qq_36926037的博客

文章目录1 轮廓检测2 轮廓绘制3 代码实验  边缘检测之后得到二值图像，二值图像里面，边缘被标记为白色，非边缘部分被标记为黑色。要确定那个边缘是哪个物体的（哪些边缘是连通的）就需要用到轮廓提取。1 轮廓检测  原理： 利用边缘是否连通，判断是否是同一物体的边缘，然后进行分组。  API： contours,hierarchy=cv2.findContours（image, mode, method, offset=None）  参数：    image：8进制单通道图像，通常为二进制图像 

文章目录1 视频读取与播放2 视频保存3 视频追踪3.1 meanshift3.1.1 原理  学习目标：  掌握读取视频文件，显示视频，保存视频文件的方法1 视频读取与播放  在OpenCV中我们要获取一个视频，需要创建一个VideoCapture对象，指定你呀读取的视频文件：  （1）创建读取视频的对象  cap=cv2.VideoCapture（filepath）  参数：  filepath：视频文件路径  （2）视频的属性信息  2.1 获取视频的某些属性信息  retva

文章目录1 图像的特征（角点特征）2 角点检测2.1 Harris角点检测2.1.1 原理  学习目标：  理解图像的特征  知道图像的角点1 图像的特征（角点特征）  AB的特征是平面：在图像中很难找到具体位置  CD的特征是边缘：在图像中同样很难找具体的位置  EF的特征是角点：很容易被找到  角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用，角点在三维场景重建、运动估计，目标跟踪，目标识别，图像配准与匹配等计算机视觉领域起着非常重要的作用。2 角点检测  学习目标：

文章目录1 模板匹配1.1 原理1.2 实现2 霍夫变换2.1 原理  学习目标：  掌握模板匹配的原理，能完成魔板匹配的应用  理解霍夫线变换的原理，了解霍夫圆检测  知道OpenCV如何进行线和圆的检测1 模板匹配1.1 原理  定义： 在给定的图片中，查找和模板最相似的区域，该算法的输入包括模板和图片，整个任务的思路就是按照滑动窗口的思路不断移动模板图片，计算与图像中对应区域的匹配度，最终将匹配度最高的区域选择为最终的结果。  实现流程：  （1）准备两张图像：一张原始图像，一张模板

文章目录1 边缘检测原理2 Sobel算子和Scharr算子2.1 Sobel算子2.2 Scharr算子3 Laplacian算子4 canny算子  学习目标：  了解Sobel算子，Scharr算子和拉普拉斯算子  掌握canny边缘检测的原理及应用1 边缘检测原理  定义： 标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反应了属性的重要事件和变化，边缘的表现形式如下图所示：  作用： 图像边缘检测大幅度减少数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。

文章目录1灰度直方图  学习目标：  掌握图像的直方图计算和显了解掩膜的应用  熟悉直方图均衡化，了解自适应均衡化1灰度直方图                                                                  ...

文章目录1 图像噪声1.1 椒盐噪声1.2 高斯噪声2 图像平滑2.1 均值滤波2.2 高斯滤波2.3 中值滤波  学习目标：  了解图像中的噪声类型  了解均值滤波、高斯滤波、中值滤波等内容  能够使用滤波器进行图像处理1 图像噪声  由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理，常见的噪声有高斯噪声、椒盐噪声等。1.1 椒盐噪声  椒盐噪声：也称为脉冲噪声，是图像处理中常见的一种噪声，它是一种随机出现的白点或黑点。1.2 高斯噪声  高斯

形态学操作1 连通性1.1 邻接关系1.2 连通性2 形态学操作2.1 腐蚀和膨胀2.2 开、闭运算2.3 礼帽和黑帽  目标：  理解图像的邻域，连通性  了解不同的形态学操作：腐蚀、膨胀、开闭运算，礼帽和黑帽等，以及不同操作之间的关系。1 连通性1.1 邻接关系  在图像中，最小的单位是像素，每个像素周围有8个临接相思树，常见的邻接关系有3种：4邻域、8邻域、D邻域。1.2 连通性  定义： 是描述区域和边界的重要概念，两个像素连通的两个必要条件是：1）两个像素位置是否相邻；2）两个

