当前位置：首页 > news >正文

给窗帘做网站湖南省建设部网站

news 2025/9/10 3:08:33

给窗帘做网站,湖南省建设部网站,响应式布局的优点是什么,常州做的网站的公司哪家好// 加载必要的头文件 #include <iostream> // 用于标准输入输出流 #include <fstream> // 用于文件的输入输出 #include <sstream> // 用于字符串的输入输出流操作#include <opencv2/core.hpp> // OpenCV核心功能的头文件 #include "o…

// 加载必要的头文件
#include <iostream> // 用于标准输入输出流
#include <fstream>  // 用于文件的输入输出
#include <sstream>  // 用于字符串的输入输出流操作#include <opencv2/core.hpp>          // OpenCV核心功能的头文件
#include "opencv2/imgcodecs.hpp"     // OpenCV图像编解码功能的头文件
#include <opencv2/highgui.hpp>       // OpenCV的高级GUI（图形用户界面）// 使用标准命名空间和OpenCV命名空间，避免重复声明
using namespace cv;
using namespace std;///
// 函数声明部分// read_imgList函数用于从文本文件中读取图像路径并加载这些图像
static void read_imgList(const string& filename, vector<Mat>& images) {std::ifstream file(filename.c_str(), ifstream::in); // 打开文件if (!file) {string error_message = "No valid input file was given, please check the given filename."; // 错误消息CV_Error(Error::StsBadArg, error_message); // 如果文件打开失败，给出错误信息并退出程序}string line; // 存储读取的每行文字while (getline(file, line)) {images.push_back(imread(line, IMREAD_GRAYSCALE)); // 将每行读取到的图像路径用于加载图像，并转换为灰度图像}
}// formatImagesForPCA函数用于将图像数据格式化为一个适合PCA处理的矩阵
static  Mat formatImagesForPCA(const vector<Mat> &data)
{// 创建一个用于PCA处理的矩阵，将所有图像行向量垂直堆叠Mat dst(static_cast<int>(data.size()), data[0].rows*data[0].cols, CV_32F);for(unsigned int i = 0; i < data.size(); i++) // 遍历所有图像{Mat image_row = data[i].clone().reshape(1,1); // 将每张图像转换为行向量Mat row_i = dst.row(i); // 获取目标矩阵的当前行image_row.convertTo(row_i,CV_32F); // 将图像数据转换为浮点型，并填入目标矩阵的相应行}return dst; // 返回格式化后的矩阵
}// toGrayscale函数用于将输入图像转换为灰度图像，并进行归一化处理
static Mat toGrayscale(InputArray _src) {Mat src = _src.getMat(); // 获取输入数据的Mat对象// 检查是否是单通道图像if(src.channels() != 1) {CV_Error(Error::StsBadArg, "Only Matrices with one channel are supported"); // 如果不是，抛出异常}// 创建一个目标Mat对象，并对输入图像进行归一化处理Mat dst;cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);return dst; // 返回处理后的图像
}// 定义一个结构体用于传递给滑动条回调函数的参数
struct params
{Mat data;    // 存放数据的Mat矩阵int ch;      // 图像的通道数int rows;    // 图像行数PCA pca;     // PCA对象string winName; // 窗口名称
};// onTrackbar滑动条回调函数，用于根据Retained Variance(保留方差)的变化更新PCA结果并显示
static void onTrackbar(int pos, void* ptr)
{cout << "Retained Variance = " << pos << "%   ";cout << "re-calculating PCA..." << std::flush; // 提示正在重新计算PCAdouble var = pos / 100.0; // 将滑动条的整型位置值转换为[0,1]之间的百分比表示的保留方差struct params *p = (struct params *)ptr; // 从回调函数的指针参数中提取出params结构体// 使用新的保留方差重新计算PCAp->pca = PCA(p->data, cv::Mat(), PCA::DATA_AS_ROW, var); // 将原始数据的第一行（第一幅图像）投影到PCA空间，并获取其点representationMat point = p->pca.project(p->data.row(0));// 然后利用该点representation重构图像Mat reconstruction = p->pca.backProject(point);reconstruction = reconstruction.reshape(p->ch, p->rows); // 重构的图像需要重新改变其形状reconstruction = toGrayscale(reconstruction); // 转换为灰度图便于显示// 在窗口中显示重构的图像imshow(p->winName, reconstruction);// 打印PCA使用的主成分数量cout << "done!   # of principal components: " << p->pca.eigenvectors.rows << endl;
