OpenCV简单基础

最新推荐文章于 2023-09-16 15:56:40 发布
最新推荐文章于 2023-09-16 15:56:40 发布
阅读量442 收藏
点赞数
分类专栏： python
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/baidu_41671472/article/details/90048481
版权

环境搭建

https://blog.csdn.net/baidu_37366272/article/details/89292535
按照这位dalao说的装的opencv
需要自己下载安装cmake和opencv的源码

# python3.6及以上环境
# 安装扩展模块
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python #
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python #
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pytesseract #

在这里插入图片描述

import cv2 as cv

img = cv.imread('module.png', cv.IMREAD_UNCHANGED)
cv.namedWindow('img', cv.WINDOW_AUTOSIZE)
cv.imshow('img', img)
cv.waitKey(0)

测试代码

图像处理

  • 计算机中的图片：结构化存储的信息数据。
  • 图像的属性：
    • 通道数目
    • 高与宽
    • 像素数据
    • 位图深度（每个像素由多少位组成）
import cv2 as cv
import numpy as np


def get_video():
    capture = cv.VideoCapture(0) # 读电脑的摄像头，0代表usb摄像头
    while(True):
        ret, frame = capture.read()
        frame = cv.flip(frame, 1) # flip就是镜像变换，1是左右，-1上下
        cv.imshow("video", frame) 
        get_image_info(frame)
        # frame 就是视频的每一帧
        c = cv.waitKey(50)
        if c == 27:
            break
    pass

def get_image_info(image):
    print(type(image)) # image 的参数类型
    print(image.shape) # 图像高宽，通道数目 
    print(image.size) # 图像的大小 = 高*宽+通道数目
    print(image.dtype) # 图像的字节位数
    pixel_data = np.array(image) # array 获取所有的像素数据，是一个多维的矩阵
    print(pixel_data)
    print("------------------")
    pass


img = cv.imread('module.png', cv.IMREAD_UNCHANGED)
res = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 转为灰度图像
cv.imwrite('./test.jpg', res) # 第一个参数为保存图片的位置和名字
get_video()
cv.waitKey(0)
cv.destroyAllWindows()
  • cv.VideoCapture(0) 代表读取摄像头
    • 如果没有摄像头 则 直接
cap = cv.VideoCapture()
cap.open("file")
# 同样可以播放视频
  • OpenCV读取视频并不是为了剪辑视频，那是ffmpeg的功能
  • OpenCV读取视频是为了内容分析，对象检测，对象跟踪等（读出来的视频无声音，且对视频大小有所限制）

Numpy数组操作

  • 遍历数组中的每个像素点
  • 修改数组中的像素点的值
  • data\dtype\size\shape\len 等属性

Demo1

import cv2 as cv
import numpy as np


def access_pixels(image):#访问图片的所有像素
    print(image.shape) # 宽，高，通道数
    height = image.shape[0]
    wight = image.shape[1]
    channels = image.shape[2]
    print("width : %s, height : %s, channels : %s"%(wight, height, channels))
    
    for row in range(height):
        for col in range(wight):
            for c in range(channels):
                pv = image[row, col, c]
                image[row, col, c] = 255-pv#让每个像素都改变然后在重新写回去
    # 上述三重循环实现的就是反色的效果
    cv.imshow("pixels_deo", image)
    pass


img = cv.imread('module.png')
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", img)
t1 = cv.getTickCount() # cpu 转的总数
access_pixels(img)
t2 = cv.getTickCount() # cpu 转的总数
print("time : %s ms"%((t2-t1)/cv.getTickFrequency()*1000))
# cv.getTickFrequency() 获的cpu 每秒钟走多少
cv.waitKey(0)
cv.destroyAllWindows()

通过上述的代码，print time 等于 1391.912014 ms，时间还是有点长的
OpenCV有一个专门的API cv.bitwise_not(image) 用于像素取反，时间10ms以内

