opencv

最新推荐文章于 2023-09-03 15:15:14 发布
最新推荐文章于 2023-09-03 15:15:14 发布
阅读量372 收藏 3
点赞数 1
文章标签： opencv
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/qq_30763385/article/details/103434995
版权

opencv

读取图片

image = cv2.imread('image.jpg')     #原BGR格式
plt.imshow(image)					#以RGB方式显示
plt.axis('off')   					#不显示坐标轴RGB

image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)		#设置以RGB格式显示  （查看并改变通道方式）
plt.imshow(image)
plt.axis('off')   					#不显示坐标轴

cv2.imwrite("new_image2.jpg",image) #保存图片 最终以RGB保存，所以不能用cvtColor（改变了通道方式）

取某一像素

(b, g, r) = image[0,0]			# image.shape (1440, 1080, 3) 取[0,0]的像素 对应有3个值

image[0,0] = (0, 0, 255)		#赋值

取左上角图片

(h,w) = image.shape[:2]			# h image.shape[0] ， w image.shape[1]    
cX, cY = (w//2,h//2)			
tl = image[0:cY,0:cX]			#取左上角图片（1/4）
plt.imshow(tl)
plt.axis('off')

image[0:cY,0:cX] = (0, 0, 255)  #左上角图片变蓝

显示图片

def show(image):
    plt.imshow(image)
    plt.axis('off')
    plt.show()

读取图片

def imread(image):
    image = cv2.imread(image)
    image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    return image

平移 np.float32

image = imread('image.jpg')
(h,w) = image.shape[:2]
M = np.float32([[1,0,500],[0,1,500]])	#向右 向下
shifted = cv2.warpAffine(image, M, (w,h))
show(shifted)

旋转 cv2.getRotationMatrix2D

image = imread('image.jpg')
(h,w) = image.shape[:2]
(cX,cY) = (w/2,h/2)
M = cv2.getRotationMatrix2D((cX,cY), 45, 1.0)	
# (cX,cY)-旋转中心点，45-逆时针旋转45度，1.0-缩放
#M = cv2.getRotationMatrix2D((cX+500,cY+500), 45, 1.0)		#向左 向下

image = cv2.warpAffine(image, M, (w,h))

调整大小

width = 150
high = 150 
#high = int(image.shape[0]*width/image.shape[1])	等比例转换

image = cv2.resize(image, (width, high))
#image = cv2.resize(image, (width, high), interpolation=cv2.INTER_NEAREST)	#算法
show(image)
print(image.shape)

人脸检测

image = imread('face.png')
# 级联分类器
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=2, minSize=(10, 10), flags=cv2.CASCADE_SCALE_IMAGE)

for (x,y,w,h) in rects:
    # 画矩形框
    cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)
    
show(image)

人脸检测函数

def facedetect(image):
    image = imread(image)
    # 级联分类器
    detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
    rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=2, minSize=(10, 10), flags=cv2.CASCADE_SCALE_IMAGE)

    for (x,y,w,h) in rects:
        # 画矩形框
        cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)

    show(image)

画图

image = np.zeros((300,300,3),dtype='uint8')		#黑色图片

green = (0,255,0)
cv2.line(image, (0,0), (300,300), green)		#绿线

blue = (0,0,255)
cv2.line(image, (300,0), (150,150), blue, 5)	#线宽 5

#三角
red = (255,0,0)
cv2.rectangle(image, (10,10), (60,60), red, 2)	#矩形
cv2.rectangle(image, (50,200), (220,280), green, -1)	#填充

#画⚪
image = np.zeros((300,300,3),dtype='uint8')
(cX, cY) = image.shape[1]//2, image.shape[0]//2
white = (255,255,255)
for r in range(0,151,15):
    cv2.circle(image, (cX,cY), r,(255,255,0), 2)
show(image)

#画随机⚪
image = np.zeros((300,300,3),dtype='uint8')
for i in range(10):
    # 半径取值
    radius = np.random.randint(5,200)
    # 颜色取值
    color = np.random.randint(0,255,size=(3,)).tolist()
    # 圆心取值
    pt = np.random.randint(0,300,size=(2,))
    # 画图
    cv2.circle(image, tuple(pt), radius, color, -1)
show(image)

