- 博客(54)
- 收藏
- 关注
RSS订阅原创 图片纹理朝哪个方向最明显？用华为云码道开发 OpenCV Gabor 滤波纹理分析工具
方向选择性 + 频率选择性的滤波器。可以简单理解成：拿不同方向的条纹模板去扫描图片。如果图片中的纹理和某个滤波器方向比较匹配，这个方向就会产生更强的响应。所以它经常用于：纹理分析、特征提取、方向结构分析等任务。OpenCV Gabor 滤波纹理分析工具。核心流程：Grayscale285.24231.86189.81223.480°方向和空间频率选择性。某一种尺度、某一个方向上的纹理结构到底明显不明显。
2026-10-18 21:54:10
128
原创 图片里的高频和低频是什么？用华为云码道开发 OpenCV 傅里叶频谱分析工具
图像亮度在空间中变化的快慢。例如：天空湖面大面积平滑区域Low Frequency，低频。而：狗狗毛发草地树叶建筑边缘High Frequency，高频。低频描述整体结构，高频描述细节和边缘。OpenCV 傅里叶频谱分析工具。核心流程：Grayscale→ DFT→ Energy0.1599.68%0.32%低频集中在中心，高频分布在外围。平滑是在减少高频，锐化是在增强高频，而傅里叶变换则让这些频率成分真正变得可见。
2026-10-18 21:48:48
90
原创 图片里的阴影能不能减弱？用华为云码道开发 OpenCV 光照校正工具
场景本身的细节 + 缓慢变化的光照。比如阴影、太阳照射、渐变亮度通常属于比较低频的变化。把毛发、草地这些细节模糊掉，只保留整体亮暗趋势。OpenCV 光照不均校正工具。核心流程：LAB51 × 511.0047.8224.1149.6%163.38161.30结果说明，在平均亮度基本保持稳定的情况下，图片中的低频亮度差异被明显压缩，整体光照分布更加均匀。Gamma：调整整体亮度曲线CLAHE：增强局部对比度Illumination Correction：减弱低频光照不均。
2026-10-18 21:42:20
206
原创 图片偏色怎么自动校正？用华为云码道开发 OpenCV Gray World 白平衡工具
一张自然图片中，如果颜色足够丰富，那么整张图的平均颜色应该接近中性灰。也就是说：R、G、B 三个通道的平均值应该比较接近。如果某个通道明显偏高或偏低，就可以通过缩放进行补偿。153.87157.67127.11B 通道偏低。OpenCV Gray World 自动白平衡工具。核心流程：→ Clip30.566.5378.6%最终可以看到，原图中偏低的蓝色通道被明显补偿，三个 RGB 平均值变得更加接近。图片偏什么颜色？检测到偏色以后，能不能自动把它校正回来？
2026-10-18 21:36:50
125
原创 图片细节不够锐怎么办？用华为云码道开发 OpenCV Unsharp Mask 锐化工具
名字里虽然有Unsharp锐化方法。高频细节 = 原图 - 模糊图锐化图 = 原图 + Amount × 高频细节边缘、毛发、草地等细节通常都属于高频信息，所以会被进一步强化。OpenCV Unsharp Mask 图像锐化工具。核心流程：→ Amplify316.811639.53+1322.72417.5%Bilateral Filter：减少高频细节，让图片更平滑。Unsharp Mask：增强高频细节，让图片更锐。平滑、噪声、细节和锐度之间做取舍。
2026-10-18 21:30:25
178
原创 图片里的关键点怎么找？用华为云码道开发 OpenCV FAST 特征点检测工具
OpenCV FAST 特征点检测工具。核心流程：Grayscale20Enabled8,506FAST 9-16从结果图可以看到，关键点主要集中在狗狗毛发、草地、树叶和建筑等高纹理区域，而平滑的天空和湖面响应较少。Harris 更关注角点，FAST 更关注快速寻找大量可用关键点。
2026-10-17 14:50:53
402
原创 图片里的角点在哪里？用华为云码道开发 OpenCV Harris 角点检测工具
