OpenCV4 图像处理与视频分析实战教程 笔记

最新推荐文章于 2023-07-20 15:45:00 发布
最新推荐文章于 2023-07-20 15:45:00 发布
阅读量1.4k 收藏 6
点赞数 4
文章标签： 图像处理 音视频 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/HELLOWORLD2424/article/details/126540154
版权

14. 图像直方图的比较

比较巴氏距离和余弦相似度

void hist_compare() {
	Mat src1 = imread("D:/images/hist_01.jpg");
	Mat src2 = imread("D:/images/hist_02.jpg");

	Mat hist1, hist2;
	int channels[] = { 0, 1, 2 };
	int histSize[] = { 256, 256, 256 };
	float c1[] = { 0, 255 };
	float c2[] = { 0, 255 };
	float c3[] = { 0, 255 };
	const float* histRanges[] = { c1, c2, c3 };

	calcHist(&src1, 1, channels, Mat(), hist1, 3, histSize, histRanges, true, false);
	calcHist(&src2, 1, channels, Mat(), hist2, 3, histSize, histRanges, true, false);

	// 归一化
	normalize(hist1, hist1, 0, 1.0, NORM_MINMAX, -1, Mat());
	normalize(hist2, hist2, 0, 1.0, NORM_MINMAX, -1, Mat());

	double h12 = compareHist(hist1, hist2, HISTCMP_BHATTACHARYYA);
	double h11 = compareHist(hist1, hist1, HISTCMP_BHATTACHARYYA);
	cout << "HISTCMP_BHATTACHARYYA, h12= " << h12 << " h11=" << h11 << endl;

	double c12 = compareHist(hist1, hist2, HISTCMP_CORREL);
	double c11 = compareHist(hist1, hist1, HISTCMP_CORREL);
	cout << "HISTCMP_CORREL, c12= " << c12 << " c11=" << c11 << endl;

}

在这里插入图片描述

15. 使用LUT

void Advance::lut(Mat& src) {
	Mat color = imread("D:/images/lut.png");
	Mat lut = Mat::zeros(256, 1, CV_8UC3);
	for (size_t i = 0; i < 256; ++i) {
		lut.at<Vec3b>(i, 0) = color.at<Vec3b>(10, i);
	}
	imshow("color", color);
	Mat dst;
	LUT(src, lut, dst);
	imshow("lut", dst);
	applyColorMap(src, dst, COLORMAP_DEEPGREEN);
	imshow("default colormap", dst);
}

在这里插入图片描述

19. 自定义滤波

void Advance::filter2d(Mat& src) {
	// 均值滤波器
	int k = 15;
	Mat mkernel = Mat::ones(k, k, CV_32F) / (float)(k*k);
	Mat dst;
	filter2D(src, dst, -1, mkernel, Point(-1, -1), 0, BORDER_DEFAULT);
	imshow("2d filter", dst);

	// 非均值滤波
	Mat robot = (Mat_<int>(2, 2) << 1, 0, 0, -1);
	Mat result;
	filter2D(src, result, CV_32F, robot, Point(-1, -1), 127, BORDER_DEFAULT);
	convertScaleAbs(result, result);
	imshow("robot filter", result);
}

在这里插入图片描述

20. 图像的梯度

图像梯度的3个算子,robot,sobel和scharr算子
在这里插入图片描述

void Advance::gradient(Mat& src) {
	// robot 算子
	Mat robot_x = (Mat_<int>(2,2) << 1, 0, 0, -1);
	Mat robot_y = (Mat_<int>(2,2) << 0, 1, -1, 0);
	Mat grad_x, grad_y;
	filter2D(src, grad_x, CV_32F, robot_x, Point(-1, -1), 0, BORDER_DEFAULT);
	filter2D(src, grad_y, CV_32F, robot_y, Point(-1, -1), 0, BORDER_DEFAULT);
	convertScaleAbs(grad_x, grad_x);
	convertScaleAbs(grad_y, grad_y);
	Mat result;
	add(grad_x, grad_y, result);
	imshow("robot gradient", result);

	// Sobel算子
	Sobel(src, grad_x, CV_32F, 1, 0);
	Sobel(src, grad_y, CV_32F, 0, 1);
	convertScaleAbs(grad_x, grad_x);
	convertScaleAbs(grad_y, grad_y);
	Mat result2;
	addWeighted(grad_x, 0.5, grad_y, 0.5, 0, result2);
	imshow("sobel, add weight", result2);
	
	// Scharr算子
	Mat result3;
	Scharr(src, grad_x, CV_32F, 1, 0);
	Scharr(src, grad_y, CV_32F, 0, 1);
	convertScaleAbs(grad_x, grad_x);
	convertScaleAbs(grad_y, grad_y);
	addWeighted(grad_x, 0.5, grad_y, 0.5, 0, result3);
	imshow("scharr", result3);
}

几种不同算子的梯度提取效果.
在这里插入图片描述

21. 拉普拉斯算子和图像的锐化

拉普拉斯算子对图像的噪声比较敏感

void Advance::laplacian(Mat& src) {
	Mat dst;
	// 拉普拉斯二阶导梯度提取,对噪声很敏感
	Laplacian(src, dst, -1, 3, 1.0, 0, BORDER_DEFAULT);
	imshow("Laplacian demo", dst);

	// 图像锐化
	Mat dst2;
	Mat filter = (Mat_<int>(3, 3) << 0, -1, 0, 
									 -1, 5, -1, 
									  0, -1, 0);
	filter2D(src, dst2, CV_32F, filter, Point(-1, -1), 0, BORDER_DEFAULT);
	convertScaleAbs(dst2, dst2);
	imshow("sharpen demo", dst2);

}

在这里插入图片描述

22. USM锐化

sharp_image = blur - laplacian

void Advance::USM(Mat& src) {
	Mat blur;
	GaussianBlur(src, blur, Size(3, 3), 0);

	Mat lap;
	Laplacian(src, lap, -1, 1, 1.0, 0, BORDER_DEFAULT);

	Mat usm;
	addWeighted(blur, 1.0, lap, -1.0, 0, usm);

	namedWindow("usm", WINDOW_AUTOSIZE);
	imshow("usm", blur);
}

23. 图像噪声

噪声分为椒盐噪声和高斯噪声

void Advance::Noise(Mat& src) {
	Mat src2 = src.clone();

