数字图像与机器视觉基础补充(2)

最新推荐文章于 2024-06-15 15:50:55 发布
最新推荐文章于 2024-06-15 15:50:55 发布
阅读量399 收藏
点赞数
文章标签： 计算机视觉 opencv 图像处理
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/changlingMYlove/article/details/122084761
版权

目录

一、Section1

1.basic_functions.py
代码：

#pylint:disable=no-member

import cv2 as cv
#读取原图
# Read in an image
img = cv.imread('F:\opencv-course-master\Resources/Photos/park.jpg')
cv.imshow('Park', img)

#将图片转换为灰度
# Converting to grayscale
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('Gray', gray)


#进行模糊处理
# Blur 
blur = cv.GaussianBlur(img, (7,7), cv.BORDER_DEFAULT)
cv.imshow('Blur', blur)


#边缘检测
# Edge Cascade
canny = cv.Canny(blur, 125, 175)
cv.imshow('Canny Edges', canny)

#膨胀
# Dilating the image
dilated = cv.dilate(canny, (7,7), iterations=3)
cv.imshow('Dilated', dilated)

#腐蚀
# Eroding
eroded = cv.erode(dilated, (7,7), iterations=3)
cv.imshow('Eroded', eroded)

调整图片的尺寸
# Resize
resized = cv.resize(img, (500,500), interpolation=cv.INTER_CUBIC)
cv.imshow('Resized', resized)

#裁剪
# Cropping
cropped = img[50:200, 200:400]
cv.imshow('Cropped', cropped)

cv.waitKey(0)

在这里插入图片描述
2.contours.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np
#读取图片文件
img = cv.imread('F:\opencv-course-master/Resources/Photos/cats.jpg')
cv.imshow('Cats', img)

#显示blank空白窗口
blank = np.zeros(img.shape, dtype='uint8')
cv.imshow('Blank', blank)

#转为灰度图
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('Gray', gray)

#模糊处理
blur = cv.GaussianBlur(gray, (5,5), cv.BORDER_DEFAULT)
cv.imshow('Blur', blur)

#边缘检测
canny = cv.Canny(blur, 125, 175)
cv.imshow('Canny Edges', canny)


# ret, thresh = cv.threshold(gray, 125, 255, cv.THRESH_BINARY)
# cv.imshow('Thresh', thresh)

contours, hierarchies = cv.findContours(canny, cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)
print(f'{len(contours)} contour(s) found!')

cv.drawContours(blank, contours, -1, (0,0,255), 1)
cv.imshow('Contours Drawn', blank)

cv.waitKey(0)

在这里插入图片描述
3.draw.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np

#生成空白窗口
blank = np.zeros((500,500,3), dtype='uint8')
cv.imshow('Blank', blank)

# 1. Paint the image a certain colour
blank[200:300, 300:400] = 0,0,255
cv.imshow('Green', blank)

# 2. Draw a Rectangle
cv.rectangle(blank, (0,0), (blank.shape[1]//2, blank.shape[0]//2), (0,255,0), thickness=-1)
cv.imshow('Rectangle', blank)

# 3. Draw A circle
cv.circle(blank, (blank.shape[1]//2, blank.shape[0]//2), 40, (0,0,255), thickness=-1)
cv.imshow('Circle', blank)

# 4. Draw a line
cv.line(blank, (100,250), (300,400), (255,255,255), thickness=3)
cv.imshow('Line', blank)

# 5. Write text
cv.putText(blank, 'Hello, my name is Jason!!!', (0,225), cv.FONT_HERSHEY_TRIPLEX, 1.0, (0,255,0), 2)
cv.imshow('Text', blank)

cv.waitKey(0)

在这里插入图片描述

4.read.py

#pylint:disable=no-member

import cv2 as cv

img = cv.imread('F:\opencv-course-master/Resources/Photos/cats.jpg')
cv.imshow('Cats', img)

cv.waitKey(0)

在这里插入图片描述

# Reading Videos
capture = cv.VideoCapture('F:/opencv-course-master/Resources/Videos/dog.mp4')

while True:
    isTrue, frame = capture.read()
    
    # if cv.waitKey(20) & 0xFF==ord('d'):
    # This is the preferred way - if `isTrue` is false (the frame could 
    # not be read, or we're at the end of the video), we immediately
    # break from the loop. 
    if isTrue:    
        cv.imshow('Video', frame)
        if cv.waitKey(20) & 0xFF==ord('d'):
            break            
    else:
        break

capture.release()
cv.destroyAllWindows()