Harris Corner Detection 是一个经典角点检测算法。无论向哪个方向移动，局部灰度都会发生明显变化。比如：直线内部通常只在一个方向变化明显。平坦区域基本没有变化。而真正的角点，在多个方向上都会出现明显变化。所以像：建筑拐角眼睛边缘鼻子轮廓纹理交叉位置都比较容易产生较强 Harris Response。OpenCV Harris 角点检测工具。核心流程：Grayscale605230.040.010。
2026-10-17 14:44:20
361
原创 图片边缘到底有多强？用华为云码道开发 OpenCV Sobel 梯度可视化工具
可以看到 X 方向响应明显更强。X Dominant这说明在当前测试图中，沿 X 方向的灰度变化整体更明显。换句话说，画面中对 Sobel X 响应较强的结构更多。OpenCV Sobel 梯度可视化工具。核心流程：Grayscale→ Sobel X→ Sobel Y30.4924.2143.29X Dominant哪里有边缘边缘在不同方向上的响应到底有多强。
2026-10-17 14:35:07
188
原创 图片里的细小噪点怎么平滑？用华为云码道开发 OpenCV 图像滤波对比工具
OpenCV 图像滤波对比工具。13316.81161.9248.9%可以明显看到，双边滤波减少了毛发、草地和树叶中的细碎纹理，同时仍然保留了一定的主体边缘。减少噪声和细小纹理，同时尽量保留真正重要的结构。
2026-10-17 14:20:32
376
原创 二值图里的噪点怎么去掉？用华为云码道开发 OpenCV 形态学操作工具
二值图中的形状结构。它不会像 Gamma 那样调整亮度，也不会像 CLAHE 那样增强对比度。让白色区域变大、变小、去噪或者连接。OpenCV 形态学操作工具。支持：ErosionDilationOpeningClosingOpening3 × 31142.0039.21%60.79%相比原始 Otsu 结果，白色区域减少了1.34 个百分点，说明 Opening 对部分细小白色噪点进行了清理。二值化负责把图片变成黑白，形态学负责把黑白结构整理得更干净。
2026-10-17 13:59:13
177
原创 图片是什么色调？用华为云码道开发 OpenCV HSV 色调分布分析工具
OpenCV HSV 色调分布分析工具。核心流程：BGR→ HSV→ Ratio1,426,5041.32%51.44%19.35%1.35%26.40%0.13%Yellow从 Hue Map 也可以直观看到，狗狗和部分草地区域贡献了大量黄色，而天空和湖面则贡献了比较明显的蓝色。一张图片到底主要由哪些色调组成？
2026-10-16 14:07:46
117
原创 图片边缘主要朝哪里？用华为云码道开发 OpenCV 梯度方向分析工具
OpenCV 梯度方向分析工具。核心算法：Sobel XSobel Yatan2()35.49%17.81%46.70%426,507Diagonal通过 Direction Map 也能看到，狗狗毛发、草地、树叶等区域包含大量复杂方向结构，因此最终斜向梯度占比最高。图片中的强梯度主要分布在哪些方向？
2026-10-16 13:46:21
155
原创 图片细节丰富不丰富？用华为云码道开发 OpenCV 纹理复杂度分析工具
图片中的局部变化有多丰富。例如：狗狗毛发草地树叶建筑轮廓这些区域存在大量细小结构，所以梯度通常比较明显。而天空、湖面这种平滑区域，像素变化比较小，梯度自然也会更低。OpenCV 图片纹理复杂度分析工具。核心流程：上传图片→ 灰度化1650 × 95343.2943.2927.12%从 Gradient Map 也能看到，狗狗毛发、草地、树叶等纹理丰富区域明显更亮，而天空和湖面更加平滑。图片里的结构和细节到底丰富不丰富？
2026-10-16 13:17:12
172
原创 图片动态范围大不大？用华为云码道开发 OpenCV 动态范围分析工具
