当前位置：首页 > news >正文

做网站属于什么行业化妆品公司网站建设方案

news 2025/11/13 22:05:33

做网站属于什么行业,化妆品公司网站建设方案,宁波论坛天一楼市,游戏软件开发培训学校先上效果图一种基于凹陷检测重叠轮廓分割的方法这两个星期压力大的一批，心脏都给干得乱跳了，现在高血压心率不齐贫血。兄弟们保重身体啊。简单说下逻辑：前处理：的噼里啪啦我就不说了，根据样品来(灰度，滤波&…

先上效果图

一种基于凹陷检测重叠轮廓分割的方法
这两个星期压力大的一批，心脏都给干得乱跳了，现在高血压+心率不齐+贫血。兄弟们保重身体啊。
简单说下逻辑：
前处理：的噼里啪啦我就不说了，根据样品来(灰度，滤波，二值化，形态学...)
提取轮廓并计算凸包
填充凸包后的轮廓减去原始轮廓得到凹陷区域
计算凹陷区域的面积，利用最大的两个凹陷区域计算出两个凹陷区域的最近两点
两点一条线作为分割线
步骤说起来很简单，做起来准备上天。
要想做到好的效果就需要有过滤参数，我做了基本的四个参数
最小轮廓长度：用来过滤小颗粒
深度阈值：凸包凹陷的阈值用来过滤凹陷浅的轮廓
迭代次数：我们上面只是拿了单个轮廓两个最大凹陷区域进行分割，只适合两个规则形状的重叠，那三个呢四个呢无数个呢（管他那么多就是干）
线宽：分割线的宽度最好要为2，别问问就是坑
下面看看不同参数的效果：
迭代次数：可以简单理解我要分为几个颗粒
深度阈值：越小小凹陷就越多

效果就这样了，这是基于形状的，但是都说基于距离变换+分水岭的好。先贴上代码吧白嫖兄弟们
！！！这是我封装的方法不一定适合你参数自己传进来就行。最好别用，不一定好用。打开思路很重要..........

比如：根据长轴作为分界线对应点是不是就可以不用那么多迭代？？？更好的？骨架作为分界线？？？迭代次数应该写在轮廓遍历里面？？？当然是的，但是我脑子不想思考了才来写个文章。

