機器視覺源碼
❶ 誰有CCD與PLC的VB機器視覺系統的源碼
應該是CCD與VB,VB與PLC之間最好用OPC,這樣基本不用考濾PLC的型號和系列
❷ 跪求canny邊緣檢測運算元的c源代碼
canny運算元代碼
void CreatGauss(double sigma, double **pdKernel, int *pnWidowSize);
void GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma);
void Grad(SIZE sz, LPBYTE pGray, int *pGradX, int *pGradY, int *pMag);
void NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst);
void EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray,
double dRatHigh, double dRatLow);
void Hysteresis(int *pMag, SIZE sz, double dRatLow, double dRatHigh, LPBYTE pResult);
void TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz);
void Canny(LPBYTE pGray, SIZE sz, double sigma, double dRatLow,
double dRatHigh, LPBYTE pResult);
#include "afx.h"
#include "math.h"
#include "canny.h"
// 一維高斯分布函數，用於平滑函數中生成的高斯濾波系數
void CreatGauss(double sigma, double **pdKernel, int *pnWidowSize)
{
LONG i;
//數組中心點
int nCenter;
//數組中一點到中心點距離
double dDis;
//中間變數
double dValue;
double dSum;
dSum = 0;
// [-3*sigma,3*sigma] 以內數據，會覆蓋絕大部分濾波系數
*pnWidowSize = 1+ 2*ceil(3*sigma);
nCenter = (*pnWidowSize)/2;
*pdKernel = new double[*pnWidowSize];
//生成高斯數據
for(i=0;i<(*pnWidowSize);i++)
{
dDis = double(i - nCenter);
dValue = exp(-(1/2)*dDis*dDis/(sigma*sigma))/(sqrt(2*3.1415926)*sigma);
(*pdKernel)[i] = dValue;
dSum+=dValue;
}
//歸一化
for(i=0;i<(*pnWidowSize);i++)
{
(*pdKernel)[i]/=dSum;
}
}
//用高斯濾波器平滑原圖像
void GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma)
{
LONG x, y;
LONG i;
//高斯濾波器長度
int nWindowSize;
//窗口長度
int nLen;
//一維高斯濾波器
double *pdKernel;
//高斯系數與圖像數據的點乘
double dDotMul;
//濾波系數總和
double dWeightSum;
double *pdTemp;
pdTemp = new double[sz.cx*sz.cy];
//產生一維高斯數據
CreatGauss(sigma, &pdKernel, &nWindowSize);
nLen = nWindowSize/2;
//x方向濾波
for(y=0;y<sz.cy;y++)
{
for(x=0;x<sz.cx;x++)
{
dDotMul = 0;
dWeightSum = 0;
for(i=(-nLen);i<=nLen;i++)
{
//判斷是否在圖像內部
if((i+x)>=0 && (i+x)<sz.cx)
{
dDotMul+=(double)pGray[y*sz.cx+(i+x)] * pdKernel[nLen+i];
dWeightSum += pdKernel[nLen+i];
}
}
pdTemp[y*sz.cx+x] = dDotMul/dWeightSum;
}
}
//y方向濾波
for(x=0; x<sz.cx;x++)
{
for(y=0; y<sz.cy; y++)
{
dDotMul = 0;
dWeightSum = 0;
for(i=(-nLen);i<=nLen;i++)
{
if((i+y)>=0 && (i+y)< sz.cy)
{
dDotMul += (double)pdTemp[(y+i)*sz.cx+x]*pdKernel[nLen+i];
dWeightSum += pdKernel[nLen+i];
}
}
pResult[y*sz.cx+x] = (unsigned char)dDotMul/dWeightSum;
}
}
delete []pdKernel;
pdKernel = NULL;
delete []pdTemp;
pdTemp = NULL;
}
// 方向導數,求梯度
void Grad(SIZE sz, LPBYTE pGray,int *pGradX, int *pGradY, int *pMag)
{
LONG y,x;
//x方向的方向導數
for(y=1;y<sz.cy-1;y++)
{
for(x=1;x<sz.cx-1;x++)
{
pGradX[y*sz.cx +x] = (int)( pGray[y*sz.cx+x+1]-pGray[y*sz.cx+ x-1] );
