【python】OpenCV—Scanner

于 2024-07-18 23:33:05 发布
阅读量864 收藏 27
点赞数 15
分类专栏： Python 文章标签： python opencv webpack
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/bryant_meng/article/details/140535488
版权

在这里插入图片描述

文章目录

1、需求描述

输入图片
在这里插入图片描述
扫描得到如下的结果
在这里插入图片描述

用OpenCV构建文档扫描仪只需三个简单步骤:

1.边缘检测
2.使用图像中的边缘来找到代表被扫描纸张的轮廓。
3.应用透视变换来获得文档的自顶向下视图。

2、代码实现

导入必要的包

from skimage.filters import threshold_local
import numpy as np
import argparse
import cv2
import imutils

初始化一个坐标列表，该列表中的第一个元素是左上，第二个元素是右上，第三个元素是右下，第四个元素是左下

该坐标排序方法有缺陷，具体可参考 【python】OpenCV—Coordinates Sorted Clockwise

def order_points(pts):
	rect = np.zeros((4, 2), dtype = "float32")
	# 左上角点的和最小，然而右下角的点的和最大
	s = pts.sum(axis = 1)
	rect[0] = pts[np.argmin(s)]
	rect[2] = pts[np.argmax(s)]
	# 现在，计算点之间的差值，右上角的差值最小，而左下角的差值最大
	diff = np.diff(pts, axis = 1)
	rect[1] = pts[np.argmin(diff)]
	rect[3] = pts[np.argmax(diff)]
	# 返回有序坐标
	return rect


def four_point_transform(image, pts):
	# 获得点的一致顺序，并将它们分别拆封
	rect = order_points(pts)
	(tl, tr, br, bl) = rect
	# 计算新图像的宽度，这将是右下角和左下角x坐标或右上角和左上角x坐标之间的最大距离
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
	widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
	maxWidth = max(int(widthA), int(widthB))
	# 计算新图像的高度，这将是右上角和右下角y坐标或左上角和左下角y坐标之间的最大距离
	heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
	heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
	maxHeight = max(int(heightA), int(heightB))
	# 现在我们有了新图像的维数，构建目标点集以获得图像的“鸟瞰视图”(即自顶向下视图)，再次指定左上、右上、右下和左下顺序中的点
	dst = np.array([
		[0, 0],
		[maxWidth - 1, 0],
		[maxWidth - 1, maxHeight - 1],
		[0, maxHeight - 1]], dtype = "float32")
	# 计算透视变换矩阵，然后应用它
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
	# 返回变换后的图像
	return warped

构造参数解析器并解析参数

ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True, default="1.jpg",
				help = "Path to the image to be scanned")
args = vars(ap.parse_args())


# 加载图像并计算旧高度与新高度的比率，克隆它，并调整它的大小
image = cv2.imread(args["image"])


ratio = image.shape[0] / 500.0
orig = image.copy()
image = imutils.resize(image, height=500)

# ratio = 1.0
# orig = image.copy()


# 将图像转换为灰度，模糊它，并在图像中找到边缘
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imwrite("gray.jpg", gray)

在这里插入图片描述

gray = cv2.GaussianBlur(gray, (7, 7), 0)
cv2.imwrite("GaussianBlur.jpg", gray)

这里 kernel size 需要设置大一些，不然很容易检测到发票上的黑色字体为轮廓了
在这里插入图片描述

edged = cv2.Canny(gray, 75, 200)
cv2.imwrite("Canny.jpg", edged)

在这里插入图片描述

显示原始图像和边缘检测图像

print("STEP 1: Edge Detection")
cv2.imshow("Image", image)
cv2.imshow("Edged", edged)
cv2.waitKey(0)

在这里插入图片描述

找到边缘图像中的轮廓，只保留最大的轮廓，并初始化屏幕轮廓

cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]
# 循环迭代所有轮廓
for c in cnts:
	# 近似轮廓
	peri = cv2.arcLength(c, True)
	approx = cv2.approxPolyDP(c, 0.02 * peri, True)
	# cv2.drawContours(image, c, -1, (0, 0, 255), 3)
	# 如果我们的近似轮廓有4个点，那么我们可以假设我们已经找到了我们的屏幕
	if len(approx) == 4:
		screenCnt = approx
		break