翻转

image = cv2.flip(image,1)		#1代表水平	0代表垂直	-1水平+垂直

加法

# 图像加法
print(cv2.add(np.uint8([200]),np.uint8([100])))		#[[255]]	最大255
# 普通加法
print(np.uint8([200])+np.uint8([100]))				#255+1=0    [44]

减法

# 图像减法
print(cv2.subtract(np.uint8([50]),np.uint8([100])))		#[[0]]
# 普通减法
print(np.uint8([50])-np.uint8([100]))    				#50-1=255     [206]

变亮

image = imread('test.jpg')
# 生成跟图片形状相同的并且全为100的数据
M = np.ones(image.shape, dtype='uint8')*100
# 所有的像素加100
image = cv2.add(image, M)
#image = cv2.subtract(image, M)		#变暗
show(image)

按位

rectangle = np.zeros((300,300,3),dtype='uint8')
white = (255,255,255)
cv2.rectangle(rectangle, (25,25), (275,275), white, -1)		#三角

circle = np.zeros((300,300,3), dtype='uint8')
cv2.circle(circle, (150,150), 150, white, -1)		#⚪

# AND，与操作，有黑就变黑
image = cv2.bitwise_and(rectangle, circle)

# OR，或操作，有白就变白
image = cv2.bitwise_or(rectangle, circle)

# XOR，异或操作，黑白变白，黑黑和白白变黑		相同变黑
image = cv2.bitwise_xor(rectangle, circle)

# NOT, 非操作，颜色取反
image = cv2.bitwise_not(circle)

遮挡

mask = np.zeros(image.shape,dtype='uint8')
white = (255,255,255)
cv2.rectangle(mask, (50,50), (250,350), white, -1)		#相框

masked = cv2.bitwise_and(image, mask)

mask = np.zeros(image.shape,dtype='uint8')
white = (255,255,255)
cv2.circle(mask, (150,100), 80, white, -1)			#⚪

切分，合并

(R, G, B) = cv2.split(image)

merged = cv2.merge([R,G,B])

图像金字塔

同一图像的不同分辨率的子图集合

 cv2.pyrDown() 和 cv2.pyrUp() 构建图像金字塔 
 cv2.pyrDown(image)
 cv2.pyrUp(image)

拉普拉斯金字塔： 𝐿𝑖=𝐺𝑖−𝑝𝑦𝑟𝑈𝑝(𝐺𝑖+1)

down_image1 = cv2.pyrDown(image)
down_image2 = cv2.pyrDown(down_image1)
up_image = cv2.pyrUp(down_image2)
laplacian = down_image1-up_image

腐蚀 黑色的部分变得更加大

# 矩形
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))			#morph 变形
# 椭圆
kernel2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
# 十字形
kernel3 = cv2.getStructuringElement(cv2.MORPH_CROSS, (5,5))

for i in range(3):
    erosion = cv2.erode(image, kernel3, iterations=i+1)  #iterations腐蚀次数
    show(erosion)                                        #黑色的部分变得更加大

膨胀 白色的部分变得更加大

for i in range(3):
    dilation = cv2.dilate(image, kernel1, iterations=i+1)		#白色的部分变得更加大
    show(dilation)

开运算 去除白点

先腐蚀后膨胀

image2 = imread('image2.jpg')				
# 去除白点
opening = cv2.morphologyEx(image2, cv2.MORPH_OPEN, kernel1)

闭运算 去除黑点

先膨胀后腐蚀

# 去除黑点
closing = cv2.morphologyEx(image2, cv2.MORPH_CLOSE, kernel1)

先开后闭

opening = cv2.morphologyEx(image2, cv2.MORPH_OPEN, kernel1)
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel1)

梯度 物体的轮廓

得到物体的轮廓

gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel1)		#dilation - erosion

顶帽/白帽 去除掉的白色部分

被去除掉的白色部分

tophat = cv2.morphologyEx(image2, cv2.MORPH_TOPHAT, kernel1)#      	 	#src - opening

黑帽 去除掉的黑色部分

被去除掉的黑色部分

blackhat = cv2.morphologyEx(image2, cv2.MORPH_BLACKHAT, kernel1)		#closing - src

图像平滑

# 平均平滑
blur = cv2.blur(image, kernel)

blur = cv2.GaussianBlur(image, kernel, 0)	#高斯模糊		0 标准差	方框中心的值最大
blur = cv2.medianBlur(image, kernel)		#中值模糊	卷积框对应像素的中值来替代中心像素的值。