	RNG rng(12345);
	// 椒盐噪声
	int nums = 10000;
	int w = src.cols;
	int h = src.rows;

	cout << w << " " << h << endl;

	for (int i = 0; i < nums; ++i) {

		int x = rng.uniform(0, w);
		int y = rng.uniform(0, h);

		if (i % 2 == 0) {
			src.at<Vec3b>(y, x) = Vec3b(0, 0, 0);
		}
		else {
			src.at<Vec3b>(y, x) = Vec3b(255, 255, 255);
		}
	}
	imshow("椒盐噪声", src);


	Mat dst;
	Mat noise = Mat::zeros(src2.size(), src2.type());
	randn(noise, Scalar(25, 25, 25), Scalar(10, 10, 10));
	imshow("高斯噪声", noise);
	addWeighted(src2, 1.0, noise, 1.0, 0, dst);
	imshow("高斯噪声加入结果", dst);

}

在这里插入图片描述

24. 图像去噪

去噪有中值滤波,高斯滤波

void Advance::median_blur(Mat& src) {
	RNG rng(12345);
	// 椒盐噪声
	int nums = 10000;
	int w = src.cols;
	int h = src.rows;

	cout << w << " " << h << endl;

	for (int i = 0; i < nums; ++i) {

		int x = rng.uniform(0, w);
		int y = rng.uniform(0, h);

		if (i % 2 == 0) {
			src.at<Vec3b>(y, x) = Vec3b(0, 0, 0);
		}
		else {
			src.at<Vec3b>(y, x) = Vec3b(255, 255, 255);
		}
	}
	imshow("椒盐噪声", src);
	Mat dst;
	medianBlur(src, dst, 5);
	imshow("中值滤波去噪声", dst);

	GaussianBlur(src, dst, Size(5,5), 0);
	imshow("高斯滤波去噪", dst);

}

高斯滤波对椒盐噪声去除效果并没有中值滤波好
在这里插入图片描述

void Advance::median_blur(Mat& src) {
	
	Mat noise = Mat::zeros(src.size(), src.type());
	randn(noise, Scalar(50, 60, 70), Scalar(55, 50, 50));
	addWeighted(src, 1.0, noise, 0.7, 0, src);
	imshow("添加高斯噪声", src);

	Mat dst;
	medianBlur(src, dst, 5);
	imshow("中值滤波去噪声", dst);

	GaussianBlur(src, dst, Size(5, 5), 0);
	imshow("高斯滤波去噪", dst);

}

高斯噪声去除比椒盐噪声要困难很多,两种滤波的去除效果都很一般
在这里插入图片描述

25. 边缘保留滤波

分为高斯双边滤波和非局部均值滤波,其中非局部均值滤波运行很慢,灰度和彩色的api是分开的.

void Advance::bilateral_filter(Mat& src) {

	Mat noise = Mat::zeros(src.size(), src.type());
	randn(noise, Scalar(50, 60, 70), Scalar(55, 50, 50));
	addWeighted(src, 1.0, noise, 0.7, 0, src);
	imshow("添加高斯噪声", src);

	// 高斯双边滤波
	Mat dst;
	bilateralFilter(src, dst, 0, 200, 0);
	imshow("高斯双边滤波", dst);

	// 非局部均值滤波
	// 灰度图有效
	cvtColor(src, src, COLOR_BGR2GRAY);
	fastNlMeansDenoising(src, dst, 15, 10, 30);
	imshow("非局部均值滤波", dst);

}

在这里插入图片描述

26. canny边缘提取加上trackbar演示

static void canny_demo(int thres, void* user_data) {
	Mat src = *((Mat *)user_data);
	Mat edges;
	Canny(src, edges, thres, thres * 3, 3, false);
	imshow("canny output", edges);
}


void Advance::canny(Mat& src) {
	namedWindow("canny", WINDOW_AUTOSIZE);
	int thres=50;
	createTrackbar("canny threshod: ", "canny", &thres, 100, canny_demo, (void*)(&src));
	imshow("canny", src);
	canny_demo(thres, &src);
}

在这里插入图片描述

27. 二值图像的概念

五种二值分割方法
在这里插入图片描述

void Advance::threshold_demo(Mat& src) {
	Mat gray, binary;
	cvtColor(src, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 127, 255, THRESH_BINARY);
	imshow("THRESH_BINARY", binary);

	threshold(gray, binary, 127, 255, THRESH_BINARY_INV);
	imshow("THRESH_BINARY_INV", binary);

	threshold(gray, binary, 127, 255, THRESH_TRUNC);
	imshow("THRESH_TRUNC", binary);

	threshold(gray, binary, 127, 255, THRESH_TOZERO);
	imshow("THRESH_TOZERO", binary);

	threshold(gray, binary, 127, 255, THRESH_TOZERO_INV);
	imshow("THRESH_TOZERO_INV", binary);

}

在这里插入图片描述

28. 全局阈值

在这里插入图片描述

void Advance::global_threshold(Mat& src) {
	Mat gray, binary;
	cvtColor(src, gray, COLOR_BGR2GRAY);
	// 求均值
	Scalar m = mean(gray);
	threshold(gray, binary, m[0], 255, THRESH_BINARY);
	imshow("mean", binary);

	// OTSU
	double t1 = threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("OTSU", binary);
	cout << "OTSU threshold: " << t1 << endl;
	   
	// 三角法 triangle
	double t2 = threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_TRIANGLE);
	imshow("triangle", binary);
	cout << "triangle threshold: " << t2 << endl;

}

在这里插入图片描述

29. 自适应阈值

自适应阈值主要用在有阴影的图片上面
在这里插入图片描述

void Advance::adjust_threshold(Mat& src) {
	Mat dst, gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	adaptiveThreshold(gray, dst, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 25, 10);
	imshow("ADAPTIVE_THRESH_GAUSSIAN_C", dst);

	adaptiveThreshold(gray, dst, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 25, 10);
	imshow("ADAPTIVE_THRESH_MEAN_C", dst);
}

