opencv-python学习笔记

最新推荐文章于 2024-03-01 14:46:41 发布
最新推荐文章于 2024-03-01 14:46:41 发布
阅读量799 收藏 4
点赞数 2
文章标签： opencv
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/Linuxzbc/article/details/113177798
版权

这是看视频的笔记，大部分内容抄自老师的笔记，稍微微加了自己百度的一些解析，侵删。

安装

Anaconda要装3.5.2，对应python3.6版本，无外网推荐用清华源镜像
链接 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
OpenCV装3.4.1.15
指令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python == 3.4.1.15
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python==3.4.1.15

https://repo.anaconda.com/archive/ 从这里选择对应anaconda版本，另外，python版本和下载的opencv版本有关，刚开始我用的版本不对，会有报错

总之，环境配置是一大步。

图像的基本操作

图片

im = cv2.imread(‘cat.jpg’) 读取图片 返回的是一个列表 储存每一个像素点的数据
还有一个可选参数：cv2.IMREAD_GRAYSCALE 灰度图
cv2.IMREAD_COLOR 彩色图 默认为彩色

图像的显示
#图像的显示,也可以创建多个窗口
cv2.imshow(‘mao’,img)
#等待时间，毫秒级，0表示任意键终止
cv2.waitKey(10000)
cv2.destroyAllWindows()

cv2.waitKey(10000) 表示出现窗口等待的时间，若参数为 -1，则表示不设置窗口出现时间，一般该参数设置为 -1
cv2.destroyAllWindows()表示按下任意键销毁窗口

def cv_show(name,img):
    cv2.imshow(name,img) 
    cv2.waitKey(0) 
    cv2.destroyAllWindows()

可以定义该函数来显示图像

**cv2.imwrite(‘223.png’,img)**保存图片 第一个参数为保存图片的名字

type(img) img的类型为numpy.ndarray

img.size img大小

img.dtype dtype(‘uint8’)

视频

cv2.VideoCapture可以捕获摄像头，用数字来控制不同的设备，例如0,1。
参数是0，表示打开笔记本内置摄像头
如果是视频文件，直接指定好路径即可。

**ret, frame =vc.read()**vc.read()按帧读取视频，ret,frame是获cap.read()方法的两个返回值。其中ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。frame就是每一帧的图像，是个三维矩阵。

vc = cv2.VideoCapture('test.mp4')
# 检查是否打开正确
if vc.isOpened(): 
    oepn, frame = vc.read()
else:
    open = False
while open:
    ret, frame = vc.read()
    if frame is None:
        break
    if ret == True:
    	# 就是个处理一帧的例子，这里转为灰度图
        gray = cv2.cvtColor(frame,  cv2.COLOR_BGR2GRAY)
        # 不断显示一帧，就成视频了
   	    # 这里没有提前创建窗口，所以默认创建的窗口不可调整大小
    	# 可提前使用cv.WINDOW_NORMAL标签创建个窗口
        cv2.imshow('result', gray)
        if cv2.waitKey(3) & 0xFF == 27: # 每3ms播放一帧  按下Esc键退出 或者cv.waitKey(1) & 0xFF == ord('q')按下 q 退出
            break
vc.release()
#调用release()释放摄像头，调用destroyAllWindows()关闭所有图像窗口
cv2.destroyAllWindows()

截取部分图像

img=cv2.imread('cat.jpg')
cat=img[0:50,0:200] 
cv_show('cat',cat)

通道颜色提取

b,g,r=cv2.split(img)
合并通道
img=cv2.merge((b,g,r))
img.shape

**# 只保留R
cur_img = img.copy()
cur_img[:,:,0] = 0
cur_img[:,:,1] = 0
cv_show(‘R’,cur_img)
**
把索引0，和1 置0

边界填充

top_size,bottom_size,left_size,right_size = (50,50,50,50)

replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value=0)