在这里插入图片描述
5.thresh.py

#pylint:disable=no-member

import cv2 as cv

img = cv.imread('F:/opencv-course-master/Resources/Photos/cats.jpg')
cv.imshow('Cats', img)

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('Gray', gray)

# Simple Thresholding
threshold, thresh = cv.threshold(gray, 150, 255, cv.THRESH_BINARY )
cv.imshow('Simple Thresholded', thresh)

threshold, thresh_inv = cv.threshold(gray, 150, 255, cv.THRESH_BINARY_INV )
cv.imshow('Simple Thresholded Inverse', thresh_inv)

# Adaptive Thresholding
adaptive_thresh = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY_INV, 11, 9)
cv.imshow('Adaptive Thresholding', adaptive_thresh)

cv.waitKey(0)

在这里插入图片描述
6.transformations.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np

img = cv.imread(''F:/opencv-course-master/Resources/Photos/park.jpg')
cv.imshow('Park', img)

# Translation
def translate(img, x, y):
    transMat = np.float32([[1,0,x],[0,1,y]])
    dimensions = (img.shape[1], img.shape[0])
    return cv.warpAffine(img, transMat, dimensions)

# -x --> Left
# -y --> Up
# x --> Right
# y --> Down

translated = translate(img, -100, 100)
cv.imshow('Translated', translated)

# Rotation
def rotate(img, angle, rotPoint=None):
    (height,width) = img.shape[:2]

    if rotPoint is None:
        rotPoint = (width//2,height//2)
    
    rotMat = cv.getRotationMatrix2D(rotPoint, angle, 1.0)
    dimensions = (width,height)

    return cv.warpAffine(img, rotMat, dimensions)

rotated = rotate(img, -45)
cv.imshow('Rotated', rotated)

rotated_rotated = rotate(img, -90)
cv.imshow('Rotated Rotated', rotated_rotated)

# Resizing
resized = cv.resize(img, (500,500), interpolation=cv.INTER_CUBIC)
cv.imshow('Resized', resized)

# Flipping
flip = cv.flip(img, -1)
cv.imshow('Flip', flip)

# Cropping
cropped = img[200:400, 300:400]
cv.imshow('Cropped', cropped)


cv.waitKey(0)

在这里插入图片描述

二、Section2

1.bitwise.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np

blank = np.zeros((400,400), dtype='uint8')

rectangle = cv.rectangle(blank.copy(), (30,30), (370,370), 255, -1)
circle = cv.circle(blank.copy(), (200,200), 200, 255, -1)

cv.imshow('Rectangle', rectangle)
cv.imshow('Circle', circle)

# bitwise AND --> intersecting regions
bitwise_and = cv.bitwise_and(rectangle, circle)
cv.imshow('Bitwise AND', bitwise_and)

# bitwise OR --> non-intersecting and intersecting regions
bitwise_or = cv.bitwise_or(rectangle, circle)
cv.imshow('Bitwise OR', bitwise_or)

# bitwise XOR --> non-intersecting regions
bitwise_xor = cv.bitwise_xor(rectangle, circle)
cv.imshow('Bitwise XOR', bitwise_xor)

# bitwise NOT
bitwise_not = cv.bitwise_not(circle)
cv.imshow('Circle NOT', bitwise_not)

cv.waitKey(0)

在这里插入图片描述
2.blurring.py

#pylint:disable=no-member

import cv2 as cv

img = cv.imread('../Resources/Photos/cats.jpg')
cv.imshow('Cats', img)

# Averaging
average = cv.blur(img, (3,3))
cv.imshow('Average Blur', average)

# Gaussian Blur
gauss = cv.GaussianBlur(img, (3,3), 0)
cv.imshow('Gaussian Blur', gauss)

# Median Blur
median = cv.medianBlur(img, 3)
cv.imshow('Median Blur', median)

# Bilateral
bilateral = cv.bilateralFilter(img, 10, 35, 25)
cv.imshow('Bilateral', bilateral)

cv.waitKey(0)

在这里插入图片描述
3.colour_spaces.py

#pylint:disable=no-member

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread('../Resources/Photos/park.jpg')
cv.imshow('Park', img)

