c++opencv，将彩色图片result的点point处颜色修改为白色

在C++和OpenCV中，如果你想将图像的最大像素点移动到图像的中心，首先你需要做到以下几点： 1. **读取和预处理图像**：使用`cv::imread`函数读取图片，然后对图像进行必要的预处理，如灰度化或二值化，以便找出最大值点。 ```cpp cv::Mat img = cv::imread("image.jpg"); if (img.empty()) { std::cerr << "Could not open or find the image." << std::endl; return; } cv::Mat gray; cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY); // 可能需要二值化处理 ``` 2. **查找最大值点**：遍历图像矩阵，找出每个像素的强度（灰度值），记录下最大值及其索引（位置）。 ```cpp cv::Point maxLoc; double maxValue = 0; cv::minMaxLoc(gray, &maxValue, nullptr, nullptr, &maxLoc); ``` 3. **计算中心位置**：假设图像的尺寸是宽度`width`和高度`height`，中心点将是`(width/2, height/2)`。 ```cpp cv::Point center(width / 2, height / 2); ``` 4. **平移图像**：由于OpenCV提供的API并不直接支持将单个点移动到指定位置，你需要根据找到的最大值点和中心点的差来生成一个平移矩阵，然后用`cv::warpAffine`函数进行图像的平移。 ```cpp cv::Mat M = getTranslationMatrix(maxLoc, -center); cv::Mat result; cv::warpAffine(img, result, M, img.size()); ``` 这里`getTranslationMatrix`是一个自定义函数，用于构造一个二维平移矩阵： ```cpp cv::Mat getTranslationMatrix(const cv::Point& src, const cv::Point& dst) { return (cv::Mat_<double>(2, 3) << 1, 0, -src.x, 0, 1, -src.y); } ``` 5. **显示结果**：最后显示处理后的图像。 ```cpp cv::imshow("Original", img); cv::imshow("Translated", result); cv::waitKey(); ```

以下是OpenCV C++代码示例，用于对彩色图像进行去雾处理： ```c++ #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; // 获取暗通道 Mat getDarkChannel(Mat src, int patchSize) { Mat darkChannel = Mat::zeros(src.rows, src.cols, CV_8UC1); int halfPatchSize = patchSize / 2; for (int i = halfPatchSize; i < src.rows - halfPatchSize; i++) { for (int j = halfPatchSize; j < src.cols - halfPatchSize; j++) { // 获取当前像素点的局部区域 Mat patch = src(Rect(Point(j - halfPatchSize, i - halfPatchSize), Size(patchSize, patchSize))); // 计算局部区域内的最小值 double minVal; minMaxLoc(patch, &minVal, NULL); // 将最小值作为暗通道像素值 darkChannel.at<uchar>(i, j) = static_cast<uchar>(minVal); } } return darkChannel; } // 估计全局大气光 Scalar getAirlight(Mat src, Mat darkChannel) { int numPixels = src.rows * src.cols * 0.1; Mat sortedValues; cv::sort(darkChannel, sortedValues, SORT_DESCENDING); int thresholdIdx = sortedValues.at<uchar>(numPixels); uchar thresholdValue = darkChannel.at<uchar>(thresholdIdx); Scalar airlight = Scalar(0, 0, 0); int count = 0; for (int i = 0; i < src.rows; i++) { for (int j = 0; j < src.cols; j++) { if (darkChannel.at<uchar>(i, j) >= thresholdValue) { Vec3f pixel = src.at<Vec3f>(i, j); airlight += Scalar(pixel[0], pixel[1], pixel[2]); count++; } } } airlight /= static_cast<double>(count); return airlight; } // 计算传播图像 Mat getTransmission(Mat src, Scalar airlight, double omega, int patchSize) { Mat transmission = Mat::zeros(src.rows, src.cols, CV_32FC1); for (int i = 0; i < src.rows; i++) { for (int j = 0; j < src.cols; j++) { Vec3f pixel = src.at<Vec3f>(i, j); double numerator = 1.0 - omega * getDarkChannel(pixel, patchSize).at<uchar>(0, 0) / airlight.val[0]; double denominator = 1.0 - omega * getDarkChannel(pixel, patchSize).at<uchar>(0, 0) / airlight.val[0]; for (int k = 1; k < 3; k++) { numerator = min(numerator, 1.0 - omega * getDarkChannel(pixel, patchSize).at<uchar>(0, k) / airlight.val[k]); denominator = min(denominator, 1.0 - omega * getDarkChannel(pixel, patchSize).at<uchar>(0, k) / airlight.val[k]); } transmission.at<float>(i, j) = static_cast<float>(numerator / denominator); } } return transmission; } // 估计场景深度 double getDepth(Mat transmission, double beta) { double depth = 1.0 - beta * cv::mean(transmission).val[0]; return depth; } // 软抠图 Mat softMatting(Mat src, Mat transmission, double lambda, int winSize) { Mat result = Mat::zeros(src.rows, src.cols, CV_32FC3); for (int i = 0; i < src.rows; i++) { for (int j = 0; j < src.cols; j++) { Vec3f pixel = src.at<Vec3f>(i, j); float t = transmission.at<float>(i, j); Mat localPatch = src(Rect(Point(j - winSize / 2, i - winSize / 2), Size(winSize, winSize))).reshape(1, winSize * winSize); Mat cov = (localPatch.t() * localPatch) / (winSize * winSize) + Mat::eye(3, 3, CV_32FC1) * lambda / t; Mat invCov = cov.inv(); Mat alpha = invCov * localPatch.t() / (winSize * winSize); Vec3f resultPixel = alpha.at<Vec3f>(0, 0) * t + (1 - t) * pixel; result.at<Vec3f>(i, j) = resultPixel; } } return result; } int main() { // 读取彩色图像 Mat src = imread("input.jpg"); Mat srcFloat; src.convertTo(srcFloat, CV_32FC3, 1.0 / 255.0); // 参数设置 int patchSize = 15; double omega = 0.95; double beta = 1.0; double lambda = 0.1; int winSize = 3; // 获取暗通道 Mat darkChannel = getDarkChannel(srcFloat, patchSize); // 估计全局大气光 Scalar airlight = getAirlight(srcFloat, darkChannel); // 计算传播图像 Mat transmission = getTransmission(srcFloat, airlight, omega, patchSize); // 估计场景深度 double depth = getDepth(transmission, beta); // 软抠图 Mat result = softMatting(srcFloat, transmission, lambda, winSize); // 进行调整 result = (result - result.min()) / (result.max() - result.min()); result = result * 255.0; result.convertTo(result, CV_8UC3); // 显示结果 namedWindow("Input", WINDOW_AUTOSIZE); namedWindow("Output", WINDOW_AUTOSIZE); imshow("Input", src); imshow("Output", result); waitKey(0); return 0; } ``` 在上面的代码中，我们首先读取彩色图像，然后将其转换为浮点型图像，接着进行去雾处理，并显示结果。整个处理过程包括以下几个步骤： 1. 获取暗通道； 2. 估计全局大气光； 3. 计算传播图像； 4. 估计场景深度； 5. 软抠图； 6. 进行调整，并显示结果。 其中，getDarkChannel() 函数用于获取暗通道，采用的是简单的滑动窗口方法；getAirlight() 函数用于估计全局大气光，采用的是基于暗通道的方法；getTransmission() 函数用于计算传播图像，采用的是基于暗通道先验的方法；getDepth() 函数用于估计场景深度，采用的是简单的线性模型；softMatting() 函数用于进行软抠图，采用的是基于颜色一致性的方法。最后，我们可以将结果显示出来，以便观察。