图像获取及处理
文章平均质量分 84
基于ESP32芯片的摄像头模块,搭载了OV2640传感器,获取图像数据。并通过UDP发送数据到电脑服务器端,通过电脑的OpenCV是计算机视觉中经典的专用库进行图像的处理。
优惠券已抵扣
余额抵扣
还需支付
¥89.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
qq_755682240
一个什么都想学一学的小鱼儿
展开
-
OpenCV-Python函数库
其次,库中的一些函数可能需要调用底层库(例如 BLAS 和 LAPACK),这些库可能需要单独安装才能正常使用。是 OpenCV 的一个 Python 接口库,允许 Python 开发者使用 OpenCV 中广泛使用的图像处理工具。例如,在图像分类、目标识别和人脸识别等任务中,用 OpenCV 提取图像的特征后,再将其输入到其他机器学习算法中进行分类或识别。是一个非常实用的图像处理工具库,如果需要进行图像或计算机视觉相关的开发工作,这个库可以为您提供丰富的功能和便捷的接口。以字母“m”开头的函数。原创 2023-05-25 11:49:43 · 1190 阅读 · 0 评论 -
OpenCV-Python识别人脸
在下图的路径中,我们可以看到需要xml文件,这些都是OpenCV中自带的分类器,根据文件名我们可以看到有识别眼睛的,身体的,脸的,等等。原创 2024-05-28 14:45:35 · 165 阅读 · 0 评论 -
(1)图像识别yolov5—安装教程
首先,你需要在你的计算机上下载的文件包,。下载后对压缩文件进行解压。通常使用识别物体,需要安装必要的,如PyTorch、torchvision、OpenCV等。打开YOLOv5文件夹,在里面打开 “” 文件,里面就是必要的依赖项。然后打开命令行,进入当前文件目录(我这里保存到盘的中)。然后通过下面的指令,系统自动安装这些依赖库。原创 2024-06-12 14:05:28 · 200 阅读 · 0 评论 -
(2)图像识别yolov5—识别图片视频等文件
这里需要自己准备一个 .MP4 的视频文件,然后保存到 yolov5 文件夹中,通过命令行对source 进行配置,然后对视频文件进行识别。打开命令行,进入到当前yolov5目录,通过运行下面的指令,然后对 “ bus.jpg ” 进行物体的识别。在yolov5文件夹中,有两个示例图片,这里我们对示例图片进行识别。坐标的打印格式通常包括左上角和右下角的(x, y)坐标,如。如果你想要直接获取坐标信息,你可以修改。脚本中的相关部分,以便在检测到物体时打印或返回坐标。),并在其中添加代码来打印或返回坐标。原创 2024-06-12 15:03:04 · 845 阅读 · 0 评论 -
(3)图像识别yolov5—训练自定义模型
YOLOv5 是一个用于目标检测的深度学习模型,它非常流行且易于使用。原创 2024-06-13 13:53:31 · 186 阅读 · 0 评论 -
教程1_图像视频入门
它使用OpenCV库来从计算机摄像头捕获视频帧,将每帧图像转换为灰度图像,并在窗口中显示。让我们从摄像头捕捉一段视频(我使用的是我笔记本电脑内置的网络摄像头) ,将其转换成灰度视频并显示出来。如果太小,则视频将非常快,而如果太大,则视频将变得很慢(嗯,这就是显示慢动作的方式)。如果成功读取图像,该函数将返回一个多维 numpy 数组,代表图像的像素值。是 OpenCV 库中的一个函数,用于在窗口中显示图像。这是一个良好的编程实践,可以确保资源得到正确释放,并避免程序结束时留下悬挂的窗口。原创 2024-03-25 15:20:16 · 506 阅读 · 2 评论 -
教程2_图像的合并及融合
您可以通过OpenCV函数cv.add()或仅通过 numpy 操作添加两个图像。两个图像应具有相同的深度和类型,或者第二个图像可以只是一个标量值。OpenCV加法和Numpy加法之间有区别。OpenCV加法是饱和运算,而Numpy加法是模运算。这也是图像加法,但是对图像赋予不同的权重,以使其具有融合或透明的感觉。根据以下等式添加图像:通过从 αα 从 0→10→1 更改,您可以在一个图像到另一个图像之间执行很酷的过渡。在这里有两个图像,将它们融合在一起。原创 2024-03-26 11:36:00 · 80 阅读 · 0 评论 -
教程3_图像的处理
有趣的是,在上述过滤器中,中心元素是新计算的值,该值可以是图像中的像素值或新值。它需要两个输入,一个是我们的原始图像,第二个是决定**操作性质的结构元素**或**内核**。原始图像中的一个像素(无论是1还是0)只有当内核下的所有像素都是1时才被认为是1,否则它就会被侵蚀(变成0)。空间的高斯函数确保仅考虑附近像素的模糊,而强度差的高斯函数确保仅考虑强度与中心像素相似的那些像素的模糊。操作如下,保持这个内核在一个像素上,将所有低于这个内核的25个像素相加,取其平均值,然后用新的平均值替换中心像素。原创 2024-04-15 16:49:11 · 44 阅读 · 0 评论 -