30. 联通件的扫描

void Advance::connect(Mat& src) {
	Mat gray, binary;
	GaussianBlur(src, src, Size(3, 3), 0);
	cvtColor(src, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("otsu", binary);

	Mat labels = Mat::zeros(binary.size(), CV_32S);
	int num_labels = connectedComponents(binary, labels, 8, CV_32S, CCL_DEFAULT);
	printf("num of objects %d", num_labels-1);


	RNG rng(123);
	vector<Vec3b> colors(num_labels);
	colors[0] = Vec3b(0, 0, 0);
	for (int i = 1; i < num_labels; ++i) {
		colors[i] = Vec3b(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
	}

	Mat result = Mat::zeros(src.size(), src.type());
	for (int h = 0; h < binary.rows; ++h) {
		for (int w = 0; w < binary.cols; ++w) {
			int label = labels.at<int>(h, w);
			result.at<Vec3b>(h, w) = colors[label];
		}
	}
	putText(result, format("num of objects %d", num_labels - 1), Point(50, 50), FONT_HERSHEY_PLAIN, 2, Scalar(0, 255, 0), 2, 8);
	imshow("colorful", result);

}

在这里插入图片描述

31. 带统计信息联通件扫描

统计的信息有联通件对中心，外接矩形的左上角坐标，高宽值，联通件面积等值。

void Advance::ccl_statistic_demo(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("otsu", binary);

	Mat labels = Mat::zeros(binary.size(), CV_32S);
	Mat stats, centroids;
	int num_labels = connectedComponentsWithStats(binary, labels, stats, centroids, 8, CV_32S, CCL_DEFAULT);

	// 生成不同的颜色
	RNG rng(123);
	vector<Vec3b> colors(num_labels);
	colors[0] = Vec3b(0, 0, 0);
	for (int i = 1; i < num_labels; ++i) {
		colors[i] = Vec3b(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
	}


	Mat result = Mat::zeros(image.size(), CV_8UC3);
	for (int h = 0; h < binary.rows; ++h) {
		for (int w = 0; w < binary.cols; ++w) {
			int label = labels.at<int>(h, w);
			result.at<Vec3b>(h, w) = colors[label];
		}
	}

	for (int i = 1; i < num_labels; ++i) {
		int cx = centroids.at<double>(i, 0);
		int cy = centroids.at<double>(i, 1);
		circle(result, Point(cx, cy), 3, Scalar(0, 255, 0), 2, LINE_8, 0);
		
		int x = stats.at<int>(i, CC_STAT_LEFT);
		int y = stats.at<int>(i, CC_STAT_TOP);
		int height = stats.at<int>(i, CC_STAT_HEIGHT);
		int width = stats.at<int>(i, CC_STAT_WIDTH);
		int area = stats.at<int>(i, CC_STAT_AREA);
		
		Rect rect(x, y, width, height);
		rectangle(result, rect, Scalar(0, 0, 255), 2, LINE_8, 0);
		putText(result, format("%d", area), Point(x, y), FONT_HERSHEY_PLAIN, 2, Scalar(255, 0, 0), 1, LINE_8);

	}

	putText(result, format("num of objects %d", num_labels - 1), Point(10, 10), FONT_HERSHEY_PLAIN, 1, Scalar(0, 255, 0), 2, 8);
	imshow("colorful", result);


}

在这里插入图片描述

32. 轮廓的发现和绘制

void Advance::find_contours(Mat &image) {

	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("otsu", binary);


	vector<vector<Point>> contours;
	vector<Vec4i> hirerachy;
	findContours(binary, contours, hirerachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point());
	drawContours(image, contours, -1, Scalar(0, 255, 0), 2, LINE_8);
	imshow("find contours", image);

}

在这里插入图片描述

33. 图像轮廓的计算

void Advance::cal_contours(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
	imshow("otsu", binary);

	vector<vector<Point>> contours;
	vector<Vec4i> hirerachy;
	findContours(binary, contours, hirerachy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point());
	
	for (size_t i = 0; i < contours.size(); ++i) {
		double area = contourArea(contours[i]);
		double len = arcLength(contours[i], true);

		if (area < 100 || area < 10) {
			continue;
		}
		Rect box = boundingRect(contours[i]);
		//drawContours(image, contours, i, Scalar(0, 255, 0), 2, LINE_8);
		//rectangle(image, box, Scalar(0, 255, 0), 2);
		RotatedRect rrt = minAreaRect(contours[i]);
		// 绘制最小包围的椭圆
		//ellipse(image, rrt, Scalar(255, 0, 0), 2);
		// 最小包围的斜矩形
		Point2f pts[4];
		rrt.points(pts);
		for (int j = 0; j < 4; ++j) {
			line(image, pts[j], pts[(j + 1) % 4], Scalar(255,0, 255), 2);
		}
		double angle = rrt.angle;
		printf("index: %d, area: %.1f, length: %.1f, angle: %.1f\n", i, area, len, angle);
	}
	imshow("find contours", image);
}

请添加图片描述

34. 轮廓匹配

void contour_info(Mat &image, vector<vector<Point>> &contours) {
	Mat dst, gray, binary;
	
	GaussianBlur(image, dst, Size(3, 3), 0);
	cvtColor(dst, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);

	imshow("binary", binary);
	vector<Vec4i> hirearchy;
	findContours(binary, contours, hirearchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

}


void Advance::match_contours() {
	Mat src1 = imread("D:/images/abc.png");
	Mat src2 = imread("D:/images/a5.png");
	if (src1.empty() || src2.empty()) {
		printf("could not load image");
		return;
	}
	imshow("input1", src1);
	imshow("imput2", src2);

	vector<vector<Point>> contours1, contours2;
	contour_info(src1, contours1);
	contour_info(src2, contours2);

	Moments mm2 = moments(contours2[0]);
	Mat hu2;
	HuMoments(mm2, hu2);
	for (size_t i = 0; i < contours1.size(); ++i) {
		Moments mm = moments(contours1[i]);
		double cx = mm.m10 / mm.m00;
		double cy = mm.m01 / mm.m00;
		circle(src1, Point(cx, cy), 3, Scalar(255, 0, 255), 2);
		Mat hu;
		HuMoments(mm, hu);
		double dist = matchShapes(hu, hu2, CONTOURS_MATCH_I1, 0);
		if (dist < 1.0) {
			printf("match distance value: %.2f\n", dist);
			drawContours(src1, contours1, i, Scalar(0, 255, 0), 2);
		}
	}
	imshow("contours match demo", src1);
}

