计算机视觉快速入门一 —— 图像基本操作(二）

于 2022-10-17 19:09:11 发布
阅读量4.8k 收藏 30
点赞数 5
分类专栏： 计算机视觉快速入门 文章标签： 计算机视觉
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/come_closer/article/details/127370137
版权

计算机视觉快速入门一 —— 图像基本操作(二）

1.灰度图

img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 

img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_gray.shape #二维（414，500）
cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)    
cv2.destroyAllWindows()

2.HSV

H-色调（主波长）
S-饱和度（纯度/颜色的阴影）
V值（强度）
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.imshow("hsv", hsv)
cv2.waitKey(0)    
cv2.destroyAllWindows()

3.图像阈值

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

  • dst:输出图

  • src:输入图，只能输入单通道，通常来说是灰度图

  • 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maxval（最大值），否则取0

  • 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

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

4.图像平滑

  • 均值滤波，简单的平均卷积操作 blur=cv2.blur(img,(3,3))
  • 方框滤波，基本和均值一样，可以选择归一化，容易越界 box = cv2.boxFilter(img,-1,(3,3),normalize=False)
  • 高斯滤波，高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的aussian=cv2.GaussianBlur(img, (5, 5), 1)
  • 中值滤波，相当于用中值代替 median = cv2.medianBlur(img, 5)

5.形态学

需要设置卷积内核kernel = np.ones((3,3),np.uint8)

  • 腐蚀操作 erosion = cv2.erode(img,kernel,iterations = 1)
  • 膨胀操作dige_dilate=cv2.dilate(dige_erosion,kernel,iterations = 1)
  • 开运算（先腐蚀，再膨胀）opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
  • 闭运算（先膨胀，再腐蚀）closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
  • 梯度运算（梯度=膨胀-腐蚀）gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
  • 礼帽（礼帽=原始输入-开运算结果) tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
  • 黑帽（黑帽=闭运算-原始输入）blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)

6.图像梯度

（1）图像梯度-Sobel算子
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

  • ddepth:图像的深度
  • dx和dy分别表示水平和竖直方向
  • ksize是Sobel算子的大小
    在这里插入图片描述
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')
#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
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')

#分别计算x和y,再求和
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
#不建议直接计算
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
cv_show(img,'img')
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
res = np.hstack((sobelx,sobely,sobelxy))
cv_show(res,'sobel')

在这里插入图片描述
（2）图像梯度-Scharr算子
在这里插入图片描述
（3）图像梯度-laplacian算子
在这里插入图片描述

#不同算子的差异
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)   
sobely = cv2.convertScaleAbs(sobely)  
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)   
scharry = cv2.convertScaleAbs(scharry)  
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) 

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)   

res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'res')

在这里插入图片描述

7.Canny边缘检测

  • 1 使用高斯滤波器，以平滑图像，滤除噪声。
    在这里插入图片描述

  • 2 计算图像中每个像素点的梯度强度和方向。
    在这里插入图片描述

  • 3 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。
    在这里插入图片描述

  • 4 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
    在这里插入图片描述

  • 5 通过抑制孤立的弱边缘最终完成边缘检测。

img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv_show(res,'res')
img=cv2.imread("car.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv_show(res,'res')

在这里插入图片描述

8.图像金字塔

  • 高斯金字塔：向下采样方法（缩小）、向上采样方法（放大）
    在这里插入图片描述
down=cv2.pyrDown(img)
up=cv2.pyrUp(img)
  • 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')

9.图像轮廓

cv2.findContours(img,mode,method)
(1) 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;

(2) 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。
# 为了更高的准确率，使用二值图像
"""
第一步：载入图片
第二步：使用cv2.cvtcolor() 将图片转换为灰度图
第三步: 使用cv2.threshold将图片做二值化转换
第四步：使用cv2.findContours 找出图片的轮廓值
第五步：使用cv2.drawContours在图片上画上轮廓
第六步: 使用cv2.imshow 完成画图操作
"""
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
 