** BORDER_REPLICATE：复制法，也就是复制最边缘像素。
BORDER_REFLECT：反射法，对感兴趣的图像中的像素在两边进行复制例如：fedcba|abcdefgh|hgfedcb
BORDER_REFLECT_101：反射法，也就是以最边缘像素为轴，对称，gfedcb|abcdefgh|gfedcba
BORDER_WRAP：外包装法cdefgh|abcdefgh|abcdefg
BORDER_CONSTANT：常量法，常数值填充**

数值计算

img_cat2= img_cat +10
图像上每个像素点都加10
（不知道有啥用，反正知道有可以相加这个操作就可以了 加10前后的图像
在这里插入图片描述
在这里插入图片描述）

两个图片也可以直接相加，cv2中大于255部分的对255取余处理 img_cat + img_cat2

用函数相加的话，大于255部分直接取255 cv2.add(img_cat,img_cat2)

图像融合

融合的图像shap必须一样，否则会 ValueError: operands could not be broadcast together with shapes (414,500,3) (429,499,3)

更改图片大小函数 img_dog = cv2.resize(img_dog, (500, 414))
还可以 res = cv2.resize(img, (0, 0), fx=4, fy=4) 前两个参数为（0,0），后面两个参数为倍数

融合图片：res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)
0.4 0.6 分别为图片的权重 最后一项为偏移项 相当于w=ax+by+c 中的c

图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

  • src： 输入图，只能输入单通道图像，通常来说为灰度图

  • dst： 输出图

  • thresh： 阈值

  • maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

  • type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

  • cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0 常作为二值化操作

  • cv2.THRESH_BINARY_INV THRESH_BINARY的反转

  • cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变

  • cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0

  • cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

图像平滑（滤波操作，去掉噪音点）

均值滤波

#简单的平均卷积操作
blur = cv2.blur(img, (3, 3)) #周围3x3方框的均值

方框滤波

#基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True) #-1 表示颜色通道数一致，通常为-1，不需要去改，normalize=True做归一化处理，譬如3x3加起来，最后除以9就是归一化，选择归一化就和均值滤波操作一模一样，该参数置为False时，不除以9，越界的像素点直接置为255，最后图像会亮很多

高斯滤波

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。
cv2.GussianBlur()函数
语法：GaussianBlur（src，ksize，sigmaX [，dst [，sigmaY [，borderType]]]）-> dst
——src输入图像；图像可以具有任意数量的通道，这些通道可以独立处理，但深度应为CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
——dst输出图像的大小和类型与src相同。
——ksize高斯内核大小。 ksize.width和ksize.height可以不同，但​​它们都必须为正数和奇数，也可以为零，然后根据sigma计算得出。
——sigmaX X方向上的高斯核标准偏差。
——sigmaY Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，而不管将来可能对所有这些语义进行的修改，建议指定所有ksize，sigmaX和sigmaY。

卷积核里的数值是满足高斯分布，相当于更重视中间的
#(5, 5)表示高斯矩阵的长与宽都是5，标准差取1
aussian = cv2.GaussianBlur(img, (5, 5), 1)

cv2.imshow(‘aussian’, aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

离的越近，重要程度越高，权重越大

中值滤波

#相当于用中值代替
median = cv2.medianBlur(img, 5) # 中值滤波 方框中数据从小到大排列，取中间的数

cv2.imshow(‘median’, median)
cv2.waitKey(0)
cv2.destroyAllWindows()

组合展示图片
# 展示所有的
res = np.hstack((blur,aussian,median))  #行排列   np.vstack列排列
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

形态学-腐蚀操作

cv2.erode（）函数

kernel = np.ones((3,3),np.uint8) 
erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

kernel = np.ones((3,3),np.uint8) 是画一个3x3的矩阵，类型为uint8
ones()返回一个全1的n维数组，同样也有三个参数：shape（用来指定返回数组的大小）、dtype（数组元素的类型）、order（是否以内存中的C或Fortran连续（行或列）顺序存储多维数据）。后两个参数都是可选的，一般只需设定第一个参数。

erosion = cv2.erode(img,kernel,iterations = 1) 传入图片、“方框”、迭代次数

腐蚀程度和 “方框” 还有迭代次数有关

形态学-膨胀操作

膨胀·则与腐蚀相反 cv2.dilate（）函数

kernel = np.ones((3,3),np.uint8) 
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)

cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

开运算与闭运算

cv2.morphologyEx() 函数

#开：先腐蚀，再膨胀
img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

#闭：先膨胀，再腐蚀
img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8) 
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