# 画出这张票的轮廓
print("STEP 2: Find contours of paper")
cv2.drawContours(image, [screenCnt], -1, (0, 255, 0), 2)
cv2.imshow("Outline", image)
cv2.waitKey(0)

在这里插入图片描述

# 应用四点变换获得原始图像自上而下的视图
warped = four_point_transform(orig, screenCnt.reshape(4, 2) * ratio)
cv2.imwrite("warped.jpg", warped)

在这里插入图片描述

# 将变换后的图像转换为灰度，然后使用阈值给它“黑白”纸的效果
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
cv2.imwrite("warped_gray.jpg", warped)

在这里插入图片描述

T = threshold_local(warped, 11, offset = 10, method = "gaussian")
warped = (warped > T).astype("uint8") * 255
cv2.imwrite("warped_threshold_local.jpg", warped)

在这里插入图片描述

# 显示原始和扫描图像
print("STEP 3: Apply perspective transform")
cv2.imshow("Original", imutils.resize(orig, height = 650))
cv2.imshow("Scanned", imutils.resize(warped, height = 650))
cv2.waitKey(0)

在这里插入图片描述

再来个例子

输入图片
在这里插入图片描述
输出结果

在这里插入图片描述

3、涉及到的库函数

cv2.arcLength

cv2.arcLength 是 OpenCV（Open Source Computer Vision Library）库中的一个函数，用于计算多边形的周长或轮廓的弧长。这个函数在处理图像中的形状分析、轮廓检测等任务时非常有用。它接受一个轮廓（轮廓是一系列的点，通常通过边缘检测或轮廓查找算法获得）作为输入，并返回该轮廓的周长。

length = cv2.arcLength(contour, True)

  • contour：输入轮廓，应该是一个点集（通常是numpy.ndarray类型），这些点定义了轮廓的形状。

  • 第二个参数是True或False，指定轮廓是否应该被近似为闭合的（通过连接轮廓的第一个点和最后一个点）。如果轮廓已经是闭合的，或者你不关心轮廓是否闭合，可以传递True。如果轮廓不是闭合的，但你不希望它被视为闭合的，应该传递False。注意，这个参数在一些版本的OpenCV中可能不是必需的，或者默认值为True。

返回值

  • length：返回轮廓的周长或弧长，类型为浮点数。

cv2.approxPolyDP

cv2.approxPolyDP 是 OpenCV 库中的一个函数，用于对轮廓或曲线进行多边形逼近。该函数使用 Douglas-Peucker 算法来减少表示轮廓或曲线所需的点数，同时尽可能保持其形状特征。这个功能在图像处理、计算机视觉和机器学习等领域中非常有用，特别是在处理轮廓检测、形状分析等方面。

approx = cv2.approxPolyDP(curve, epsilon, closed)
  • curve：要逼近的曲线或轮廓，可以是二维点的列表或 NumPy 数组。
  • epsilon：逼近精度。这是一个距离值，表示原始曲线上的点与逼近后的多边形之间的最大距离。epsilon 的值越小，逼近结果越精确，但所需的点数也可能越多。
  • closed：一个布尔值，指定逼近后的多边形是否闭合。如果为 True，则逼近后的多边形是闭合的；如果为 False，则逼近结果可能不是闭合的。

返回值

  • approx：逼近后的多边形，以二维点的列表或 NumPy 数组的形式返回。

需要注意的是，epsilon 的值是一个权衡参数，需要根据具体应用进行调整。较小的 epsilon 值会产生更精确的逼近结果，但可能会增加计算复杂性和所需的存储空间。较大的 epsilon 值则会产生更简单的逼近结果，但可能会损失一些形状细节。因此，在实际应用中，需要根据具体需求来选择合适的 epsilon 值。

skimage.filters.threshold_local

skimage.filters.threshold_local 是 scikit-image 库中的一个函数，用于对图像进行局部阈值处理。与全局阈值处理（如使用固定的阈值来分割图像）不同，局部阈值处理会考虑图像中的每个像素及其邻域，从而根据局部区域的统计特性（如亮度或对比度）动态地确定阈值。这种方法在处理光照不均或具有不同亮度水平的图像时特别有用。

skimage.filters.threshold_local(image, block_size, method='gaussian', offset=0, mode='reflect', param=None, cval=0, **kwargs)

