像素

　　WPF允许使用Image元素显示位图。然而，按这种方法显示图片的方法完全是单向的。应用程序使用现成的位图，读取问题，并在窗口中显示位图。就其本身而言，Image元素没有提供创建和编辑位图信息的方法。 　　这正是WriteableBitmap类的用武之地。该类继承自BitmapSource，BitmapSource类是当设置Image.Source属性时使用的类(不管是在代码中直接设置图像，还是在XAML中隐式地设置图像)。但BitmapSource是只读的位图数据映射，而WriteableBitmap类是可修改的像素数组，为实现许多有趣得效果提供了可能。 一、生成位图 　　为使用WriteableBitmap类生成一幅位图，必须提供提供几部分重要信息：以像素为单位的宽度和高度、两个方向上的DPI分辨率以及图像格式。 　　下面是创建一幅与当前图像元素尺寸相同的位图的示例： // Create the bitmap, with the dimensions of the image placeholder. WriteableBitmap wb = new WriteableBitmap((int)img.Width, (int)img.Height, 96, 96, PixelFormats.Bgra32, null); 　　PixelFormats枚举提供了许多像素格式

cv2.VideoCapture(0) #构建视频抓捕器 参数说明：0表示需要启动的摄像头，这里也可以写视频的路径 cv2.nameWindow(name, cv2.WINDOW_NORMAL) # 构建视频的窗口 参数说明: 表示窗口的名字, cv2.WINDOW_NORMAL表示窗口的大小，这里窗口的大小是正常, 3.cv2.setWindowProperty(name, cv2.WND_PROP_FULLSCREEN, cv2.WND_PROP_FULLSCREEN) 参数说明: name表示需要更改像素的窗口名字, cv2.WND_PROP_FULLSCREEN表示全屏 video_capture.set(cv2.CAP_PROP_FRAME_WIDTH, 1920) 对窗口像素进行设置 参数说明: cv2.CAP_PROP_FRAME_WIDTH 表示设置其宽的大小, 1920表示设置的像素 video_capture = cv2.VideoCapture(0) cv2.namedWindow("frame", cv2.WINDOW_NORMAL) cv2.setWindowProperty("frame", cv2.WND_PROP_FULLSCREEN, cv2.WND_PROP_FULLSCREEN) video_capture.set(cv2.CAP_PROP

布局相关 android:layout_width=“match_parent” 表示填充满父布局，父布局多大就大 android:layout_height="wrap_content"表示让当前的控件大小能够刚好包含里面的内容，也就是由控件内容决定当前控件的大小 android:layout_width=“0dp” android:layout_weight=“1” 将layout_width设为 0dp，添加weight=“x”，表示在当前布局在所占的大小比例 sp：与缩放无关的抽象像素（Scale-independent Pixel） dp：虚拟像素，在不同的像素密度的设备上会自动适配 px ： 其实就是像素单位，比如我们通常说的手机分辨列表800*400都是px的单位 文字的尺寸一律用sp单位，非文字的尺寸一律使用dp单位。 来源： CSDN 作者： qq_44758355 链接： https://blog.csdn.net/qq_44758355/article/details/104434931

数字图像处理中常用的数据结构有矩阵、链表、拓扑结构和关系结构 图像的数据结构用于目标表示和表述 1.3.1 矩阵 矩阵用于描述图像，可以表示黑白图像、灰度图像和彩色图像。 矩阵中的一个元素表示图像的一个像素 矩阵描述黑白图像时，矩阵中的元素取值只有0和1两个值，一次黑白图像又叫做二值图像或二进制图像 矩阵描述灰度图像时，矩阵中的元素有一个量化的灰度级描述，灰度级通常为8位，即0~255之间的整数，其中0表示黑色，255表示白色。现实中的图像都可以表示成灰度图像，根据图像精度的要求可以扩展灰度级，由8位扩展为10位、12位、16位或更高。越高的灰度值所描述的图像越细腻，对存储空间的要求也越大。 RGB彩色图像是由三原色红、绿、蓝组成的，RGB图像的每个像素都由不同灰度级的红、绿、蓝描述，每种单色的灰度描述同灰度图像的描述方式相同 1.3.2 链码 链码用于描述目标图像的边界，通过规定链的起始坐标和链起始点坐标的斜率，用一小段线段来表示图像中的曲 链码按照标准方向的斜率分为4向链码或8向链码 因为链码表示图像边界时，只需标记起点坐标，剩余点用线段的方向数代表方向即可 边界链码的表示与起始点的选取直接相关，起始点不同，链码的表示也不相同 为了实现链码与起始点无关，需要将链码归一化 简单的归一化方法将链码看成一个自然数，取不同的起始点，得到不同的链码