# 第一步读入图片
img = cv2.imread('contours.png')
# 第二步：对图片做灰度变化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 第三步：对图片做二值变化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 第四步：获得图片的轮廓值
contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
 
# 第五步：在图片中画出图片的轮廓值
# 参数说明,draw_img 需要作图的原始图像， contours表示轮廓， 0表示轮廓索引， (0, 0, 255)表示颜色， 2表示线条粗细
draw_img = img.copy()
ret = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
# 第六步：画出带有轮廓的原始图片
cv_show(ret,'ret')

（3）轮廓特征

# 取出单个的轮廓值
cnt = contours[0]
 
# 第二步：计算轮廓的面积
area = cv2.contourArea(cnt)
 
# 第三步： 计算轮廓的周长
length= cv2.arcLength(cnt, True)
print(area, length)

（4）轮廓近似(RDP)：假设存在一个曲线A, B，在曲线上存在一个C点，离AB线段的距离最远，记为d1, 如果d1 < T(自己设定的阈值), 将AB线段作为AB曲线的替代，否者连接AC和BC， 计算AC线段上的D点离AB距离最远，记为d2，如果d2 < T，则使用AC线段替代AC曲线，否者继续连接划

# 轮廓近似
img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
 
contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
 
cnt = contours[0]
 
# 使用周长的倍数作为阈值，阈值越小，图像的轮廓近似与轮廓越近似
epsilon = 0.1 * cv2.arcLength(cnt, True)
 
approx = cv2.approxPolyDP(cnt, epsilon, True)
 
draw_img = img.copy()
ret = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(ret, 'ret')

（5）外接矩形和外接圆

外接矩形： 使用cv2.boudingrect(cnt)获得轮廓的外接矩形，使用cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2)画出矩阵的轮廓

外接圆： 使用cv2.minEnclosingCircle(cnt)获得轮廓的外接圆，使用cv2.circle(ret, centers, radius, (0, 0, 255), 2)画出圆的轮廓


"""
第一步:载入图片，灰度化，二值化，使用cv2.findCountors找出图像的轮廓,使用轮廓索引获得第一个轮廓cnt
第二步：使用cv2.boundingrect(cnt) ，获得轮廓的x，y，w, h (x, y)表示左上角的坐标，w为宽，h为长
第三步: 使用cv2.rectangle 绘制外接的轮廓
第四步: 使用cv2.minEnclosingCircle(cnt), 获得center和radius，即圆心点的坐标和圆的半径
第五步: 使用cv2.circle(img， center, radius, (0, 0, 255), 2) 绘制圆心的外接轮廓
"""
 
# 外接矩阵
 
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
res, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
 
binary, contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
 
cnt = contours[0]
 
x, y, w, h = cv2.boundingRect(cnt)
 
ret = cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2)
cv_show(ret, 'ret')
 
print('矩形面积 / 外接矩形面积', cv2.contourArea(cnt) / (w*h))

# 外接圆
(x, y), radius = cv2.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(radius)
ret = cv2.circle(ret, center, radius, (0, 255, 0), 2)
cv_show(ret, 'ret')

10.傅里叶变换

（1）傅里叶变换的作用-将图像转化为频谱

  • 高频：变化剧烈的灰度分量，例如边界

  • 低频：变化缓慢的灰度分量，例如一片大海

（2） 滤波

  • 低通滤波器：只保留低频，会使得图像模糊

  • 高通滤波器：只保留高频，会使得图像细节增强

  • opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式。

  • 得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。

  • cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）。

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

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

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

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()  

