OpenCV基础——第二章

于 2024-08-23 19:00:57 发布
阅读量411 收藏 12
点赞数 25
文章标签： opencv 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_80166849/article/details/141436354
版权

1.像素

1.像素知识

像素是构成数字图像的基本单位

如图所示的图像是由许多个小方块组成的，通常把一个小方块称作一个像素（像素的形状不固定，大多数情况下被认为是方形的）

1.2 确定像素位置

水平方向上的像素个数是218个，对应的x轴取值范围为0~217；

垂直方向上的像素个数是292个，对应的y轴取值范围为0~291；

在OpenCV中像素坐标的表达方式为（y, x）,例如本图右下角的像素坐标位置为（291， 217）。

2.像素的BGR值

刚刚了解了像素的基础知识，下面我们来学习如何查看图片中的指定像素的BGR值吧！！！

2.1 获取像素的BGR值

首先我们来学习如何表示像素

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
px = image[291, 217]

接着我们添加代码来获取图像的BGR值（方法一）

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
px = image[291, 217] # 坐标(291, 217)上的像素  opencv使用的是(y, x)

print("坐标(291, 217)上的像素BGR值为", px)

方法二：

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
b = image[291, 217, 0] # 单独读取B（蓝色）通道的值，0表示B通道
g = image[291, 217, 1] # 单独读取G（绿色）通道的值, 1表示G通道
r = image[291, 217, 2] # 单独读取R（红色）通道的值, 2表示R通道

print(b, g, r)

打印出来的结果如下

在RGB色彩空间中存在R（Red红色）、G（Green绿色）、B（Blue蓝色）三个通道， 每个色彩通道都在[0, 255]区间取值，通常使用 一个三维数组来表示一幅图像上某个三维数组的RGB值

2.2 修改像素的BGR值

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
px = image[291, 217]
print("坐标(291, 217)上像素的初始值是", px)
px = [255, 255, 255] # 修改像素的BGR值
print("修改后的BGR值为", px)

学习了修改像素后=， 我们来实战一下吧！

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
# cv2.imshow("original", image)
for i in range(241, 292):
    for j in range(168, 218):
        image[i, j] = [255, 255, 255]

cv2.imshow("last", image)
cv2.waitKey()
cv2.destroyWindows()

3.GRAY色彩空间

3.1 什么是GRAY色彩空间

GRAY色彩空间是一种只有一个通道的色彩空间，用于表示图像的灰度等级。每个像素通过一个灰度值来表示其亮度，从黑到白的不同灰色级别。此色彩空间简化了图像处理和分析，因为它不涉及颜色信息，仅关注亮度。每一个像素都是从黑到白，被处理为256个灰度级别的单色图像，分别用区间[0, 255]中的数值表示，其中“0”表示纯黑色， “255”表示纯白色。

3.2 色彩空间转换（BGR->GRAY）

本图像转换使用cvtColor()方法，语法格式如下：

dst = cv2.cvtColor(src, code)
# dst:转换后的图像
# src:转换前的初始图像
# code:色彩空间转换码

# cv2.COLOR_BGR2GRAY  从BGR色彩空间转换到GRAY色彩空间
# cv2.COLOR_RGB2GRAY  从RGB色彩空间转换到GRAY色彩空间

实现代码如下： 

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
gray_image= cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("last", gray_image)
cv2.waitKey()
cv2.destroyWindows()

思考：可以将灰度图像转换成彩色图像吗？

4.HSV色彩空间

4.1什么是HSV色彩空间

HSV色彩空间是一种用于表示颜色的模型，通常用于图像处理和计算机图形学。HSV代表色相（Hue）、饱和度（Saturation）和明度（Value）。

        1色相（Hue）：

                描述颜色的基本类型，如红色、绿色、蓝色等。它通常表示为一个角度值（0°到360°），代表色轮上的位置。

         2.饱和度（Saturation）：

                描述颜色的纯度或强度。饱和度从0%（灰色，即没有颜色）到100%（纯色）不等。

        3.明度（Value）：

                  描述颜色的亮度或强度，从0%（黑色）到100%（最亮的颜色）不等。

HSV色彩空间更符合人们对颜色的感知，使得在调整图像颜色时比RGB模型更直观

4.2色彩空间转换（BGR->HSV）

cv2.COLOR_BGR2HSV # BGR->HSV
cv2.COLOR_BGR2HSV # RGB->HSV

实现代码如下：

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
hsv_image= cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2.imshow("last", hsv_image)
cv2.waitKey()
cv2.destroyWindows()