# plt.imshow(img)
# plt.show()

# BGR to Grayscale
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('Gray', gray)

# BGR to HSV
hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)
cv.imshow('HSV', hsv)

# BGR to L*a*b
lab = cv.cvtColor(img, cv.COLOR_BGR2LAB)
cv.imshow('LAB', lab)

# BGR to RGB
rgb = cv.cvtColor(img, cv.COLOR_BGR2RGB)
cv.imshow('RGB', rgb)

# HSV to BGR
lab_bgr = cv.cvtColor(lab, cv.COLOR_LAB2BGR)
cv.imshow('LAB --> BGR', lab_bgr)

cv.waitKey(0)

在这里插入图片描述
4.gradients.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np

img = cv.imread('../Resources/Photos/park.jpg')
cv.imshow('Park', img)

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('Gray', gray)

# Laplacian
lap = cv.Laplacian(gray, cv.CV_64F)
lap = np.uint8(np.absolute(lap))
cv.imshow('Laplacian', lap)

# Sobel 
sobelx = cv.Sobel(gray, cv.CV_64F, 1, 0)
sobely = cv.Sobel(gray, cv.CV_64F, 0, 1)
combined_sobel = cv.bitwise_or(sobelx, sobely)

cv.imshow('Sobel X', sobelx)
cv.imshow('Sobel Y', sobely)
cv.imshow('Combined Sobel', combined_sobel)

canny = cv.Canny(gray, 150, 175)
cv.imshow('Canny', canny)
cv.waitKey(0)

在这里插入图片描述
5.histogram.py

#pylint:disable=no-member

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

img = cv.imread('../Resources/Photos/cats.jpg')
cv.imshow('Cats', img)

blank = np.zeros(img.shape[:2], dtype='uint8')

# gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# cv.imshow('Gray', gray)

mask = cv.circle(blank, (img.shape[1]//2,img.shape[0]//2), 100, 255, -1)

masked = cv.bitwise_and(img,img,mask=mask)
cv.imshow('Mask', masked)

# GRayscale histogram
# gray_hist = cv.calcHist([gray], [0], mask, [256], [0,256] )

# plt.figure()
# plt.title('Grayscale Histogram')
# plt.xlabel('Bins')
# plt.ylabel('# of pixels')
# plt.plot(gray_hist)
# plt.xlim([0,256])
# plt.show()

# Colour Histogram

plt.figure()
plt.title('Colour Histogram')
plt.xlabel('Bins')
plt.ylabel('# of pixels')
colors = ('b', 'g', 'r')
for i,col in enumerate(colors):
    hist = cv.calcHist([img], [i], mask, [256], [0,256])
    plt.plot(hist, color=col)
    plt.xlim([0,256])

plt.show()

cv.waitKey(0)

在这里插入图片描述6.masking.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np

img = cv.imread('../Resources/Photos/cats 2.jpg')
cv.imshow('Cats', img)

blank = np.zeros(img.shape[:2], dtype='uint8')
cv.imshow('Blank Image', blank)

circle = cv.circle(blank.copy(), (img.shape[1]//2 + 45,img.shape[0]//2), 100, 255, -1)

rectangle = cv.rectangle(blank.copy(), (30,30), (370,370), 255, -1)

weird_shape = cv.bitwise_and(circle,rectangle)
cv.imshow('Weird Shape', weird_shape)

masked = cv.bitwise_and(img,img,mask=weird_shape)
cv.imshow('Weird Shaped Masked Image', masked)

cv.waitKey(0)

在这里插入图片描述7.rescale_resize.py

#pylint:disable=no-member

import cv2 as cv

# img = cv.imread('../Resources/Photos/cat.jpg')
# cv.imshow('Cat', img)

def rescaleFrame(frame, scale=0.75):
    # Images, Videos and Live Video
    width = int(frame.shape[1] * scale)
    height = int(frame.shape[0] * scale)

    dimensions = (width,height)

    return cv.resize(frame, dimensions, interpolation=cv.INTER_AREA)

def changeRes(width,height):
    # Live video
    capture.set(3,width)
    capture.set(4,height)
    
# Reading Videos
capture = cv.VideoCapture('../Resources/Videos/dog.mp4')

while True:
    isTrue, frame = capture.read()

    frame_resized = rescaleFrame(frame, scale=.2)
    
    cv.imshow('Video', frame)
    cv.imshow('Video Resized', frame_resized)

    if cv.waitKey(20) & 0xFF==ord('d'):
        break

capture.release()
cv.destroyAllWindows()