}
}
//y方向方向導數
for(x=1;x<sz.cx-1;x++)
{
for(y=1;y<sz.cy-1;y++)
{
pGradY[y*sz.cx +x] = (int)(pGray[(y+1)*sz.cx +x] - pGray[(y-1)*sz.cx +x]);
}
}
//求梯度
//中間變數
double dSqt1;
double dSqt2;
for(y=0; y<sz.cy; y++)
{
for(x=0; x<sz.cx; x++)
{
//二階范數求梯度
dSqt1 = pGradX[y*sz.cx + x]*pGradX[y*sz.cx + x];
dSqt2 = pGradY[y*sz.cx + x]*pGradY[y*sz.cx + x];
pMag[y*sz.cx+x] = (int)(sqrt(dSqt1+dSqt2)+0.5);
}
}
}
//非最大抑制
void NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst)
{
LONG y,x;
int nPos;
//梯度分量
int gx;
int gy;
//中間變數
int g1,g2,g3,g4;
double weight;
double dTmp,dTmp1,dTmp2;
//設置圖像邊緣為不可能的分界點
for(x=0;x<sz.cx;x++)
{
pNSRst[x] = 0;
pNSRst[(sz.cy-1)*sz.cx+x] = 0;
}
for(y=0;y<sz.cy;y++)
{
pNSRst[y*sz.cx] = 0;
pNSRst[y*sz.cx + sz.cx-1] = 0;
}
for(y=1;y<sz.cy-1;y++)
{
for(x=1;x<sz.cx-1;x++)
{
//當前點
nPos = y*sz.cx + x;
//如果當前像素梯度幅度為0，則不是邊界點
if(pMag[nPos] == 0)
{
pNSRst[nPos] = 0;
}
else
{
//當前點的梯度幅度
dTmp = pMag[nPos];
//x,y方向導數
gx = pGradX[nPos];
gy = pGradY[nPos];
//如果方向導數y分量比x分量大，說明導數方向趨向於y分量
if(abs(gy) > abs(gx))
{
//計算插值比例
weight = fabs(gx)/fabs(gy);
g2 = pMag[nPos-sz.cx];
g4 = pMag[nPos+sz.cx];
//如果x,y兩個方向導數的符號相同
//C 為當前像素，與g1-g4 的位置關系為：
//g1 g2
// C
// g4 g3
if(gx*gy>0)
{
g1 = pMag[nPos-sz.cx-1];
g3 = pMag[nPos+sz.cx+1];
}
//如果x,y兩個方向的方向導數方向相反
//C是當前像素，與g1-g4的關系為：
// g2 g1
// C
// g3 g4
else
{
g1 = pMag[nPos-sz.cx+1];
g3 = pMag[nPos+sz.cx-1];
}
}
//如果方向導數x分量比y分量大，說明導數的方向趨向於x分量
else
{
//插值比例
weight = fabs(gy)/fabs(gx);
g2 = pMag[nPos+1];
g4 = pMag[nPos-1];
//如果x,y兩個方向的方向導數符號相同
//當前像素C與 g1-g4的關系為
// g3
// g4 C g2
// g1
if(gx * gy > 0)
{
g1 = pMag[nPos+sz.cx+1];
g3 = pMag[nPos-sz.cx-1];
}
//如果x,y兩個方向導數的方向相反
// C與g1-g4的關系為
// g1
// g4 C g2
// g3
else
{
g1 = pMag[nPos-sz.cx+1];
g3 = pMag[nPos+sz.cx-1];
}
}
//利用 g1-g4 對梯度進行插值
{
dTmp1 = weight*g1 + (1-weight)*g2;
dTmp2 = weight*g3 + (1-weight)*g4;
//當前像素的梯度是局部的最大值
//該點可能是邊界點
if(dTmp>=dTmp1 && dTmp>=dTmp2)
{
pNSRst[nPos] = 128;
}
else
{
//不可能是邊界點
pNSRst[nPos] = 0;
}
}
}
}
}
}
// 統計pMag的直方圖，判定閾值
void EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray,
double dRatHigh, double dRatLow)
{
LONG y,x,k;
//該數組的大小和梯度值的范圍有關，如果採用本程序的演算法
//那麼梯度的范圍不會超過pow(2,10)
int nHist[256];
//可能邊界數
int nEdgeNum;
//最大梯度數
int nMaxMag;
int nHighCount;
nMaxMag = 0;
//初始化
for(k=0;k<256;k++)
{
nHist[k] = 0;
}
//統計直方圖,利用直方圖計算閾值
for(y=0;y<sz.cy;y++)
{
for(x=0;x<sz.cx;x++)
{
if(pGray[y*sz.cx+x]==128)
{
nHist[pMag[y*sz.cx+x]]++;
}
}
}
nEdgeNum = nHist[0];
nMaxMag = 0;
//統計經過「非最大值抑制」後有多少像素
for(k=1;k<256;k++)
{
if(nHist[k] != 0)
{
nMaxMag = k;
}
//梯度為0的點是不可能為邊界點的
//經過non-maximum suppression後有多少像素
nEdgeNum += nHist[k];