一、直线生成基本思路 图形图像是由屏幕上不同亮度不同颜色的光点（像素）组成。在光栅显示器的荧光屏上生成一个对象，实质上是往帧缓存寄存器的相应单元中填入数据。 所以：对直线进行光栅化的时候，只能在显示器所给定的有限个像素组成的点阵中确定最佳逼近于该直线的一组像素，用这些像素表示该直线。 所以：生成直线的主要工作是：快速找出距离直线最近的网格点，用这些网格点对应的像素表示该直线。 如果我们使用斜截式方程来表示直线，会用到一次乘法和一次 加法，在计算机底层乘法是费时的，那么有什么方法可以改进？ 变乘法为加法！ 直线是象素集合，生成算法的最终目的，就是为了寻找能更准确逼近直线的象素点。 所以，要确定直线上每个点，那么，如：m<1时，从起始点xs，xs+1, xs+2, xs+3 ……到xe的每个点(xi,yi) ，需要确定其对应的象素值。 所以，每一个(xi,yi)即准确值，都要寻找对应其的象素值(xi,yi,r)，即，最接近其准确值的整数值，最简单－取整 。 假设(xi,yi)已经确定了它的对应整数象素点，则下面就要找个规则确定下一个点即(xi＋1, yi＋1)的对应象素点。 对应于上述情况，即m<1的情况， xi＋1＝xi＋1，即yi＋1需要确定，即需要确定上述说的准则，即给定一个判定式，由判定式来确定yi＋1的选择。 而判定式为了计算方便也可以有更简便的方式来计算

（一）概念 dip: device independent pixels(设备独立像素). 不同设备有不同的显示效果,这个和设备硬件有关，一般我们为了支持WVGA、HVGA和QVGA 推荐使用这个，不依赖像素。 px: pixels(像素). 不同设备显示效果相同，一般我们HVGA代表320x480像素，这个用的比较多。 pt: point，是一个标准的长度单位，1pt＝1/72英寸，用于印刷业，非常简单易用； sp: scaled pixels(放大像素). 主要用于字体显示best for textsize。 （二）换算（以 sp 和 pt 为例） 通过查看TextView 等类的源码 case COMPLEX_UNIT_PX: return value; case COMPLEX_UNIT_SP: return value * metrics.scaledDensity; case COMPLEX_UNIT_PT: return value * metrics.xdpi * (1.0f/72); －－－－－－－－－－－－－－－－－－－－－－－－－－ scaledDensity = DENSITY_DEVICE / (float) DENSITY_DEFAULT; xdpi = DENSITY_DEVICE; －－－－－－－－－－－－－－－－－－－－－－－－－－ DENSITY

第二章 操作像素 在本章，我们会讲述： 处理像素值 用指针扫描图像 用迭代器扫描图像 写高效的图像扫描循环 用相邻的方法扫描图像 展示简单的图像计算 定义感兴趣的区域 【概述】 为了建立计算机图像应用，你必须能够接触图像内容，并且最终修改或者创建图像。这一章中会教你如何操作图像元素，比如像素。你会学 习到如何扫描一幅图像并处理每个像素点。你也会学习到如何高效地做，因为就算是适当的维度的图像也会包含成千上万的像素的。 基本上将，一个图像时一个数值对应的矩阵。这就是OpenCV2用cv::Mat处理图像的原因了。矩阵中的每一个元素代表一个像素。对于一个灰 度图像（黑白图像），像素值是8位的无符号型值（也就是非负数。。），相应地，0代表黑色而255代表白色。对于彩色图像，每个像素的三 个这样的值代表着我们常常说的三原色（红，绿，蓝）。此时一个矩阵元素由三个值生成。 正如前面所讲，OpenCV也允许你用不同类型的像素值创建图像，比如CV_8U或者浮点值CV_32F。这些对于存储很有用的，例如在一些图像处理 过程中的起到媒介作用的图像。大多数操作可以被应用到任何类型的矩阵上，其他的则是需要特定的类型，或者只能和给定数量的通道数量 起作用。所以说，为了避免在编程中犯常见错，对于一个函数或者方法的前提的理解是很重要的。 整个这一章节，我们用如下的一张图片作为输入图片。 【处理像素值】