请添加图片描述

3.5 轮廓逼近和拟合

使用线段去逼近

void Advance::approx_contours(Mat &image) {
	Mat dst;
	GaussianBlur(image, dst, Size(3, 3), 0);
	Mat gray;
	cvtColor(dst, gray, COLOR_BGR2GRAY);

	Mat binary;
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);


	vector<vector<Point>> contours;
	vector<Vec4i> hirearchy;
	findContours(binary, contours, hirearchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

	for (size_t i = 0; i < contours.size(); ++i) {
		Mat result;
		approxPolyDP(contours[i], result, 4, true);
		printf("coners: %d\n", result.rows);


		double c = arcLength(contours[i], true);
		double s = contourArea(contours[i]);

		// 计算中心点
		Moments mm = moments(contours[i]);
		double cx = mm.m10 / mm.m00;
		double cy = mm.m01 / mm.m00;
		if (result.rows == 3) {
			putText(image, format("triangle, c=%.0f, s=%.0f\n", c, s), Point(cx-10, cy-10), FONT_HERSHEY_PLAIN, 1, Scalar(255, 0, 255));
			circle(image, Point(cx, cy), 3, Scalar(0, 255, 0));
		}
	}
	imshow("approx contours", image);
}

请添加图片描述
使用椭圆去逼近

void Advance::approx_contours2(Mat &image) {
	Mat dst;
	GaussianBlur(image, dst, Size(3, 3), 0);
	Mat gray;
	cvtColor(dst, gray, COLOR_BGR2GRAY);

	Mat binary;
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);

	vector<vector<Point>> contours;
	vector<Vec4i> hirearchy;
	findContours(binary, contours, hirearchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	//drawContours(image, contours, 0, Scalar(0, 255, 0), 2);

	RotatedRect rrt = fitEllipse(contours[0]);
	ellipse(image, rrt, Scalar(255, 0, 0), 2);

	imshow("approx contours", image);
}

请添加图片描述

36 霍夫直线检测

void Advance::hough_lines(Mat &image) {
	Mat dst;
	GaussianBlur(image, dst, Size(3, 3), 0);
	Mat gray;
	cvtColor(dst, gray, COLOR_BGR2GRAY);

	Mat binary;
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);
	 
	// 霍夫直线检测
	vector<Vec3f> lines;
	HoughLines(binary, lines, 1, CV_PI / 180.0, 250, 0, 0);

	Point pt1, pt2;
	for (size_t i = 0; i < lines.size(); ++i) {
		float rho = lines[i][0]; // 距离
		float theta = lines[i][1]; //角度
		float acc = lines[i][2]; // 累加值
		

		double a = cos(theta);
		double b = sin(theta);
		double x0 = a * rho, y0 = b * rho;
		pt1.x = cvRound(x0 + 1000 * (-b));
		pt1.y = cvRound(y0 + 1000 * a);
		pt2.x = cvRound(x0 - 1000 * (-b));
		pt2.y = cvRound(y0 - 1000 * a);
		int angle = round(theta / CV_PI * 180);

		if (angle > 90) {
			line(image, pt1, pt2, Scalar(0, 0, 255), 2, 8, 0);
		}
		else {
			line(image, pt1, pt2, Scalar(0, 255, 0), 2, 8, 0);
		}
		printf("rho: %.2f, theta: %.2f, acc: %.2f, angle: %d\n", rho, theta, acc, angle);

	}
	imshow("hough lines", image);

}

在这里插入图片描述

37 霍夫直线检测2

void Advance::hough_linesp(Mat &image) {
	Mat binary;
	Canny(image, binary, 80, 160, 3, false);
	imshow("canny", binary);

	vector<Vec4i> lines;
	HoughLinesP(binary, lines, 1, CV_PI / 180, 80, 200, 10);
	Mat result = Mat::zeros(image.size(), image.type());
	for (int i = 0; i < lines.size(); ++i) {
		line(result, Point(lines[i][0], lines[i][1]), Point(lines[i][2], lines[i][3]), Scalar(0, 255, 0), 1);
	}
	imshow("hough linesp demo", result);
}

在这里插入图片描述

38. 霍夫圆检测

霍夫类型算法对噪声很敏感的，所以使用前需要先进行高斯模糊

void Advance::hough_circle(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	GaussianBlur(gray, gray, Size(9, 9), 2, 2);
	imshow("gray", gray);

	vector<Vec3f> circles;
	int min_dis = 20, min_r = 10, max_r = 50;
	HoughCircles(gray, circles, HOUGH_GRADIENT, 2, min_dis, 100, 100, min_r, max_r);
	for (int t = 0; t < circles.size(); ++t) {
		Point centre(circles[t][0], circles[t][1]);
		double radius = round(circles[t][2]);
		circle(image, centre, radius, Scalar(0, 255, 0), 2);
	}
	imshow("hough circle", image);
}

有高斯模糊
在这里插入图片描述
没有高斯模糊
在这里插入图片描述

39. 图像形态学操作

膨胀和腐蚀

void Advance::erode_dilate(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	Mat dst1, dst2;
	// 腐蚀
	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
	erode(binary, dst1, kernel);
	imshow("erode", dst1);
	// 膨胀
	dilate(binary, dst2, kernel);
	imshow("dilate", dst2);
}

在这里插入图片描述

40. 图像的开闭

void Advance::open_close(Mat &image) {
	// 开闭
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	Mat dst1, dst2;
	// 闭操作 先膨胀后腐蚀，去掉黑色的小东西
	//Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(25, 25), Point(-1, -1));
	//morphologyEx(binary, dst1, MORPH_CLOSE, kernel, Point(-1, -1), 1);
	//imshow("open", dst1);

	// 开操作，先腐蚀后膨胀, 去掉白色（前景， OpenCV所有形态学操作，白是前景，黑色背景）的小东西
	Mat kernel1 = getStructuringElement(MORPH_RECT, Size(30, 1), Point(-1, -1));
	morphologyEx(binary, dst2, MORPH_OPEN, kernel1, Point(-1, -1));
	imshow("open", dst2);