梯度运算

# 梯度=膨胀-腐蚀
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

礼帽与黑帽

  • 礼帽 = 原始输入-开运算结果
  • 黑帽 = 闭运算-原始输入
#礼帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

#黑帽
img = cv2.imread('dige.png')
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()

图像梯度-Sobel算子

在这里插入图片描述

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

cv_show(sobelx,'sobelx')

cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])
src：输入图像
ddepth: 输出图像的深度（可以理解为数据类型），-1表示与原图像相同的深度
dx,dy:当组合为dx=1,dy=0时求x方向的一阶导数，当组合为dx=0,dy=1时求y方向的一阶导数（如果同时为1，通常得不到想要的结果）
ksize:（可选参数）Sobel算子的大小，必须是1,3,5或者7,默认为3。求X方向和Y方向一阶导数时，卷积核分别为 上图
scale:（可选参数）将梯度计算得到的数值放大的比例系数，效果通常使梯度图更亮，默认为1
delta:（可选参数）在将目标图像存储进多维数组前，可以将每个像素值增加delta，默认为0
borderType:（可选参数）决定图像在进行滤波操作（卷积）时边沿像素的处理方式，默认为BORDER_DEFAULT

返回值是 梯度图

图像深度是指存储每个像素值所用的位数，例如cv2.CV_8U，指的是8位无符号数，取值范围为0~255，超出范围则会被截断（截断指的是，当数值大于255保留为255，当数值小于0保留为0，其余不变）。

具体还有：CV_16S（16位无符号数），CV_16U（16位有符号数），CV_32F（32位浮点数），CV_64F（64位浮点数）

函数cv2.convertScaleAbs(src[,alpha[,beta]])

先计算数组绝对值，后转化为8位无符号数

src:输入图像（多维数组）
alpha:比例因子
beta:保存新图像（数组）前可以增加的值
白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值

图像梯度-Scharr算子
在这里插入图片描述

在这里插入图片描述

各有特点

Canny边缘检测

    1.    使用高斯滤波器，以平滑图像，滤除噪声。

    1.    计算图像中每个像素点的梯度强度和方向。

    1.    应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

    1.    应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

    1.    通过抑制孤立的弱边缘最终完成边缘检测。

v2=cv2.Canny(img,50,100)

这两个值为阈值，最小和最大

在这里插入图片描述

图像金字塔

高斯金字塔
高斯金字塔：向下采样方法（缩小）

在这里插入图片描述

高斯金字塔：向上采样方法（放大）

在这里插入图片描述

up=cv2.pyrUp(img)
cv_show(up,'up')
print (up.shape)

down=cv2.pyrDown(img)
cv_show(down,'down')
print (down.shape)

拉普拉斯金字塔

在这里插入图片描述

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')

图像轮廓

cv2.findContours(img,mode,method)
mode:轮廓检索模式

  • RETR_EXTERNAL ：只检索最外面的轮廓；
  • RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
  • RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
  • RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次; 建议用这个

method:轮廓逼近方法

  • CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
  • CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。
#为了提高准确率，对图像进行二值化
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')

#检测轮廓操作
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

返回值：binary 是传进去的原图 不过新版opencv把该返回值取消了
contours：保存的是一些轮廓的信息
hierarchy：层级，暂时不懂不用

函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图

绘制轮廓

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy,要不原图会变。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')

参数： 1、在哪个图像上画
2、轮廓的像素点
3、-1表示画出所有轮廓，0则表示画第一个，1第二个…
4、画轮廓的线条的颜色 B G R格式
5、线条宽度

轮廓特征

#面积
cv2.contourArea(cnt)

