基于LockAI视觉识别模块：C++使用图像的统计信息

在图像处理中，统计信息可以帮助我们了解图像的特性，例如区域内的像素分布、颜色转换以及特定区域的分析。本文将介绍基于LockAI视觉识别模块如何提取兴趣区域（ROI）、转换颜色通道、计算均值和标准差，以及查找最小值和最大值，并通过一个综合示例展示其实际应用。

1.基本知识讲解

1.1 图像的兴趣区域（ROI）

ROI（Region of Interest）：指图像中感兴趣的区域，通常用于局部分析或处理。

提取 ROI 的目的是减少数据量并专注于特定区域，从而提高处理效率。

1.2 颜色空间转换

不同的颜色空间适用于不同的任务。例如：

灰度图：简化图像处理，常用于边缘检测等任务。

HSV：用于颜色分割任务，分离色调、饱和度和亮度。

LAB：更接近人类视觉感知，适合颜色校正。

1.3 图像统计信息

均值和标准差：反映图像整体亮度及亮度变化情况。

最小值和最大值：帮助识别图像中的极端像素值及其位置。

---

2.API文档

2.1 头文件

#include

2.2 提取兴趣区域（ROI）

cv::Matroi=image(cv::Rect(x,y,w,h));

功能：

从图像中提取一个矩形区域。

参数：

image：输入图像（cv::Mat类型）。

(x, y):ROI左上角的坐标。

(w, h):ROI的宽高。

返回值：

提取出的ROI图像（cv::Mat类型）。

2.3 转换为灰度图

cv::cvtColor(image,grayImage,cv::COLOR_BGR2GRAY);

功能：

将彩色图像转换为灰度图像。

参数：

image：输入图像（cv::Mat类型）。

grayImage：输出灰度图像（cv::Mat类型）。

COLOR_BGR2GRAY：将BGR图像转换为灰度图像。

返回值：

无。最后结果储存在grayImage中。注意：其中根据不同的转换要求可以使用不同的转换代码，具体如下所示。

---

转换方向	转换代码	描述
BGR Grayscale	cv::COLOR_BGR2GRAY	将 BGR 图像转换为灰度图像
	cv::COLOR_GRAY2BGR	将灰度图像转换为 BGR 图像
BGR RGB	cv::COLOR_BGR2RGB	将 BGR 图像转换为 RGB 图像
	cv::COLOR_RGB2BGR	将 RGB 图像转换为 BGR 图像
BGR HSV	cv::COLOR_BGR2HSV	将 BGR 图像转换为 HSV 图像
	cv::COLOR_HSV2BGR	将 HSV 图像转换为 BGR 图像
BGR LAB	cv::COLOR_BGR2LAB	将 BGR 图像转换为 LAB 图像
	cv::COLOR_Lab2BGR	将 LAB 图像转换为 BGR 图像
BGR YUV	cv::COLOR_BGR2YUV	将 BGR 图像转换为 YUV 图像
	cv::COLOR_YUV2BGR	将 YUV 图像转换为 BGR 图像
BGR XYZ	cv::COLOR_BGR2XYZ	将 BGR 图像转换为 CIE XYZ 图像
	cv::COLOR_XYZ2BGR	将 CIE XYZ 图像转换为 BGR 图像
BGR YCrCb	cv::COLOR_BGR2YCrCb	将 BGR 图像转换为 YCrCb 图像
	cv::COLOR_YCrCb2BGR	将 YCrCb 图像转换为 BGR 图像
BGR HLS	cv::COLOR_BGR2HLS	将 BGR 图像转换为 HLS 图像
	cv::COLOR_HLS2BGR	将 HLS 图像转换为 BGR 图像
BGR Luv	cv::COLOR_BGR2Luv	将 BGR 图像转换为 Luv 图像
	cv::COLOR_Luv2BGR	将 Luv 图像转换为 BGR 图像
BGR Bayer	cv::COLOR_BayerBG2BGR	将 Bayer 格式图像转换为 BGR 图像
BGR RGBA	cv::COLOR_BGR2RGBA	将 BGR 图像转换为 RGBA 图像（添加 Alpha 通道）
	cv::COLOR_RGBA2BGR	将 RGBA 图像转换为 BGR 图像

---

2.4 计算均值和标准差：

cv::meanStdDev(src,mean,stddev);

功能：

计算图像或矩阵元素的平均值和标准偏差。

参数：

src：输入图像或矩阵（cv::Mat类型）。

mean：输出平均值（cv::Scalar类型）。

stddev：输出标准偏差（cv::Scalar类型）。

返回值：

无。最后结果储存在mean和stddev中。

2.5 计算最小值和最大值：

cv::minMaxLoc(src,&minVal,&maxVal,&minLoc,&maxLoc);

功能：

在输入图像或矩阵中找到最小值和最大值。

参数：

src：输入图像或矩阵（cv::Mat类型）。

minVal：输出最小值（double类型）。

maxVal：输出最大值（double类型）。

minLoc：输出最小值对应的位置（cv::Point类型）。

maxLoc：输出最大值对应的位置（cv::Point类型）。

返回值：

无。最后结果储存在minVal、maxVal、minLoc和maxLoc中。

---

3.综合代码解析

3.1 流程图

3.2 代码解释

读取图像文件

cv::Matimage=cv::imread("2.jpg");
if(image.empty()) {
std::cerr<<"Error: Could not open image!"<<std::endl;
return-1;
}

