#include "cv.h"
#include "highgui.h"
#include "stdio.h"
#include <opencv2/legacy/legacy.hpp>
//#pragma comment(lib, "opencv_legacy244.lib")
//*****************************************************
//主函数
//*****************************************************
int main()
{
IplImage* sorce = cvLoadImage( "homework_5-11.jpg" );
if (!sorce)
{
printf( "failed to load %s.\n", "homework_5-11.jpg" );
return -1;
}
IplImage* pyramid = cvCreateImage( cvGetSize(sorce), sorce->depth, sorce->nChannels );
IplImage* erode = cvCreateImage( cvGetSize(sorce), sorce->depth, sorce->nChannels );
IplImage* open = cvCreateImage( cvGetSize(sorce), sorce->depth, sorce->nChannels );
CvSeq* comp = NULL;
CvMemStorage* storage=cvCreateMemStorage(0);
assert( storage!=NULL );
//用金字塔实现图像分割
cvErode( sorce, erode );
cvDilate( erode, open );
cvPyrSegmentation( open, pyramid, storage, &comp, 4, 130, 30 );
cvNamedWindow( "sorce" ,CV_WINDOW_NORMAL );
cvNamedWindow( "pyramid" ,CV_WINDOW_NORMAL );
cvNamedWindow( "erode" ,CV_WINDOW_NORMAL );
cvNamedWindow( "open" ,CV_WINDOW_NORMAL );
cvShowImage( "sorce", sorce );
cvShowImage( "pyramid", pyramid );
cvShowImage( "erode", erode );
cvShowImage( "open", open );
cvWaitKey(0);
cvReleaseImage( &sorce );
cvReleaseImage( &pyramid );
cvReleaseImage( &erode );
cvReleaseImage( &open );
cvDestroyAllWindows();
return 0;
}相关推荐
openCV调用YOLOv5 ONNX模型
导出U版YOLOv5的ONNX模型,openCV直接读取会失败,原因在于Pytorch2ONNX不支持对slice对象赋值,需要更改下列两个地方代码: yolov5/models/common.py class Focus(nn.Module): # Focus wh information into c-space def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel
配置安装OpenCV(4.5.4)+Opencv_contrib(4.5.4)+CUDA(v11.5)
目录配置OpenCV(4.5.4)+Opencv_contrib(4.5.4)+CUDA(v11.5)准备提示安装安装Visual Studio 2019安装CUDA安装CUDNNCMake编译OpenCVVisual Studio编译配置阶段测试参考教程 配置OpenCV(4.5.4)+Opencv_contrib(4.5.4)+CUDA(v11.5) 结合CUDA,OpenCV的性能可以得到约一个数量级的提升。但据我了解,搭配CUDA的OpenCV需要编译阶段就进行安装,无法在完成OpenCV安装后再补
UE5+OpenCV配置(Windows11系统)
因为需要在UE5中使用OpenCV这些工具进行配置,所以在网络上参考借鉴一些资料进行配置。查询到不少的资料,最后将其配置成功。在这里顺便记录一下自己的配置成功的过程。
Ubuntu20下 vscode配置OpenCV 4.5.5
Ubuntu20下 vscode配置OpenCV 4.5.5
【Win11 + VSCode配置OpenCV C++开发环境教程】