几何变换1 图像缩放2 图像平移  学习目标：  掌握图像的缩放、平移、旋转  了解数字图像的仿射变换和投射变换1 图像缩放  定义： 就是对图像的大小进行调整，即使图像放大或缩小  API： cv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)  参数：    src：输入图像    dsize：绝对尺寸，直接指定调整后图像的大小    fx,fy:相对尺寸，将dsize设置为None,然后将fx,fy设置为比例因

1 图像的加法  可以使用OpenCV的 cv.add(img1，img2) 函数把两幅图像相加，或者可以通过numpy操作添加两个图像，如res=img1+img2.  注意： OpenCV加法和numpy加法之间存在差异。OpenCV的加法操作是饱和操作，而numpy添加的是模运算。import cv2import matplotlib.pyplot as pltimport numpy as npx=np.uint8([250])y=np.uint8([10])print(cv2.ad

文章目录1 图像的IO操作1.1 读取图像1.2 显示图像1.3 保存图像2 绘制几何图形2.1 绘制直线2.2 绘制圆形2.3 绘制矩形2.4 向图像中添加文字3 获取并修改图像中的像素点4 获取图像属性5 图像通道的拆分与合并6 色彩空间的改变  目标掌握图像的读取和保存方法  访问图像的像素  在图像上绘制集合图像  获取图像属性，并实现通道的合并、分离  颜色空间变换1 图像的IO操作1.1 读取图像  API： cv.imread（）  参数：    （1）图片路径    （

文章目录1 主要内容2 图像处理简介2.1 图像是什么2.2 模拟图像和数字图像2.3 数字图像的表示2.3.1 位数2.3.2 图像分类3 OpenCV简介4 OpenCV的模块1 主要内容  OpenCV是应用钢钒的开源图像处理库，本课程介绍相关图像处理方法： 几何变换，形态学变换，图像平滑，直方图操作，魔板匹配，霍夫变换；特征提取和描述方法： 理解角点特征，Harris和Shi-Tomas算法，SIFT/SURF算法，Fast算法，ORB算法；OpenCV在视频操作中的应用。2 图像处理简介2

Hough变换一、Hough线变换二、Hough圆变换一、Hough线变换二、Hough圆变换

积分图&边缘检测一、积分图一、积分图

离散傅里叶变换一、离散傅里叶变换cv2.dft()二、离散傅里叶逆变换cv2.idft()  opencv常见的图像变换： 本质上是从输入图像到输出图像的映射，既输出仍然是一副图像。  本章将图像转换为完全不同的表现方： 新的表现方式仍然是一些数组，只是这些数组中的值在含义上将与原图像中的强度值大不相同，比如离散傅里叶变换，它的输出图像仍然是数组，只不过是输入图像的频域表示。  对于任意以离散参数为索引的数值集合，都可以通过与连续傅里叶变换相似的方法来定义离散傅里叶变换（DFT）。一般项数为N的变换预

https://zhuanlan.zhihu.com/p/19763358一、基础概念1.1 频谱（频域图像）  频域图像又称频谱。时域到频域的变换，从侧面可以看到频谱，这个频谱并没有包含时域中全部的信息，只代表每一个对应的正弦波的振幅。1.2 相位谱  时域到频域的变换，我们得到了一个从侧面看的频谱，但是这个频谱并没有包含时域中全部的信息。因为频谱只代表每一个对应的正弦波的振幅是多少，而没有提到相位。基础的正弦波A.sin(wt+θ)中，振幅，频率，相位缺一不可，不同相位决定了波的位置，所

文章目录一、通用变换1.1 极坐标映射1.2 LogPlolar1.3 任意映射二、图像修复2.1图像修复2.2 去噪三、直方图均衡化一、通用变换1.1 极坐标映射1.2 LogPlolar1.3 任意映射二、图像修复2.1图像修复2.2 去噪三、直方图均衡化...