Demo2

# 创建3通道图片
def create_image():
    img = np.zeros([400, 400, 3], np.uint8)
    # 创建一个三位矩阵，高为400 宽为400 通道 为3通道
    img[:, :, 0] = np.ones([400, 400])*255 # nu.ones 使一个400*400的矩阵全为1
    # 这里 使用 单个 “：”冒号，代表全部区间
    # 第一个通道为 0， 其代表蓝色
    # 第二个通道为 1， 其代表绿色
    # 第三个通道为 2， 其代表红色
    cv.imshow("new image", img)

# 创建单通道图片
def create_image():
    img = np.ones([400, 400, 1], np.uint8)
    img = img * 127
    cv.imshow("new image", img)
    pass

Demo3

m1 = np.array([[2, 3, 4], [5, 6, 7], [9, 10, 11]]) 
# 创建一个自己的矩阵
print(m1)
m1.fill(9)
# 将自己矩阵内数据全部赋值为9

注意：numpy.uint8作为参数类型，必须保证矩阵内参数不超过uint8能表示的范围，否则会出现精度问题

色彩空间

在这里插入图片描述

RGb色彩空间

在这里插入图片描述

HSV色彩空间
H其实可以取到360构成一个圆，但是OpenCV中只能取到180，这样就能在Uint8中存下来了
H -> 0~180 S -> 0~255 V -> 0~255

色彩空间转换API

  • 常见的色彩空间
    • RGB（多数时候使用RGB）
    • HSV（图片中物体具有特征颜色，这时将图片转为HSV就能很方便找到）
    • HIS（灰度饱和度）
    • YCrCb（早期皮肤检测用的比较多，提取人的皮肤）
    • YUV（Linux的色彩空间用的是YUV）
  • 最常见的是
    • HSV 与 RGB 的互相转换
    • YUV 与 RGB 的互相转换

OpenCV的色彩空间API

def color_space_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    cv.imshow("gray", gray)
    hsv = cv.cvtColor(image. cv.COLOR_BGR2HSV)
    cv.imshow("hsv", hsv)
    yuv = cv.cvtColor(image, cv.COLOR_BGR2YUV)
    cv.imshow("yuv", yuv)
    ycrcb = cv.cvtColor(image, cv.COLOR_BGR2YCrCb)
    cv.imshow("ycrcb", ycrcb)
    pass

inRange

在这里插入图片描述

  • 上表中为颜色在HSV中的参数，但是取值范围各不相同
  • 所以使用inRange函数直接提取对应颜色
  • 表中参数 Hmax, Hmin, Vmax, Vmin, Smax, Smin 分别代表HSV色彩空间中 HSV 的取值返回所对应的颜色
def extrace_object():
    cpature = cv.VideoCapture(0)
    while (True):
        ret, frame = cpature.read()
        if not ret:
            break
        hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
        lower_hsv = np.array([11,43,46]) # 想要提取的颜色在表格中对应的min值范围
        hight_hsv = np.array([25,255,255]) # 想要提取的颜色在表格中对应的max值范围
        mask = cv.inRange(hsv, lower_hsv, hight_hsv) # 我这里提取的是橙色
        mask = cv.flip(mask, 1)
        cv.imshow("frame", mask)
        c = cv.waitKey(40)
        if c ==27:
            break;
        pass
    pass

除了匹配到的颜色是白色的，其他不匹配的都是黑色

通道分离与合并

img = cv.imread('module.png')
b, g, r = cv.split(src)
cv.imshow('blue', b)
cv.imshow('green', g)
cv.imshow('red', r)

src[ : , : ,2] = 0 # 给最后一个通道设为0，则就是 red 通道值没有
cv.imshow(src) # 效果是 只有 blue 和 green通道的混合
src = cv.merge([b,g,r]) # 相对于 split ，meige 是混合通道