5. 通道

5.1 拆分通道

shiyongspilt()方法拆分通道：语法如下

b, g, r = cv2.split(bgr_iamge)

b:B通道图像
g:G通道图像
r:R通道图像
bgr_image:一幅BGR图像

5.1.1 拆分BGR图像

实现代码：

import cv2

bgr_image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
b, g, r = cv2.split(bgr_image)
cv2.imshow("B", b)
cv2.imshow("G", g)
cv2.imshow("R", r)
cv2.waitKey()
cv2.destroyWindows()

5.1.2 拆分HSV图像

实现代码：

import cv2

bgr_image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
hsv_image = cv2.cv2.cvtColor(bgr_image, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv_image)
cv2.imshow("H", h)
cv2.imshow("S", s)
cv2.imshow("V", v)
cv2.waitKey()
cv2.destroyWindows()

5.2 合并图像

5.2.1 合并BGR图像

语法格式如下;

bgr = cv2.merge([b, g, r]) # B->G->R顺序合并
rgb = cv2.merge([r, g, b]) # R->G->B顺序合并

实现代码如下：

import cv2

bgr_image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
b, g, r = cv2.split(bgr_image)
bgr = cv2.merge([b ,g, r])
cv2.imshow("BGR", bgr)
rgb = cv2.merge([r, g, b])
cv2.imshow("RGB", rgb)
cv2.waitKey()
cv2.destroyWindows()

5.2.2 合并HSV图像

实现代码如下：

import cv2

bgr_image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
hsv_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv_image)
hsv = cv2.merge([h ,s, v])
cv2.imshow("HSV", hsv)
cv2.waitKey()
cv2.destroyWindows()

5.3 综合运用

实现代码如下：

import cv2

bgr_image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\1.4.jpg")
hsv_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2HSV) # 色彩空间转换
h, s, v = cv2.split(hsv_image)
# h[:, :] = 180 # H通道的值调整为180
# s[:, :] = 180 # S通道的值调整为180
v[:, :] = 230 # V通道的值调整为230
hsv = cv2.merge([h ,s, v]) # 合并
n_image = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR) # 色彩空间转换
cv2.imshow("NEW", n_image)
cv2.waitKey()
cv2.destroyWindows()

自己也动手试试吧！！

5. 使用Numpy模块操作像素

5.1 Numpy概述

NumPy 是一个用于科学计算的 Python 库，提供了支持大规模多维数组和矩阵运算的功能。它的核心特性包括：

    1.ndarray 对象：用于存储和操作多维数组。

   2.广播：用于简化不同形状数组之间的运算。

   3.线性代数：提供矩阵操作和数学计算功能。

   4.随机数生成：用于生成随机数和随机分布。

   5.高效的数值计算：通过 C 和 Fortran 实现高效的计算性能。

NumPy 是许多数据科学和机器学习库（如 pandas、scikit-learn）的基础。

5.2 数组类型

  • 整数类型：

    • np.int8：8-bit 整数
    • np.int16：16-bit 整数
    • np.int32：32-bit 整数
    • np.int64：64-bit 整数
    • np.uint8：8-bit 无符号整数
    • np.uint16：16-bit 无符号整数
    • np.uint32：32-bit 无符号整数
    • np.uint64：64-bit 无符号整数
    • np.intp：平台上整型，通常为 np.int32 或 np.int64
    • np.uintp：平台上无符号整型，通常为 np.uint32 或 np.uint64