拉伸、收缩、扭曲和旋转一、 均匀调整cv2.resize二、 图像金字塔2.1 高斯金字塔2.1.1 下采样cv2.pyrDown（）2.1.2 高斯金字塔2.2 拉普拉斯金字塔2.2.1 上采样cv2.pyrUp（）2.2.2 拉普拉斯金字塔三、不均匀映射3.1 仿射变换3.1.1 概念  我们遇到的简单的图像变换是调整图像的大小，使其变大或变小。这些操作比你想象的稍微复杂，因为调整也带来了像素如何差值（放大）或合并（减少）的问题。一、 均匀调整cv2.resize  我们经常会遇到一些尺寸的图像，

文章目录一、导数和梯度1.1 索贝尔算子cv2.Sobel()1.2 Scharr算子cv2.Scharr()1.2 拉普拉斯算子cv2.Laplacian()二、图像形态学2.1 腐蚀和膨胀2.1.1 腐蚀cv.erode()2.1.2 膨胀cv2.dilate()2.2 通用形态学函数cv2.morphologyEx（）2.2.1 开操作cv2.MORPH_OPEN2.2.2 闭开操作cv2.MORPH_CLOSE2.2.3 形态学梯度cv2.MORPH_GRADIENT2.2.3 顶帽（cv2.MOR

文章目录一、边界填充1.1 为什么要边界填充1.2 边界填充cv2.copyMakeBorder（）1.3 边界填充cv2.borderInterpolate（）二、阈值化2.1 固定阈值cv2.threshold()2.2 自适应阈值cv2.adaptiveThreshold()二、平滑2.1 简单模糊cv.blur()一、边界填充1.1 为什么要边界填充  使用opencv进行图像处理，常常会面临对边界的处理问题，例opencv中常用的滤波操作cv.blur、cv.erode、cv.dilate等

这里写目录标题一、读取图片和网络摄像头1.1 图片读取1.2 视频读取1.1.1 读取视频文件1.1.2 读取网络摄像头二、OpenCV基础功能三、调整、裁剪图像3.1 调整图像大小3.2 裁剪图像四、在图像上绘制形状和文本4.1 图像上绘制形状4.2 图像上绘制文本五、透视变换六、图像拼接七、颜色检测八、轮廓、形状检测九、人脸检测十、实战10.1 虚拟绘画10.2 纸张扫描10.3 车牌检测器一、读取图片和网络摄像头1.1 图片读取import cv2 #读取图像，参数为图像路径img=cv2

一、概念  分水岭算法：基于距离变换                 二、实战import cv2 as cvimport numpy as np"""分水岭算法原理： 任何一副灰度图像都可以被看成拓扑平面，灰度值高的区域可以被看成是 山峰，灰度值低的区域可以被看成是山谷。我们向每一个山谷中灌不同颜色的水。随着水的位的升高，不同山谷的水就会相遇汇合，为了防止不同山谷的水 汇合，我们需要在水汇合的地方构建起堤坝。不停的灌水，不停的构建堤坝知 道所有的山峰都被水淹没。我们构建好的堤坝

文章目录一、其他形态学操作1.1 顶帽1.2 黑帽1.3形态学梯度二、实战2.1 顶帽2.2 黑帽2.3 梯度2.3.1 基本梯度 （腐蚀-膨胀）2.3.2 内梯度、外梯度一、其他形态学操作1.1 顶帽  顶帽：原图与开操作之间的差值图像          1.2 黑帽  顶帽：原图与开操作之间的差值图像          1.3形态学梯度  基本梯度： 基本梯度是用膨胀后的图像减去腐蚀后的图像得到差值图像，称为梯度图像也是opencv中支持的计算形态学梯度方法，而此方法得到的梯度又被称为