OpenCV 图片动态范围分析工具。核心流程：上传图片↓转换灰度图↓计算 P1↓计算 P99↓↓判断 Dynamic Range Level↓直方图标记 P1 / P99这次真实测试结果：32.00231.00199.00相比直接使用：Min = 0Max = 255采用 P1 / P99 可以减少极端像素的干扰，更稳定地观察图片中主要像素真正覆盖的亮度跨度。图片的暗部、中间调和亮部分别占多少？图片真正有效的明暗跨度到底有多大？
2026-10-16 13:04:28
136
原创 图片是不是太暗了？用华为云码道开发 OpenCV 欠曝区域检测工具
OpenCV 图片欠曝区域检测工具。核心流程：上传图片↓转换灰度图↓检测 Gray ≤ 20↓统计 Underexposed Pixel Count↓计算 Underexposed Ratio↓判断 Exposure Level↓蓝色遮罩显示暗部区域真实测试结果：208,0560.51%Normal从结果图中也可以看到，极暗区域主要集中在狗狗鼻子、眼睛、嘴部以及部分阴影位置，没有出现大面积黑色区域。图片有没有明显过曝？图片有没有明显欠曝？
2026-10-16 12:40:35
207
原创 图片是不是过曝了？用华为云码道开发 OpenCV 过曝区域检测工具
OpenCV 图片过曝区域检测工具。核心流程：上传图片↓转换灰度图↓检测 Gray ≥ 245↓统计 Overexposed Pixel Count↓计算 Overexposed Ratio↓判断 Exposure Level↓红色遮罩标记高亮区域这次真实测试结果：1650 × 9532458890.06%Normal最终结果说明，这张图片虽然存在少量接近纯白的区域，但面积非常小，没有达到明显过曝的程度。前面几篇分别回答了：图片有多亮？
2026-10-15 21:12:57
277
原创 图片到底偏什么颜色？用华为云码道开发 OpenCV 色彩偏移分析工具
一张正常的彩色图片通常由：R：RedG：GreenB：Blue三个颜色通道组成。不同区域的 RGB 数值不同，最终组合出整张彩色图片。如果整张图片中的某一个颜色通道整体明显偏高，就可能让画面呈现出某种颜色倾向。例如：R 明显更高→ 画面可能偏红G 明显更高→ 画面可能偏绿B 明显更高→ 画面可能偏蓝直接统计整张图片三个通道的平均值。先计算另外两个通道：140.49然后：两者相差：17.18当前设置的色偏阈值是：15由于：17.18 > 15。
2026-10-15 17:13:31
165
原创 图片对比度够不够？用华为云码道开发 OpenCV 对比度分析工具
OpenCV 图片对比度分析工具。核心流程：上传图片↓转换灰度图↓计算 Average Brightness↓计算灰度标准差↓得到 Contrast Score↓判断 Contrast Level↓显示 Histogram真实测试结果：48.84这也说明：图片整体亮度和图片对比度，并不是同一个概念。这张图片有多亮？这张图片的亮暗差异到底大不大？
2026-10-15 16:58:12
171
原创 图片到底有多亮？用华为云码道开发 OpenCV 亮度分析工具
OpenCV 图片亮度分析工具。核心流程：上传图片↓转换灰度图↓计算 Average Brightness↓统计 Min / Max↓判断 Bright / Normal / Dark↓生成灰度直方图这次真实测试结果：0255Normal同时生成的灰度直方图也能看到，图片像素主要分布在中高亮度区域，与最终结果基本一致。前面几篇分别解决了：图片糊不糊？图片哪里不一样？图片主要是什么颜色？图片歪了怎么办？图片哪里有边缘？图片有几个轮廓？
2026-10-15 14:46:23
335
原创 图片边缘到底怎么提取？用华为云码道开发 OpenCV Canny 参数可视化工具
OpenCV Canny 参数可视化工具。核心流程：上传图片↓灰度化↓设置 Low Threshold↓设置 High Threshold↓↓统计 Edge Pixel Count↓显示边缘图真实测试参数：50150从结果中可以看到，狗狗、草地、树木和建筑等区域的轮廓都被成功提取出来。前面几篇分别回答了：图片糊不糊？两张图片哪里不一样？图片主要是什么颜色？图片歪了怎么办？图片里的边缘到底怎么提取？