像素级别的运算

  • 算数运算 加，减，乘，除
    • 调整亮度
    • 对比度
    • 合成图像

在这里插入图片描述

import cv2 as cv
import numpy as np


def add_demo(m1, m2):
    cv.imshow("win+linux",cv.add(m1, m2))
    cv.imshow("linux+win",cv.add(m2, m1))
    pass

def substract_demo(m1, m2):
    cv.imshow("win-linux", cv.subtract(m1, m2))
    cv.imshow("linux-win", cv.subtract(m2, m1))
    pass

def divide_demo(m1, m2):
    cv.imshow("win / linux", cv.divide(m1, m2))
    cv.imshow("linux / win", cv.divide(m2, m1))
    pass

def multiply_demo(m1, m2):
    cv.imshow("win * linux", cv.multiply(m1, m2))
    cv.imshow("linux * win", cv.multiply(m2, m1))    
    pass

win = cv.imread('./samples/data/WindowsLogo.jpg')
linux = cv.imread('./samples/data/LinuxLogo.jpg')

cv.namedWindow("input window", cv.WINDOW_AUTOSIZE)
cv.imshow("windows logo", win)
cv.imshow("linux logo", linux)
add_demo(win, linux)
substract_demo(win, linux)
divide_demo(win, linux)
cv.waitKey(0)
cv.destroyAllWindows()

因为黑色是(0,0,0)，所以相加并不会造成影响
百色市(255,255,255)，所以不管加上多少都是知能是(255,255,255)
win+linux 和 linux+win 表达出来的图像相同
但是 win-linux 和 linux-win 减法根据传入参数有顺序变换
同理 win / linux 和 linux / win 的结果也不一样

在这里插入图片描述

每个方框的标题 与 计算对应

  • 其他计算

def others(m1, m2):

    print(cv.mean(m1)); # 分别查看BGR的参数值
    print(cv.mean(m2));

    M1, dev1 = cv.meanStdDev(m1)
    M2, dev2 = cv.meanStdDev(m2)
    print(dev1) # RBG的标准差差
    print(dev2)
    pass
  • 逻辑运算 与，或，非
    • 控制遮罩层
def logic_demo():
    cv.imshow( "m1 and m2" ,cv.bitwise_and(m1, m2)) # 与
    cv.imshow( "m2 and m1" ,cv.bitwise_and(m2, m1))

    cv.imshow( "m1 or m2" ,cv.bitwise_or(m1, m2)) # 或
    cv.imshow( "m2 or m1" ,cv.bitwise_or(m2, m1))

    cv.imshow( "m1 not m2" ,cv.bitwise_not(m1, m2)) # 非
    cv.imshow( "m2 not m1" ,cv.bitwise_not(m2, m1))

    cv.imshow( "m1 xor m2" ,cv.bitwise_xor(m1, m2)) # 异或
    cv.imshow( "m2 xor m1" ,cv.bitwise_xor(m2, m1))

在这里插入图片描述

  • 学习了位运算，可以发现 之前我们使用HSV的时候，捕捉到的颜色是白色，未捕捉的颜色是黑色，像极了一个遮罩。
  • 如果使用上述的遮罩 和 原图像 进行与运算，则可以显示捕捉到的原本的颜色
def logic_demo():
    capture = cv.VideoCapture(0)
    while True:
        res, frame = capture.read()
        if res == False:
            break
        hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
        lower_hsv = np.array([11,43,46])
        high_hsv = np.array([25,255,255])
        msk = cv.inRange(hsv, lowerb=lower_hsv, upperb=high_hsv)
        cv.imshow("video" ,cv.bitwise_and(frame, frame, mask=msk))
        pass
        c = cv.waitKey(40)
        if c ==27:
            break
        pass
    pass

在这里插入图片描述

实例

  • 提升亮度对比度
def contrase_beightness_demo(image, c, b): #调整亮度对比度
    # c 代表对比度， b 代表亮度
    h, w, d = image.shape
    blank = np.zeros([h, w, d], image.dtype) # 创意一个一样大小深度的图片
    cv.imshow("demo", cv.addWeighted(image, c, blank, 1-c, b)) # opencv提供的api，addWeighted是线性叠加，这里就是所有像素+b，对比度大于均值增加c，小于均值减少
    pass

在这里插入图片描述

ROI与泛洪填充

  • 泛洪填充：从某个点开始，递归的填充这个区域中与其相同或相近的值，直到到达边界为止

  • 上述的就是类似于Win画图中的油漆桶的效果

  • ROI区域：对于图片中该兴趣的区域，region of interest。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./samples/data/WindowsLogo.jpg')
cv.imshow("win", win)
cv.imshow("logo", win[60:170, 100:230]) # 代表取得的区域