#双边滤波		能在保持边界清晰的情况下有效的去除噪音
blur = cv2.bilateralFilter(image, diameter,sigmaColor,sigmaSpace)

灰度

image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
cv2.imshow('original',image)
cv2.imshow('gray',gray)			#后面要加gray 

cv2.waitKey(0) 			
# waitKey的功能是等待一定的时间，如果等待时间内有按键操作就继续执行后面的语句，如果没有按键就在等待时间到后继续执行后面的语句。时间以ms为单位。waitKey参数为0的时候窗口不会自动关闭，无限等待按键
cv2.destroyAllWindows()

二值化

把图片传换成只有white和black这两种颜色

1

plt.imshow(gray,'gray')			#前面为数据	后面为方式

cv2.imshow('gray2',gray2)		#前面为标题	展示出来

2

ret1,thresh1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)		#阈值	最大值
ret2,thresh2 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret3,thresh3 = cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret4,thresh4 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret5,thresh5 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)

plt.imshow(thresh1,'gray')

自动选择阈值

image = imread('image/opencv_logo.png')
ret1,thresh1 = cv2.threshold(gray,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)
plt.imshow(thresh1,'gray')
plt.axis('off')
plt.show()

自适应阈值

image = imread('image/license_plate.png')
image = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
# 平均值阈值
th2 = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
# 高斯阈值
th3 = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3)
#11 邻域大小（用来计算阈值的区域大小）。	阈值就等于平均值或者加权平均值减去这个常数 3
plt.imshow(thresh2,'gray')
plt.axis('off')
plt.show()

梯度

def gradient(image):
    image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    # cv2.CV_64F输出图像的深度(数据类型)，64位float类型，因为梯度可能是正也可能是负
    laplacian = cv2.Laplacian(image, cv2.CV_64F)
    # 1, 0表示在x方向求一阶导数，最大可以求2阶导数
    sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
    # 0, 1表示在y方向求一阶导数，最大可以求2阶导数
    sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
    titles = ['Original', 'Laplacian', 'SobelX', 'SobelY']
    images = [image,laplacian,sobelx,sobely]
    plt.figure(figsize=(10,5))
    for i in range(4):
        plt.subplot(2,2,i+1)
        plt.imshow(images[i],'gray')
        plt.title(titles[i])
        plt.axis('off')
    plt.show()

Canny边缘检测

def edge_detection(image,minVal=100,maxVal=200):		#阈值（100~200）
    image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    edges = cv2.Canny(image,minVal,maxVal)
    plt.imshow(edges,'gray') 
    plt.axis('off')
    plt.show()

# 自动确定阈值的一种方法
def auto_canny(image, sigma=0.33):
    v = np.median(image)
    lower = int(max(0, (1.0-sigma) * v))
    upper = int(min(255, (1.0+sigma) * v))
    edged = cv2.Canny(image, lower, upper)
    print(lower,upper)
    return edged

摄像头读取

import numpy as np
import cv2

# 从摄像头获取图像数据
cap = cv2.VideoCapture(0)

while(True):
    # ret 读取成功True或失败False 
    # frame读取到的图像的内容
    # 读取一帧数据
    ret,frame = cap.read()
    # 变为灰度图
#     gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    cv2.imshow('frame',frame)
    # waitKey功能是不断刷新图像，单位ms，返回值是当前键盘按键值
    # ord返回对应的ASCII数值
    if cv2.waitKey(1)& 0xFF == ord('q'):      # 0xFF 把返回值限制在在0和255之间
        break
cap.release()
cv2.destroyAllWindows()

# 从文件读取视频内容
cap = cv2.VideoCapture('videos/cats.mp4')

# 视频每秒传输帧数
fps = cap.get(cv2.CAP_PROP_FPS)
# 视频图像的宽度
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
# 视频图像的长度
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

while(True):
    # ret 读取成功True或失败False
    # frame读取到的图像的内容
    # 读取一帧数据
    ret,frame = cap.read()
    if ret!=True:     		#播放完关闭
        break
    cv2.imshow('frame',frame)
    # waitKey功能是不断刷新图像，单位ms，返回值是当前键盘按键值
    # ord返回对应的ASCII数值
    if cv2.waitKey(25) & 0xff == ord('q'):			#25	调整合适速度
        break
cap.release()
cv2.destroyAllWindows()