Win11系统+VSCode配置OpenCV C++环境配置教程
ubuntu18.04 安装opencv4.5.5
在编译ros的node的时候,碰到了一个错误, /home/project/src/tasks.cpp:361: undefined reference to `cv::imread(std::__cxx11::basic_string<char, std::char_traits<char>, std::allocator<char> > const&, int)' 上网查了一下,说注意上面的那个__cxx11。旧版本编译器编译出来的代码中,不会有这个符号,在
Win11中CMake+VS2022编译OpenCV+OpenCV_Contrib
本文记录了在Win11下,用CMake4.0.0以及VS2022编译OpenCV及OpenCV_Contrib源码,将其生成为opencv_world490.lib/opencv_world490d.lib及opencv_world490.dll/opencv_world490d.dll的过程。
vs2013+Qt5.5.1+opencv2.4.11配置
vs2013+Qt5.5.1+opencv2.4.11配置 一、准备配置 下载并安装vs2013 下载路径: http://pan.baidu.com/s/1i3rralf 下载并安装Qt5.5.1: 下载路径:http://pan.baidu.com/s/1sjnCROp 下载qt-vs-addin-opensource-1.2.3-alpha.exe:
源码编译安装OpenCV4.5+ CUDA11 带python 遇到的错误总结
安装OpenCV4.4+遇到的错误总结fatal error: boostdec_bgm.i: No sub file or directoryfatal error: features2d/test/test_detectors_regression.impl.hpp: No such file or directory解决test_rotation_and_scale_invariance.cpp:7:10: fatal error: features2d/test/test_detectors_inv
Windows11+OpenCV4.5+Qt5.9.1安装教程
先安装Qt->安装cmake->编译opencv-4.5.4->得到opencv的库文件
OpenCV-Python实战(13)——OpenCV与机器学习的碰撞
机器学习是人工智能的子集,它为计算机以及其它具有计算能力的系统提供自动预测或决策的能力,诸如虚拟助理、车牌识别系统、智能推荐系统等机器学习应用程序给我们的日常生活带来了便捷的体验。机器学习的蓬勃发展,得益于以下三个关键因素:1) 海量数据集;2) 算法的快速发展;3) 计算机硬件的发展。在本文中,我们将学习 OpenCV 提供的常见机器学习算法和技术,用于解决计算机视觉项目中的实际问题,例如分类和回归问题。
windows11编译OpenCV4.5.0 with CUDA(附注意事项)
本文记录了是用windows11系统编译带CUDA加速的OpenCV4.5.0的详细过程,以及容易造成失败的注意事项,并提供了依赖库的下载地址和测试解结果。
TeraTerm 使用技巧
⏹TeraTerm 使用技巧
ubuntu20编译opencv4.5.4+opencv_contrib4.5.4记录
ubuntu20编译opencv4.5.4+opencv_contrib4.5.4记录 第一章:更新环境和安装Cmake 1.更新一下 sudo apt-get update sudo apt-get upgrade 2.安装Cmake 下载:Cmake选择linux的 安装 tar -zxvf cmake-3.22.1.tar.gz 先安装ubuntu基础的Cmake(如果本来就有的话就不需要) sudo apt-get install cmake 然后进入解压文件夹下 cd cmake-3.22
服务器测试之GPU基础汇总
GPU英文全称Graphic Processing Unit,中文翻译为“图形处理器”。一个专门的图形核心处理器。GPU是显示卡的“大脑”,决定了该显卡的档次和大部分性能,同时也是2D显示卡和3D显示卡的区别依据。可以形象的理解为90%的ALU(运算单元),5%的Control(控制单元)、5%的Cache(缓存单元)GPU的设计原理——总结为大量的简单运算。
CRISPR筛选全流程指南:从文库构建到数据分析实战
