销售推广做那个网站,手机优化助手下载,吉林天宇建设集团网站,浙江城乡建设网站前言 一款功能测试的软件demo，使用了QT作为界面，主要使用了opencv的KNN识别，使用gstreamer作为管道，用来打开图片。后期会写一篇打开摄像头实时识别的文章。
（正在写，未完成，稍候） 效果一预览： 效果二预览： 效果三预览：
正在写。。。 设计思路
1. 软件UI设计 2. …前言 一款功能测试的软件demo，使用了QT作为界面，主要使用了opencv的KNN识别，使用gstreamer作为管道，用来打开图片。后期会写一篇打开摄像头实时识别的文章。
（正在写，未完成，稍候） 效果一预览： 效果二预览： 效果三预览：
正在写。。。 设计思路
1. 软件UI设计 2. 底层思路 如下图，使用2个gstreamer管道，中间是opencv，最终显示在QT界面上。 之所以看起来搞这么复杂，是为了以后方便扩展，否则其实不使用gstreamer，光使用opencv即可完成所有功能。以下是一些思路：
1.opencv主要是图像处理和识别框架，而gstreamer是音视频框架，我们使用OpenCV作为图像处理和识别，使用gstreamer作为输入和输出的接口，使用封装好的类显示在QT上，这样以后可以对接更多格式的媒体数据，以及更简单的处理步骤。
2. 框架设计了解耦，这样以后，不光可以识别LED，只要把训练资料替换，一样可以识别其他
3. OpenCV因为功能强大，本次只作为 KNN训练和图像识别使用，以后可以根据需要添加其他
4. 其中的knn_modle为解耦设计，可以作为其他项目使用，不必使用gstreamer和QT。 3. opencv识别LED数字的原理
3.1 识别算法选择 首先，请自行搜索：机器学习 和 深度学习的区别，我也是小白，但是我知道深度学习更加复杂，虽然它的准确度更高一些，但是我时间有限，就先试用机器学习来识别，挑了一个最简单的算法：KNN算法。 KNN算法识别，需要先训练，然后再识别，在应用中，使用opencv 的 KNearest 即可创建KNN识别模型，只需要训练和识别即可。这个方向，我有demo，还有从别人那里捞过来的图片训练资料，小白也能直接上手使用。 首先我们先来对一个简单的图片进行识别，以下是识别效果： 我之前写过一篇文章，里面有demo 和 代码：
使用gstreamer和opencv实时识别LED数码管数字的测试demo（QT）-CSDN博客 3.2 识别思路 以下是我自己总结的思路： 看完上一篇文章，已经可以实现简单图片LED数字的识别，那么可以总结出上述思路。 于是在原有图片的基础上，修改图片，然后训练和识别，即可完成第一和第7步，而第8步比较简单，目前无需考虑。当然，自己也是需要动手改一下的：在Linux上，我使用的是GIMP画的： 然后，既然已经有了训练资料，而且对于比较简单的图片识别效果还行，那么就可以上手实现复杂的图片了。
但是将复制图片导入，直接使用之前的代码会发现，根本无法识别出来，甚至连框都画不出来，为什么呢，原来，虽然KNN可以根据近似原理识别出结果，但是如果喂给KNN识别的图片本身就不对，那么自然KNN也没有办法识别，所以使用opencv对图片进行处理，也就是第三、四、五、六步，都是非常关键的，这里就需要去简单学习一下opencv了。 考虑到使用的是QT，而且以后要进行实时识别，所以选择使用C++完成，而不是python完成 4.处理图片---第一次 首先来看一下，我需要分析的图片： 4.1 图片初步处理 如此多的颜色和真实脑壳大，最开始我思考了转灰度图，但是发现根本无法区分颜色，因为红色、黄色、绿灯和散光的颜色是差不多的，于是放弃转灰度图： 然后我开始使用RGB筛选，但是发现效果依然是不好。 后来我思考到了使用HSV颜色空间的方法，参考文章：
三分钟带你快速学习RGB、HSV和HSL颜色空间 - 知乎 (zhihu.com) 使用HSV进行区分的效果，可以看到，效果好了很多： 但是此处，使用轮廓识别和KNN，依然是无法识别。 而且，这里的HSV的上下限，一共6个数字，一个个实验，非常头疼，于是我自己写了一个demo： 4.2 测试demo进行HSV测试：
main.cpp源码：
#include opencv2/opencv.hppcv::Mat mt; // 原图像
cv::Mat image_bin; // 二值化后的图像// 回调函数，用于更新图像
void updateImage(int, void*) {cv::Mat hsvImage;cv::cvtColor(mt, hsvImage, cv::COLOR_BGR2HSV);// 获取滑动条的参数值int hMin = cv::getTrackbarPos("Hue Min", "Trackbars");int sMin = cv::getTrackbarPos("Saturation Min", "Trackbars");int vMin = cv::getTrackbarPos("Value Min", "Trackbars");int hMax = cv::getTrackbarPos("Hue Max", "Trackbars");int sMax = cv::getTrackbarPos("Saturation Max", "Trackbars");int vMax = cv::getTrackbarPos("Value Max", "Trackbars");// 根据滑动条的参数值进行颜色范围选择cv::Scalar lower(hMin, sMin, vMin);cv::Scalar upper(hMax, sMax, vMax);cv::inRange(hsvImage, lower, upper, image_bin);// 显示二值化图像cv::resize(image_bin,image_bin,cv::Size(640,480));cv::imshow("Red Area", image_bin);
}int main() {mt = cv::imread("/home/enpht/Pictures/ocr_jpg/test4.jpg");cv::Mat orin;cv::resize(mt, orin, cv::Size(640, 480));cv::imshow("orin",orin);if (mt.empty()) {std::cerr "Error loading image!" std::endl;return 1;}cv::namedWindow("Trackbars"); // 创建窗口用于显示滑动条int hMin = 105;int sMin = 38;int vMin = 176;int hMax = 255;int sMax = 230;int vMax = 255;cv::createTrackbar("Hue Min", "Trackbars", hMin, 255, updateImage);cv::createTrackbar("Saturation Min", "Trackbars", sMin, 255, updateImage);cv::createTrackbar("Value Min", "Trackbars", vMin, 255, updateImage);cv::createTrackbar("Hue Max", "Trackbars", hMax, 255, updateImage);cv::createTrackbar("Saturation Max", "Trackbars", sMax, 255, updateImage);cv::createTrackbar("Value Max", "Trackbars", vMax, 255, updateImage);// 初始时更新一次图像updateImage(0, 0);cv::waitKey(0);return 0;
} 效果：加入6个滑动槽，进行HSV上下限的改变，并且实时查看效果，这里我换了一副图，忘了换回来了，不过效果类似的： 从这里，我们可以自行实验出HSV的上下限的6个数值。 4.3 搭建QT项目 如下所示，我搭建了一个测试项目： knnModel.h
#ifndef KNNMODEL_H
#define KNNMODEL_H// 此处部分代码参考其他文章// knn:
#include opencv2/opencv.hpp
#include opencv2/core/core.hpp
#include opencv2/highgui/highgui.hpp
#include