  • 浮点类型：

    • np.float16：16-bit 浮点数
    • np.float32：32-bit 浮点数
    • np.float64：64-bit 浮点数
    • np.float128：128-bit 浮点数（可能不可用，取决于平台）

  • 复数类型：

    • np.complex64：64-bit 复数（32-bit 实部 + 32-bit 虚部）
    • np.complex128：128-bit 复数（64-bit 实部 + 64-bit 虚部）
    • np.complex256：256-bit 复数（128-bit 实部 + 128-bit 虚部，可能不可用）

  • 布尔类型：

    • np.bool_：布尔值（True 或 False）

  • 字符串和字符类型：

    • np.str_：字符串
    • np.unicode_：Unicode 字符串
    • np.bytes_：字节字符串

  • 对象类型：

    • np.object_：对象类型，用于存储任意 Python 对象

  • 其他类型：

    • np.void：用于处理自定义数据结构（结构化数组

下面是一些示例：

import numpy as np

number_1 = np.int8(3.141)
number_2 = np.float64(8)
print(number_1)
print(number_2)

5.3 创建数组

5.3.1 一维和二维数组

array()方法，语法结构如下：

numpy.array(object, dtype, copy, order, subok, ndmin)
# object: 任何具有数组接口方法的对象
# dtype: 数据类型
# copy: 可选参数布尔型， 默认值为True, object对象被复制
# order: 元素在内存中的出现顺序， 值为K， A， C， F
         若object不是数组， 新创建的数组按行排列（C）， 按列排列（F）
         若object是数组， 按行（C）， 按列（F）， 原顺序（A）， 元素在内存中出现的顺序（K）
# subok: 布尔型， 如果值为True， 则传递子类， 否则强制返回为基类数组（默认值）
# ndmin: 指定数组的最小维数
import numpy as np

n1 = np.array([1, 2, 3])
n2 = np.array([0.1, 0.2, 0.3])
n3 = np.array([[1, 2], [3, 4]])

print(n1)
print(n2)
print(n3)

 结果如下：

[1 2 3]
[0.1 0.2 0.3]
[[1 2]
 [3 4]]

5.3.2 浮点型

import numpy as np

list = [1, 2, 3]
# 创建浮点型数组
n1 = np.array(list, dtype=np.float_)
# 或者
n2 = np.array(list, dtype=float)

print(n1)
print(n1.dtype)
print(type(n1[0]))

打印结果如下：

[1. 2. 3.]
float64
<class 'numpy.float64'>

5.3.3 三维数组

创建指定维度和数据类型未初始化数组主要使用empty（）方法。

5.3.4 2行3列未初始化数组

import numpy as np

n = np.empty([3, 3])
print(n)

结果如下：

[[0.00000000e+000 0.00000000e+000 0.00000000e+000]
 [0.00000000e+000 0.00000000e+000 3.47822215e-321]
 [2.41079362e+198 1.88891968e+219 5.98150398e-154]]

5.3.5 纯0数组

import numpy as np

n = np.zeros((3, 3), np.uint8)
print(n)

结果如下：

[[0 0 0]
 [0 0 0]
 [0 0 0]]

5.3.6 纯1数组

import numpy as np

n = np.ones((3, 3), np.uint8)
print(n)

结果如下：

[[1 1 1]
 [1 1 1]
 [1 1 1]]

5.3.7 随机数组

使用randint()方法创建一定范围内的随机整数数组， 左闭右开（[low, height]）

语法结构如下：

numpy.random.randint(low, height, size)
# low: 随机数最小取值范围
# high: 随机数最大取值范围， 若high为空， 则取值范围为（0， low）,若high不为空，则high必须大于low
# size: 可选参数， 数组维数
import numpy as np

n1 = np.random.randint(1, 3, 10)
print("随机生成10个从1到3之间不包括3的整数:", n1)

n2 = np.random.randint(5, 10)
print("size数组大小为空随机返回一个整数:", n2)

n3 = np.random.randint(5, size=(2, 5))
print("随机生成5以内的二维数组", n3)