#周长，True表示闭合的
cv2.arcLength(cnt,True)

轮廓近似

epsilon = 0.15*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')

cv2.approxPolyDP（）
参数：1、做哪个轮廓
2、指定一个值进行比较的，这个值也可以自己填，一般是按照周长的百分比

还有；轮廓的外接矩形、外接圆等

模板匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

# 模板匹配
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape
  • TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
  • TM_CCORR：计算相关性，计算出来的值越大，越相关
  • TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
  • TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
  • TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
  • TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关
    建议用带归一化的方法

res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

匹配多个对象

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

直方图与模板匹配

cv2.calcHist(images,channels,mask,histSize,ranges)
  • images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
  • channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
  • mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
  • histSize:BIN 的数目。也应用中括号括来
  • ranges: 像素值范围常为 [0,256]

没听太懂…

傅里叶变换

一只菜鸡儿
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
OpenCV-python 学习笔记 OpenCV图像平滑1
08-03
2. 平均 3. 高斯模糊 4. 双边滤波 5. 中值模糊
OpenCV-python 学习笔记 OpenCV图像阈值1
08-03
OpenCV-python 学习笔记 OpenCV图像阈值1
图像卷积与滤波的一些知识点
小白学视觉
04-02 824
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达之前在学习CNN的时候，有对卷积进行一些学习和整理，后来就烂尾了，现在稍微整理下，先放上来，以提醒和交流。一、线性滤波与卷积的基本概念线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图...
python+OpenCV笔记（二十）：滤波函数——filter2D
ReadyGo!!!的博客
01-17 5371
python+OpenCV笔记（二十）：滤波函数——filter2D
(详解)安装3.4.1.15版本的opencv-python和opencv-contrib-python
最新发布
2301_81199775的博客
03-01 2122
(详解)安装3.4.1.15版本的opencv-python和opencv-contrib-python
OpenCV-Python 图像平滑处理1：卷积函数filter2D详解及用于均值滤波的案例
老猿Python
03-09 1万+
本文介绍了图像平滑处理及均值滤波等基础概念，并详细介绍了卷积函数filter2D的Python语法及参数，并用之进行了对图像的均值滤波处理，可以看到卷积核元素值以及相关参数如delta等对卷积处理结果的影响。
OpenCV 图像卷积：cv.filter2D() 函数详解
hysterisis的博客
01-24 4万+
API 照例，我们搬一下官网的 API： C++ void cv::filter2D(InputArray src, OutputArray dst, int ddepth, InputArray kernel, Point anchor=Point(-1, -1), double
初始opencv
futurewq的博客
07-25 205
1.什么是opencv，它有哪些优势？ 计算机视觉开源库，更多的是针对图像的处理。 2.opencv安装和环境配置 opencv,C++, Visual Studio2019 https://blog.csdn.net/maizousidemao/article/details/81474834 3.了解数字图像的基本概念：像素、彩色图像、灰度图像、二值图像、图像算数操作 像素：一个大...
OpenCV-python 学习笔记 OpenCV视频操作1
08-03
1. 使用摄像头捕获视频 2. 从文件中播放视频 3. 保存视频
OpenCV-python 学习笔记 OpenCV几何变换1
08-03