教程4_图像的轮廓
为了理解这一点,假设您试图在图像中找到一个正方形,但是由于图像中的某些问题,您没有得到一个完美的正方形,而是一个“坏形状”(如下图所示)。它返回一个Box2D结构,其中包含以下细节 -(中心(x,y),(宽度,高度),旋转角度)。例如,检查下面的手的图像。特征矩可以帮助您计算一些特征,例如物体的质心,物体的面积等。可以按照以下步骤进行,第一个示例为简单的检测单个轮廓,第二个示例能检测图片中的多个轮廓。在本文中,我们将学习 - 如何找到轮廓的不同特征,例如面积,周长,质心,边界框等。红色矩形是旋转后的矩形。原创 2024-03-26 13:39:55 · 206 阅读 · 0 评论 -
教程5_模版匹配
模板匹配是一种用于在较大图像中搜索和查找模板图像位置的方法。为此,OpenCV带有一个函数**cv.matchTemplate**()。它只是将模板图像滑动到输入图像上(就像在2D卷积中一样),然后在模板图像下比较模板和输入图像的拼图。OpenCV中实现了几种比较方法。(您可以检查文档以了解更多详细信息)。它返回一个灰度图像,其中每个像素表示该像素的邻域与模板匹配的程度。如果输入图像的大小为(WxH),而模板图像的大小为(wxh),则输出图像的大小将为。原创 2024-03-26 15:30:17 · 45 阅读 · 0 评论 -
教程6_特征匹配(Brute-Force匹配器)
在Python的OpenCV库(cv2模块)中,"Brute-Force匹配"(也被称为暴力匹配)是一种用于特征点匹配的方法。原创 2024-05-29 09:49:34 · 156 阅读 · 0 评论 -
(1) OpenCV图像处理kNN近邻算法
这个想法是在特征空间中搜索测试数据的最近邻。我们将用下面的图片来研究它。在图像中,有两个族,蓝色正方形)和红色(三角形)。我们称每一种为 “现在有一个新成员进入,显示为绿色(圆形)。他应该被添加到蓝色还是红色中,我们称该过程为 “我们需要做的就是通过kNN近邻算法进行分类操作,因此让我们应用此算法。这种方法是检查谁是他的(离的最近)。从图像中可以明显看出它是红色(三角形)。因此,他也被添加到了红色(三角形)中。此方法简称为 “”,因为分类仅取决于 “但这是有问题的。原创 2023-09-26 12:05:46 · 313 阅读 · 0 评论 -
(2) OpenCV图像处理kNN近邻算法-识别照片集中手写数字0~9
我们的目标是构建一个可以识别手写数字的应用程序。为此,我们需要创建一个手写数字的图片文件 “ digits.png”,图像的像素为:(), 其中包含 32个手写数字(每个数字16个),每个数字都是20x20的图像,如下图。因此,我们的第 1 步是将图像分割成 32 个不同的数字。对于每个数字,我们将其展平为400像素的一行。那就是我们的训练集,即所有像素的强度值。这是我们可以创建的最简单的功能集。我们将每个数字的前8个样本用作训练数据,然后将后8个样本用作测试数据。原创 2023-09-26 17:06:14 · 603 阅读 · 0 评论 -
(3) OpenCV图像处理kNN近邻算法-识别摄像头数字
使用Python的OpenCV库进行图像处理和数字识别的例子。通过下面的步骤对摄像头的黑色数字进行识别(由于我电脑没有摄像头,实际使用需要替换获取图像部分的代码)。这里的代码只能用于识别照片里面最大的单个数字的简单识别算法,需要更多样化的识别就需要自己在这基础上扩展咯!!!(注意:识别的是黑色数字)具体步骤如下:首先,它读取一个名为“digits.png”的图像文件,这个文件应该包含了一些手写数字。然后,它将这个图像从彩色模式转化为灰度模式,这样做可以减少数据的维度,使得处理更加简单。原创 2023-10-18 10:26:01 · 278 阅读 · 0 评论 -
(4) OpenCV图像处理SVM算法
考虑下面的图像,它具有两种数据类型,红色和蓝色。我们找到一条线f(x)=ax1+bx2+cf(x)=ax1+bx2+c,它将两条数据都分为两个区域。当我们得到一个新的test_data XX时,只需将其替换为f(x)f(x)即可。如果f(X)>0f(X)>0,则属于蓝色组,否则属于红色组。我们可以将此行称为“决策边界它非常简单且内存高效。可以将这些数据用直线(或高维超平面)一分为二的数据称为**线性可分离**数据。因此,在上图中,你可以看到很多这样的行都是可能的。我们会选哪一个?原创 2023-10-30 16:59:07 · 227 阅读 · 0 评论