了否
然后,分别在Debug和Release点击生成,此时就可以看到
最后自己整理一下,新建文件夹,里面有三个子文件夹,bin,lib,include
最后说几句,如果你要跑vlfeat的例子,mser这个例子中,有个错误,
C++: malloc : error: invalid conversion from ‘void*’ to ‘uint8_t*’
vl_int8 buffer;
buffer = malloc(numBytes);
vl_int8 buffer;
buffer = (vl_int8 *)malloc(numBytes);
最后最后,关于vlfeat的c接口的使用,其实就是与opencv对接,用opencv的读取和显示功能,其他,全部是vlfeat
// OpenCV can be used to read images.
#include <opencv2/opencv.hpp>// The VLFeat header files need to be declared external.
extern "C" {#include "vl/generic.h"#include "vl/slic.h"
}int main() {// Read the Lenna image. The matrix 'mat' will have 3 8 bit channels// corresponding to BGR color space.cv::Mat mat = cv::imread("Lenna.png", CV_LOAD_IMAGE_COLOR);// Convert image to one-dimensional array.float* image = new float[mat.rows*mat.cols*mat.channels()];for (int i = 0; i < mat.rows; ++i) {for (int j = 0; j < mat.cols; ++j) {// Assuming three channels ...image[j + mat.cols*i + mat.cols*mat.rows*0] = mat.at<cv::Vec3b>(i, j)[0];image[j + mat.cols*i + mat.cols*mat.rows*1] = mat.at<cv::Vec3b>(i, j)[1];image[j + mat.cols*i + mat.cols*mat.rows*2] = mat.at<cv::Vec3b>(i, j)[2];}}// The algorithm will store the final segmentation in a one-dimensional array.vl_uint32* segmentation = new vl_uint32[mat.rows*mat.cols];vl_size height = mat.rows;vl_size width = mat.cols;vl_size channels = mat.channels();// The region size defines the number of superpixels obtained.// Regularization describes a trade-off between the color term and the// spatial term.vl_size region = 30; float regularization = 1000.;vl_size minRegion = 10;vl_slic_segment(segmentation, image, width, height, channels, region, regularization, minRegion);// Convert segmentation.int** labels = new int*[mat.rows];for (int i = 0; i < mat.rows; ++i) {labels[i] = new int[mat.cols];for (int j = 0; j < mat.cols; ++j) {labels[i][j] = (int) segmentation[j + mat.cols*i];}}// Compute a contour image: this actually colors every border pixel// red such that we get relatively thick contours.int label = 0;int labelTop = -1;int labelBottom = -1;int labelLeft = -1;int labelRight = -1;for (int i = 0; i < mat.rows; i++) {for (int j = 0; j < mat.cols; j++) {label = labels[i][j];labelTop = label;if (i > 0) {labelTop = labels[i - 1][j];}labelBottom = label;if (i < mat.rows - 1) {labelBottom = labels[i + 1][j];}labelLeft = label;if (j > 0) {labelLeft = labels[i][j - 1];}labelRight = label;if (j < mat.cols - 1) {labelRight = labels[i][j + 1];}if (label != labelTop || label != labelBottom || label!= labelLeft || label != labelRight) {mat.at<cv::Vec3b>(i, j)[0] = 0;mat.at<cv::Vec3b>(i, j)[1] = 0;mat.at<cv::Vec3b>(i, j)[2] = 255;}}}// Save the contour image.cv::imwrite("Lenna_contours.png", mat);return 0;
}
哈哈哈哈哈哈,最后最后最后,再废话一句,别嫌我唠叨,为什么要pdb,如果没有pdb,我们Debug,只能停在函数那里
如果你加上了pdb,程序跑起来,dll和lib,会自动加载pdb,Debug调试的时候,可以跳进函数内部,比如单步调试
函数内部信息,一览无余,这样,你可以快速的学习VLfeat的每一个函数
// OpenCV can be used to read images.