截取了部分区域

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./samples/data/WindowsLogo.jpg')
linux = cv.imread('./samples/data/LinuxLogo.jpg')
cv.imshow("win", win)
logo = cv.cvtColor(win[60:170, 100:230], cv.COLOR_BGR2GRAY) # 变成灰度
backwin = cv.cvtColor(logo, cv.COLOR_GRAY2BGR) # 重新变成三通道，但还是灰色图像，因为其他两个通道已经没有了
win[60:170, 100:230] = backwin
cv.imshow("new win", win)
cv.waitKey(0)
cv.destroyAllWindows()

让变成灰色的图像重新赋值回原图，就能修改原图的这部分区域

在这里插入图片描述

def fill_color_demo(image):
    copyimg = image.copy()
    h, w = image.shape[:2]
    mask = np.zeros([h+2, w+2], np.uint8) # 一定要+2，保证周边像素可以被处理
    cv.floodFill(copyimg, mask, (60, 60), (0, 255, 255), (100,100,100), (50,50,50), cv.FLOODFILL_FIXED_RANGE)
    # 参数介绍，copyimg 就是传入的图像， (60,60)就是起始的判断点，(0,255,255)要改变颜色的BGR
    # (100,100,100) 低值  
    # (50,50,50) 高值
    # cv.FLOODFILL_FIXED_RANGE 表示上述范围内进行填充
    cv.imshow("fill", copyimg)
    pass

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./samples/data/WindowsLogo.jpg')
linux = cv.imread('./samples/data/LinuxLogo.jpg')
cv.imshow("win", win)
fill_color_demo(win)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

图像填充，填充黄色

def fill_binary():
    img = np.zeros([400, 400, 3], np.uint8)
    img[100:300, 100:300, :] = 255
    cv.imshow("img", img)
    mask = np.ones([402, 402, 1], np.uint8 )
    mask[101:301, 101:301] = 0
    cv.floodFill(img, mask, (200, 200), (0, 0, 255), cv.FLOODFILL_MASK_ONLY)
    cv.imshow("fill img", img)
    pass

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./samples/data/WindowsLogo.jpg')
linux = cv.imread('./samples/data/LinuxLogo.jpg')
fill_binary()
cv.waitKey(0)
cv.destroyAllWindows()

另一种填充模式 mask 初始化为1，填充区域初始化为0
只有mask 为0的区域才会被填充

  • folldFill(image, mask, seedPoint, newVal, rect, IoDiff, upfidd, flags)
  • img(seed.x, seed.y) - IoDiff <= img(x, y) <= img(seed.x, seed.y)+upDiff

模糊操作

  • 均值模糊
def blur_demo(image):
    cv.imshow("blur1", cv.blur(image, (1, 15))) # 纵向
    cv.imshow("blur2", cv.blur(image, (15, 1))) # 横向
    # 横向或者纵向十五个像素进行一次卷积运算
    pass

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./samples/data/WindowsLogo.jpg')
blur_demo(win)
cv.waitKey(0)
cv.destroyAllWindows()

可以处理随机的噪声图片，但是效果不能确定

  • 中值模糊
def media_demo(image):
    cv.imshow("origin", image)
    cv.imshow("blur1", cv.medianBlur(image, 5)) 
    pass

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./jiaoyan.jpg')
media_demo(win)
cv.waitKey(0)
cv.destroyAllWindows()

专门可以用于处理椒盐噪声的图片，图片上有黑白的斑点的图片
通过中值模糊有很好的效果

在这里插入图片描述

  • 自定义模糊
def custom_blur_demo(image):
    kernel = np.ones([5,5], np.float32)/25 # 每次对 高为5 宽为5 对像素区域做卷积，所以要处以25，使用float是为了防止溢出
    dst = cv.filter2D(image, -1, kernel=kernel)
    # 第一个参数 输入的图像，第二个参数 ddepth几乎可以算默认，第三个参数 自定义卷积和的算法，第三个参数输出结果
    cv.imshow("my filter",dst)
    pass

def blur_demo(image):
    cv.imshow("blur", cv.blur(image, (5, 5))) 
    pass


cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./jiaoyan.jpg')
custom_blur_demo(win)
blur_demo(win)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