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()
come_closer
关注
专栏目录
基于python的Opencv项目实战(p2
garrulousabyss的博客
01-05 960
# coding: utf-8 # ## 图像基本操作 # #### 环境配置地址： # # - Anaconda:https://www.anaconda.com/download/ # # - Python_whl:https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv # # - eclipse:按照自己的喜好，选择一个能debug...
计算机视觉入门教程之加载图片
com_fang_bean的博客
02-09 220
1.安装Ubuntu 2.安装opencv和imutils 3.学习编写加载图片代码 # import the necessary packages import imutils import cv2 # load the input image and show its dimensions, keeping in mind that # images are represented as a multi-dimensional NumPy array with # shape no. rows
计算机视觉对输入图像做处理
qq_32425195的博客
12-14 390
1.如何得到成千上万张图像 各个通道的均值和方差  猜测： 法1：计算每张图像的均值和方法 然后每次计算一张图像的均值和方差后，都和前一个均值和方差求平均 或者是计算所有图像的均值和方差组成列表后，计算该列表的均值，类似于下面这样（转载于：https://blog.csdn.net/qq_30159015/article/details/82117878）     per_image_Rm...
计算机视觉（一）介绍
weixin_37699342的博客
12-18 1539
内容 使用卷积神经网络：图像分类，目标检测，图像分割，图像描述，图像生成 深度网络结构：全连接，卷积，循环，变分自编码，生成对抗GAN 共计15课，每课约1h30m 介绍 图像分类任务介绍 线性分类器 全连接神经网络 卷积&图像去噪&边缘提取 纹理表示 卷积神经网络 经典网络分析 图像分割 目标检测 可视化 生成模型VAE 生成模型GAN GAN论文分析 应用 视频和图像处理：归类，优化 摄像机：足球门线处理 监控：车牌，人脸识别 医学：..
OpenCV计算机视觉(三) —— 图像的几何变换
涵涵啦啦啦的博客
11-29 787
该文章主要讲述了运用OpenCV进行常用的图像变换，以及图像变换的常用操作，翻转、平移、旋转、透视、镜像变换。希望大家能有所学，有所获。
计算机视觉实战系列01——用Python做图像处理
01-27
【导读】在当今互联网飞速发展的社会中，数量庞大的图像和视频充斥着我们的生活，让我们需要对图片进行检索、分类等操作时，利用人工手段显然是不现实的，于是，计算机视觉相关技术便应运而生，并且得到了快速的发展...
计算机视觉实战系列03——用Python做图像处理
03-01
本文来自于专知，本文主要详细的对numpy库的操作进行介绍，...Python中有好多工具包应用于图像处理当中，本章作为入门章节，首先来介绍Python中最基本的几个工具包，也希望读者可以在之后自行练习。Numpy中的数组对象
计算机视觉入门学习笔记（一）——环境搭建 计算机视觉.pdf
04-21
计算机视觉入门学习笔记（一）——环境搭建 计算机视觉是一种交叉学科，涉及计算机科学、数学、图像处理、机器学习等领域。计算机视觉的应用非常广泛，如图像识别、目标检测、图像分割、人脸识别等。为了入门学习...
计算机视觉——OpenCV图像处理基础（2）
qq_39267907的博客
02-28 597
OpenCV图像处理 1 形态学操作 形态学操作包括：腐蚀（erosion）、膨胀（dilation）、开（opening）、闭（closing）、形态梯度（morphological gradient）、黑帽（blackhat）和白帽（torhat）。 ————代码示例省去了图像的导入、显示、保存等操作，详见上一篇博客。 腐蚀和膨胀： kernel = np.ones((5,5), n...
OpenCv-Python学习笔记(九)：形态学转换
weixin_44077524的博客
03-01 7932
形态学运算：腐蚀、膨胀、开运算、闭运算、礼帽、黑帽...
零基础入门机器视觉（四）
tgj2094942564的博客
07-15 385