}

闭操作：去掉黑点
请添加图片描述
开操作：去掉白点，保留横线
请添加图片描述

41. 形态学梯度

基本梯度 – 膨胀减去腐蚀之后的结果
内梯度 – 原图减去腐蚀后结果
外梯度 – 膨胀减去原图后结果

void Advance::morph_gradient(Mat &image) {
	Mat gray;
	cvtColor(image, gray, COLOR_BGR2GRAY);

	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));

	
	Mat basic_grad;
	// 基本梯度 -- 膨胀减去腐蚀之后的结果
	morphologyEx(gray, basic_grad, MORPH_GRADIENT, kernel, Point(-1, -1));
	imshow("basic gradient", basic_grad);

	// 内梯度 -- 原图减去腐蚀后结果
	Mat dst1, inner_grad;
	morphologyEx(gray, dst1, MORPH_ERODE, kernel);
	subtract(gray, dst1, inner_grad);
	imshow("inner grad", inner_grad);

	// 外梯度 -- 膨胀减去原图后结果
	Mat dst2, outter_grad;
	morphologyEx(gray, dst2, MORPH_DILATE, kernel);
	subtract(dst2, gray, outter_grad);
	imshow("outter grad", outter_grad);

}

请添加图片描述

42. 更多形态学操作

// 顶帽： 原图减去开操作之后的结果

void Advance::other_morph(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
	imshow("binary", binary);

	// 顶帽： 原图减去开操作之后的结果
	Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(25, 25));
	Mat tophat, open;
	morphologyEx(binary, tophat, MORPH_TOPHAT, kernel);
	morphologyEx(binary, open, MORPH_OPEN, kernel, Point(-1, -1));
	imshow("open", open);
	imshow("tophat", tophat);

}

在这里插入图片描述
// 黑帽：闭操作之后结果减去原图

void Advance::other_morph(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);

	// 黑帽：闭操作之后结果减去原图
	Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(25, 25));
	Mat blackhat, close;
	morphologyEx(binary, blackhat, MORPH_BLACKHAT, kernel);
	morphologyEx(binary, close, MORPH_CLOSE, kernel, Point(-1, -1));
	imshow("close", close);
	imshow("blackhat", blackhat);

}

在这里插入图片描述
hit and miss

void Advance::other_morph(Mat &image) {
	Mat gray, binary;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);

	// hit and miss
	Mat kernel = getStructuringElement(MORPH_CROSS, Size(25, 25));
	Mat hitmiss;
	morphologyEx(binary, hitmiss, MORPH_HITMISS, kernel);
	imshow("hitmiss", hitmiss);
	

}

请添加图片描述

43. 综合练习 找出卫星图岛屿轮廓

void Advance::image_process_demo(Mat &image) {
	Mat gray;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	Mat blur;
	GaussianBlur(gray, blur, Size(3, 3), 0);
	Mat binary;
	// 二值化
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);
	// 闭操作，用于填充最大的白色轮廓
	Mat morph;
	Mat kernel = getStructuringElement(MORPH_RECT, Size(15, 15), Point(-1, -1));
	morphologyEx(binary, morph, MORPH_CLOSE, kernel);
	imshow("morph", morph);

	vector<vector<Point>> contours;
	vector<Vec4i> hirerachy;
	findContours(morph, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

	Mat output = image.clone();
	double max_area = 0.;
	size_t max_index;
	for (size_t i = 0; i < contours.size(); ++i) {
		double area = contourArea(contours[i]);
		printf("index: %d, area: %.1f\n", i, area);
		if (area > max_area) {
			max_index = i;
			max_area = area;
		}
		drawContours(output, contours, i, Scalar(0, 255, 0), 2);
	}
	Mat result = Mat::zeros(image.size(), image.type());
	drawContours(result, contours, max_index, Scalar(0, 0, 255), 2);
	
	Mat pts;
	// 多边形逼近
	approxPolyDP(contours[max_index], pts, 4, true);
	for (int i = 0; i < pts.rows; ++i) {
		Vec2i pt = pts.at<Vec2i>(i, 0);
		circle(result, Point(pt[0], pt[1]), 2, Scalar(0, 255, 0), 2, 8, 0);
	}

	printf("max index: %d", max_index);
	imshow("output", output);
	imshow("result", result);
}

请添加图片描述

44. 视频读写api

读取一个视频信息并保存

void Advance::video_capture() {
	VideoCapture capture("D:/images/bike.avi");
	if (!capture.isOpened()) {
		printf("video is not opened");
		return;
	}
	namedWindow("frame", WINDOW_AUTOSIZE);

	int height = capture.get(CAP_PROP_FRAME_HEIGHT);
	int width = capture.get(CAP_PROP_FRAME_WIDTH);
	int fps = capture.get(CAP_PROP_FPS);
	int type = capture.get(CAP_PROP_FOURCC);
	printf("height: %d, width: %d, fps: %d", height, width, fps);

	VideoWriter writer("D:/test.mp4", type, fps, Size(width, height), true);
	   	 
	while (true) {
		char c = waitKey(50);
		if (c == 27) {
			break;
		}
		Mat frame;
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}
		writer.write(frame);
		imshow("frame", frame);
	}

	capture.release();
	writer.release();
	destroyAllWindows();
}

45. 色彩空间转换

使用色彩空间转换进行绿幕抠图

void Advance::color_space() {
	VideoCapture capture("D:/images/01.mp4");

	while (true) {
		char c = waitKey(50);
		if (c == 27) {
			break;
		}
		Mat frame, hsv, lab;
		bool ret = capture.read(frame);

		if (!ret) {
			break;
		}
		cvtColor(frame, hsv, COLOR_BGR2HSV);
		//cvtColor(frame, lab, COLOR_BGR2Lab);
		//imshow("hsv", hsv);
		//imshow("lab", lab);
		
		Mat mask,dst;
		inRange(hsv, Scalar(35, 43, 46), Scalar(77, 255, 255), mask);
		//imshow("mask", mask);
		bitwise_not(mask, mask);
		bitwise_and(frame, frame, dst, mask);
		imshow("front", dst);