不难发现 自定义模糊中(5,5)与 opencv定义的均值模糊(5,5)效果一样
也就是说我们可以通过自定义模糊程度达到不同的效果
例如：锐化等
我们可以不定义 二维，我们可以定义三维

kernel = np.array([[1,1,1], [1,1,1], [1,1,1]], np.float32)/9 #这里除以9 是因为array中的3*3=9
# 上述为 轻微模糊
kernel = np.array([[0,-1,0], [-1,5,-1], [0,-1,1]], np.float32) # 当然你也可以不除以9
# 上述为 锐化

算子kernel自定义要求：奇数，总和为1或0

边缘保留滤波（EPF）

  • 滤波 感觉类似 卷积
  • 高斯模糊仅考虑的像素空间的分布，但是如果像素差异很大，就代表这是显著特征，就不能被模糊掉
  • 一般边缘地方像素差异很大，所以其名为边缘保留滤波

在这里插入图片描述

图的解释：

  1. 第一行为原图，其图像为左白右黑的有高斯噪声的图像，标点的地方是我们进行高斯模糊计算的点
  2. 第二行为 对选定的点进行高斯模糊计算，由于左右两边的差异很大，所以原计算的区域被去掉了已不复
  3. 第三行为 边缘保留滤波之后的图形
  • 双边高斯模糊
def bi_demo(image):
    dst = cv.bilateralFilter(image, 0, 100, 15)
    cv.imshow("bi_color", dst)
    pass

bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType = Node)
第一个参数：原图想
第二个参数： distance，距离，一般设置为0 减少计算量 过滤时周围每个像素领域的直径
第三个参数： 颜色差异，大一点，参数越大，临近像素将会在越远的地方mix。（越大越模糊）
第四个参数： 在coordinate space中过滤sigma。参数越大，那些颜色足够相近的的颜色的影响越大。

在这里插入图片描述

  • 均值迁移
def bi_demo(image):
    dst = cv.pyrMeanShiftFiltering(image, 10, 50)
    cv.imshow("bi_color", dst)
    pass

在这里插入图片描述

有一个类似油画的效果
有的时候会对边缘有过度的处理

图像直方图（histogram）

pip install matplotlib

  • 直方图属于统计信息，卷积至于特征信息
  • 直方图均衡化，图像增强算法

在这里插入图片描述

bin 就是频距，一个小区间，16384是总的像素个数

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


def plot_demo(image):

    pass

cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
win = cv.imread('./timg.jpeg')
cv.imshow("origin", win)
plot_demo(win)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

def plot_demo(image):
    color = ('blue', 'green', 'red')
    for i, color in enumerate(color):
        hist = cv.calcHist([image], [i], None, [256], [0,256])
        plt.plot(hist, color=color)
        plt.xlim([0, 256])
    plt.show()
    pass

在这里插入图片描述

显示红绿蓝三种颜色的直方图

openCV中需要知道如何展现直方图，以及直方图的波峰波谷所代表的含义

直方图应用

直方图均衡化

opencv 的直方图均衡化都是基于 灰度图像
彩色图像需要转换为灰度图像

  • 整体直方图均衡化
    • 提升图像对比度
    • 提升图像清晰度
def eualHist_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    dst = cv.equalizeHist(gray)
    cv.imshow("qualizeHist", dst)
    pass
  • 局部自适应直方图均衡化
    • 创建局部自适应对象，传入图像就行了
    • 局部最好是长宽是2的幂
def clahe_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    dst = clahe.apply(gray)
    cv.imshow("clahe", dst)
    pass