}///
// 主程序
int main(int argc, char** argv)
{// 解析命令行参数cv::CommandLineParser parser(argc, argv, "{@input||image list}{help h||show help message}");// 如果存在"help"参数，则打印帮助消息if (parser.has("help")){parser.printMessage();exit(0);}// 获取CSV文件的路径string imgList = parser.get<string>("@input");// 如果未传入图片列表，则打印消息并退出程序if (imgList.empty()){parser.printMessage();exit(1);}// 创建一个向量来存储图像vector<Mat> images;// 读取数据，如果失败则会抛出异常try {read_imgList(imgList, images);} catch (const cv::Exception& e) {cerr << "Error opening file \"" << imgList << "\". Reason: " << e.msg << endl;exit(1);}// 如果图片不足以进行此演示，则退出程序if(images.size() <= 1) {string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";CV_Error(Error::StsError, error_message);}// 将图像重排并堆叠成一个行矩阵Mat data = formatImagesForPCA(images);// 执行PCA// 这里trackbar初始设置为95%，这也是一个常见的保留方差值PCA pca(data, cv::Mat(), PCA::DATA_AS_ROW, 0.95); // 展示保留方差对第一张图片效果的演示Mat point = pca.project(data.row(0)); // 将图像投影到特征空间，图像变成了一个“点”Mat reconstruction = pca.backProject(point); // 从“点”中重建图像reconstruction = reconstruction.reshape(images[0].channels(), images[0].rows); // 重新将行向量变形为图像形状reconstruction = toGrayscale(reconstruction); // 重新缩放以便于显示// 初始化高层GUI窗口string winName = "Reconstruction | press 'q' to quit";namedWindow(winName, WINDOW_NORMAL);// 创建一个结构体以传递给trackbar处理函数params p;p.data = data;p.ch = images[0].channels();p.rows = images[0].rows;p.pca = pca;p.winName = winName;// 创建trackbarint pos = 95;createTrackbar("Retained Variance (%)", winName, &pos, 100, onTrackbar, (void*)&p);// 显示直到用户按下'q'键imshow(winName, reconstruction);char key = 0;while(key != 'q')key = (char)waitKey();return 0;
}

代码的主要功能是，通过用户输入一个包含图像全路径的文本文件，该文件的每一行都代表一张图片的路径。程序将会使用主成分分析(PCA)技术对这些图像进行处理，并通过OpenCV库完成。这一处理过程可以通过一个trackbar（滑动条）来动态调整保留方差的百分比，从而展现不同保留方差下图像重建的效果。程序界面会持续显示直到用户按下'q'键退出。这个代码示例建议使用AT&T人脸数据库的前15个人脸图片来演示。

// Reshape and stack images into a rowMatrixMat data = formatImagesForPCA(images);// perform PCAPCA pca(data, cv::Mat(), PCA::DATA_AS_ROW, 0.95); // trackbar is initially set here, also this is a common value for retainedVariance// Demonstration of the effect of retainedVariance on the first imageMat point = pca.project(data.row(0)); // project into the eigenspace, thus the image becomes a "point"Mat reconstruction = pca.backProject(point); // re-create the image from the "point"reconstruction = reconstruction.reshape(images[0].channels(), images[0].rows); // reshape from a row vector into image shapereconstruction = toGrayscale(reconstruction); // re-scale for displaying purposes