#include <opencv2/opencv.hpp>// The VLFeat header files need to be declared external.
extern "C" { //告诉编译器,这部分代码按C语言的格式进行编译,而不是C++的
#include "vl/generic.h"
#include "vl/slic.h"
}int main() {// Read the Lenna image. The matrix 'mat' will have 3 8 bit channels// corresponding to BGR color space.cv::Mat mat = cv::imread("img1.ppm", CV_LOAD_IMAGE_COLOR);// BGR// Convert image to one-dimensional array.// 将图像转换为一维数组。float* image = new float[mat.rows*mat.cols*mat.channels()];for (int i = 0; i < mat.rows; ++i) {for (int j = 0; j < mat.cols; ++j) {// Assuming three channels ...image[j + mat.cols*i + mat.cols*mat.rows * 0] = mat.at<cv::Vec3b>(i, j)[0];image[j + mat.cols*i + mat.cols*mat.rows * 1] = mat.at<cv::Vec3b>(i, j)[1];image[j + mat.cols*i + mat.cols*mat.rows * 2] = mat.at<cv::Vec3b>(i, j)[2];}}// The algorithm will store the final segmentation in a one-dimensional array.// 算法将最终分段存储在一维数组中vl_uint32* segmentation = new vl_uint32[mat.rows*mat.cols];vl_size height = mat.rows;vl_size width = mat.cols;vl_size channels = mat.channels();// The region size defines the number of superpixels obtained.// Regularization describes a trade-off between the color term and the// spatial term.//区域大小定义了获得的超像素的数量。//正则化描述了颜色术语和空间术语之间的权衡。vl_size region = 30;float regularization = 1000.;vl_size minRegion = 10;vl_slic_segment(segmentation, image, width, height, channels, region, regularization, minRegion);// Convert segmentation. 按行走,一行一行的遍历,把segmentation 划分成 labels[i][j] 图像定位格式// 转换 segmentationint maxlabels= 0;int** labels = new int*[mat.rows]; //行for (int i = 0; i < mat.rows; ++i) {labels[i] = new int[mat.cols]; // 列for (int j = 0; j < mat.cols; ++j) {labels[i][j] = (int)segmentation[j + mat.cols*i];if (labels[i][j]> maxlabels){maxlabels = labels[i][j];}}}/* opencv与二维数组相互转换 */// labels[m][n] 二维数组-m代表行,n代表列cv::Mat opencv_labels = cv::Mat::ones(mat.rows, mat.cols, CV_32S);cv::Mat new_opencv_labels;new_opencv_labels.create(opencv_labels.rows, opencv_labels.cols, CV_64F);int *ptmp = NULL;double *new_ptmp = NULL;int opencv_tmp = 0;for (int m = 0; m < opencv_labels.rows; m++){ptmp = opencv_labels.ptr<int>(m);//指针指向img2的第i行new_ptmp = new_opencv_labels.ptr<double>(m);for (int n = 0; n < opencv_labels.cols; n++){//ptr[i][j] = mat.at<uchar>(i, j);//img的矩阵数据传给二维数组ptr[][]opencv_tmp = labels[m][n];ptmp[n] = opencv_tmp;//二维数组数据传给img2的第i行第j列new_ptmp[n] = ((double)opencv_tmp / (double)maxlabels) * (double)255;}}cv::Mat uchar_img;uchar_img.create(opencv_labels.rows, opencv_labels.cols, CV_8UC1);new_opencv_labels.convertTo(uchar_img, CV_8UC1); // or CV_32F works (too)cv::imshow("Lenna", uchar_img); // 感受一下分割// Compute a contour image: this actually colors every border pixel// red such that we get relatively thick contours.// 计算轮廓图像:这实际上会为每个边框像素着色// 红色使得我们得到相对较厚的轮廓。int label = 0;int labelTop = -1;int labelBottom = -1;int labelLeft = -1;int labelRight = -1;for (int i = 0; i < mat.rows; i++) {for (int j = 0; j < mat.cols; j++) {label = labels[i][j];labelTop = label;if (i > 0) {labelTop = labels[i - 1][j];}labelBottom = label;if (i < mat.rows - 1) {labelBottom = labels[i + 1][j];}labelLeft = label;if (j > 0) {labelLeft = labels[i][j - 1];}labelRight = label;if (j < mat.cols - 1) {labelRight = labels[i][j + 1];}if (label != labelTop || label != labelBottom || label != labelLeft || label != labelRight) {mat.at<cv::Vec3b>(i, j)[0] = 0;mat.at<cv::Vec3b>(i, j)[1] = 0;mat.at<cv::Vec3b>(i, j)[2] = 255;}}}cv::imshow("Lenna_contours", mat);// Save the contour image.cv::imwrite("Lenna_contours.png", mat);cv::waitKey();return 0;
}
VLfeat库---研习相关推荐
- 用VLFeat库进行k-means聚类(C++ 实现)
原博文链接:http://www.cnblogs.com/smyb000/archive/2012/08/28/k-means_cluster_via_vlfeat.html ...
