1. OnProbabilityModel()
  2. {
  3. int i;
  4. for(int x=0;x<workImg->height;x++)
  5. {
  6. for(int y=0;y<workImg->width;y++)
  7. {
  8. //double cur[3];
  9. CvMat* cur=cvCreateMat(3,1,CV_32F);
  10. for(i=0;i<3;i++){
  11. double tt=((uchar*)(workImg->imageData+x*workImg->widthStep))[y*3+i];
  12. cvmSet(cur,i,0,tt);
  13. }
  14. CvMat dst=cvRGB2YCbCr(cur);
  15. if(CalProbability(WHITE,&dst)<0.1&&CalProbability(YELLOW,&dst)<0.1)
  16. for (i=0;i<3;i++)
  17. ((uchar*)(workImg->imageData+x*workImg->widthStep))[y*3+i]=0;
  18. }
  19. }
  20. Invalidate();
  21. }
  1. double CalProbability(int classid,CvMat* cur)
  2. {
  3. /************************************************************************/
  4. /* function:
  5. 一个像素点cur[3]={r,g,b}; 它属于classid色类的概率
  6. */
  7. /************************************************************************/
  8. double temp,t1;
  9. CvMat inv_w,inv_y;
  10. cvInitMatHeader(&inv_w,3,3,CV_32F,Inv_white);
  11. cvInitMatHeader(&inv_y,3,3,CV_32F,Inv_yellow);
  12. CvMat* tmp=cvCreateMat(1,3,CV_32F);
  13. CvMat* tmp1=cvCreateMat(1,3,CV_32F);
  14. CvMat* res=cvCreateMat(1,1,CV_32F);
  15. //double tmp[3][3],tmp1[3][3];
  16. //////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
  17. temp=1/pow(2*PI,3/2)/sqrt(norm[classid]);
  18. //cvmGetMat()
  19. for (i=0;i<3;i++)    {
  20. double x=cvmGet(cur,i,0);
  21. x-=mean_ycbcr[classid][i];
  22. if(x<0)
  23. x=0;
  24. cvmSet(cur,i,0,x);
  25. }
  26. double c1=cvmGet(cur,0,0);
  27. double c2=cvmGet(cur,1,0);
  28. double c3=cvmGet(cur,2,0);
  29. cvTranspose(cur,tmp);//转置
  30. if(classid==WHITE)
  31. cvmMul(tmp,&inv_w,tmp1);
  32. else if(classid==YELLOW)
  33. cvmMul(tmp,&inv_y,tmp1);
  34. cvmMul(tmp1,cur,res);
  35. //t1=cvNorm(tmp,0,CV_L1,0);
  36. t1=cvmGet(res,0,0);
  37. t1*=(-0.5);
  38. temp*=pow(Ezhishu,t1);
  39. return temp;
  40. }

from: http://blog.csdn.net/abcjennifer/article/details/7392373

三维高斯模型 opencv实现的更多相关文章

  1. Opencv混合高斯模型前景分离

    #include "stdio.h" #include "string.h" #include "iostream" #include &q ...

  2. 混合高斯模型:opencv中MOG2的代码结构梳理

    /* 头文件:OurGaussmix2.h */ #include "opencv2/core/core.hpp" #include <list> #include&q ...

  3. OpenCV混合高斯模型函数注释说明

    OpenCV混合高斯模型函数注释说明 一.cvaux.h #define CV_BGFG_MOG_MAX_NGAUSSIANS 500 //高斯背景检测算法的默认参数设置 #define CV_BGF ...

  4. [zz] 混合高斯模型 Gaussian Mixture Model

    聚类(1)——混合高斯模型 Gaussian Mixture Model http://blog.csdn.net/jwh_bupt/article/details/7663885 聚类系列: 聚类( ...

  5. 运动检测(前景检测)之(二)混合高斯模型GMM

    运动检测(前景检测)之(二)混合高斯模型GMM zouxy09@qq.com http://blog.csdn.net/zouxy09 因为监控发展的需求,目前前景检测的研究还是很多的,也出现了很多新 ...

  6. [转]运动检测(前景检测)之(二)混合高斯模型GMM

    转自:http://blog.csdn.net/zouxy09/article/details/9622401 因为监控发展的需求,目前前景检测的研究还是很多的,也出现了很多新的方法和思路.个人了解的 ...

  7. PRML读书会第九章 Mixture Models and EM(Kmeans,混合高斯模型,Expectation Maximization)

    主讲人 网络上的尼采 (新浪微博: @Nietzsche_复杂网络机器学习) 网络上的尼采(813394698) 9:10:56 今天的主要内容有k-means.混合高斯模型. EM算法.对于k-me ...

  8. 混合高斯模型(GMM)推导及实现

    作者:桂. 时间:2017-03-20  06:20:54 链接:http://www.cnblogs.com/xingshansi/p/6584555.html 声明:欢迎被转载,不过记得注明出处哦 ...

  9. 混合高斯模型(Mixtures of Gaussians)和EM算法

    这篇讨论使用期望最大化算法(Expectation-Maximization)来进行密度估计(density estimation). 与k-means一样,给定的训练样本是,我们将隐含类别标签用表示 ...

随机推荐

  1. 升级到EF6 两个注意事项

    1.依据MSDN的官方描述: In previous versions of EF the code was split between core libraries (primarily Syste ...

  2. SQL Server 插入数据后获得自增主键值

    通过SQLServer系统自带函数获取 String sql = "insert into goods values('" + TextBox1.Text + "',&q ...

  3. js判断移动端系统

    <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <meta name ...

  4. 黑马程序员----java基础笔记中(毕向东)

    <p>------<a href="http://www.itheima.com" target="blank">Java培训.Andr ...

  5. query 的list()和iterator()区别

    区别: 1.返回的类型不一样,list返回List,iterate返回iterator. 2.查询策略不同.(获取数据的方式不一样,list会直接查询数据库,iterate会先到数据库中获取id,然后 ...

  6. POI-HSSF and POI-XSSF - Java API To Access Microsoft Excel Format Files

    一.概述 HSSF和XSSF是apache开源项目POI中实现java面向Excel的两个接口.两者的区别在于,HSSF适用于Excel '97(-2007)文档,而XSSF适用于Excel 2007 ...

  7. Android 图片轮播(最简单的)

    布局文件 <RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android" android ...

  8. 提交form表单不刷新页面案列

    提交form表单不刷新页面其实很简单的,这里拿上传图片来举列,大家有什么其它的方法也欢迎留言告知与我 <form action="" method="post&qu ...

  9. 转 状态压缩DP

    引入 首先来说说“状态压缩动态规划”这个名称,顾名思义,状态压缩动态规划这个算法包括两个特点,第一是“状态压缩”,第二是“动态规划”. 状态压缩: 从状态压缩的特点来看,这个算法适用的题目符合以下的条 ...

  10. Hibernate和Mybatis的对比

    http://blog.csdn.net/jiuqiyuliang/article/details/45378065 Hibernate与Mybatis对比 1. 简介 Hibernate:Hiber ...