参数说明

  • image：输入图像，通常是灰度图像。
  • block_size：用于计算局部阈值的邻域大小（以像素为单位）。较大的块大小会增加计算成本，但可能会更好地适应图像中的光照变化。
  • method：确定如何计算局部阈值的方法。‘gaussian’（默认）使用高斯加权窗口，'mean’使用简单的平均值，'median’使用中位数。
  • offset：从计算出的局部阈值中减去的值。这可以用来调整最终的阈值水平。
  • mode：用于填充图像边界之外的值的方法。这可以是 ‘constant’、‘nearest’、‘reflect’ 或 ‘wrap’ 中的一个。
  • param：某些方法（如’gaussian’）可能接受额外的参数。对于 ‘gaussian’ 方法，param 可以是标准差（sigma），但在 threshold_local 函数中，这通常不是必需的，因为高斯权重是通过 block_size 隐式确定的。
  • cval：当 mode=‘constant’ 时，用于填充图像边界之外的值的常量值。
  • **kwargs：传递给 method 函数的额外关键字参数（如果有的话）。

返回值

  • 返回一个浮点数，表示计算出的局部阈值，或者一个与输入图像形状相同的数组，其中包含了每个像素的局部阈值（如果 method=‘multi’）。然而，注意 threshold_local 默认并不直接返回这样的数组；它返回的是一个单一的阈值，用于后续操作（如 threshold_local 通常会与 apply_threshold 或类似的函数结合使用来分割图像）。

imutils.grab_contours

imutils.grab_contours 是 imutils 库中的一个函数，该库是一个为OpenCV提供便利函数的Python库，旨在简化图像处理任务。在OpenCV中，特别是在使用cv2.findContours函数时，返回的轮廓信息可能会根据OpenCV的版本（主要是3.x和4.x版本之间）而有所不同。在OpenCV 3.x中，cv2.findContours返回三个值：图像、轮廓、和轮廓的层次结构。而在OpenCV 4.x中，它只返回两个值：轮廓和轮廓的层次结构。

imutils.grab_contours函数就是为了解决这种版本差异而设计的。它接受cv2.findContours的输出，并始终返回轮廓列表，无论OpenCV的版本如何。这样，开发者就可以编写不依赖于特定OpenCV版本的代码。

假设你正在使用OpenCV来检测图像中的轮廓，你可能会写出如下代码：

import cv2  
import imutils  
  
# 读取图像  
image = cv2.imread('path_to_image.jpg')  
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  
blurred = cv2.GaussianBlur(gray, (5, 5), 0)  
edged = cv2.Canny(blurred, 30, 150)  
  
# 在OpenCV 4.x中，cv2.findContours返回两个值  
contours, hierarchy = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  
  
# 使用imutils.grab_contours来获取轮廓  
contours = imutils.grab_contours(contours)  
  
# 现在，无论你的OpenCV版本是什么，contours都是一个轮廓列表  
# 接下来，你可以使用这些轮廓进行进一步的处理，比如绘制轮廓等  
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)  
  
# 显示图像  
cv2.imshow("Image", image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

请注意，如果你正在使用OpenCV 3.x，cv2.findContours实际上会返回三个值，但imutils.grab_contours函数会忽略第一个返回值（通常是原始图像，但在这个上下文中并不重要），并只返回轮廓列表。这使得你的代码更加健壮，因为它不依赖于OpenCV的特定版本。

4、完整代码

# 导入必要的包
from skimage.filters import threshold_local
import numpy as np
import argparse
import cv2
import imutils

def order_points(pts):
	# 初始化一个坐标列表，该列表中的第一个元素是左上，第二个元素是右上，第三个元素是右下，第四个元素是左下
	rect = np.zeros((4, 2), dtype = "float32")
	# 左上角点的和最小，然而右下角的点的和最大
	s = pts.sum(axis = 1)
	rect[0] = pts[np.argmin(s)]
	rect[2] = pts[np.argmax(s)]
	# 现在，计算点之间的差值，右上角的差值最小，而左下角的差值最大
	diff = np.diff(pts, axis = 1)
	rect[1] = pts[np.argmin(diff)]
	rect[3] = pts[np.argmax(diff)]
	# 返回有序坐标
	return rect