1.使用距离变换的分水岭分割 （1）距离变换 D = bwdist(BW); 二值图像的距离变换是指从每个像素到最接近零值的像素的距离。 （2）测地距离变换 D = bwdistgeodesic(BW,mask); 2.使用梯度的分水岭分割 获取梯度图像： h = fspecial('sobel'); fd = tofloat(f); g = sqrt(imfilter(fd, h, 'replicate') .^ 2 + ... imfilter(fd, h', 'replicate') .^ 2); 在使用针对分割的分水岭变换之前，常常使用梯度幅度对图像进行预处理。梯度幅度图像沿着物体的边缘有较高的像素值，而在其他地方则有较低的像素值。在理想的情况下，分水岭变换可得到沿物体边缘的分水岭脊线。若梯度图像直接进行分水岭变换可能会严重过分割，所以在计算分水岭变换之前可以先平滑梯度图像。 3.控制标记符的分水岭分割 （1）计算局部极小值区域 rm = imregionalmin(f); 其中，f 是灰度图像，rm 是二值图像，rm 的前景像素标记出局部小区域的位置。 （2）扩展极小值 im = imextendedmin(f,h); 其中，f 是灰度图像，h 是高度阈值，im 是一幅二值图像，im 的前景像素标记了深的局部小区域的位置。 （3）强制最小 mp = imimposemin

盒子模型 1.尺寸 　　①宽度　　width:像素； 　　②高度　　width:像素; 2.边框 　　所有边框　　border:颜色 像素 样式; 　　上边框　　　border-top:语法同上 　　下边框　　　border-bottom:语法同上 　　左边框　　　border-left:语法同上 　　右边框　　　border-right:语法同上 　　　　取值 颜色:red black 等英文单词或者十六进制数 　　　　　　 像素: 1px 代表边框的粗细 　　　　　　 样式: solid(实线) dashed(虚线) 3.外边距 　　所有外边距　　margin:上（像素）右（像素）下（像素）左（像素） 　　　　　　　　　只有一个值代表所有外边距 都一样，两个值代表第一 　　　　　　　　　个代表上下外边距，第二个代表左右外边距，三个值 　　　　　　　　　代表左右外边距一样，上下外边距不同，四个值就不 　　　　　　　　　用很清晰了，各自的数据代表着各自的外边距 　　上外边距　　 margin-top:像素 　　下外边距　　　margin-bottom:像素 　　左外边距　　　margin-left:像素 　　右外边距　　　margin-right:像素 4.内边距 　　所有内边距　　pading:上右下左（像素）这里可以对比着外边距学习，意思是一样的 　　上内边距　　 pading

像素操作就是更改图片的像素值 代码如下： #include<opencv2/opencv.hpp> #include<iostream> using namespace cv; using namespace std; int main(int argc, char** argv) { cout << "hello world!" << endl; Mat src = imread("D:/OpenCVprj/image/test.png"); namedWindow("input image", CV_WINDOW_AUTOSIZE); imshow("input image", src); //pixel opration Mat src_gray; cvtColor(src, src_gray, CV_BGR2GRAY); int rows = src_gray.rows; int cols = src_gray.cols; int channel = src.channels(); namedWindow("src_gray", CV_WINDOW_AUTOSIZE); imshow("src_gray", src_gray); Mat dst; dst.create(src.size(), src.type()); for (int row = 0; row < rows