	}
}

在这里插入图片描述

46. 直方图的反向投影

void Advance::back_project() {
	Mat src = imread("D:/images/hand.jpg");
	imshow("src", src);
	Mat sample = imread("D:/images/shand.png");
	imshow("sample", sample);
	
	Mat hsv;
	cvtColor(src, hsv, COLOR_BGR2HSV);
	
	int hbins = 48, s_bins = 48;
	int hist_size[] = { hbins, s_bins };
	int channels[] = { 0, 1 };
	Mat roi_hist;

	float h_ranges[] = { 0, 180 };
	float s_ranges[] = { 0, 255 };
	const float* ranges[] = { h_ranges, s_ranges };

	calcHist(&hsv, 1, channels, Mat(), roi_hist, 2, hist_size, ranges, true, false);
	normalize(roi_hist, roi_hist, 0, 255, NORM_MINMAX);
	MatND backproj;

	calcBackProject(&hsv, 1, channels, roi_hist, backproj, ranges, 1.0);
	imshow("back projection demo", backproj);

}

在这里插入图片描述

47. Harris角点检测

void Advance::harris_corner() {
	VideoCapture capture("D:/images/bike.avi");

	while (true) {
		if (!capture.isOpened()) {
			return;
		}

		int n = waitKey(50);
		if (n == 27) {
			break;
		}

		Mat frame;
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}

		Mat gray;
		cvtColor(frame, gray, COLOR_BGR2GRAY);
		Mat dst;
		double k = 0.04;
		int block_size = 2;
		int ksize = 3;
		cornerHarris(gray, dst, block_size, ksize, k);
		Mat dst_norm = Mat::zeros(frame.size(), frame.type());
		normalize(dst, dst_norm, 0, 255, NORM_MINMAX, -1, Mat());
		convertScaleAbs(dst_norm, dst_norm);

		RNG rng(143);
		for (int row = 0; row < frame.rows; ++row) {
			for (int col = 0; col < frame.cols; ++col) {
				int rsp = dst_norm.at<uchar>(row, col);
				if (rsp > 150) {
					int b = rng.uniform(0, 255);
					int g = rng.uniform(0, 255);
					int r = rng.uniform(0, 255);
					circle(frame, Point(col, row), 3, Scalar(b, g, r));
				}
			}
		}
		imshow("harris corner", frame);
	}
}

在这里插入图片描述

48. shitomas角点检测

void Advance::shitomas_corner_detector() {
	// shitomas脚点检测
	VideoCapture capture("D:/images/bike.avi");

	while (true) {
		if (!capture.isOpened()) {
			return;
		}
		int key = waitKey(50);
		if (key == 27) {
			break;
		}
		Mat frame;
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}
		Mat gray;
		cvtColor(frame, gray, COLOR_BGR2GRAY);
		vector<Point2f> corners;
		RNG rng(123);
		// qualty_level = 0.01代表response小于10的都过滤了
		double qualty_level = 0.01;
		goodFeaturesToTrack(gray, corners, 50, 0.01, 3, Mat());
		Mat shitomas = frame.clone();
		for (size_t i = 0; i < corners.size(); ++i) {
			int b = rng.uniform(0, 255);
			int g = rng.uniform(0, 255);
			int r = rng.uniform(0, 255);
			circle(frame, corners[i], 3, Scalar(b, g, r));
		}
		imshow("frame", frame);
		imshow("shitomas", shitomas);	   		 	  	  	
	}
}

在这里插入图片描述

49. 基于颜色对象的跟踪

本小节学习的重点：要进行颜色的提取，必须先转换到hsv的色彩空间上。

void Advance::color_trace() {
	VideoCapture capture("D:/images/blackboard.mp4");
	
	if (!capture.isOpened()) {
		return;
	}

	while (true)
	{
		int key = waitKey(50);
		if (key == 27) {
			break;
		}
		Mat frame;
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}
		Mat hsv, dst;
		cvtColor(frame, hsv, COLOR_BGR2HSV);
		// 0-10 43-255 46-255
		inRange(hsv, Scalar(0, 43, 46), Scalar(10, 255, 255), dst);
		imshow("frame", dst);
		// 形态学操作
		Mat morph;
		Mat se = getStructuringElement(MORPH_RECT, Size(8, 8));
		morphologyEx(dst, morph, MORPH_OPEN, se);
		imshow("morph", morph);
		// 查找轮廓contours
		vector<vector<Point>> contours;
		vector<Vec4i> hirearchy;
		findContours(morph, contours, hirearchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

		double max_area = 0;
		size_t contour_index = -1;
		for (size_t t = 0; t < contours.size(); ++t) {
			double area = contourArea(contours[t]);
			if (area > max_area) {
				contour_index = t;
				max_area = area;
			}
		}
		printf("max area: %.1f\n", max_area);
		// 拟合
		if (contour_index >= 0) {
			RotatedRect rrt = minAreaRect(contours[contour_index]);
			ellipse(frame, rrt, Scalar(0, 255, 0), 2);
			circle(frame, rrt.center, 4, Scalar(255, 0, 0), 2);
		}
		imshow("color_trace", frame);
	}
}

在这里插入图片描述

50. 背景分析

void Advance::bg_extraction() {
	VideoCapture capture("D:/images/blackboard.mp4");

	if (!capture.isOpened()) {
		return;
	}
	auto pMOG2 = createBackgroundSubtractorMOG2(500, 1000, false);

	while (true)
	{
		int key = waitKey(50);
		if (key == 27) {
			break;
		}
		Mat frame;
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}
		Mat mask, bg_image;
		pMOG2->apply(frame, mask);
		pMOG2->getBackgroundImage(bg_image);

		Mat morph;
		Mat kernel = getStructuringElement(MORPH_RECT, Size(8, 8));
		morphologyEx(mask, morph, MORPH_OPEN, kernel);
		imshow("morph", morph);
		imshow("backgroud", bg_image);