在这里插入图片描述

从图片中的对比可以看出来，局部的均衡化比整体的均衡化更适宜
整体均衡化有的时候会出现过度的情况，这种时候就需要局部均衡化

阿茶家的庸医
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
opencv 基础程序_opencv_
09-29
opencv简单基础程序，可供初学者使用
OpenCV 直方图均衡化
流楚丶格念的博客
01-24 8393
文章目录直方图均衡化介绍图像的直方图是什么?更形象解释什么是直方图均衡化？直方图均衡化是如何实现的？直方图均衡化的作用直方图均衡化步骤相关APIequalizeHist代码示例 直方图均衡化介绍 图像的直方图是什么? 图像直方图，是指对整个图像像在灰度范围内的像素值(0~255)统计出现频率次数，据此生成的直方图，称为图像直方图-直方图。直方图反映了图像灰度的分布情况。是图像的统计学特征。 简单来说：直方图是图像中像素强度分布的图形表达方式，它统计了每一个强度值所具有的像素个数。 例如下面这张图片，左图为灰
【OpenCV 例程300篇】09. 图像的裁剪（cv2.selectROI）
youcans的博客
11-06 2万+
用 Numpy 的切片方法可以进行图像的裁剪 对图像 img 裁剪并返回指定的矩阵区域图像。 01. 图像的读取（cv2.imread） 02. 图像的保存（cv2.imwrite） 03. 图像的显示（cv2.imshow） 07. 图像的创建（np.zeros） 08. 图像的复制（np.copy） 09. 图像的裁剪（cv2.selectROI） 10. 图像的拼接（np.hstack）.........
opencv-python 小白笔记（16）
????爱好者的博客
06-16 1656
第？？节：cv2.selectROI函数，图像的背景替换（一）cv2.selectROI函数（四）结语 （一）cv2.selectROI函数 （四）结语 学习opencv有很多的方法，我的建议是你可以加一些群，可以充分利用B站，CSDN，和百度。 在我的博客中，我不会讲解opencv的算法实现（当然我也不太会），我只会讲解一些函数的调用，不理解就多改一些参数，多尝试尝试，慢慢你就理解来。相信你总有一天可以说opencv不过“Ctrl+C，Crtl+V” PS：如果有什么错误的地方，还请大家批评指正，不过错了
OpenCV图像处理学习二十，图像直方图均衡化原理与实现
weixin_44651073的博客
09-02 3255
直方图均衡化API函数接口calcHist()
python-opencv：cv2.selectROI用法、参数 、返回值的解读
热门推荐
fjswcjswzy的博客
05-01 2万+
在一幅图像中，如何选择自己感兴趣的区域，并且对这个感兴趣的区域进行截取，以便对其进行跟多的操作呢？ image=cv2.imread('example.png') cv2.namedWindow('img') r = cv2.selectROI('roi', image, False, False ) cv2.waitKey(0) 参数解读： selectROI(windowName, img...
OpenCV计算机视觉基础教程(Python版)(慕课版)-(1).pptx
06-11
OpenCV计算机视觉基础教程 Python版 慕课版 主讲教师：*** OpenCV：Open Source Computer Vision Library OpenCV计算机视觉基础教程(Python版)(慕课版)-(1)全文共27页，当前为第1页。 第1章 本章主要内容： OpenCV...
opencv mfc 简单绘图小工具
11-10
一款结合opencv mfc开发的简单绘图小工具，能够在载入图片的基础上绘制直线，圆，椭圆，矩形，以及任意多边形，并保存绘制的图片。
opencv图像基础操作（python版）.rar
11-24
opencv图像基础操作（python版），opencv的一些最基本的操作，可供初学者参考，IDE为VS2017
OpenCV教程-基础篇
10-08
OpenCV教程-基础篇是比较简单的一本书，适合初学者看，里面有一些印刷方面的错误可以去论坛上找，都有解答
openCV实战-系列教程8：直方图与均衡化（直方图定义/mask操作/均衡化原理/均衡化效果/自适应均衡化）、原理解析、源码解读
机器学习与软件工程
08-27 1480
openCV实战-系列教程8：直方图与均衡化（直方图定义/mask操作/均衡化原理/均衡化效果/自适应均衡化）、原理解析、源码解读
opencv 直方图均衡化
weixin_44901043的博客
03-16 6062