2026-10-15 13:37:47
173
原创 图片拍歪了怎么办？用华为云码道开发 OpenCV 自动纠偏工具
这次用华为云码道辅助开发了一个 OpenCV 图片自动纠偏工具。核心流程：上传图片↓灰度化↓Canny↓↓统计直线角度↓↓↓warpAffine↓171 条最终纠偏后的图片已经基本恢复水平。前面几篇分别解决了：图片糊不糊？两张图片哪里不一样？图片主要是什么颜色？图片拍歪了怎么办？
2026-10-14 16:45:31
139
原创 一张图片主要是什么颜色？用 OpenCV 做图片主色提取工具
这次完成了一个基于 OpenCV K-Means 的图片主色提取工具。核心流程：图片↓像素 RGB↓K-Means↓5 个 Cluster↓↓颜色占比↓真实测试中，这张狗狗图片最终提取出的主色分别为：结果基本对应：蓝天草地植被狗狗毛发阴影区域也说明 K-Means 用来做简单的图片主色分析还是非常直观的。前面几篇分别解决了：图片糊不糊？两张图片哪里不一样？这张图片主要是什么颜色？图片拍歪了怎么办？
2026-10-14 16:29:48
177
原创 两张图片哪里不一样？用 OpenCV 做图像差异检测工具
核心功能：Image AImage B↓↓↓↓两组真实测试：1 个 Difference Region并且正确使用红框标出了修改位置。相比上一篇的图片清晰度检测，这次解决的是另一个很常见的问题：这张图片糊不糊？这两张图片到底哪里不一样？这种小项目开发时间不长，但效果非常直观，也很适合做成日常使用的小工具。一张图片主要由哪些颜色组成？——图片主色提取工具。
2026-10-14 16:21:39
258
原创 照片到底糊不糊？用华为云码道开发 OpenCV 图片清晰度检测工具
这次完成了一个简单的 OpenCV 图片清晰度检测工具。三次真实测试得到：316.81170.7849.19完整流程：上传图片↓OpenCV 读取↓灰度化↓Laplacian↓计算方差↓↓相比之前 YOLO 那种比较大的项目，这次功能简单很多，但实际使用场景反而比较明确。例如后面如果需要整理：相机采集数据计算机视觉训练集实验截图视频抽帧图片都可以先用这种方式进行一次快速清晰度筛选。两张图片到底哪里不一样？——图像差异检测工具。
2026-10-14 16:03:42
392
原创 236 条风险记录不等于 236 次险情：我用 YOLO + ByteTrack 把它们合并成了 70 个 Near-Miss 事件
这一篇最大的变化，不是又增加了一套风险公式。同一段视频中：236 条 Risk Events↓70 个 Near-Miss Events通过：Merge Gap把连续风险真正整理成了一次次完整事件。现在这个项目已经开始从：“这一帧危险吗？“这一整段风险，到底算成几次完整事件？项目地址：yolo-object-detection-lab:基于 FastAPI 与 Ultralytics YOLO 的图像目标检测实验项目 - AtomGit。
2026-10-14 14:01:26
272
原创 两个目标会不会发生冲突？我用 YOLO + ByteTrack 做了 TTC 碰撞风险分析
这次真实实验最终得到：962 FramesProcessing Time：约 61.2 s完整技术链路：YOLO↓ByteTrack↓↓↓↓↓↓↓TCA↓↓Risk Level↓目标现在在哪里？目标未来可能往哪里走？两个目标按照当前运动趋势继续下去，会不会在短时间内形成明显的空间冲突？不是事故概率，也不是自动驾驶级安全决策系统。
2026-10-13 19:54:32
161
原创 目标下一秒会往哪里走？我用 YOLO + ByteTrack 做了轨迹预测
这次真实实验中，我分别跑了 Constant Velocity 和 Kalman 两种预测方式。962 FramesKalman：962 Frames同时启用了：最终完整流程已经变成：YOLO↓ByteTrack↓↓↓↓↓↓↓目标现在在哪里？目标未来两秒大概会往哪里走？当然，这仍然属于基于运动状态的短时预测，并不能理解真正的驾驶意图或行人意图。