几个函数的应用 话不多说，先上代码 import numpy as np import cv2 as cv def add_demo(m1, m2): dst = cv.add(m1, m2) #将图片进行相加 cv.imshow('add_demo', dst) def subtract_demo(m1, m2): dst = cv.subtract(m1...
计算机视觉CV理论基础_笔记02
王泽邦（bill）の博客
11-22 166
越叠加越黑 越叠加越白 每张图都有长宽高，然后三层叠起来 。 混色操作就是两张图的像素点进行相加平均 不要用大卷积核去卷积一张小的图片 把椒盐噪声 黑点和白点随机分布在这张图片上 标准差代表了是尖锐的高峰还是平缓的高峰不同方向上的一阶导数拼到一块就是梯度。 边缘明显的特征被找出，两张图叠加在了一起 大尺度上面找小特征，小尺度上找明显的特征原图先高斯模糊再下采样，变换后的图先上采样再高斯模糊，两者相减的图为拉普拉斯金字塔 变小的图变大时...
OpenCV每日函数 图像过滤模块 (13) Laplacian拉普拉斯函数
学以致用 知行合一
06-13 1087
该函数通过将使用 Sobel 算子计算的第二个 x 和 y 导数相加来计算源图像的拉普拉斯算子： 这在 ksize > 1 时完成。当 ksize == 1 时，通过使用以下 3×3 孔径过滤图像来计算拉普拉斯算子。
OpenCV 拉普拉斯边缘检测Laplacian()原理解析
weixin_44901043的博客
03-17 3657
文章目录前言一、opencv 函数支持1.函数原型：2.参数说明：测试代码 前言 在边缘区域，像素强度显示出“跳跃”或强度的高变化。得到强度的一阶导数，我们观察到边缘的特征是最大值，如图所示： 如果我们取二阶导数会发生什么？ 您可以观察到二阶导数为零！因此，我们也可以使用这个标准来尝试检测图像中的边缘。但是，请注意，零不仅会出现在边缘（它们实际上可以出现在其他无意义的位置）；这可以通过在需要的地方应用过滤来解决。 拉普拉斯算子 从上面的解释，我们推断二阶导数可以用来检测边缘。由于图像是“2D”，我们需
Opencv之图像边缘检测：3.Laplacian算子（cv2.Laplacian）
热门推荐
qq_49478668的博客
03-29 2万+
Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同 方向的图像边缘锐化（边缘检测）的要求。
（信号灯四）使用HSV颜色空间将类红色区域二值化
qq_35472183的博客
04-26 1071
构建代码 import numpy as np import collections #定义字典存放颜色分量上下限 #例如：{颜色: [min分量, max分量]} #{'red': [array([160, 43, 46]), array([179, 255, 255])]} """ 0是黑色 255是白色 mask = cv2.inRange(hsv, lower_red, upper_red) #lower20===>0,upper200==>0, 函数很简单，参数有三个 第一个参数
OpenCV图像阈值、平滑处理
小叮当的博客
08-05 937
文章目录HSV图像阈值简单阈值设置自适应阈值Otsu's二值化图像平滑处理均值滤波方框滤波高斯滤波中值滤波对比展示 HSV HSV(Hue、Saturation、Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。、这个模型中颜色的参数分别是： H - 色调（主波长）：使用角度为单位，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°，补色是：黄色为60°，青色为180
计算机视觉/图像处理
weixin_45823221的博客
10-15 1358
图像处理输入是图像，输出是图像，常见的任务包括：降噪，超分辨，去模糊，去马赛克，去雾去雨去栅栏去云等等的去X系列，再对焦，图像补全，压缩感知，计算成像（MRI, CT, Light field, ...），等等，外加一些图像增强的任务，比如锐化之类的。 而计算机视觉输入是图像，输出是知识。常见的任务：各种识别（人脸，猫，狗，交通灯，疾病，异常，造假....），图像转文字（image captioning，etc），图像转语音，转特征值，目标定位，追踪，等等 当前，在图像处理领域，哪个方向比较...
PyCharm入门：计算机视觉基础——图像轮廓与直方图绘制
本文档详细介绍了如何在PyCharm环境下进行计算机视觉中的基础图像处理，主要涵盖了三个核心主题：绘制图像轮廓及灰度直方图、高斯滤波...这对于想要入门计算机视觉或者提高图像处理能力的开发者来说是一份宝贵的资源。
评论 3
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