鑽戒 3D max

鑽戒

3D max 槓鈴 臥推椅+蹲舉架

槓鈴

蹲舉架

武士刀 3D max

C++ 取得 特定資料夾下 的檔案名稱

利用 _findfirst 與 _findnext 完成

程式圖片：




程式碼：

#include <stdio.h>
#include <string.h>
#include <io.h> //c_file
#include <direct.h> 
#include <iostream>
using namespace std;
void main()
{
 char sdir[256], filter[256], path[256];
 struct _finddata_t c_file;
 intptr_t hFile;

 strcpy_s(sdir, "human");
 strcpy_s(filter, "*.jpg");

 _chdir(sdir);
 hFile = _findfirst(filter, &c_file);
 if (hFile != -1)
 {
  do {
   sprintf_s(path, "%s\\%s", sdir, c_file.name);
   cout << path<<endl;
  } while (_findnext(hFile, &c_file) == 0);
 }
 system("pause");
}

OpenCV 3.1 Face Recognition

OpenCV 3.1 人臉辨識

程式截圖：





請先將 openCV 內的訓練好的 xml 檔案放到主程式資料夾





程式碼：

#include <opencv\highgui.h>
#include <opencv\cv.h>
#include <opencv2\opencv.hpp>
using namespace std;
using namespace cv;

void detectAndDisplay(Mat);

String face_cascade_name = "haarcascade_frontalface_default.xml";
CascadeClassifier face_cascade;

int main()
{
 if (!face_cascade.load(face_cascade_name))
 {
  printf("--(!)Error loading\n");
  return -1;
 }
 Mat frame = imread("3.jpg", 1); //這裡請改你想放的圖片路徑
 imshow("image", frame);
 detectAndDisplay(frame);
 waitKey(0);
 return 0;
}
void detectAndDisplay(Mat frame)
{
 vector<Rect> faces;
 Mat frame_gray;

 cvtColor(frame, frame_gray, CV_BGR2GRAY);

 //-- Detect faces
 face_cascade.detectMultiScale(frame_gray, faces, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(10, 10));

 for (int i = 0; i < faces.size(); i++)
 {
  Point p1(faces[i].x, faces[i].y);
  Point p2(faces[i].x + faces[i].width, faces[i].y + faces[i].height);

  rectangle(frame, p1, p2, Scalar(0, 0, 255), 2, 0);
 }

 imshow("face detect", frame);
}

OpenCV 3.0 Thresh & adaptive Thresh API

OpenCV 3.0 閥值 與 自適性閥值

程式原圖：



程式效果：

Thresh


Adaptive thresh


Threshold 的用途，可以把圖片中的顏色一分為二，較暗的像素會變成黑色。

較亮的像素會轉成白色。

在車牌偵測、字型偵測上會常用到。

因為車牌的顏色固定，而且對比大，所以利用這種門閥 API 可以取得滿意的結果。

程式專案檔：門閥範例專案檔 Google 下載空間 (64bit OpenCV 3.0)

程式碼：

#include<iostream>
#include<opencv2\opencv.hpp>

using namespace std;
using namespace cv;
//golbal variable
#define WINDOW_NAME "Thresh"
int thresholdValue = 100;
int thresholdType = 3;
Mat srcImg, grayImg, dstImg,dstImg_adaptive;
//golbal function
void on_threshold(int, void*);
int main()
{
 srcImg = imread("plate.jpg");//only thing you have to do is to change the picture name
 imshow("sourceImg", srcImg);
 cvtColor(srcImg, grayImg, COLOR_RGB2GRAY);
 imshow("grayImg", grayImg);
 namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
 //crate trackbar at here
 createTrackbar("Mode", WINDOW_NAME, &thresholdType,5, on_threshold);//select mode
 createTrackbar("Variable Value", WINDOW_NAME, &thresholdValue, 255, on_threshold);
 on_threshold(0, 0);

 //adaptive
 adaptiveThreshold(grayImg, dstImg_adaptive, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 111, 2);
 imshow("adaptive", dstImg_adaptive);

 while (true)
 {
  int key;
  key = waitKey(20);
  if (char(key) == 27)
   break;
 }
 return 0;
}
void on_threshold(int, void*)
{
 
  threshold(grayImg, dstImg, thresholdValue, 255, thresholdType);
  imshow(WINDOW_NAME, dstImg);
 
}

以下介紹 OpenCV 提供的五種濾波器

OpenCV 3.0 Box Filter, Mean Blur, Gaussian Blur, Median Blur, Bilateral filter：

(OpenCV 3.0 方框濾波、平均值模糊、高斯模糊、中間值模糊、雙邊模糊)

程式執行範例：

原圖


中間值濾波過後


如果環境中存在許多"極端"雜訊，使用中間值濾波器能得到很好的效果。

如果要做的事情是減少自然界常態雜訊或減少細節層次，會選擇高斯濾波。

如果希望運算快速，使用 Box Filter。

如果想保留邊緣資訊，又想要減少雜訊或做模糊的效果，使用雙邊濾波。

所以說根據不同的需求，選擇不同的濾波器，才能達到最好的效果。

範例專案檔：程式範例專案檔Google下載空間 (請選擇 64bit 編譯或調整環境變數)

