图像预处理第8步:紧缩重排数字字符

//图像预处理第8步:紧缩重排已经分割完毕的数字字符,并形成新的位图句柄
void CChildView::OnImgprcShrinkAlign()
{
    m_hDIB=AutoAlign(m_hDIB);
    //在屏幕上显示位图
    CDC* pDC=GetDC();
    DisplayDIB(pDC,m_hDIB);
    DrawFrame(pDC,m_hDIB,m_charRect,1,RGB(252,115,27));
}
/*******************************************
*
*  函数名称:
*  AutoAlign()
*
*  参数:
*    HDIB   hDIB        -原图像的句柄
*
*  返回值
*    HDIB               -紧缩排列后的新图像的句柄
*
*  功能:
*     将经过了标准化处理的字符进行规整的排列,以方便下一步的处理
*
*  说明:
*     紧缩排列的操作必须在标准化操作之后进行
*
********************************************************/

HDIB AutoAlign(HDIB hDIB)
{   

    //指向图像的指针
     BYTE* lpDIB=(BYTE*)::GlobalLock ((HGLOBAL)hDIB);

    //指向象素起始位置的指针
    BYTE* lpDIBBits=(BYTE*)::FindDIBBits ((char*)lpDIB);

    //指向象素的指针
    BYTE* lpSrc;

    //获取图像的宽度
    LONG lWidth=::DIBWidth ((char*)lpDIB);

    //获取图像的高度
    LONG lHeight=::DIBHeight ((char*)lpDIB);

    //获取标准化的宽度
    int w=m_charRect.front ().Width() ;

    //获取标准化的高度
    int h=m_charRect.front ().Height() ;

    //建立一个新的图像正好能够将标准化的字符并排放置
    HDIB hNewDIB=::NewDIB (digicount*w,h,8);

    //指向新的图像的指针
    BYTE* lpNewDIB=(BYTE*) ::GlobalLock((HGLOBAL)hNewDIB);

    //指向象素起始位置的指针
    BYTE* lpNewDIBBits=(BYTE*)::FindDIBBits((char*)lpNewDIB);

    //指向象素的指针
    BYTE* lpDst=lpNewDIBBits;

    //计算原图像每行的字节数
    LONG lLineBytes=(lWidth+3)/4*4;

    //计算新图像每行的字节数
    LONG lLineBytesnew =(digicount*w+3)/4*4;

    //将新的图像初始化为白色
    memset(lpDst,(BYTE)255,lLineBytesnew * h);

    //映射操作的坐标变量
    int i_src,j_src;

    //循环变量
    int i,j;

    //统计字符个数的变量
    int counts=0;

    //存放位置信息的结构体
    CRect rect,rectnew;

    //清空一个新的链表来存放新的字符位置信息
    m_charRectCopy.clear ();

    //从头至尾逐个扫描原链表的各个结点
    while(!m_charRect.empty() )
    {
        //从表头上得到一个矩形框
        rect=m_charRect.front ();

        //将这个矩形框从链表上删除
        m_charRect.pop_front ();

        //计算新的矩形框的位置信息

        //左边界
        rectnew.left =counts*w;

        //右边界
        rectnew.right =(counts+1)*w;

        //上边界
        rectnew.top =0;

        //下边界
        rectnew.bottom =h;

        //将获得的新的矩形框插入到新的链表中
        m_charRectCopy.push_back (rectnew);

        //将原矩形框内的象素映射到新的矩形框中
        for(i=0;i<h;i++)
        {
            for(j=counts*w;j<(counts+1)*w;j++)
            {   

                //计算映射坐标
                  i_src=rect.top +i;
                j_src=rect.left +j-counts*w;

                //进行象素的映射
                lpSrc=(BYTE *)lpDIBBits + lLineBytes *  i_src + j_src;
                lpDst=(BYTE *)lpNewDIBBits + lLineBytesnew * i + j;
                *lpDst=*lpSrc;
            }
        }

        //字符个数加1
        counts++;

    }

    //将获得的新的链表复制到原链表中,以方便下一次的调用
    m_charRect=m_charRectCopy;

    //解除锁定
    ::GlobalUnlock (hDIB);

    ::GlobalUnlock (hNewDIB);
    return hNewDIB;
}

运行结果:

时间: 2024-10-09 21:32:12

图像预处理第8步:紧缩重排数字字符的相关文章

图像预处理第7步:标准归一化

图像预处理第7步:标准归一化将分割出来的各个不同宽.高的数字字符宽.高统一 //图像预处理第7步:标准归一化 //将分割出来的各个不同宽.高的数字字符宽.高统一 void CChildView::OnImgprcStandarize() { StdDIBbyRect(m_hDIB,w_sample,h_sample); //在屏幕上显示位图 CDC* pDC=GetDC(); DisplayDIB(pDC,m_hDIB); DrawFrame(pDC,m_hDIB,m_charRect,2,RG

图像预处理第9步:存为.bmp文件

//图像预处理第9步:将最终标准化后的字符图像分为单个单个的HDIB保存,并存为.bmp文件 void CChildView::OnImgprcToDibAndSave() { unsigned char* lpSrc; int w,h; w=m_charRect.front ().Width() ; h=m_charRect.front ().Height() ; m_dibRect.clear (); m_dibRectCopy.clear (); int i_src,j_src; int

图像预处理

图像预处理的多个方法: http://blog.csdn.net/u014365862/article/details/51519154 图像预处理方法及实例(应用): http://wenku.baidu.com/link?url=gka7VzVifzcbzRNt1RaPVH_BGZNi5-dm7OlWvxgGBf-A_9m6ljz3xkR8f6oS1rDrLsH646A0f1SnkXXCFqo_L2CTrRCHLF7a65F_heyLOgy 图像归一化的定义和操作: http://blog.

『TensorFlow』图像预处理_

部分代码单独测试: 这里实践了图像大小调整的代码,值得注意的是格式问题: 输入输出图像时一定要使用uint8编码, 但是数据处理过程中TF会自动把编码方式调整为float32,所以输入时没问题,输出时要手动转换回来!使用numpy.asarray(dtype)或者tf.image.convert_image_dtype(dtype)都行 都行 1 import numpy as np 2 import tensorflow as tf 3 import matplotlib.pyplot as

python+opencv 图像预处理

一 python 生成随机字符串序列+ 写入到图片上 from PIL import Image,ImageDraw,ImageFont import numpy as np import random import string import cv2 # 生成随机字符串 for i in range(1,10000): strnum = random.randint(2,10) ran_str = "".join(random.sample(string.ascii_letters

pytorch 目标检测 图像预处理

Faster RCNN 和Retinanet在将图像数据输送到网络之前,要对图像数据进行预处理.大致上与博客提到的相同. 事实上还可以采取第三步,将图片的宽和高扩展为32的整倍数,正如在Retinanet使用的.下面是一个简单的Pytorch数据预处理模块: class Resizer(): def __call__(self, sample, targetSize=608, maxSize=1024, pad_N=32): image, anns = sample['img'], sample

Matlab 图像预处理

%%%%%%%%%%%%%%%%% %%降采样 clear all im={}; %创建字典保存读取的图片 dis=dir('F:\kaggle_data_zip\Sample\*.jpeg');%%找到所有需要进行预处理的图像 for i=1:length(dis) path=strcat('F:\kaggle_data_zip\Sample\',dis(i).name); im{i}=imread(path);%%读取图像 for k=1:3 %%分别对三个通道进行降采样 up_scale=

ENVI【遥感图像预处理之图像的几何校正】

---恢复内容开始--- 一.图像几何校正的概述 1.几何校正方法: 1)利用卫星自带的地理定位文件进行几何校正.主菜单>>>Map>>Georeference传感器的名称,来启动这种矫正方法. 2)Image to Image几何校正.一幅图像没有经过几何校正的删个文件或者已经经过几何校正的栅格文件作为基准图,通过两幅图上选择同名点来配准另一幅栅格文件,使相同地物出现在校正后的相同位置,大多数的几何校正都是通过这种方法来完成的. 选择主菜单>>Map>&g

图像预处理函数说明

[1]    将256色图像转化为灰度图像 void CChildView::OnIMGPRC256ToGray() { Convert256toGray(m_hDIB); //在屏幕上显示位图 CDC* pDC=GetDC(); DisplayDIB(pDC,m_hDIB); } [2]    二值化函数 void CChildView::OnIMGPRCGrayToWhiteBlack() { ConvertGrayToWhiteBlack(m_hDIB); //在屏幕上显示位图 CDC*