2026-10-13 18:16:12
302
原创 单目视频测速不准？我给 YOLO + ByteTrack 加了透视标定和鸟瞰图测速
这次真实实验最终得到：962 Frames约 3.4 km/h完整技术链路已经变成：YOLO↓ByteTrack↓↓↓Homography↓↓↓Smoothing↓↓m/s↓km/h目标每秒移动多少像素？目标在道路平面上大约移动了多少米，又有多快？当然，它依然只是基于单目视频和人工标定的速度估计。如果继续提高精度，还需要更加准确的道路尺寸、更加严格的相机与道路平面标定，以及更稳定的地面接触点和轨迹滤波。
2026-10-13 14:20:20
366
原创 目标到底移动得有多快？我用 YOLO + ByteTrack 做了视频速度估计
预留了接口。yolo-object-detection-lab:基于 FastAPI 与 Ultralytics YOLO 的图像目标检测实验项目 - AtomGit把现在的像素速度估计继续往更接近真实世界尺度的运动分析推进。
2026-10-13 12:41:03
235
原创 目标从哪个区域去了哪里？我用 YOLO + ByteTrack 做了多 ROI 区域流转分析
962 FramesB → C：16C → B：11A → B：5C → A：1YOLO↓ByteTrack↓Track ID↓↓↓↓↓Journey↓↓Top Routes↓Flow Map目标检测视频行为与空间流动分析yolo-object-detection-lab:基于 FastAPI 与 Ultralytics YOLO 的图像目标检测实验项目 - AtomGit速度估计目标不仅从哪里去了哪里，它到底移动得有多快。
2026-10-11 21:27:13
452
原创 37 个目标到底都往哪里走？我用 YOLO + ByteTrack 做了轨迹热力图
962 Frames最终生成的 Heatmap 也可以明显看到目标运动主要集中在画面底部道路以及右侧车辆附近。
2026-10-11 19:47:31
304
原创 目标进了这个区域多久？我用 YOLO + ByteTrack 做了 ROI 占用与停留分析
空间时间Line Crossing 关注的是：有没有跨过某条边界？ROI Analysis 关注的是：有没有进入某个区域？区域里现在有几个目标？最多同时有几个？每个目标停留了多久？YOLO↓ByteTrack↓Track ID↓↓↓↓↓↓Occupancy↓Dwell Time出现跟踪过线进入区域离开区域占用情况停留时间。
2026-10-11 16:19:59
282
原创 37 个目标不代表都经过这里：我用 YOLO + ByteTrack 做了虚拟线过线计数
↓↓↓↓↓↓↓↓↓↓三个数字分别代表完全不同的概念。这也是我觉得这一版最有意思的地方：YOLO 不再只是告诉我：画面里有什么？ByteTrack 进一步告诉我：这个目标是不是之前那个？Line Crossing 再进一步告诉我：它到底有没有真正经过我指定的位置？yolo-object-detection-lab:基于 FastAPI 与 Ultralytics YOLO 的图像目标检测实验项目 - AtomGitYOLOByteTrackOccupancy。
2026-10-10 21:47:01
288
原创 YOLO 检测结果太多怎么办？我用码道加了置信度与类别筛选
但实际效果还是非常明显的。→ 16 个目标→ 1 个目标阈值不是越高越好，也不是越低越好，而是要根据实际场景在召回更多目标和减少低置信度结果之间做取舍。yolo-object-detection-lab:基于 FastAPI 与 Ultralytics YOLO 的图像目标检测实验项目 - AtomGit下一步可以继续在这个 YOLO 平台上做一个同样不复杂、但效果比较明显的小功能。
2026-10-09 15:26:59
227
原创 用码道做一个 YOLO 目标检测平台：从“这是什么”到“它在哪里”