	}
}

在这里插入图片描述

51. 光流法

void Advance::optical_analysis() {
	VideoCapture capture("D:/images/bike.avi");

	if (!capture.isOpened()) {
		return;
	}
	
	namedWindow("frame", WINDOW_AUTOSIZE);
	Mat old_frame, old_gray;
	capture.read(old_frame);
	cvtColor(old_frame, old_gray, COLOR_BGR2GRAY);
	vector<Point2f> feature_pts;
	double quality_level = 0.01;
	// shitomas角点检测
	goodFeaturesToTrack(old_gray, feature_pts, 200, quality_level, 3, Mat(), 3, false);

	vector<uchar> status;
	vector<float> err;
	Mat frame, gray;
	vector<Point2f> pts[2];
	pts[0].insert(pts[0].end(), feature_pts.begin(), feature_pts.end());
	TermCriteria criteria(TermCriteria::COUNT + TermCriteria::EPS, 10, 0.01);
	RNG rng(123);
	
	while (true)
	{
		int key = waitKey(50);
		if (key == 27) {
			break;
		}
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}

		capture.read(frame);
		cvtColor(frame, gray, COLOR_BGR2GRAY);
		// 光流分析
		calcOpticalFlowPyrLK(old_gray, gray, pts[0], pts[1], status, err, Size(21, 21), 3, criteria, 0);
		size_t i = 0, k = 0;
		for (i = 0; i < pts[1].size(); ++i) {
			if (status[i]) {
				pts[0][k] = pts[0][i];
				pts[1][k++] = pts[1][i];
				int b = rng.uniform(0, 255);
				int g = rng.uniform(0, 255);
				int r = rng.uniform(0, 255);
				circle(frame, pts[1][i], 2, Scalar(b, g, r), 2, 8, 0);
				line(frame, pts[0][i], pts[1][i], Scalar(b, g, r), 2, 8, 0);
			}
		}

		pts[0].resize(k);
		pts[1].resize(k);
		imshow("KLT-demo", frame);
		std::swap(pts[0], pts[1]);
		cv::swap(old_gray, gray);
	}
}

在这里插入图片描述

55. 基于均值迁移的视频分析

void Advance::mean_analysis() {
	VideoCapture capture("D:/images/blackboard.mp4");
	if (!capture.isOpened()) {
		printf("could not open the camera...\n");
	}
	namedWindow("frame", WINDOW_AUTOSIZE);
	Mat frame, hsv, hue, mask, hist, backproj;
	capture.read(frame);

	bool init = false;
	Rect trackWindow;

	int hsize = 16;
	float hranges[] = { 0,180 };
	const float* ranges = hranges;
	
	Rect selection = selectROI("MeanShift Demo", frame, true, false);
	while (true) {
		bool ret = capture.read(frame);
		if (!ret) {
			break;
		}
		cvtColor(frame, hsv, COLOR_BGR2HSV);
		inRange(hsv, Scalar(156, 43, 46), Scalar(180, 255, 255), mask);

		int ch[] = { 0, 0 };
		hue.create(hsv.size(), hsv.depth());
		mixChannels(&hsv, 1, &hue, 1, ch, 1);


		if (init) {
			Mat roi(hue, selection), maskroi(mask, selection);
			calcHist(&roi, 1, 0, maskroi, hist, 1, &hsize, &ranges);
			normalize(hist, hist, 0, 255, NORM_MINMAX);
			trackWindow = selection;
			init = false;
		}
		// ms
		calcBackProject(&hue, 1, 0, hist, backproj, &ranges);
		backproj &= mask;
		meanShift(backproj, trackWindow, TermCriteria(TermCriteria::COUNT | TermCriteria::EPS, 10, 1));
		rectangle(frame, trackWindow, Scalar(0, 0, 255), 3, LINE_AA);
		imshow("MeanShift Demo", frame);
		char c = waitKey(1);
		if (c == 27) {
			break;
		}
	}