视频写入

fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('videos/output2.avi',fourcc,fps,(frame_width,frame_height))

while(True):
    ret, frame = cap.read()
    if ret==True:
        # 水平翻转
        frame = cv2.flip(frame,1)
        out.write(frame)
#         cv2.imshow('frame',frame)
#         if cv2.waitKey(25) & 0xff == ord('q'):
#             break
    else:
        break
out.release()
cap.release()
cv2.destroyAllWindows()

人脸检测

Haar特征+Adaboost级联分类器

色矩形所有像素值的和减去白色矩形所有像素值的和

# 级联分类器		人脸检测的模型		6061个特征	38个阶段
detector = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=2, minSize=(10,10), flags=cv2.CASCADE_SCALE_IMAGE)

for (x,y,w,h) in rects:			#检测多少个脸，画多少个框
    # 画矩形框
    cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)
show(image)

函数

def facedetect(image):
    image = imread(image)
    # 级联分类器
    detector = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
    rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=2, minSize=(10,10), flags=cv2.CASCADE_SCALE_IMAGE)

    for (x,y,w,h) in rects:
        # 画矩形框
        cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)

    show(image)
文件操作

创建文件

output2='predict_faces/anglababy2'
os.makedirs(output2)

for files in os.listdir('faces/anglababy'):			#查看当前路径下的所有文件
    print(files)
采集人脸样本
# 人脸检测并保存人脸
def facedetect(image, output):
    # 获取文件名
    name = os.path.basename(image)
    # 读入图片
    image = cv2.imread(image)
    # 变成灰度图
    image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 级联分类器，检测人脸
    detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml")
    rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=3, minSize=(20, 20), flags=cv2.CASCADE_SCALE_IMAGE)
    # 循环每个人脸
    for (x,y,w,h) in rects:
        # 截取人脸，并且都转化为200*200的固定大小
        f = cv2.resize(image[y:y+h, x:x+w], (200,200))
        # 写入指定路径
        cv2.imwrite(os.path.join(output, name), f)

# 检测并截取人脸
def predict_face(path, output):
    # 如果该文件夹不存在则创建文件夹
    if not os.path.exists(output):
        os.makedirs(output)
    # 循环每个人物的文件夹下的图片
    for files in os.listdir(path):
        # 检测是不是文件夹
        if os.path.isdir(os.path.join(path, files)):      #path下面的各个文件路径
            # 定义截取到的人脸的输出路径
            output2 = os.path.join(output, files)         #output下面的各个文件路径
            # 如果该文件夹不存在则创建文件夹
            if not os.path.exists(output2):				  #创建
                os.makedirs(output2)
            # 人物文件夹的完整路径
            files = os.path.join(path, files)
            # 循环每个人的每张照片
            for file in os.listdir(files):
                # 照片完整路径
                file = os.path.join(files, file)
                # 检测人脸并保存
                facedetect(file, output2)
生成label文件
for root, dirs, files in os.walk('predict_faces'):
    print('r',root)			#包括自己的所有文件夹	str		
    print('d',dirs)			#文件夹			 list
    print('f',files)		#文件				  list

# 生成label文件
def get_label(path):
    fh = open("label.txt", 'w')
    # 表示人脸label
    label = 0
    for root, dirs, files in os.walk(path):
        # 循环每个文件夹
        for subdir in dirs:			#root中所有文件
            # 文件夹完整路径
            subdir_path = os.path.join(root,subdir)
            # 循环每个人物文件夹下面每张照片
            for file in os.listdir(subdir_path):
                # 照片完整路径
                filepath = os.path.join(subdir_path, file)
                # 判断文件类型是不是图片类型
                imgType = imghdr.what(filepath)
                if imgType == 'jpeg' or imgType == 'png':
                    # 保存图片路径
                    fh.write(filepath);
                    fh.write(";")
                    # 标签
                    fh.write(str(label))
                    fh.write("\n")
            # 每个人的标签不一样，从0开始计数
            label = label + 1            
    fh.close()
训练自己的数据模型
# 保存图片数据
images = []
# 保存标签
labels = []
# 打开文件
fh = open("label.txt")
# 循环每一行
for line in fh:
    # 以;切分字符串
    arr = line.split(";")
    # 第0部分为图片路径，读取文件
    img = cv2.imread(arr[0],0)
    # 保存图片数据
    images.append(img)
    # 保存对应的标签数据
    labels.append(int(arr[1]))
    