}
//梯度比高閾值*pThrHigh 小的像素點總書目
nHighCount = (int)(dRatHigh * nEdgeNum + 0.5);
k=1;
nEdgeNum = nHist[1];
//計算高閾值
while((k<(nMaxMag-1)) && (nEdgeNum < nHighCount))
{
k++;
nEdgeNum += nHist[k];
}
*pThrHigh = k;
//低閾值
*pThrLow = (int)((*pThrHigh) * dRatLow + 0.5);
}
//利用函數尋找邊界起點
void Hysteresis(int *pMag, SIZE sz, double dRatLow, double dRatHigh, LPBYTE pResult)
{
LONG y,x;
int nThrHigh,nThrLow;
int nPos;
//估計TraceEdge 函數需要的低閾值，以及Hysteresis函數使用的高閾值
EstimateThreshold(pMag, sz,&nThrHigh,&nThrLow,pResult,dRatHigh,dRatLow);
//尋找大於dThrHigh的點，這些點用來當作邊界點，
//然後用TraceEdge函數跟蹤該點對應的邊界
for(y=0;y<sz.cy;y++)
{
for(x=0;x<sz.cx;x++)
{
nPos = y*sz.cx + x;
//如果該像素是可能的邊界點，並且梯度大於高閾值，
//該像素作為一個邊界的起點
if((pResult[nPos]==128) && (pMag[nPos] >= nThrHigh))
{
//設置該點為邊界點
pResult[nPos] = 255;
TraceEdge(y,x,nThrLow,pResult,pMag,sz);
}
}
}
//其他點已經不可能為邊界點
for(y=0;y<sz.cy;y++)
{
for(x=0;x<sz.cx;x++)
{
nPos = y*sz.cx + x;
if(pResult[nPos] != 255)
{
pResult[nPos] = 0;
}
}
}
}
//根據Hysteresis 執行的結果，從一個像素點開始搜索，搜索以該像素點為邊界起點的一條邊界的
//一條邊界的所有邊界點，函數採用了遞歸演算法
// 從（x,y)坐標出發，進行邊界點的跟蹤，跟蹤只考慮pResult中沒有處理並且可能是邊界
// 點的像素（=128），像素值為0表明該點不可能是邊界點，像素值為255表明該點已經是邊界點
void TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz)
{
//對8鄰域像素進行查詢
int xNum[8] = {1,1,0,-1,-1,-1,0,1};
int yNum[8] = {0,1,1,1,0,-1,-1,-1};
LONG yy,xx,k;
for(k=0;k<8;k++)
{
yy = y+yNum[k];
xx = x+xNum[k];
if(pResult[yy*sz.cx+xx]==128 && pMag[yy*sz.cx+xx]>=nThrLow )
{
//該點設為邊界點
pResult[yy*sz.cx+xx] = 255;
//以該點為中心再進行跟蹤
TraceEdge(yy,xx,nThrLow,pResult,pMag,sz);
}
}
}
// Canny運算元
void Canny(LPBYTE pGray, SIZE sz, double sigma, double dRatLow,
double dRatHigh, LPBYTE pResult)
{
//經過高斯濾波後的圖像
LPBYTE pGaussSmooth;
pGaussSmooth = new unsigned char[sz.cx*sz.cy];
//x方向導數的指針
int *pGradX;
pGradX = new int[sz.cx*sz.cy];
//y方向
int *pGradY;
pGradY = new int[sz.cx*sz.cy];
//梯度的幅度
int *pGradMag;
pGradMag = new int[sz.cx*sz.cy];
//對原圖高斯濾波
GaussianSmooth(sz,pGray,pGaussSmooth,sigma);
//計算方向導數和梯度的幅度
Grad(sz,pGaussSmooth,pGradX,pGradY,pGradMag);
//應用非最大抑制
NonmaxSuppress(pGradMag,pGradX,pGradY,sz,pResult);
//應用Hysteresis，找到所有邊界
Hysteresis(pGradMag,sz,dRatLow,dRatHigh,pResult);
delete[] pGradX;
pGradX = NULL;
delete[] pGradY;
pGradY = NULL;
delete[] pGradMag;
pGradMag = NULL;
delete[] pGaussSmooth;
pGaussSmooth = NULL;
}
/*
void CChildWnd::OnCanny()
{
if (! m_fOpenFile)
{
return;
}
m_fDone = TRUE;
RGBToGray(szImg, aRGB, aGray, BPP);
Canny(aGray,szImg,0.1,0.9,0.76,aBinImg);
ShowGrayImage("l",szImg,aBinImg);
}
//*/
❸ 實用計算機視覺項目解析 - 源代碼
職稱計算機考試分為3-4個等級。由於職稱計算機考試由各地人事考試中心自行組織，因而職稱計算機考試等級劃分也有所差別。 一般來說，大多數地區職稱計算機考試均分為四個等級，分別是正高、副高、中級和初級，有的地區也稱為A級、B級、C級和D級.