}
HELLOWORLD2424
关注
  • 4
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
视频分析与处理：时序数据在计算机视觉中的挑战与机遇
禅与计算机程序设计艺术
03-27 497
视频分析与处理：时序数据在计算机视觉中的挑战与机遇 作者：禅与计算机程序设计艺术 1. 背景介绍 随着计算机视觉技术的不断进步,视频分析与处理已经成为当前计算机视觉领域的重要研究方向之一。与静态图像分析不同,视频数据包含了丰富的时序信息,给视觉分析带来了新的
OpenCV4 图像处理与视频分析实战教程
06-14
基于OpenCV最新版本OpenCV4开始，从基础开始，详解OpenCV核心模块Core、Imgproc、video analysis核心API与相关知识点，讲解从图像组成，像素操作开始，一步一步教你如何写代码，如何用API解决实际问题，从图像处理到...
15 OpenCV4图像处理与视频分析实战（49.基于颜色的对象跟踪-.）
qq_44294428的博客
03-31 86
【代码】15 OpenCV4图像处理与视频分析实战（49.基于颜色的对象跟踪-.）
如何使用OpenCV进行视频处理和分析？
m0_74693860的博客
07-20 688
使用OpenCV进行视频处理和分析是计算机视觉中常见的任务，涵盖了视频读取、处理、保存、分析等多个方面。在实际应用中，视频处理和分析的效果和性能取决于所选的算法和参数的质量。可以根据具体的应用需求选择合适的方法和参数，从而实现高质量的视频处理和分析。b. 处理后的图像可以通过OpenCV的imshow()方法实时显示，或者保存到视频文件中。b. 可以使用图像处理、目标检测、跟踪、光流估计、动作识别等算法来分析视频内容。a. 对视频中的帧进行逐帧处理和分析。b. 将处理后的图像帧逐一写入视频。
OpenCV4 快速入门 (学习笔记 全)
weixin_42264818的博客
10-25 5409
《OpenCV4 快速入门》学习笔记
OpenCV4图像处理--图像梯度
Mzcc_bbms的博客
10-23 282
图像梯度图像梯度的概念常见梯度算子 图像梯度的概念 图像梯度 思考，清晰图像和模糊图像之间的差别是什么？ 从逻辑上考虑，图像模糊是因为图像中物体的轮廓不明显，轮廓边缘灰度变化不强烈，层次感不强造成的，那么反过来考虑，轮廓边缘灰度变化明显些，层次感强些是不是图像就更清晰些呢。 那么，这种灰度变化明显不明显怎样去定义呢？ 我们学过微积分，知道微分就是求函数的变化率，即导数（梯度），那么对于图像来说，可不可以用微分来表示图像灰度的变化率呢，当然是可以的，图像就是函数嘛。 常见梯度算子 Sobel算子： A
OpenCV4 图像处理与视频分析教程-合并.pdf
10-25
总的来说，OpenCV4 图像处理与视频分析教程涵盖了从基本的图像读取和显示，到复杂的算术和位操作，再到像素统计分析的一系列功能。这些知识点构成了计算机视觉和图像处理的基础，对于开发视觉应用或进行图像分析的...
OpenCV图像处理案例实战教程-视频教程网盘链接提取码下载.txt
10-04
基于OpenCV图像处理相关模块知识点，紧密集合日常工作中遇到图像处理问题，通过灵活运用OpenCV图像处理相关API妙解这些常见问题，为刚参加工作的研发者提供了常见图像处理问题解决思路与案例集锦，课程收录了六个...
贾志刚Opencv图像处理视频教程学习笔记.pdf
09-08
本人在学习贾志刚老师的Opencv图像处理视频教程过程中，记录了一些笔记。在此，将平时学习笔记整理成册，分享给大家。希望能帮助到图像处理领域零基础的同学们，教程中所有程序是基于OpenCV3.1.0和Visual Studio2015...
基于QT5+Opencv完成简单的图像处理及视频处理软件
02-25
QT图形界面编程 大作业，主要功能分为图像处理以及视频处理两大块。 图像处理包括：灰度化、均值滤波、边缘检测、伽马变换、旋转镜像、亮度调节、二值化、对比度，饱和度调节、色彩调节、图片保存、水印等。 视频...
openCV贾志刚.txt
11-29
openCV贾志刚视频教程，网盘地址，OpenCV级联分类器训练与使用实战教程，OpenCV 特征提取与检测实战视频课程，OpenCV视频分析与对象跟踪实战教程，OpenCV图像处理-小案例实战教程，OpenCV图像处理视频课程，OpenCV图像分割实战视频教程等多个文件。
【高清pdf】OpenCV计算机视觉编程攻略(第2版)【完整版】
11-18
高清PDF【可复制】 OpenCV是计算机视觉领域使用最广泛的开源程序库。 本书并不是简 单地列出各种函数和类， 而是由浅入深地介绍OpenCV及有关算法， 让读者从零开始学习计算机视觉和OpenCV， 真正掌握相关程序的开 发方法。 通过阅读本书， 你将了解计算机视觉的基础知识， 知道有关算法的来 龙去脉， 学会OpenCV的总体架构和常用功能， 掌握用OpenCV解决具 体问题的方法。 本书将带你进入图像和视频分析的世界， 揭开图像识 别、 图像配准、 视觉跟踪、 三维重建等技术的神秘面纱。
基于Csharp+OpenCV图像处理实战
04-22
一、主要内容：OpenCV能够实现强大丰富的图像处理，但是它缺少一个能够支持它运行的界面。Csharp经过多年的发展,得益于它的“所见及所得”能力，非常方便编写界面。这两者如果能够“双剑合璧”，将有效帮助实际工作产出。本课着重推荐GOCW采用“Csharp基于CLR直接调用Opencv编写的算法库”方法，能够将最新的OpenCV技术引入进来，同时保证生成程序的最小化。    为了进一步说明Csharp和OpenCV的结合使用，首先一个较为完整的基于winform实现答题卡识别的例子，相比较之前的实现，本次进一步贴近生产实际、内涵丰富，对算法也进行了进一步提炼。同时我们对WPF下对OpenCV函数的调用、OpenCV.js的调用进行相关教授。       二、课程结构1、 EmguCV、OpenCVSharp和GOCW之间进行比较（方便代码编写、能够融入最新的算法、速度有保障、方便调试找错、拒绝黑箱化）；2、视频采集模块的构建，视频采集和图像处理之间的关系；3、视频采集专用的SDK和“陪练”系统的介绍；4、在视频增强类项目中和图像处理项目中，算法的选择；5、Csharp界面设计、图片的存储和其他构建设计；6、较为完整的答题卡识别例子，兼顾界面设计和算法分析;8、WPF基于GOCW也同样可以基于GOCW实现算法调用；webForm虽然也可以通过类似方法调用，但是OpenCV.JS的方法更现代高效。9、关于软件部署的相关要点和窍门。       三、知识要点：１、基本环境构建和程序框架；２、CLR基本原理和应用方法；３、接入、采集、模拟输入;４、图像处理，通过构建循环采集图片；５、增强和实时处理；６、基于投影等技术的答题卡识别算法；７、存储、转换；８、部署交付。        课程能够帮助你掌握Csharp调用Opencv的基本方法，获得相应框架代码和指导；从而进一步提升实现“基于图像处理”的解决方案能力。  
基于实时AI的视频和图像分析(一）
MoL的博客
05-09 9857
关于视频分析： 格灵深瞳 千视通 NVIDIA Deepstream 4.0 做什么？ 应用场景 可以在边缘和云端灵活部署。 边缘设备 云端处理 获取模型 集成了Nvidia的迁移学习工具包（TLT），您可以使用TLT为您的应用程序训练预训练模型。经过预先训练的模型可在NGC（NVIDIA GPU Cloud）上获得。 您可以从NGC中取出所有内容，使用TLT重新训练并在deepStream...
Ubuntu20.04 vscode + opencv4教程（2021.10.27完成）
qq_36321330的博客
10-27 4724
安装cmake cd sudo apt install -y cmake sudo apt install -y make 安装opencv（源码编译） 可以在home目录下新建一个文件夹opencv，进入opencv文件夹，打开终端，输入如下命令下载源码 git clone https://github.com/opencv/opencv.git 进入opencv，创建一个文件夹叫build cd opencv && mkdir build 安装cmake gui sud
opencv4 图像处理与视频分析实战教程 网盘
最新发布
11-21
opencv4 图像处理与视频分析实战教程是一本非常实用的书籍，其中详细介绍了opencv4库的使用方法和技巧，涵盖了图像处理、视频分析等多个方面。这本书对于想要学习opencv图像处理和视频分析的读者来说是非常有参考...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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