def four_point_transform(image, pts):
	# 获得点的一致顺序，并将它们分别拆封
	rect = order_points(pts)
	(tl, tr, br, bl) = rect
	# 计算新图像的宽度，这将是右下角和左下角x坐标或右上角和左上角x坐标之间的最大距离
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
	widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
	maxWidth = max(int(widthA), int(widthB))
	# 计算新图像的高度，这将是右上角和右下角y坐标或左上角和左下角y坐标之间的最大距离
	heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
	heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
	maxHeight = max(int(heightA), int(heightB))
	# 现在我们有了新图像的维数，构建目标点集以获得图像的“鸟瞰视图”(即自顶向下视图)，再次指定左上、右上、右下和左下顺序中的点
	dst = np.array([
		[0, 0],
		[maxWidth - 1, 0],
		[maxWidth - 1, maxHeight - 1],
		[0, maxHeight - 1]], dtype = "float32")
	# 计算透视变换矩阵，然后应用它
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
	# 返回变换后的图像
	return warped


# 构造参数解析器并解析参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True, default="1.jpg",
				help = "Path to the image to be scanned")
args = vars(ap.parse_args())


# 加载图像并计算旧高度与新高度的比率，克隆它，并调整它的大小
image = cv2.imread(args["image"])


ratio = image.shape[0] / 500.0
orig = image.copy()
image = imutils.resize(image, height=500)

# ratio = 1.0
# orig = image.copy()


# 将图像转换为灰度，模糊它，并在图像中找到边缘
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imwrite("gray.jpg", gray)

gray = cv2.GaussianBlur(gray, (7, 7), 0)
cv2.imwrite("GaussianBlur.jpg", gray)

edged = cv2.Canny(gray, 75, 200)
cv2.imwrite("Canny.jpg", edged)

# 显示原始图像和边缘检测图像
print("STEP 1: Edge Detection")
cv2.imshow("Image", image)
cv2.imshow("Edged", edged)
cv2.waitKey(0)

# 找到边缘图像中的轮廓，只保留最大的轮廓，并初始化屏幕轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]
# 循环迭代所有轮廓
for c in cnts:
	# 近似轮廓
	peri = cv2.arcLength(c, True)
	approx = cv2.approxPolyDP(c, 0.02 * peri, True)
	# cv2.drawContours(image, c, -1, (0, 0, 255), 3)
	# 如果我们的近似轮廓有4个点，那么我们可以假设我们已经找到了我们的屏幕
	if len(approx) == 4:
		screenCnt = approx
		break

# 画出这张票的轮廓
print("STEP 2: Find contours of paper")
cv2.drawContours(image, [screenCnt], -1, (0, 255, 0), 2)
cv2.imshow("Outline", image)
cv2.waitKey(0)

# 应用四点变换获得原始图像自上而下的视图
warped = four_point_transform(orig, screenCnt.reshape(4, 2) * ratio)
cv2.imwrite("warped.jpg", warped)

# 将变换后的图像转换为灰度，然后使用阈值给它“黑白”纸的效果
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
cv2.imwrite("warped_gray.jpg", warped)


T = threshold_local(warped, 11, offset = 10, method = "gaussian")
warped = (warped > T).astype("uint8") * 255
cv2.imwrite("warped_threshold_local.jpg", warped)

# 显示原始和扫描图像
print("STEP 3: Apply perspective transform")
cv2.imshow("Original", imutils.resize(orig, height = 650))
cv2.imshow("Scanned", imutils.resize(warped, height = 650))
cv2.waitKey(0)