文章目录前言一、原理opencv 函数支持equalizeHist() 前言 在中详细讲解了图像直方图，这章来讲解一下直方图的均衡化。 直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。 先看下图未经过均衡化的图像，可以看到像素似乎聚集灰度值范围的中间。 直方图均衡化所做的就是扩大这个范围。在应用均衡化后 一、原理 均衡化意味着将一个分布(给定的直方图)映射到另一个分布(灰度值更宽、更均匀的分布)，因此灰度值分布在整个范围内。 为了达到均衡效果，重映射应该是累积分布。对于直方图H(i
OpenCV直方图均衡化
m0_60259116的博客
02-03 493
OpenCV直方图均衡化
opencv python cv2.selectROI的使用
qq_43739296的博客
09-08 5417
背景 在水滴检测中，目前的解决方案是选择一个检测区域，只检测这个区域内，这样可以规避其他区域的影响。一开始是手动确定要检测的区域，计算出bbox后，只输出存在与这个区域内的bbox。后来经提醒，cv2.selectROI可以在屏幕上手动画出一个bbox，返回它的(minx, miny, w, h) cv2.selectROI的使用 cv2.selectROI可以让用户框出感兴趣的区域，以便对这个区域进行截取和后续处理。 使用： if num == 1: r = cv2.selectR
Python之OpenCV直方图统计及均衡化
ZONGXP的博客
04-22 9287
0 背景 在做图像处理时，经常需要对图像的像素分布情况进行统计，用来分析整张图片的像素分布，从而为进一步的处理提供数据支持，如二值化等操作。因此，本文对直方图相关的操作进行一个介绍。 在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表，他的两个坐标分别是统计样本（图像、视频帧）和样本的某种属性（亮度，像素值，梯度，方向，色彩等等任何特征） 图像直方图是用一表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布的直方图。这种直方图中
Opencv（十七）直方图均衡化
weixin_70029632的博客
09-16 209
如果一个图像的直方图都集中在一个区域，则整体图像的对比度比较小，不便于图像中纹理的识别。例如相邻的两个像素灰度值如果分别是120和121，仅凭肉眼是如法区别出来的。同时，如果图像中所有的像素灰度值都集中在100到150之间，则整个图像想会给人一种模糊的感觉，看不清图中的内容。如果通过映射关系，将图像中灰度值的范围扩大，增加原来两个灰度值之间的差值，就可以提高图像的对比度，进而将图像中的纹理突出显现出来，这个过程称为图像直方图均衡化。1、使用equalizeHist()函数来将图像的直方图均衡化。
OpenCv：直方图均衡化(HE)，自适应直方图均衡化(AHE)，限制对比度自适应直方图均衡化(CLAHE)
qq_40280673的博客
01-03 7370
总结了使用Python OpenCv处理图像直方图均衡化(HE)，自适应直方图均衡化(AHE)，限制对比度自适应直方图均衡化(CLAHE)的方法。
opencv--直方图均衡化
Binnary的博客
08-12 2554
opencv------直方图均衡化 opencv中图像的均值化都是基于灰度图的，直方图均衡化是通过拉伸像素强度分布范围来增强图像对比度的一种方法，能提高图片的对比度。 1.自带函数均值化 函数原型： equalizeHist( InputArray src, OutputArray dst ); 注：src为单通道8位的图片，dst为与src相同大小和类型的目标图像 代码示例： #include <opencv2/opencv.hpp> #include <iostream>
如何在OpenCV中实现图像的直方图均衡化？
m0_74693860的博客
06-21 477
通过简单的代码示例，我们展示了图像读取、灰度转换、直方图均衡化以及结果可视化的过程。直方图均衡化是一种简单而有效的图像增强技术，在图像处理和计算机视觉领域有着广泛的应用。它通过重新分布图像的像素值，使得图像的像素值在整个灰度范围内均匀分布，从而增强图像的细节和对比度。在本文中，我们将介绍如何在OpenCV中实现图像的直方图均衡化，通过运行以上代码，我们可以在OpenCV中实现图像的直方图均衡化，并观察到图像对比度的增强效果。最后，我们将以上代码整合在一起并运行，即可实现图像的直方图均衡化。
meilodic opencv
最新发布
01-14
在引用[1]中提到了OpenCV的下载和国内镜像的问题，而引用则是关于OpenCV与图像处理基础的实战内容。根据你的问题，我可以为你介绍一下Melodic版本的OpenCV。 Melodic是ROS（机器人操作系统）的一个发行版，它是针对...

“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
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