打印结果如下：

随机生成10个从1到3之间不包括3的整数: [2 2 2 1 2 1 2 2 1 1]
size数组大小为空随机返回一个整数: 8
随机生成5以内的二维数组 [[3 4 3 3 1]
 [1 3 0 1 4]]

5.4 操作数组

5.4.1 加、加减乘除法运算

import numpy as np

n1 = np.array([1, 2])
n2 = np.array([3, 5])
print(n1 + n2)
print(n1 - n2)
print(n1 * n2)
print(n1 / n2)

运行结果如下:

[4 7]
[-2 -3]
[ 3 10]
[0.33333333 0.4       ]

5.4.2 幂运算

import numpy as np

n1 = np.array([1, 2])
n2 = np.array([3, 5])
print(n1 ** n2)
# 运行结果：[ 1 32]

5.4.3 使用运算逻辑符比较数组

import numpy as np

n1 = np.array([1, 2])
n2 = np.array([3, 5])
print(n1 >= n2)
print(n1 == n2)
print(n1 <= n2)
print(n1 != n2)
# 运行结果如下：
# [False False]
# [False False]
# [ True  True]
# [ True  True]

5.4.4 比较复制数据和原始数组

使用如下语法复制数据：


n2 = np.array(n1, copy=True) 
n2 = n1.copy() # 更常用
import numpy as np

n1 = np.array([1, 2])
# n2 = np.array(n1, copy=True)
n2 = n1.copy()
print(n1 == n2)
n2[0] = 9 # 修改副本数组第一个元素
print(n1)
print(n2)
print(n1 == n2)

# 运行结果如下
# [ True  True]
# [1 2]
# [9 2]
# [False  True]

5.5 数组的索引和切片

5.5.1 查找一维数组中的元素

索引从0开始，代表第一个元素

import numpy as np

n1 = np.array([1, 2, 3])
print(n1[0])

# 结果如下
# 1

5.5.2 获取数组中某个范围的数组（切片式索引）

 切片式索引：

[start:stop:step]
# start:起始索引， 若不写任何值，表示从零开始的全部索引
# stop:终止索引，  若不写任何值，表示到末尾为止的全部索引
# step:步长

示例如下： 

import numpy as np

n1 = np.array([1, 2, 3])
print(n1[0])
print(n1[1])
print(n1[0:2])
print(n1[1:])
print(n1[:2])
print(n1[::-1])

# 结果如下
# 1
# 2
# [1 2]
# [2 3]
# [1 2]
# [3 2 1]

 关于切片式索引如果不熟的话可以去复习一下python 中的相关内容。

5.5.3 获取二维数组中元素的三种不同方式

import numpy as np

n1 = np.array([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]])
print(n1)
print(n1[1, 2]) # 第二行第三列
print(n1[-1])

# 结果如下
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]
# 6
# [ 8  9 10 11]

5.5.4 对二维数组进行切片式索引操作

import numpy as np

n1 = np.array([[1, 2, 3], 
               [4, 5, 6], 
               [7, 8, 9]])
print(n1[:2, 1:]) # 行数[0, 2)， 列数从1到最后一列
print(n1[1, :2]) # 第2行，第[0, 2)列
print(n1[:2, 2])
print(n1[:, :1])
# 结果如下
# [[2 3]
#  [5 6]]
# [4 5]
# [3 6]
# [[1]
#  [4]
#  [7]]

5.6 创建图像

像素行索引 = 像素所在行数 - 1 = 像素纵坐标

像素列索引 = 像素所在列数 - 1 = 像素纵坐标

5.6.1 纯黑色图像

import cv2
import numpy as np

width = 250
height = 120
# 创建指定宽高， 像素值都为0的图像
img = np.zeros((height, width), np.uint8)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

5.6.2 纯白色图像

import cv2
import numpy as np

width = 250
height = 120
# 创建指定宽高， 像素值都为1的图像
img = np.ones((height, width), np.uint8) * 255
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