public ProcessingResult ProcessImage(Mat src, Dictionary<string, object> parameters, Mat? originalMat = null)
{if (!src.IsValidMat()) return new ProcessingResult();try{int depthThreshold = parameters.GetValueOrDefault("depthThreshold", 100)?.ToString()?.ToInt(100) ?? 100;int lineThickness = parameters.GetValueOrDefault("lineThickness", 2)?.ToString()?.ToInt(2) ?? 2;int miniArcLength = parameters.GetValueOrDefault("miniArcLength", 20)?.ToString()?.ToInt(20) ?? 20;int iterations = parameters.GetValueOrDefault("iterations", 1)?.ToString()?.ToInt(1) ?? 1;Mat binary = new Mat();if (src.Channels() > 1){var gray = src.CvtColor(ColorConversionCodes.BGR2GRAY);double otsuThresh = Cv2.Threshold(src, binary, 0, 255, ThresholdTypes.Binary | ThresholdTypes.Otsu);}else{binary = src;}Mat resultImage = binary.CvtColor(ColorConversionCodes.GRAY2BGR); // 彩色图方便显示for (int iteration = 0; iteration < iterations; iteration++){var contours = Cv2.FindContoursAsArray(binary, RetrievalModes.External, ContourApproximationModes.ApproxSimple);foreach (var contour in contours){try{if (contour.Length < 5) continue;double arcLen = Cv2.ArcLength(contour, true);if (arcLen < miniArcLength) continue;int[] hullIndices = Cv2.ConvexHullIndices(contour, true);if (hullIndices.Length < 3) continue;var defects = Cv2.ConvexityDefects(contour, hullIndices);if (defects == null || defects.Length == 0) continue;if (!defects.Any(a => a.Item3 / 256f > depthThreshold)) continue;Point[] hull = new Point[hullIndices.Length];for (int i = 0; i < hullIndices.Length; i++){hull[i] = contour[hullIndices[i]];}var rect = Cv2.BoundingRect(contour);using Mat mask = new Mat(rect.Height, rect.Width, MatType.CV_8UC1, Scalar.Black);Point[] TranslateContour(Point[] pts, Point offset){return pts.Select(p => new Point(p.X - offset.X, p.Y - offset.Y)).ToArray();}var hullLocal = TranslateContour(hull, rect.TopLeft);var contourLocal = TranslateContour(contour, rect.TopLeft);Cv2.DrawContours(mask, new List<Point[]>() { hullLocal }, 0, Scalar.White, -1);Cv2.DrawContours(mask, new List<Point[]>() { contourLocal }, 0, Scalar.Black, -1);var maskContours = Cv2.FindContoursAsArray(mask, RetrievalModes.External, ContourApproximationModes.ApproxSimple);if (maskContours.Length < 2) continue;var maxAreaContours = GetTop2MaxAreaContours(maskContours).Take(2).ToArray();var minDistancePoints = GetMinDistancePoint(maxAreaContours[0], maxAreaContours[1]);var distance = Math.Sqrt((minDistancePoints[0].X - minDistancePoints[1].X) * (minDistancePoints[0].X - minDistancePoints[1].X) + (minDistancePoints[0].Y - minDistancePoints[1].Y) * (minDistancePoints[0].Y - minDistancePoints[1].Y));if (distance > rect.Width / 2) continue;// 注意minDistancePoints中是mask局部坐标，转回resultImage全局坐标：Cv2.Line(binary, minDistancePoints[0] + rect.TopLeft, minDistancePoints[1] + rect.TopLeft, Scalar.Black, lineThickness);Cv2.Line(resultImage, minDistancePoints[0] + rect.TopLeft, minDistancePoints[1] + rect.TopLeft, Scalar.OrangeRed, lineThickness);}catch (Exception){continue;}}}return new ProcessingResult(resultImage);}catch (Exception ex){Console.WriteLine(ex);return new ProcessingResult();}
}private Point[][] GetTop2MaxAreaContours(Point[][] contours)
{if (contours == null || contours.Length == 0)return new Point[0][];// 按轮廓面积降序排序，取前2个var top2 = contours.OrderByDescending(contour => Cv2.ContourArea(contour)).ToArray();return top2;
}
private Point[] GetMinDistancePoint(Point[] contour, Point[] contour1)
{if (contour == null || contour1 == null || contour.Length == 0 || contour1.Length == 0)return new Point[0];Point minP1 = new Point();Point minP2 = new Point();double minDist = double.MaxValue;foreach (var p1 in contour){foreach (var p2 in contour1){double dist = Math.Sqrt((p1.X - p2.X) * (p1.X - p2.X) + (p1.Y - p2.Y) * (p1.Y - p2.Y));if (dist < minDist){minDist = dist;minP1 = p1;minP2 = p2;}}}return new Point[] { minP1, minP2 };
}

上面是基于凸包凹陷的，那都说分水岭+距离变换好！！！但是，好是有前提的对一同样大小颗粒的分割效果是很好的。但是对大小不一效果不太行，但是我也做了优化下面给出大体逻辑。

一种基于距离变幻+分水岭检测重叠轮廓分割的方法
前处理：的噼里啪啦我就不说了，根据样品来(灰度，滤波，二值化，形态学...)
进行距离变换 DistanceTransform+Normalize
获取前景标记 Cv2.Threshold(distTrans8u, distTrans8u, foregroundThreshold * 255, 255, ThresholdTypes.Binary);
创建标记图像 Mat markers = Mat.Zeros(binary.Size(), MatType.CV_32S);
标记背景 using var sureBg = new Mat();
Cv2.Dilate(binary, sureBg, new Mat(), iterations: 3);
应用分水岭算法 Cv2.Watershed(originalMat, markers);
前面几步都是烂大街的随便一搜都有的代码不清楚的直接搜 距离变换+分水岭
得到轮廓并绘制在一张与原图大小相等的黑图上并把边界涂色
  result = Mat.Zeros(originalMat.Size(), originalMat.Type());var boundaries = new Mat();Cv2.Compare(markers, new Scalar(-1), boundaries, CmpType.EQ);result.SetTo(new Scalar(255, 255, 255), boundaries);result.Row(0).SetTo(new Scalar(0, 0, 0));result.Row(result.Rows - 1).SetTo(new Scalar(0, 0, 0));result.Col(0).SetTo(new Scalar(0, 0, 0));result.Col(result.Cols - 1).SetTo(new Scalar(0, 0, 0));boundaries.Dispose();
上一步得到了所谓分水岭的轮廓，但是很有可能把你的小轮廓给干掉了或者说正常的轮廓，那么我们需要合并：
这是分水岭前后的图片,会发现少了很多。其实也不多就那几个。

1.原图减去分水岭得到的二值图再做形态学处理得到图4

2.合并分水岭二值图与图四
至于效果我觉得一般逻辑嘛也觉得一般我就是菜鸡。