我需要通过给定的背景色键为位图计算一个闭合裁剪矩形。在下面的图片中,你可以看到什么是关闭作物。左边是源,右边是关闭作物的输出:
正如你所看到的,我需要找到与背景颜色不同的最上面、最左边、最下面和最右边的像素来构建关闭裁剪矩形。那么,如何找到那些不同的外部像素来得到接近的裁剪矩形呢?或者,换句话说,如何计算位图的闭合裁剪矩形?
您可以使用以下代码(您也可以参考本文的注释版本
):
procedure CalcCloseCrop(ABitmap: TBitmap; const ABackColor: TColor;
out ACropRect: TRect);
var
X: Integer;
Y: Integer;
Color: TColor;
Pixel: PRGBTriple;
RowClean: Boolean;
LastClean: Boolean;
begin
if ABitmap.PixelFormat <> pf24bit then
raise Exception.Create('Incorrect bit depth, bitmap must be 24-bit!');
LastClean := False;
ACropRect := Rect(ABitmap.Width, ABitmap.Height, 0, 0);
for Y := 0 to ABitmap.Height-1 do
begin
RowClean := True;
Pixel := ABitmap.ScanLine[Y];
for X := 0 to ABitmap.Width - 1 do
begin
Color := RGB(Pixel.rgbtRed, Pixel.rgbtGreen, Pixel.rgbtBlue);
if Color <> ABackColor then
begin
RowClean := False;
if X < ACropRect.Left then
ACropRect.Left := X;
if X + 1 > ACropRect.Right then
ACropRect.Right := X + 1;
end;
Inc(Pixel);
end;
if not RowClean then
begin
if not LastClean then
begin
LastClean := True;
ACropRect.Top := Y;
end;
if Y + 1 > ACropRect.Bottom then
ACropRect.Bottom := Y + 1;
end;
end;
if ACropRect.IsEmpty then
begin
if ACropRect.Left = ABitmap.Width then
ACropRect.Left := 0;
if ACropRect.Top = ABitmap.Height then
ACropRect.Top := 0;
if ACropRect.Right = 0 then
ACropRect.Right := ABitmap.Width;
if ACropRect.Bottom = 0 then
ACropRect.Bottom := ABitmap.Height;
end;
end;
procedure TForm1.Button1Click(Sender: TObject);
var
R: TRect;
Bitmap: TBitmap;
begin
CalcCloseCrop(Image1.Picture.Bitmap, $00FFA749, R);
Bitmap := TBitmap.Create;
try
Bitmap.SetSize(R.Width, R.Height);
Bitmap.Canvas.CopyRect(Rect(0, 0, R.Width, R.Height), Image1.Canvas, R);
Image1.Picture.Bitmap.Assign(Bitmap);
finally
Bitmap.Free;
end;
end;
KNN 概述 k-近邻(kNN, k-NearestNeighbor)算法是一种基本分类与回归方法,我们这里只讨论分类问题中的 k-近邻算法。 一句话总结:近朱者赤近墨者黑! k 近邻算法的输入为实例的特征向量,对应于特征空间的点;输出为实例的类别,可以取多类。k 近邻算法假设给定一个训练数据集,其中的实例类别已定。分类时,对新的实例,根据其 k 个最近邻的训练实例的类别,通过多数表决等方式进行预
综述 所谓:“近朱者赤,近墨者黑” 本文采用编译器:jupyter k近邻(简称kNN)算法是一种常用的监督学习算法, 其工作机制非常简单 : 给定测试样本,基于某种距离度量找出训练集中与其最靠近的 k个训练样本,然后基于这 k个"邻居"的信息来进行预测。 通常, 在分类任务中可使用"投票法" 即选择这 k个样本中出现最多的类别标记作为预测结果;还可基于距离远近进行加权平均或加权投票,距离越近的样
1.算法简介 AP(Affinity Propagation)通常被翻译为近邻传播算法或者亲和力传播算法,是在2007年的Science杂志上提出的一种新的聚类算法。AP算法的基本思想是将全部数据点都当作潜在的聚类中心(称之为exemplar),然后数据点两两之间连线构成一个网络(相似度矩阵),再通过网络中各条边的消息(responsibility和availability)传递计算出各样本的聚类
介绍 KNN算法全名为k-Nearest Neighbor,就是K最近邻的意思。KNN 也是一种分类算法。但是与之前说的决策树分类算法相比,这个算法算是最简单的一个了。算法的主要过程为: 1、给定一个训练集数据,每个训练集数据都是已经分好类的。 2、设定一个初始的测试数据a,计算a到训练集所有数据的欧几里得距离,并排序。 3、选出训练集中离a距离最近的
@subpage tutorial_py_knn_understanding_cn 了解kNN的基本知识。 @subpage tutorial_py_knn_opencv_cn 现在让我们在OpenCV中使用kNN进行数字识别(OCR)
问题内容: 该问题旨在作为规范的重复目标 给定两个阵列和形状和代表的名单维坐标, 找到最快的方法是: 每个点和每个点之间的形状距离 每个点中所有点的最近邻居的索引和距离 这些指数,以及距离在每一个点的中距离每一点的在 鉴于以下几组限制: 仅使用 使用任何包装 包括特殊情况: 是 在所有情况下,距离主要是指欧几里得距离,但是请随意强调允许其他距离计算的方法。 问题答案: 仅使用 天真的方法是: 但是