5.6.3 黑色图像内部绘制白色矩形

import cv2
import numpy as np

width = 250
height = 120
# 创建指定宽高， 像素值都为0的图像
img = np.zeros((height, width), np.uint8)
img[15:85, 65:120] = 255 # 绘制白色区域
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

5.6.4 创建黑白相间的图像

import cv2
import numpy as np

width = 250
height = 120
# 创建指定宽高， 像素值都为0的图像
img = np.ones((height, width), np.uint8)
for i in range(0, width, 40):
    for j in range(0, width, 40):
        img[j:j + 20, i:i + 20] = 255 # 绘制白色区域
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

5.6.5 创建彩色图像

import cv2
import numpy as np

width = 250
height = 120
# 创建指定宽高， 像素值都为0的图像
img = np.zeros((height, width, 3), np.uint8)
blue = img.copy()
blue[:, :, 0] = 255 # 0表示1（B）通道
cv2.imshow("blue", blue)
cv2.waitKey()
cv2.destroyAllWindows()

快去试试如何创建绿色和红色图像吧！！！

5.6.6 创建雪花点图像

import cv2
import numpy as np

width = 250
height = 120

img = np.random.randint(256, size=(height, width), dtype=np.uint8)
cv2.imshow("snow", img)
cv2.waitKey()
cv2.destroyAllWindows()

快去试试如何创建随机彩色图像吧！！

img = np.random.randint(256, size=(height, width, 3), dtype=np.uint8)

5.7 拼接图像

# 语法结构如下：
array = numpy.hstack(tup) # 水平拼接
array = numpy.vstack(tup) # 竖直拼接
# tup: 要拼接的数组元素
# array： 拼接后生成的新数组
# 拼接数组的行数和列数必须相同
# 水平拼接
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.array([7, 8, 9])
result = np.hstack((a, b, c))
print(result)
# 竖直拼接

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.array([7, 8, 9])
result = np.vstack((a, b, c))
print(result)

结果如下：

下面我们进行实例演示：

import cv2
import numpy as np

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(1).jpg")


img_h = np.hstack((img, img))
img_v = np.vstack((img, img))

cv2.imshow("img_h", img_h)
cv2.imshow("img_v", img_v)

cv2.waitKey()
cv2.destoryAllWindows()

 