# 安装opencv扩展包
# pip install opencv-contrib-python
# 定义人脸识别模型
model = cv2.face.EigenFaceRecognizer_create()
# model = cv2.face.FisherFaceRecognizer_create()
# model = cv2.face.LBPHFaceRecognizer_create()
# 训练模型
model.train(np.array(images), np.array(labels))
# 保存模型
model.save("predict_face_XiaoMing_AB.xml")
人脸识别
# 定义人物名字
name= ['ab','xiaoming']
# 定义人脸识别模型
model = cv2.face.EigenFaceRecognizer_create()
# 载入训练好的模型
model.read('predict_face_XiaoMing_AB.xml')

# 读入测试图片来做测试
for file in os.listdir('test'):
    file = os.path.join('test', file)
    # 判断文件类型
    imgType = imghdr.what(file)
    if imgType == 'jpeg' or imgType == 'png':
        # 读入图片
        image = imread(file)
        # 变为灰度图
        gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
        # 级联分类器
        detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml")
        rects = detector.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=3, minSize=(20, 20), flags=cv2.CASCADE_SCALE_IMAGE)
        # 循环每个人脸
        for (x,y,w,h) in rects:
            # 画矩形框
            cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)
            # 人脸识别
            face = cv2.resize(gray[y:y+h,x:x+w], (200,200))
            # 预测人物
            params = model.predict(face)
            # 写上人物名字
            cv2.putText(image,name[params[0]],(x,y-20),cv2.FONT_HERSHEY_SIMPLEX,1,(255,0,0),2)
        show(image)
小的时候可菜了
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV 项目开发实战--对图像中的斑点进行检测（Python、C++代码实现）
DT程序员的博客
06-11 2101
本教程介绍了使用 OpenCV 进行简单的斑点检测。并分别附带Python、C++代码实现
利用python，opencv来去除图像的黑边（上下左右都有黑边的）
qq_38269799的博客
06-14 2万+
在处理批量有黑边的图片数据的时候采用的这个方法，有点笨方法，速度有点慢，遍历了目标物体的所有像素物体。但是实现效果还是可以的。有更加高效方法的可以提出你的见解   """author:youngkun;date:20180608;function:裁剪照片的黑边""" import cv2 import os import datetime def change_size(read_fil...
opencv人脸检测--detectMultiScale函数
热门推荐
walker lee
12-22 10万+
opencv人脸检测--detectMultiScale函数转载请注明出处：http://blog.csdn.net/itismelzp/article/details/50379359首先上两张图。现在要对上面两张图进行人脸检测。一、Haar特征分类器介绍Haar特征分类器就是一个XML文件，该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。Haar特征分类器存放目录：Ope...
opencv java 去干扰_如何清除OpenCV中使用Java的圖像中的小黑點？
weixin_33225892的博客
02-28 268
我已經應用全局閾值，自適應閾值，膨脹和腐蝕，但也不能得到預期的結果。如何清除OpenCV中使用Java的圖像中的小黑點？ Imgproc.threshold(source2, destination2, 147, 255,Imgproc.THRESH_BINARY);Highgui.imwrite("threshold.jpg", destination2);Imgproc.adaptiveThr...
OpenCV图像处理学习十一，图像开操作与闭操作
weixin_44651073的博客
08-14 2985
图像开操作与闭操作
使用opencv去掉二值化图像中黑色面积较小的连通域