这一次我使用码道 Agent 从零完成了一个 YOLO Object Detection Lab。Model:YOLO11nGPU:RTX 4090Classes:80pytest:34 passedDog:93.2%86.5%Backpack:83.9%Person:80.4%CPU / GPU 配置问题↓真实 YOLO 推理验证↓API 独立测试↓Loading 一直不消失↓定位 hidden CSS 问题↓完成修复。
2026-10-09 13:13:16
211
原创 OpenCV 参数到底怎么影响结果？我让码道做了一个算法参数可视化实验室
前两篇里，我已经用华为云码道 Agent 把一个基础 OpenCV 项目逐步扩展成了完整的计算机视觉算法实验室。灰度化均值滤波高斯滤波中值滤波二值化腐蚀膨胀开运算闭运算SobelCanny轮廓检测HarrisSIFT一共 14 种 OpenCV 算法。很多算法虽然能调参数，但每次只能看一组结果。到底差多少？如果只能一次改一组参数，再重新执行、重新观察，其实并不直观。让同一个算法使用多组参数同时运行，并把结果并排展示。参数可视化实验平台。
2026-09-29 12:21:28
309
原创 继续给码道加需求：Canny、Harris、SIFT 能直接接进现有 OpenCV 项目吗？
上一篇文章中，我只给华为云码道 Agent 一段需求，让它从零开发了一个OpenCV Vision Lab——在线图像处理实验室。灰度化均值滤波高斯滤波中值滤波二值化腐蚀膨胀开运算闭运算同时还完成了图片上传、参数调节、异常处理、API 测试和 README 等内容。但从零创建一个项目只是第一步。当一个项目已经有了一定代码量以后，再继续追加新需求，Agent 能不能先读懂原来的代码，再在不破坏旧功能的前提下完成增量开发？所以这一次，我没有重新创建项目，而是直接在原来的。
2026-09-24 14:27:19
265
原创 一句需求开发完整 OpenCV 项目：华为云码道 Agent 全流程实测
前段时间我一直在整理面向大一同学的 OpenCV 学习内容，并陆续总结了图像读取、滤波、阈值处理、形态学操作、边缘检测、角点检测等相关知识。但如果只是把每个算法单独写成一段 Python 代码，实际体验还是比较零散。不自己从头搭 Web 项目，而是只把需求告诉华为云码道 Agent，看它能不能把我之前学过的 OpenCV 内容真正整合成一个可以运行的完整项目。OpenCV Vision Lab——在线图像处理实验室。
2026-09-24 13:43:32
240
原创 OpenCV 尺度空间与 SIFT 算法：从高斯差分到 128 维特征描述子
在图像中，我们将同一组（Octave）内，相邻的两层高斯模糊图像进行减法运算。(注：L代表经过高斯模糊后的图像。如果一组内做了 5 次高斯模糊，两两相减就能得到 4 张 DOG 差分图)减法的意义：抵消掉了那些平淡的、不随尺度变化的背景信息。剩下的 DOG 图像中，数值特别大（正极值）或特别小（负极值）的点，就是在尺度空间中能量最强、最不寻常的关键特征点。SIFT 算法是一部波澜壮阔的数学史诗：通过高斯金字塔，赋予了算法尺度不变性（无视远近大小）。通过主方向旋转，赋予了算法旋转不变性（无视角度倾斜）
2026-05-08 07:00:00
698
原创 OpenCV 角点检测：从数学推导到 Harris 算法工程实战
人眼可以一秒钟找出一个正方形的四个角，但计算机只认识 0 到 255 的灰度数字矩阵。为了让计算机“识别”角点，我们引入“滑动窗口”的思想：想象我们在图像上用一个 3×3 的小方框（窗口）套住一个区域，然后尝试向上下左右及对角线方向平坦区域（Flat）：比如蓝天、白墙。窗口无论往哪个方向移动，框里的颜色基本一样，灰度值几乎不变化。边缘区域（Edge）：比如一条笔直的黑色柱子。窗口顺着柱子方向滑动时，灰度无变化；但垂直柱子方向滑动时，灰度发生剧烈突变。角点区域（Corner）：比如楼房的尖角。窗口无论向。
2026-05-07 07:00:00
1243
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人