在这里插入图片描述8.splitmerge.py

#pylint:disable=no-member

import cv2 as cv
import numpy as np

img = cv.imread('F:/opencv-course-master/Resources/Photos/park.jpg')
cv.imshow('Park', img)

blank = np.zeros(img.shape[:2], dtype='uint8')

b,g,r = cv.split(img)

blue = cv.merge([b,blank,blank])
green = cv.merge([blank,g,blank])
red = cv.merge([blank,blank,r])


cv.imshow('Blue', blue)
cv.imshow('Green', green)
cv.imshow('Red', red)

print(img.shape)
print(b.shape)
print(g.shape)
print(r.shape)

merged = cv.merge([b,g,r])
cv.imshow('Merged Image', merged)

cv.waitKey(0)

在这里插入图片描述

三、资料连接

链接：https://pan.baidu.com/s/1lU7vIkTxB14YBFAK-IRtuQ
提取码：1234

Chleto
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器视觉学习笔记--图像滤波2
x2390983993的博客
04-06 974
形态学滤波（Morphological Filter）变形操作： a，b为位置，a+b为向量操作 - 膨胀（Dilation） A为图像： B为结构原素： 则A被B膨胀定义如下： 膨胀操作会使原本图像目标变粗。 - 腐蚀（Erosion） 腐蚀操作与膨胀操作效果相反，会使目标物体向内收缩。A被B腐蚀的操作过程可理解为： 代码如下：clear;cl
数字图像与机器视觉基础补充(1)
qq_30593663的博客
01-07 3856
@TOC 一、图片格式介绍 图片格式是计算机存储图片的格式，常见的存储的格式有 bmp，jpg，png，tif，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw，WMF，webp，avif，apng 等。 （一）BMP格式 1.简介 BMP(Bitmap-File)图形文件是Windows采用的图形文件格式，在Windows环境下运行的所有图像处理软件都支持BMP图像文件格式。Windows系统内部各图像绘制操作都是以BMP为基础的。Wind
【机器视觉学习笔记】二值图像和灰度图像的膨胀、腐蚀、开运算、闭运算算法（C++）
乙酸氧铍的博客
10-25 5730
目录完整源码效果原图腐蚀运算膨胀运算开运算闭运算 平台：Windows 10 20H2 Visual Studio 2015 OpenCV 4.5.3 完整源码 //包含头文件 #include <opencv2/opencv.hpp> //命名空间 using namespace cv; using namespace std; //全局函数声明部分 //我的腐蚀运算 Mat Erode(Mat src, Mat Mask, uint32_t x0, uint32_t y0) {
数字图像与机器视觉基础补充2
qq_46689721的博客
12-10 2868
文章目录1、HSV及HSI2、图片转换2.1、灰度图的转换2.2、RGB图像的转换3、车牌的切割处理3.1、使用opencv进行切割3.2、手动切割4、总结 1、HSV及HSI     1、HSV：HSV(hue,saturation,value)颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1. 它包含RGB模型中的R=1，G=1，B=1 三个面，所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于 角度0° ，绿色对应于角度120°，
数字图像与机器视觉基础补充
weixin_45654230的博客
12-10 2227
一、准备一张图片 信息显示图片大小为1.24M，位图大小计算：1.24M×1024≈1230KB=1300234字节，这是不包含文件头信息的大小。 用UltraEdit打开lena.bmp，可以看到这个文件的全部数据如下图所示： 例如：111.bmp为256位色图： 计算方式：256014408/8/1024=3600KB。 色彩格式和图片文件格式都在影响图片大小： 将图片分别保存为.bmp,.gif,.jpg,.png图片格式 因为BMP不是压缩的，所以以它为基准计算...
数字图像与机器视觉基础补充(2)——图像处理和分割车牌
m0_49297422的博客
12-21 1414