功能基因组学研究需要高效解析基因型与表型的关联,高通量筛选技术是其中的关键工具。基于CRISPR系统的筛选方法通过大规模sgRNA文库扰动基因功能,结合慢病毒递送和测序分析,能够系统鉴定影响细胞增殖、耐药、病毒感染的候选基因。与RNAi或化学小分子筛选相比,CRISPR筛选具有覆盖全基因组、脱靶率低、信号清晰等优势,已广泛应用于药物靶点发现、合成致死和免疫治疗机制研究。本文围绕实验设计与操作中的核心要点展开,涵盖文库扩增、病毒滴度控制、MOI把握、筛选模式选择以及基于MAGeCK的sgRNA丰度分析,并针对
Windows11&Ubuntu18.04安装OpenCV4.5.0&VISP3.5.0
WIndows11&Ubuntu18.04安装OpenCV4.5.0&VISP3.5.0一 Windows11安装OpenCV4.5.0&VISP3.5.01.1 Windows11安装CMake1.2 Windows11安装MinGW1.3 Windows11安装OpenCV4.5.01.4 Windows11安装VISP3.5.0三、参考资料 作为一个视觉算法工程师,OpenCV库 一 Windows11安装OpenCV4.5.0&VISP3.5.0 1.1 Wind
Python爬虫实战:5分钟抓取东方财富股票数据并保存为CSV
在投资分析与量化研究的日常工作中,获取结构化、可用的金融数据往往是第一步。对于个人投资者和量化入门者而言,如何高效获取A股全市场行情,常常面临网页动态加载、反爬机制与数据整理繁琐等挑战。本文从数据采集的基础概念出发,介绍如何利用Python这一通用编程语言,通过requests库请求财经网站公开的HTTP接口,获取返回的JSON数据,再借助pandas进行字段映射、数据清洗与表格化处理。这种方式相比传统页面解析具有响应快、结构稳定、易于批量操作的显著优势,尤其适合构建个人股票数据池、验证选股策略或进行市场情
Windows 11 安装OpenCV 及其学习路线
首先下载库文件,如下图所示,进入,选择Library->Releases,进入Release库文件包下载页面。选择Windows系统的文件下载,点击选择之后会自动开始下载。本案例选择OpenCV-4.8.0版本,下载的文件名为opencv-4.8.0-windows.exe,双击该文件解压也可以右键选择文件,“解压到当前文件夹”,会在当前路径下解压得到文件夹opencv,其中包含两个子文件夹:--build,存放编译的二进制库文件;--sources,存放当前版本的源码。
提示词编程在自动化内容审核中的应用
文章标题 提示词编程在自动化内容审核中的应用 关键词:提示词编程,自动化内容审核,人工智能,算法原理,系统架构设计,项目实战 摘要 本文旨在探讨提示词
电能质量仿真:电能质量改善措施仿真_(12).电能质量改善措施综合仿真案例
假设我们有一个微电网系统,该系统包含分布式电源(如光伏板、风力发电机)、储能设备、负荷和电网连接。电压波动:由于负荷的波动和分布式电源的间歇性输出,系统电压出现了不稳定的情况。谐波污染:非线性负荷和逆变器的运行导致系统中出现了显著的谐波污染。频率偏差:分布式电源的波动和负荷的突变导致系统频率出现了偏差。我们需要通过仿真来评估这些问题的影响,并提出相应的改善措施。
【OpenCV】学习笔记(一):OpenCV4.5.5文件介绍
最近项目需要,需要做视觉相关的处理,所以学习一些关于OpenCV的知识,通过VS2019的MFC开发+OpenCV4来建立上位机对数字图像和视频进行处理。本篇博客主要介绍OpenCV4.5.5的文件系统各个功能,OpenCV实际是一个开源库,所以有必要对其中所有文件的功能进简单介绍,帮助使用者能够更好地调用OpenCV库。...
【OpenFOAM】-olaFlow-算例4- irreg45degTank
不规则波浪模拟
ubuntu22部署c++ 配置opencv4.5.5,opencv_contrib4.5.5,以及opencv下的cuda(cuda11.6,cudnn8.4.1)
哈哈
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Windows 11下TensorRT+ONNX+OpenCV深度学习模型部署实战
深度学习模型部署是计算机视觉领域的关键技术环节,其核心在于将训练好的模型高效运行在目标硬件上。TensorRT作为NVIDIA推出的推理优化器,通过层融合、精度校准和内存优化等技术,能显著提升模型推理速度。结合ONNX的跨框架模型交换能力和OpenCV的图像处理管线,可构建完整的边缘计算解决方案。本文以Windows 11为平台,详细演示如何利用Miniforge3管理Python环境,配置CUDA/cuDNN工具链,并通过TensorRT实现3-5倍的推理加速,特别适用于工业质检、智能安防等需要实时视频分
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案
2万+



被折叠的 条评论
为什么被折叠?