5、参考

参考学习来自 imutils基础（4）构建一个文档扫描仪

bryant_meng
关注
  • 15
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用OpenCV和Python识别二维码和条形码
qq_60168783的博客
10-28 5188
计算机视觉专家Adrian Rosebrock近日分享了如何借助OpenCV和Zbar，编写出能够实时识别二维码和条形码的扫描程序，最后部署在树莓派上，成功制作一款实用的条形码&二维码扫描设备。 最近有朋友问我（作者Adrian Rosebrock——译者注）OpenCV里有没有什么模块能直接识别条形码和二维码，很遗憾，答案是没有。但是OpenCV能够加快读取条形码和二维码的过程，包括从硬盘加载图像，从视频流中抓取新的帧，并进行处理。 等我们获取图像或视频帧后，就可以将其传入Pytho.
树莓派安装python opencv_树莓派4无痛安装OpenCV+python3
weixin_39629780的博客
12-19 400
一、前言已经有很多帖子详细介绍讲解过OpenCV在树莓派3的人脸识别，由于树莓派3性能有限，这次我们来采用较新的树莓派4B来尝试做人脸识别。在树莓派4中，最后的运行进行识别的帧率可以达到28FPS，还是不错的效果了，识别速度在调完参数(准确率)也是可以达到非常快切准确的识别效果。此图为人脸检测部分此篇文章以我连滚带爬，看了很多前辈的博客、文章以及自己在安装、配置、代码遇到的各种错误的总结，站在巨人...
Python - Opencv + pyzbar实时摄像头识别二维码
最新发布
kygpa
07-26 1375
【代码】Python - Opencv + pyzbar实时摄像头识别二维码。
python加载opencv_如何在opencv（python）中加载视频
weixin_39690391的博客
12-19 91
我是OpenCV和Python的乞丐。我试图加载一个视频并使用下面给出的代码显示它：import cv2cap = cv2.VideoCapture('G:\3d scanner\2.mmv')while(1):_ , img2=cap.read()cv2.namedWindow('video',cv2.WINDOW_NORMAL)cv2.imshow('video',img2)k=cv2.wai...
python opencv 连通域_OpenCV中一个连通域处理函数
weixin_39885469的博客
12-05 900
作者：tornadomeet 出处：http://www.cnblogs.com/tornadomeet 欢迎转载或分享，但请务必声明文章出处。连通域处理函数的原型前言在图像处理过程中，经常会遇到这样一部分图像，图像的整体部分如果人来看的话一眼就能看出，但是它的内部由于有各种小缺口，导致断开了，这样在 计算机“眼”里就被认为是断开的，为了使图像达到适应人眼的感觉，需要将这些缺口和断开的口给连接上去...
【OpenCV】利用Flask+Python+OpenCV实现摄像头读取图像帧网页视频流
十二月未央未眠
07-27 9031
利用Flask+Python+OpenCV实现摄像头读取图像帧网页视频流
Python OpenCV 实现魔方识别+复原
成畅的博客
12-23 8651
简介 本项目运用了基础的 Opencv 图像处理算法 来实现魔方色块的识别并判断颜色。 用户可以通过将魔方举在摄像机的前方来让机器自动将魔方的色块录入数据，然后系统将会依靠用户录入的数据来产生当前魔方的解法，并以动画的形式展现出来。 图形用户界面展示： Github repo: Rubik-s-Cube-Scanner-Solver 如何使用 使用到的库： Opencv Numpy Tkin...
python opencv 函数库说明
年少的博客
08-14 1万+
为使得OpenCV的整个库便于管理和扩充，将整个库分成若干子库，CxCore是最重要的一个子库，从“core"名字可以看出，该库提供了所有OpenCV运行时的一些最基本的数据结构，包括矩阵，数组的基本运算，包括出错处理的一些基本函数。具体分为下面若干部分。     基础结构：  CvPoint 二维坐标系下的点，类型为整型 typedef struct CvPoint {
使用python+opencv实现文档扫描
鬼刀
12-13 7562
一、扫描文档的步骤 捕获图像 检测边缘 提取所需对象/定义轮廓 对提取的对象进行透视变换 提取文本内容（此处不做处理） 1、scanner.py import cv2 import numpy as np import rect #读入要检测的图片，此处读入单张图片。如果分辨率足够好的话，我们也可以使用笔记本电脑的摄像头。 image = cv2.imread('test.jpg'...
LicencePlate-Scanner-OpenCV
04-11
在这个项目中，我们主要关注的是如何通过Python编程语言利用OpenCV来实现车牌的自动检测和识别。 在描述中没有提供具体细节，但我们可以推测这个项目可能包括以下几个关键知识点： 1. **图像预处理**：车牌识别的...
使用 OpenCV 在 Python 中构建的交互式文档扫描仪，具有自动角检测、图像锐化和颜色阈值处理功能_python_代码_
06-18
扫描仪拍摄扫描效果不佳的图像，找到文档的角落，应用透视变换以获得文档的俯视图，锐化图像，并应用自适应颜色阈值来清理图像。...https://github.com/andrewdcampbell/doc_scanner/blob/master/output/receipt.jpg
Document_scanner:使用OpenCV透视图变换和轮廓的文档扫描仪
04-01
使用OpenCVDocument_Scanner例子样本输入样本输出安装要求pip install -r requirements.txt运行检测运行示例： python test.py -i test\2.jpg
OpenCV实现“全能扫描王”的图像矫正功能