目录一、将彩色图像文件转换为灰度文件（一）使用openCV（二）不使用openCV二、将彩色图像(RGB)转为HSV、HSI 格式（1）彩色图像转化为HSV格式（2）彩色图像转化为HSI格式三、车牌分割成单个字符四、总结五、参考链接 一、将彩色图像文件转换为灰度文件 （一）使用openCV 1.代码 import cv2 as cv img = cv.imread('./lena.png',1) img_1 = cv.cvtColor(img,cv.COLOR_BGR2GRAY) cv.imshow('gr
数字图像处理与机器视觉.rar
02-26
visual c++ 与matlab
数字图像处理与机器视觉.张铮.PDF
09-26
数字图像处理与机器视觉：Visual C++与Matlab实现.张铮.PDF扫描版 源码在另一个资源里
数字图像处理与机器视觉.pptx
09-20
数字图像处理与机器视觉PPT100页。自然界中的颜色可以用三种原色合成得到，因此彩色图像可以在一个三维的颜色空间中表示。常用的颜色空间模型有RGB模型、CMY模型、HSI模型、HSV模型等。本章介绍了彩色图像处理的一些...
数字图像处理以及机器视觉的作业.zip
07-06
数字图像处理的相关课程作业，机器视觉的相关课程作业，里面大概就是我上这门课老师布置的课后作业，自己的完成的作业
数字图像处理与机器视觉源码
10-23
数字图像处理与机器视觉：Matlab与Visual C++实现 包含书中部分代码，以及书中用到的图片
计算机视觉与深度学习实战，Python为工具，基于光流场的车流量计数应用
一个好知识的传播者
06-06 1214
计算机视觉是一门研究如何使机器从数字图像或视频中提取、分析和理解有用信息的学科。它涉及图像处理、计算机图形学、人工智能等多个领域的知识。深度学习作为机器学习的一个分支，通过模拟人脑神经网络的工作方式，实现对数据的自动学习和特征提取。在计算机视觉领域，深度学习技术被广泛应用于图像分类、目标检测、图像分割等任务。本文介绍了以Python为工具，基于光流场的车流量计数应用。通过计算机视觉和深度学习技术的结合，实现了对交通视频中车辆运动的检测和车流量的计数。
计算机视觉与深度学习实战，Python为工具，最小误差法的胸片分割技术
一个好知识的传播者
06-12 839
本文介绍了以Python为工具，基于最小误差法的胸片分割技术。通过该技术，可以实现对胸部X片中病变区域的自动分割，提高肺癌诊断的准确性和效率。未来，随着计算机视觉和深度学习技术的不断发展，相信会有更多的新技术和新方法被应用到医学图像分割中，为医疗领域的发展做出更大的贡献。
[C++]使用C++部署yolov10目标检测的tensorrt模型支持图片视频推理windows测试通过
FL1623863129的博客
06-15 312
获取pt模型：https://github.com/THU-MIG/yolov10训练自己的模型或者直接使用yolov10官方预训练模型。将编译好的deploy.dll和deploy.lib文件放到yolov10-tensorrt-cplus/lib文件夹。下载源码：https://github.com/laugh12321/yolov10/tree/nms并安装到环境中。注意导出模型和官方yolov10的onnx是不一样的，使用yolov10-nms导出模型结构如图。
C# OpenCvSharp Mat操作-操作符重载
cncWay的博客
06-11 283
在C#中使用OpenCvSharp进行图像处理时，操作符重载可以使代码更加简洁和直观。
C# OpenCvSharp Mat操作-创建Mat-colRange
cncWay的博客
06-11 424
在OpenCvSharp中，colRange函数用于从一个Mat对象中选择一个指定的列范围，并返回一个新的Mat对象，该对象包含原始Mat中的列范围数据。这个函数非常有用，当你只需要处理图像的一部分时，可以显著提高处理效率。
计算机视觉与深度学习实战，Python为工具，知识库的手写体数字识别
一个好知识的传播者
06-13 1113
在实际应用中，你可能会遇到过拟合或欠拟合的问题，这时你可以通过调整网络结构、增加数据增强、使用正则化技术或调整学习率等方法来优化模型。此外，你还可以尝试使用更复杂的网络结构，如残差网络（ResNet）或密集连接网络（DenseNet）等，来进一步提高模型的性能。如今，随着深度学习技术的不断进步，我们可以使用更加复杂的网络结构来提高识别的准确率。过多的轮数可能导致过拟合，而过少的轮数可能导致欠拟合。卷积神经网络（CNN）的层数和每层的参数（如卷积核大小、步长、填充等）都会影响模型的性能。
【计算机视觉】人脸算法之图像处理基础知识（四）
最新发布
qq_42782701的博客
06-15 432
图像插值和平移
数字图像处理 机器视觉 计算机视觉关系
06-01
数字图像处理、机器视觉和计算机视觉都属于计算机科学中的图像处理领域。 数字图像处理是对数字图像进行处理、加工和分析的过程，目的是改善图像质量、提取图像信息、识别图像内容等。 机器视觉是利用计算机视觉...

“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