05-23
使用opencv去掉二值化图像中黑色面积较小的连通域
opencv识别物体上的黑色污点
liumoude6的博客
10-19 8745
#include "stdafx.h"  #include   #include   #include   #include      void thredChange(cv::InputArray src,cv::OutputArray dst)  {       cv::threshold(src,dst,180,255,CV_THRESH_BINARY_INV);  } 
利用OpenCV的SimpleBlobDetector检测图像的奇异区域(斑点)
昊虹AI笔记
07-23 1万+
奇异区域通常是指与周围领域有着某些特征（颜色或灰度）差别的区域。常见的奇异区域如医学领域X光照片或CT某些特定组织、天空中降落的特体等。 奇异区域检测一般采用两种方法来实现。PS:下面对原理的描述只是个大概描述，估计大家都看得模模糊糊的，如果想真得搞清楚，请自行搜索相关论文。之所以要给个大概描述，是方便大家查询资料时有个参考。 ⑴基于微分检测器检测。拉普拉斯算子是检测图像奇异区域常用的方法。图...
opencv 色差分析 污点检测 边缘化
12-23
一个学校创新实践的作业，自己这边是可以运行的。
OpenCV 4.8.0
12-17
OpenCV 4.8.0 zip 安装包，官网下载太慢的可以从这里下载。
opencv-4.9.0
01-31
opencv-4.9.0内容： opencv-4.9.0-android-sdk.zip opencv-4.9.0-docs.zip opencv-4.9.0-ios-framework.zip opencv-4.9.0-windows.exe opencv-4.9.0.tar.gz opencv-4.9.0.zip
OpenCV4.5.5
03-31
OpenCV4.5.5编译好的动态库，可下载直接使用，省去自己编译的麻烦
OpenCvSharp
09-26
OpenCvSharp [1] 是一个OpenCV的.Net wrapper，应用最新的OpenCV库开发，使用习惯比EmguCV更接近原始的OpenCV，有详细的使用样例供参考。该库采用LGPL发行
OpenCV
11-23
OpenCV代码，调用程序。
OpenCV实用：C++实现低对比度图像脏污区域检测
DU_YULIN的博客
09-24 6039
文章目录前言1. 低对比度图像脏污区域检测2. 实现方法介绍3. C++源码实现4.结果总结参考 前言 今天看了一篇技术文档感觉挺有意思，是关于在低对比度图像中检测脏污区域（这里的脏污指的是比其他区域暗的部分，人眼都不一定能看出来）。 1. 低对比度图像脏污区域检测 先上图： 第一张图如果不是标注结果，我都没有发现脏污区域在哪里，第二张图还清晰一些，基本可以看出来图像靠近左边缘的位置有偏暗的区域，这就是我们所说的脏污区域了，也是我们要检测的区域。 标注结果图（引用https://jishuin.pr
opencv表面缺陷检测_浙江SIMV纺粘无纺布缺陷在线检测设备准确检出表面污点缺陷...
weixin_39996908的博客
12-08 473
原标题：浙江SIMV纺粘无纺布缺陷在线检测设备准确检出表面污点缺陷目前国内无纺布的生产环境及生产工艺，很容易导致材料在生产过程中表面出现蚊虫、黑点、金属铁削、污点、浆块、杂质等瑕疵，传统的人工肉眼检测无法达到卫材质量标准。基于机器视觉检测的无纺布污点检测仪的出现很好的解决了以上问题，它能够对高速运行的无纺布生产线进行7*24小时的高速、高精度的表面瑕疵在线检测。检测原理：系统整体采用工业CCD相机...
基于python-opencv实现木质工件的污渍和划痕识别和分类
Radish
04-25 8056
缺陷识别 简介： 这个项目是我的本科毕业设计，主要针对传送带上的木质圆形工件的缺陷识别和分类，并且进行工件的计数和缺陷工件的计数。这里我主要是识别污渍和划痕 缺陷类型 污渍： 划痕： 最后的成果 sum:为工件的总个数 scratch_num:为含有划痕工件的总个数 blot_num:为含有污渍工件的总个数 黄颜色圈住的缺陷为划痕 蓝颜色圈住的缺陷为污渍 简单思路 通过边缘检测，得到...
基于python-OpenCV实现低对比度图像脏污区域检测
BraveNewWorld10的博客
06-10 2996
基于python-OpenCV实现低对比度图像脏污区域检测
实战 | OpenCV实现纺织物缺陷检测->脏污、油渍、线条破损(详细步骤 + 代码)
小白学视觉
09-03 1106
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达导读本文将介绍使用OpenCV实现纺织物缺陷检测(脏污、油渍、线条破损缺陷)的详细步骤 + 代码。（来源公众号：OpenCV与AI深度学习）背景介绍 机器视觉应用场景中缺陷检测的应用是非常广泛的，通常涉及各个行业、各种缺陷类型。今天我们要介绍的是纺织物的缺陷检测，缺陷类型包含脏污、油渍、线条破损三种，这三种缺陷与LCD屏...
pycharm opencv
最新发布
04-16
1. 安装OpenCV库：可以使用pip命令在PyCharm的终端中安装OpenCV库，例如：`pip install opencv-python` 2. 导入OpenCV库：在Python代码中使用`import cv2`语句导入OpenCV库 3. 使用OpenCV进行图像处理：通过调用...

“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