03-14
在提供的压缩包`my_scanner-master`中，应该包含实现这一功能的源代码。通过阅读和分析这些代码，你可以更深入地理解上述过程，同时也能学习到OpenCV在实际项目中的应用。 总的来说，OpenCV实现的图像矫正功能使得...
通过python扫描二维码/条形码并打印数据
09-18
对于`pyzbar`，在命令行输入`pip install pyzbar`，而对于`opencv-python`，通常直接使用`pip install opencv-python`即可。然而，如果你的环境遇到了安装问题，你可以访问~gohlke/pythonlibs/>这个网站，找到与你的...
【python】Scikit-learn中决策树可视化方法
热门推荐
bryant_meng
03-19 1万+
参考 官方文档，决策树的介绍 官方文档，回归树使用参数介绍 官方文档，回归树小的例子 scikit-learn决策树算法类库使用小结（分类回归树参数对比介绍与可视化方法） 官方回归树的example代码如下 print(__doc__) # Import the necessary modules and libraries import numpy as np from s...
【python】Leetcode（primer）
bryant_meng
09-11 1万+
（2019.7.26）不断更新中…… 【python】Leetcode（Data Structure / Algorithm） 【python】Leetcode（Dynamic Programming） 【python】Leetcode（Map） 【python】Leetcode（String） 【python】Leetcode（Tree） 【python】Coding（Interview） 文章目录260. 只出现一次的数字 III（字典 / 位运算）136. 只出现一次的数字（字典）137. 只出现一
【python】OpenCV—Video to Imag / Image to Video
bryant_meng
11-24 8991
文章目录1 计算总帧数2 计算 Frames per second（FPS）3 Video to Image4 Image to Video 1 计算总帧数 import cv2 video_cap = cv2.VideoCapture('/home/Downloads/2.mp4') frame_count = 0 while (True): ret, frame = video_cap.read() if ret is False: break fram..
【python】OpenCV—findContours
bryant_meng
11-06 6974
文章目录【1】 cv2.addWeighted【2】cv2.findContours 根据 mask 标签（跟原图一样大小的二值图），1）把 mask（cv2.addWeighted） 画在原图上，2）把 mask 轮廓（cv2.findContours）画在原图上 【1】 cv2.addWeighted 来自 Python-OpenCV 图像叠加or图像混合加权（cv2.addWeighted） import numpy as np img1 = cv2.imread("/home/Downlo..
opencv：多个二维码检测与识别—python
05-10
您可以使用OpenCV和ZBar库来实现多个二维码的检测和识别。 首先，您需要安装ZBar库。在Ubuntu上，您可以使用以下命令安装它： ``` sudo apt-get install libzbar0 sudo apt-get install libzbar-dev ``` 接下来，您需要安装OpenCV。您可以使用pip来安装它： ``` pip install opencv-python ``` 一旦您安装了这些库，您可以使用以下代码来检测和识别多个二维码： ```python import cv2 import numpy as np import zbar # Create a zbar scanner scanner = zbar.Scanner() # Load the image img = cv2.imread('image.jpg') # Convert the image to grayscale gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Use OpenCV to find the contours in the image _, contours, _ = cv2.findContours(gray, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Iterate through the contours for contour in contours: # Get the bounding rectangle of the contour x, y, w, h = cv2.boundingRect(contour) # Crop the contour from the image qr_code = gray[y:y+h, x:x+w] # Use the zbar scanner to decode the qr code result = scanner.scan(qr_code) # If a qr code was detected, print the result if result: print(result[0].data) ``` 此代码将加载图像，将其转换为灰度图像，使用OpenCV找到图像中的轮廓，然后对每个轮廓进行裁剪和扫描以识别二维码。如果检测到二维码，则输出其内容。 请注意，此代码仅适用于检测和识别二维码。如果要检测和识别其他类型的二维码，您需要使用相应的库。
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