❹ 機器視覺方面有哪些好的開發平台各有什麼特點
一般來說沒有具體的語言，如果是2D視覺的話可以用opencv之類的圖像庫，這些庫的語言源碼是C/C++的，現在有很多介面，python和matlab都有介面，如果是3D的話，例如你想搞Kinect等3D圖形開發的話，也有很多語言可以選擇，C++和C#都行，現在opengl等3D庫也有很多介面提供使用，Python和processing語音都可以調用。
❺ 機器視覺怎樣開始學halcon與c++還是c#搭配好
java和C的運行效率對比：C的運行效率明顯要比JAVA高，因為C是編譯型的，直接將源碼編譯成機器代碼；而JAVA是解釋型，源碼被編譯成二進制偽代碼，由JAVA虛擬機解釋執行。但是，由於C是編譯型的，它的可移植性差；而JAVA是解釋執行，因此具有很好的移植性，可跨平台運行。編一個普通的本地應用程序，一般c 要快於java， 編web應用，由於c實現的cgi程序基本是進程型，而java application server 的管理servlet採用線程方式，所以，在訪問量大的情況下，java有優勢。
❻ 誰有OpenCV 3計算機視覺：Python語言實現
本書介紹了如何通過Python來開發基於OpenCV 3.O的應用。作為當前非常流行的動態語言之一，Python不僅使用非常簡單，而且功能強大。通過Python來學習OpenCV框架，可以讓你很快理解計算機視覺的基本概念以及重要演算法。
❼ 求《數字圖像處理與機器視覺 Visual C++ 與Matlab實現 》的電子檔下載。
CSDN中有這本書的PDF文檔可供下載，還有配套的源代碼可以下載。去找找吧。
❽ python程序答題卡識別項目+你覺得在這個項目基礎上還可以進一步再作什麼研究
摘要 您好。Copyright © 1999-2020, CSDN.NET, All Rights Reserved
❾ 請問誰有《深入理解OpenCV：實用計算機視覺開發項目解析》這本書的源代碼嗎
你可以去OpenCV論壇里問問。
❿ 刷臉支付是怎麼回事
刷臉支付，是支付寶推出的一項新功能，人臉識別是基於人的相貌特徵信息進行身份認證的生物特徵識別，技術的最大特徵是能避免個人信息泄露，並採用非接觸的方式進行識別。
當前，支付寶、微信等支付巨頭正競相發力布局刷臉支付市場。近日，央行相關負責人也表示，刷臉支付線下已基本具備試點應用的條件。
有關部門將發布人臉識別領域相關金融標准，以明確人臉信息採集、傳輸、存儲、利用等環節的安全管理要求。
(10)機器視覺源碼擴展閱讀：
刷臉支付特點：
刷臉支付打造全新零售場景自助收銀場景：
1、有效分流，提高效率 使用了刷臉自助設備，對於購物件數少的消費者可以自助結賬，在購物高峰期可有效分流，減少排隊時間，而且刷臉支付速度快，無需拿出任何東西，就可以完成交易，體驗感非常好。
2、廣告強觸達 消費者每次交易都能看到大屏廣告，增加廣告曝光率，而且支持商戶自定義廣告內容，不僅可以展示自己的廣告信息，也可以招商其他商家的廣告，廣告形式也支持視頻/圖片多種形式廣告。
3、刷臉支付是智慧零售的重要標志，現在刷臉支付設備集成了許多開發者自主開發的系統後台，各種功能都能得到實現，具有活動發券、朋友圈廣告、發票、會員、營銷小工具等等。