Atitit 颜色平均值cloor grb hsv模式的区别对比

Atitit 颜色平均值cloor grb hsv模式的区别对比

 

使用hsv模式平均后会变得更加的靓丽一些。。2

 

 

public class imgT {

 

public static void main(String[] args) {

Color c = new Color(100, 250, 55);

Color c2 = new Color(69, 176, 216);

List<Color> li_c = Lists.newArrayList();

li_c.add(c);

li_c.add(c2);

Color c_avg = ColorUtil.avgClr_byLiClr(li_c);

 

HSV h = ColorUtil.rgb2hsv(c.getRGB());

HSV h2 = ColorUtil.rgb2hsv(c2.getRGB());

List<HSV> li_h = Lists.newArrayList();

li_h.add(h);

li_h.add(h2);

HSV h_avg = ColorUtil.avgHsv(li_h);

 

 Color h2c=ColorUtil.HSVtoRGBColorV2(h_avg);

System.out.println(c_avg);

System.out.println(h_avg);

System.out.println(h2c);

 

}java.awt.Color[r=84,g=213,b=135]

{

"h":151,

"s":0.7302778,

"v":0.9137255,

"x":0,

"y":0

}

java.awt.Color[r=63,g=233,b=151]

 

 

 

 

使用hsv模式平均后会变得更加的靓丽一些。。

/AtiPlatf_cms/src/com/attilax/img/other/ColorUtil.java

public static Color avgClr_byLiClr(List<Color> li_c) {

int r_sum = 0;int g = 0;int b = 0;

//Color cl = null;

for (Color c1 : li_c) {

 

r_sum=c1.getRed()+r_sum;

g=c1.getGreen()+g;

b=c1.getBlue()+b;

}

int len=li_c.size();

int avg_r=r_sum/len;

int avr_g=g/len;

int avr_b=b/len;

//int rgb = .getRGB();

return  new Color(avg_r, avr_g, avr_b);

//return avgClr(ca);

}

 

作者:: 绰号:老哇的爪子 ( 全名::Attilax Akbar Al Rapanui 阿提拉克斯 阿克巴 阿尔 拉帕努伊 ) 

汉字名:艾提拉(艾龙)   EMAIL:1466519819@qq.com

转载请注明来源: http://blog.youkuaiyun.com/attilax

Atiend

 

 

运行代码后十字标一直位于蓝色圆形色块的左上方,应当如何调节参数使十字标位于色块中心且保持稳定,关键代码如下: while(True): clock.tick() img=sensor.snapshot().gamma_corr(gamma = 0.5, contrast = 1.0, brightness = 0.0) img.gaussian(3) img.erode(1) blob_X=Kalman() blob_Y=Kalman() tag_cx_1=160 tag_cy_1=120 blobs_3 = img.find_blobs([(4, 70, 2, 52, -82, -10)],merge=True)#蓝色 for blob in blobs_3: if blob.roundness()>0.7 and blob.pixels()>100: current_time = rtc.datetime() dT = (current_time[6]*1e6 + current_time[7]) - (blob_X.last_time[6]*1e6 + blob_X.last_time[7]) dT = max(dT / 1e6, 0.01) # 转换为秒并限制最小值 vx=(blob[0]-tag_cx_1)/dT blob_X_est,blob_VX_est=blob_X.Kalman_filter(Vector(blob[0],vx)) vy=(blob[1]-tag_cy_1)/dT blob_Y_est,blob_VY_est=blob_Y.Kalman_filter(Vector(blob[1],vy)) img.draw_cross(int(blob_X_est),int(blob_Y_est),cloor=(255,0,0)) sensor.set_framesize(sensor.QVGA) Q=Matrix([[5,0],[0,1]])#过程噪声协方差矩阵 第一个参数代表位置 第二个参数代表速度 R=Matrix([[1,0],[0,1]])#测量噪声协方差矩阵 I=Matrix([[1,0],[0,1]])#单位矩阵 class Kalman: def __init__(self): self.dT=0.1 self.A=Matrix([[1,self.dT],[0,1]])#状态转移矩阵 self.H=Matrix([[1,0],[0,1]])#观测状态矩阵 self.Z=Vector(0,0) self.pre=Vector(0,0)#先验估计 self.pre_P=Matrix([[0,0],[0,0]])#先验估计的协方差矩阵 self.est=Vector(160,120)#这一时刻的最优估计 self.est_P=Matrix([[100,0],[0,100]])#这一时刻最优估计的协方差矩阵 self.est_K=Matrix([[0,0],[0,0]])#这一时刻卡尔曼增益矩阵 self.last_time=rtc.datetime() def Kalman_filter(self,other): self.Z=other self.pre=self.A*self.est#更新这一时刻的先验估计,不考虑控制向量和控制矩阵的作用 self.pre_P=(self.A*self.est_P*(self.A.tran()))+Q#更新这一时刻先验估计的协方差矩阵 self.est_K=self.pre_P*((self.pre_P+R).inv())#更新卡尔曼增益,因观测矩阵为一单位矩阵,计算时可不考虑 #状态更新 self.est=self.pre+self.est_K*(self.Z-self.pre)#计算时省略了观测矩阵 #协方差更新 self.est_P=(I-self.est_K)*self.pre_P#计算时省略了观测矩阵 return(self.est.x,self.est.y)
最新发布
03-22
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值