- VLFeat库中加extern “C“
使用VLFeat的时候官网有这么一句话,VLFeat是C的库,想要在C++中使用它就要加上extern "C" 如下: extern "C" { #includ ...
- Visual Studio配置VLFeat库(一次配置,永久生效)
一.打开VS,新建一个项目 二.打开VS,选择[视图]-[其他窗口]-[属性管理器] 在Debug | Win32下方的Microsoft.cpp.win32上右键单击-[属性],弹出属性对话框 三. ...
- matlab安装配置VLFeat库
一.下载VLFeat的binary包: VLFeat 0.9.20 binary package(点击下载) 下载得到vlfeat-0.9.20-bin.tar文件 二.解压vlfeat-0.9.20 ...
- 记录一下vlfeat视觉库配置
vlfeat视觉库有两种配置方式,就像opencv一样,可以直接下载使用,也可以源码编译,下面记录一下直接下载并配置的方式 vlfeat库的GitHub地址: GitHub - vlfeat/vlfe ...
- VLFeat开源库初体验
由于一门课的课后大作业发现了vlfeat这个库,也遇到了一点小问题,所以记录下来. 1.下载VLFeat库文件 直接官网就有 http://www.vlfeat.org/download/vlfeat ...
- matlab和vlfeat关联,VLFeat在matlab和vs中安装
转:http://blog.csdn.net/u011718701/article/details/51452011 博主最近用vlfeat库做课题,网上搜索使用方法,一大片都会告诉你说:run(/v ...
- 图像特征检测(Image Feature Detection)
图像特征提取是计算机视觉和图像处理中的一个概念.它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征.本文主要探讨如何提取图像中的"角点"这一特征,及其相关的内容. ...
- ubuntu20.04安装matlab2018b
(解决python中调用matlab.engines版本不兼容问题) sudo mkdir /matlab sudo mount -t auto -o loop /media/supermicro-3 ...
- A-KAZE论文研读
AKAZE是KAZE的加速版本.KAZE在构建非线性空间的过程中很耗时,在AKAZE中将Fast Explicit Diffusion(FED)加入到金字塔框架可以dramatically speed ...
最新文章
- 庖丁解牛迭代器,聊聊那些藏在幕后的秘密
- 链表-回文链表(复制+双指针法)
- 查看linux服务器硬盘IO读写负载
- Openstack Tempest测试入门
- 计算机网络知识点3——数据交换(报文交换、分组交换)
- 一个震撼的交互型3D可视化R包 - 可直接转ggplot2图为3D
- 弱电施工流程及规范(二)
- 从Word2Vec到Bert,聊聊词向量的前世今生(一)
- 常见的目标检测中的背景建模方法漫谈
- 使用python可以实现科学计算吗_使用Python进行科学计算:NumPy入门
- 中标麒麟服务器中安装达梦数据库(DM7)的具体步骤
- 北理珠计算机学院学生会,梦回北理
- 保研心得(华东师范、东南和浙软)
- 数字孪生 软著登记表 模板
- 三张简图搞懂GBDT
- 专精特新企业认定条件
- python定义一个人类_Python类和人类
- 一天一道CTF 第六天
- 二叉树的递归遍历及非递归遍历
- 总结十二:管理经验法则和名言
热门文章
- 如何快速解决或避免EDI系统磁盘空间不足?
- 编程语言c语言vb,c语言和vb语言哪个比较简单
- 图文教程使用一套键鼠控制两台电脑
- 史上最强的下载器,没有之一
- [译] iOS 11:机器学习人人有份
- PS中预设画笔并为路径描边
- 笔试遇到的rgba转16进制,但透明度不需要加到里面
- 公众号H5运营如何激发用户的打开H5商城欲望?
- 【金万维】天联高级版的管理员帐号和密码忘记
- ojdbc6报红以及nested exception is org.hibernate.service.spi.ServiceException: 已解决