设定ROI区域

// 定义 ROI 并提取
cv::RectroiRect(50,50,200,200);
cv::Matroi=image(roiRect);

转换为灰度图

cv::MatgrayRoi;
cv::cvtColor(roi,grayRoi,cv::COLOR_BGR2GRAY);

均值和标准差计算

// 计算均值和标准差
cv::Scalarmean,stddev;
cv::meanStdDev(grayRoi,mean,stddev);

3.3 代码实现

#include
#include

intmain()
{
// 读取图像
cv::Matimage=cv::imread("example.jpg");
if(image.empty())
{
std::cerr<<"Error: Could not open image!"<<std::endl;
return-1;
}

// 定义 ROI 并提取
cv::RectroiRect(50,50,200,200);
cv::Matroi=image(roiRect);

// 转换为灰度图
cv::MatgrayRoi;
cv::cvtColor(roi,grayRoi,cv::COLOR_BGR2GRAY);

// 计算均值和标准差
cv::Scalarmean,stddev;
cv::meanStdDev(grayRoi,mean,stddev);

// 计算最小值和最大值
doubleminVal,maxVal;
cv::PointminLoc,maxLoc;
cv::minMaxLoc(grayRoi,&minVal,&maxVal,&minLoc,&maxLoc);

// 输出结果
std::cout<<"Mean: "<<mean[0]<<std::endl;
std::cout<<"Standard Deviation: "<<stddev[0]<<std::endl;
std::cout<<"Min Value: "<<minVal<<" at "<<minLoc<<std::endl;
std::cout<<"Max Value: "<<maxVal<<" at "<<maxLoc<<std::endl;

return0;
}

---

4.编译过程

4.1 编译环境搭建

请确保你已经按照开发环境搭建指南正确配置了开发环境。

同时以正确连接开发板。

4.2 Cmake介绍

# CMake最低版本要求
cmake_minimum_required(VERSION3.10)

project(test-Image-information-statistics)

set(CMAKE_CXX_STANDARD17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 定义项目根目录路径
set(PROJECT_ROOT_PATH"${CMAKE_CURRENT_SOURCE_DIR}/../..")
message("PROJECT_ROOT_PATH = "${PROJECT_ROOT_PATH})

include("${PROJECT_ROOT_PATH}/toolchains/arm-rockchip830-linux-uclibcgnueabihf.toolchain.cmake")

# 定义 OpenCV SDK 路径
set(OpenCV_ROOT_PATH"${PROJECT_ROOT_PATH}/third_party/opencv-mobile-4.10.0-lockzhiner-vision-module")
set(OpenCV_DIR"${OpenCV_ROOT_PATH}/lib/cmake/opencv4")
find_package(OpenCV REQUIRED)
set(OPENCV_LIBRARIES"${OpenCV_LIBS}")
# 定义 LockzhinerVisionModule SDK 路径
set(LockzhinerVisionModule_ROOT_PATH"${PROJECT_ROOT_PATH}/third_party/lockzhiner_vision_module_sdk")
set(LockzhinerVisionModule_DIR"${LockzhinerVisionModule_ROOT_PATH}/lib/cmake/lockzhiner_vision_module")
find_package(LockzhinerVisionModule REQUIRED)

# 图像信息处理
add_executable(Test-Image-information-statistics Image_information_statistics.cc)
target_include_directories(Test-Image-information-statistics PRIVATE${LOCKZHINER_VISION_MODULE_INCLUDE_DIRS})
target_link_libraries(Test-Image-information-statistics PRIVATE${OPENCV_LIBRARIES}${LOCKZHINER_VISION_MODULE_LIBRARIES})

install(
TARGETS Test-Image-information-statistics
RUNTIME DESTINATION .
)

4.3 编译项目

使用 Docker Destop 打开 LockzhinerVisionModule 容器并执行以下命令来编译项目

# 进入Demo所在目录
cd/LockzhinerVisionModuleWorkSpace/LockzhinerVisionModule/Cpp_example/B02_Image_information_statistics
# 创建编译目录
rm-rfbuild &&mkdirbuild &&cdbuild
# 配置交叉编译工具链
exportTOOLCHAIN_ROOT_PATH="/LockzhinerVisionModuleWorkSpace/arm-rockchip830-linux-uclibcgnueabihf"
# 使用cmake配置项目
cmake ..
# 执行编译项目
make-j8&&makeinstall

在执行完上述命令后，会在build目录下生成可执行文件。

---

5. 例程运行示例

5.1 运行过程

在凌智视觉模块中输入以下命令：

chmod777Test-Image-information-statistics
./Test-Image-information-statistics

5.2 运行效果

在运行上述代码时，会输出以下结果：

6. 总结

通过上述内容，我们介绍了如何使用 OpenCV 提取图像的 ROI、转换颜色空间、计算统计信息等操作。按照以下步骤，您可以轻松地进行图像的统计分析：

提取 ROI：使用 cv::Rect 提取感兴趣区域。

颜色转换：使用 cv::cvtColor 转换颜色空间。

计算统计信息：

使用 cv::meanStdDev 计算均值和标准差。

使用 cv::minMaxLoc 查找最小值和最大值及其位置。

综合应用：结合上述方法对图像进行局部分析和全局统计。