一、概念1.1 开操作  开操作：是形态学的重要操作之一，是膨胀与腐蚀操作的组合。主要是应用于二值图像分析中，灰度图像亦可。  开操作=腐蚀+膨胀。  作用：  用来消除图片中的小干扰区域。1.2 闭操作  闭操作：是形态学的重要操作之一，是膨胀与腐蚀操作的组合。主要是应用于二值图像分析中，灰度图像亦可。  闭操作=膨胀+腐蚀。  作用：  填充闭合区域二、实战import cv2 as cvimport numpy as npfrom matplotlib import pyp

这里写目录标题一、简介1.1 膨胀1.2 腐蚀二、实践2.1 灰度图2.2 彩色图一、简介  腐蚀与膨胀是形态学两个基本操作  图像形态学：  是图像处理学科的一个独立分支。主要用来处理灰度和二值图像。，也可用来处理彩色图像  形态学操作的基础：               1.1 膨胀  前提： 结构元素/模板，通常3×3大小。（膨胀和腐蚀，都支持任意形状的结构元素/模板）            膨胀：用结构元素/模板在图像中滑动，结构元素/模板覆盖的图像块中最大像素值替换图像块的中间

  弧长和面积： 轮廓发现后，计算每个轮廓的弧长和面积。  多边形拟合： 获取轮廓的多边形拟合结果。approxPolyDP（contour，epslion：越小折线越接近真实形状，close：是否为闭合区域）  几何矩计算：                import cv2 as cvimport numpy as npclass ShapeAnalysis: def __init__(self): self.shapes = {'triangle': 0, 're

文章目录一、简介一、简介  轮廓发现：是基于图像边缘提取的基础上寻找对象轮廓的方法。

文章目录一、直线检测二、实战2.1 手动cv.HoughLines2.2 调用API（推荐）cv.HoughLinesP一、直线检测  霍夫直线变换：用来做直线检测；前提条件-边缘检测已经完成；平面空间到极坐标空间转换。                          不知道图像（边缘检测后的图像）中有没有直线，那么就将边缘检测后的图像由平面坐标转到极坐标表示，找到极坐标下亮的点，然后将这些点再反向映射到平米空间就可得到直线。完成霍夫直线检测二、实战2.1 手动cv.HoughLinesi

一、canny算法介绍  canny是边缘检测算法，在1986年提出。是一个很好的边缘检测器，也是常用的图像处理方法。  canny算法步骤：  1.高斯模糊：通过高斯模糊去掉噪声，因为canny是最噪声敏感的算法：GaussianBlur  2.灰度转换：cvtColor  3.计算梯度：Soble/Scharr  4.非最大信号压制：梯度——角度——根据角度将值量化  5.双阈值处理（高低阈值连接）：输出二值图像  T1/T2为阈值，凡是高于T2的都保留，凡是小于T1的都抛弃，对于T1

文章目录一、图像梯度概念1.1 一阶导数与soble算子1.2 二阶导数与拉普拉斯算子二、实践2.1 一阶导数2.1.1 soble算子cv.Sobel2.1.2 scharr算子cv.Scharr2.2 二阶导数2.2.1 API计算2.2.2 自定义一、图像梯度概念  图像像素之间相减，得到的差值组成的图像就是图像的梯度图像。注意算子内元素和为11.1 一阶导数与soble算子  通过一阶导数可以提取图像边缘，图像边缘地方，像素差异大，一阶导数也大。      （左）原图，中（原图的像素变化

一、高斯金字塔&拉普拉斯金字塔概念1.1 高斯金字塔  高斯金字塔两个操作reduce&expand：  （1）reduce=高斯模糊+降采样（例直接取偶数行）  （2）expand=扩大（上采样）+卷积1.2 拉普拉斯金字塔  例：左为高斯金字塔，右为拉普拉斯金字塔。L1为拉普拉斯金字塔的某层，L1=g1-expand(g2)。  通过高斯金字塔可以得到拉普拉斯金字塔。Ln=gn-expand(gn-1)            ...