那么第二章到这里就结束了！！！！ 

独木三绝
关注
  • 25
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
学习OpenCV3——第二章：OpenCV初探
m0_37350758的博客
10-29 1117
一.头文件 在安装OpenCV库以及设置好编程环境之后，下一个任务就是用代码来做一些有趣的事情。为了完成这个工作，我们需要先讨论一下头文件。介绍如下： #include "opencv2/core/core.hpp" 新式C++风格的结构以及数学运算 #include "opencv2/flann/miniflann.hpp" 最邻近搜索匹配函数 #include "opencv2/i...
学习OpenCV3——第五章：矩阵操作
m0_37350758的博客
11-02 969
一、矩阵还可以做很多事情 由前面的章节可知，矩阵类的成员函数可以进行很多基本的操作。然而，除此以外，也有很多操作被表示为“友元”函数，它们的输入为矩阵类型，或者输出为矩阵类型，或者输入输出同为矩阵类型。这些函数及其参数将在表5-1介绍。 表5-1：基本的矩阵和图像算子 函数名称 描述 cv::abs() 计算矩阵中所有元素的绝对值 cv::absdiff() 计算两...
Opencv实战——OCR文档扫描
Thousand_drive的博客
05-23 2581
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例
OpenCV要点总结——第二章 初识OpenCV
Raoodududu的博客
08-18 330
SVM示例程序 #include &lt;opencv2/core/core.hpp&gt; #include &lt;opencv2/highgui/highgui.hpp&gt; #include &lt;opencv2/ml/ml.hpp&gt; using namespace cv; //OpenCV3需额外加入： #include &lt;opencv2/imgproc.hpp&g...
opencv教程——基础篇第二章示例代码
03-09
在这个"opencv教程——基础篇第二章示例代码"中，我们很可能找到如何加载、显示、保存图像，以及进行基本的图像操作，如滤波、色彩空间转换、边缘检测等的代码示例。 1. **图像读取与显示**：OpenCV中的`imread()`...
opencv教程——基础篇示例代码2
03-09
本教程聚焦于OpenCV的基础篇示例代码，主要涵盖第四章和第五章的内容。这些章节通常会涉及图像的基本操作、颜色空间转换、几何变换以及特征检测等核心概念。 首先，让我们探讨第四章可能涉及的知识点： 1. **图像...
Visual C++ 数字图像处理技术与工程案例——第二章
09-16
通过阅读《Visual C++ 数字图像处理技术与工程案例》的第二章，读者不仅能够掌握图像处理的基本原理，还能学会如何利用Visual C++实现这些技术，为后续的高级图像处理学习打下坚实基础。在chap02这个压缩包文件中，...
Learning_OpenCV_Second_Edition-C++
05-08
《Learning OpenCV 第二版》是一本专注于C++编程的计算机视觉库——OpenCV的教程。这本书涵盖了OpenCV的基础知识到高级应用，是学习和掌握OpenCV的重要参考资料。以下是根据书名和描述提取的一些关键知识点： 1. **...
Python下配置OpenCV指南(Windows环境下)
2401_86489187的博客
08-19 350
OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效，由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
基于x86 平台opencv的图像采集和seetaface6的人脸识别功能
最新发布
程小二的博客
08-22 103
本文档是针对x86 平台opencv的图像采集和seetaface6的人脸识别功能，opencv通过读取本地图像，将采集的本地图像送给seetaface6的人脸识别模块从而实现人脸识别功能。
基于x86 平台opencv的图像采集和seetaface6的人脸特征点功能
程小二的博客
08-22 84
本文档是针对x86 平台opencv的图像采集和seetaface6的人脸特征点功能，opencv通过摄像头采集视频图像，将采集的视频图像送给seetaface6的人脸特征点模块从而实现人脸特征点功能。
基于x86 平台opencv的图像采集和seetaface6的口罩人脸检测识别功能
程小二的博客
08-22 65
本文档是针对x86 平台opencv的图像采集和seetaface6的口罩人脸检测识别功能，opencv通过摄像头采集视频图像，将采集的视频图像送给seetaface6的口罩人脸检测识别模块从而实现口罩人脸检测识别功能。
OpenCV findTours函数及其用法
billliu66的博客
08-22 408
本文介绍了OpenCV findTours函数，并用一个示例演示了其用法。
图像识别，图片线条检测
u012121721的博客
08-14 1059
opencv、图像线条检测
基于Python的mediapipe和opencv的人体骨骼、人体姿态关键点的实时跟踪项目
2401_83580557的博客
08-22 345
随着计算机视觉技术的发展，人体姿态估计在虚拟现实、运动分析、人机交互等领域得到了广泛应用。传统的姿态估计方法通常依赖于深度学习模型，需要大量的计算资源。而 Google 开发的 MediaPipe 框架则提供了高效且易于使用的解决方案，它可以在各种设备上运行实时的多模态应用。
十五、OpenCVSharp实现相机标定
仰望星空的博客
08-20 495
相机标定是计算机视觉和图像处理中的重要步骤，它确定了相机的内部参数和外部参数，以便准确地从二维图像中恢复出三维信息。相机标定是计算机视觉和图像处理中的重要步骤，它为从二维图像中恢复出三维信息提供了基础。通过合理设计标定板、准确检测角点、求解相机参数并进行评估和优化，可以获得准确的相机标定结果，为三维重建、增强现实等应用提供支持。
基于x86 平台opencv的图像采集和seetaface6的人脸朝向姿态估计功能
程小二的博客
08-22 76
本文档是针对x86 平台opencv的图像采集和seetaface6的人脸朝向姿态估计功能，opencv通过摄像头采集视频图像，将采集的视频图像送给seetaface6的人脸朝向姿态估计模块从而实现人脸朝向姿态估计功能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值