範例程式碼：

#include<iostream>
#include<opencv2\opencv.hpp>
using namespace cv;
using namespace std;
//全域變數宣告------------------------------------------
Mat srcImg, dstImg_box, dstImg_mean, dstImg_gauss, dstImg_median, dstImg_bilateral;
int boxValue = 6;   //方框濾波
int meanValue = 10;  //平均值濾波
int gaussValue = 6;  //高斯濾波
int medianValue = 10;//中間值濾波
int bilateralValue = 10;//雙邊濾波

//function 宣告----------------------------------------
static void on_box(int, void*);
static void on_mean(int, void*);
static void on_gauss(int, void*);
static void on_median(int, void*);
static void on_bilater(int, void*);
int main()
{
 //原圖讀取
 srcImg = imread("testImg.jpg", 1);  //使用範例時請更改圖片路徑
 imshow("srcImg", srcImg);
 //將所有圖片copy 一份給 destination圖片
 dstImg_box = srcImg.clone();
 dstImg_mean = srcImg.clone();
 dstImg_gauss = srcImg.clone();
 dstImg_median = srcImg.clone();
 dstImg_bilateral = srcImg.clone();
 //----------1. 方框濾波-----------
 namedWindow("1.Box");
 createTrackbar("核心值：", "1.Box", &boxValue, 50, on_box);
 on_box(boxValue,0);
 imshow("1.Box",dstImg_box);
 //----------2. 平均值濾波---------
 namedWindow("2.Mean");
 createTrackbar("核心值：", "2.Mean", &meanValue, 50, on_mean);
 on_mean(meanValue, 0);
 imshow("2.Mean", dstImg_mean);
 //----------3. 高斯濾波-----------
 namedWindow("3.Gauss");
 createTrackbar("參數：","3.Gauss",&gaussValue,50,on_gauss);
 on_gauss(gaussValue,0);
 imshow("3.Gauss", dstImg_gauss);
 //----------4. 中值濾波------------
 namedWindow("4.Median");
 createTrackbar("遮罩參數：", "4.Median", &medianValue, 50, on_median);
 on_median(medianValue, 0);
 imshow("4.Median", dstImg_median);
 //----------5. 雙邊濾波------------
 namedWindow("5.Bilateral");
 createTrackbar("參數：", "5.Bilateral", &bilateralValue, 50, on_bilater);
 on_bilater(bilateralValue, 0);
 imshow("5.Bilateral", dstImg_bilateral);
 
 waitKey(0);
 return 0;   
}
static void on_box(int, void*)//
{
 boxFilter(srcImg, dstImg_box, -1, Size(boxValue + 1, boxValue + 1));
 imshow("1.Box", dstImg_box);
}
static void on_mean(int, void*)
{
 blur(srcImg, dstImg_mean,  Size(meanValue + 1, meanValue + 1),Point(-1,-1));
 imshow("2.Mean", dstImg_mean);
}
static void on_gauss(int, void*)
{
 GaussianBlur(srcImg, dstImg_gauss, Size(gaussValue*2 + 1, gaussValue*2 + 1),0,0);
 imshow("3.Gauss", dstImg_gauss);
}
static void on_median(int, void*)
{
 medianBlur(srcImg, dstImg_median,medianValue*2+1);
 imshow("4.Median", dstImg_median);
}
static void on_bilater(int, void*)
{
 bilateralFilter(srcImg, dstImg_bilateral, bilateralValue , bilateralValue * 2 , bilateralValue/2);
 imshow("5.Bilateral", dstImg_bilateral);
}

學習 OpenCV 前須有的基本觀念與認知

一、影像處理、電腦視覺與 OpenCV

影像處理 ( Image processing) 為對影像進行分析、運算以達到滿意結果的技術，影像處理的技術包含影像壓縮、增強、復原、比對、描述、識別等部分。

電腦視覺 (Computer Vision) 為一門教機器模擬生物、人類視覺的科學，具體上是指利用攝影機或電腦代替肉眼對目標進行識別、追蹤和測量。在應用上可用於自動化機器生產、安全監控系統、自動駕駛車、娛樂體感遊戲、3D重建等方面。

影像處理與電腦視覺的差別在於，影像處理著重在處理影像，例如去雜訊、還原、分割...等；而電腦視覺著重於模擬人類視覺，進行辨識、偵測等模擬。

OpenCV (Open source computer vision library) 為一個開放程式碼跨平台的電腦視覺庫，內含許多影像處理與電腦視覺方面的演算法，是目前電腦視覺領域主流工具之一。

二、OpenCV 概述

OpenCV 於 1999 年由 Intel 建立，如今由 Willow Garage 提供支援，可用於 Linux 、 Windows 、 Mac 、OS 、 Android 、 iOS .... 等作業系統上， OpenCV 由 C 與 C++ 類別構成，容量小、執行效率高，OpenCV 除了能用 C/C++ 之外，還支援 C# 、 Ruby 等程式語言，同時提供 Python 、 Ruby 、 Matlab 等語言的介面。

OpenCV 已於 2015 年 12月 21 日發布 OpenCV 3.1 版本。