文章目录一、模板匹配1.1 概念1.2 实战cv.matchTemplate二、图像二值化2.1 概念2.2 实战2.2.1 全局阈值cv.threshold2.2.2 局部（自适应）阈值cv.adaptiveThreshold2.2.3 自定义阈值cv.threshold三、超大图像二值化一、模板匹配1.1 概念  **模板匹配：**就是在整个图像区域发现与给与子图像匹配的小块区域。所以模板匹配首先需要一个模板图像T（给与的子图像），另外还需要一个待检测图像-原图像s。  工作方法： 在待检测图

一、图像像素值直方图1.1 图像import cv2 as cvimport numpy as npfrom matplotlib import pyplot as pltdef plot_demo(image): '''统计每个像素值在图片中出现的次数''' plt.hist(image.ravel(),256,[0,256])#参数：bin是256，范围【0,256】 plt.show() src=cv.imread(r'D:\Project\Opencv\L

文章目录一、边缘保留滤波介绍二、边缘保留滤波方法2.1 高斯双边（滤波）cv.bilateralFilter2.2 均值迁移（滤波）cv.pyrMeanShiftFiltering一、边缘保留滤波介绍  高斯模糊： 基于权重，权重只考虑像素空间的分布，中间的权重大，边缘的权重小。没有考虑像素值之间的差异问题，如果像素值之间的差异很大，应该不参与计算。  边缘保留滤波： 像素之间的差异很大，说明是显著特征，如果直接平滑（滤波），显著特征会消失。像素之间差异大的地方通常是边缘，所以边缘保留滤波处理后的图片

文章目录1.引言2.高斯模糊2.1 高斯分布2.2 高斯模糊cv.GaussianBlur1.引言  上一节讲述了均值模糊、中值模糊、自定义模糊。  均值模糊有两种方式：基于平均值（均值模糊）、基于权重（高斯模糊）  高斯模糊去噪效果比均值模糊更好。2.高斯模糊2.1 高斯分布                上图将高斯滤波，拆分为两个一维的滤波，加快计算。2.2 高斯模糊cv.GaussianBlurimport cv2 as cvimport numpy as npdef cla

文章目录1.模糊操作概念2.均值、中值、自定义模糊2.1 均值模糊cv.blur2.2 中值模糊cv.medianBlur2.3 自定义模糊cv.filter2D1.模糊操作概念  模糊操作分类：  1.均值模糊  2.中值模糊  3.自定义模糊  模糊操作基本原理：  1.模糊原理：离散卷积  2.定义好每个卷积核，不同卷积核达到不同的卷积效果  3.迷糊是卷积的一种表象  卷积原理：          2.均值、中值、自定义模糊2.1 均值模糊cv.blur  对随机噪声有很

ROI

文章目录1.算数运算2.逻辑运算3.调整亮度和对比度  像素运算要求两个图像的大小一致，类型也要一致。1.算数运算  加、减、乘、除  应用：调节亮度和对比度import cv2 as cv'''黑色：0 白色：255(1)加法运算： 注意如果相加的像素值大于255则截断为255 dst=cv.add(img1,img2) (2)减法运算： dst=cv.subtract(m1,m2) (3)乘法运算 dst=cv.multiply(m1

1.什么是色彩空间  纯白色：（255,255,255）；纯黑色：（0，0，0）2.常见色彩空间  (1) RGB: 最常用  (2) HSV：  H：0-180   S:0-255   V:0-255  (3)HIS（强度、饱和度）、  (4)YCrCb（皮肤检测方面用的较多）、  (5)YUV：安卓开发常用  (6)HCV色彩空间3.OpenCV色彩空间转换APIimport cv2 as cv'''色彩空间的转换'''def color_space_demo(

  跟着贾志刚老师学习OpenCV  通过OpenCV的imread函数读取的图片，格式变为ndarry数组类型，因此可以通过遍历数组的方式，遍历、修改 图片的每个像素点的值。import cv2 as cvimport numpy as npdef access_pixels(image): '''图片属性读取''' print(image.shape)#图像的形状 #(750, 500, 3) height=image.shape[0]#图像高 wi