1. 扩展缩放 2. 平移 3. 旋转 4. 仿射变换 5. 透视变换
OpenCV-python 学习笔记 Opencv图像基本操作1
08-03
1. openCV-python 环境搭建： 2. OpenCV 的图像读取显示及保存 1. 导入图像： 2. 显示图像： 3. 保存图像： 3. OpenCV
python中opencv imshow函数显示一片白色原因
lyl771857509的博客
04-29 3万+
imshow显示类型首先应当明确的是，opencv中imshow内部的参数类型可以分为两种。（1）当输入矩阵是uint8类型的时候，此时imshow显示图像的时候，会认为输入矩阵的范围在0-255之间。（2）如果imshow的参数是double类型的时候，那么imshow会认为输入矩阵的范围在0-1。显示出现问题原因：用OpenCV中imread输入照片后是一个数组对象，在进行一系列的对数组操作后...
Python-OpenCV中的filter2D()函数
热门推荐
ChenYX的博客
07-29 20万+
Python-OpenCV中的filter2D()函数 使用自定义内核对图像进行卷积。该功能将任意线性滤波器应用于图像。支持就地操作。当光圈部分位于图像外部时，该功能会根据指定的边框模式插入异常像素值。 语法 函数原型： dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) 参数： 参数 描述 src 原图像 dst 目标图像，与原图像尺寸和通过数相同 ..
opencv图片显示正常，从cv2.imwrite()保存就是全黑的
天上剑仙三百万的博客
12-27 4170
之前做区域生长裂纹提取的时候，图片显示正常，但是保存的时候都是全黑的，太蠢了，记录一下。 其实就是image的数值本应在0-255，但是在保存时的已经被归一化了，设置在（0-1）之间，我们只需要将标准化的值乘上255就可以了。 代码如下： cv2.imwrite('ROICutimg/out2.jpg',img1*255) 这样就解决了。 ...
Python cv2 (二) 图像的灰度化 二值化 直方图 mask|均衡
sdgpcc2000的博客
11-24 1万+
图像处理,灰度化,二值化.灰度化转换,反相,线性转换,比特平面,对数变换,伽马变换,直方图,图像处理柱状图,折线图,cv2直方图,直方图均衡化,自适应均衡化
opencv中imread读取二值图
技术笔记
06-21 3256
opencv中imread二值图读取出来不是单通道，而是3通道，所以直接使用单通道图像来进行后面的计算会出错。 Rect2i rect; Mat srcMask = imread("images/mask.png"); FindBoundingBox(srcMask, rect); FindBoundingBox之后，使用rect.x, rect.y怎么都不对，开始没想到是三通道的问题，检查了下FindBoundingBox，没有问题 Mat dumpMask = Mat::zeros(mask.row
OpenCV-Python学习（10）—— OpenCV 图像二值化处理(cv.threshold)
止于至善
10-20 6171
函数只有 type 为cv.THRESH_BINARY 或 cv.THRESH_BINARY_INV时输出为二值图像，其它变换类型时进行阈值处理但并不是二值处理。函数是进行固定阈值的二值化处理。
老卫带你学---使用cv2.imwrite保存的图像是全黑的
老卫带你学
07-05 1404
在使用opencv的cv.imwrite函数进行图像保存的时候，发现保存下来的图像都是全黑 cv.imwrite("gamma_enhance.jpg",out) 因为image是0-255的数值，现在标准化了，全都是0-1之间的数值，还原就行了 out = out * 255 cv2.imwrite('ck_slic1.jpg',out) ...
cv2.imwrite()保存图像是黑色（偶现）
Fitz的博客
10-25 5393
纯黑意味着图片的各项值都很小 是因为前面imread之后一般会把读取的图像除255做一次归一化便于处理 img_f = img / 255.0 因此在imwrite的时候要做一次反归一化，*255即可 cv2.imwrite( 'fogged_photo'+'/'+filename, img_f*255) ...
operands could not be broadcast together with shapes
05-04
这个错误通常表示在 numpy 数组上进行操作时，数组的形状不兼容。这可能是因为数组的维度不匹配，或者其中一个数组的形状不符合广播规则。 广播是 numpy 数组运算的一种机制，它允许在不同形状的数组上执行相同的运算。但是，为了进行广播，numpy 要求两个数组的形状必须满足一定的规则，否则就会出现 "operands could not be broadcast together with shapes" 的错误。 解决这个错误的方法通常是检查数组的形状，确保它们符合广播规则。如果需要，可以使用 numpy 的 reshape 方法来改变数组的形状，使其符合要求。另外，也可以使用 numpy 的 broadcasting 功能来手动控制广播行为，以保证运算能够正确执行。

“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 2
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