![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python OpenCV
文章平均质量分 92
一只没有脚的猪
一只猪没有脚…
展开
-
(自己编写函数)Python+opencv 计算并绘制灰度图和彩色图的直方图并进行均衡化操作
一幅图像由不同灰度值的像素组成,图像中灰度的分布情况是该图像的一个重要特征。图像的灰度直方图就描述了图像中灰度分布情况,能够很直观的展示出图像中各个灰度级所占的多少。图像的灰度直方图是灰度级的函数,描述的是图像中具有该灰度级的像素的个数:其中,横坐标是灰度级,纵坐标是该灰度级出现的频率。打个比方就是 这张图中属于255这个灰度级,那么整张图片中255出现的次数就是255出现的频率、...原创 2019-04-04 16:31:00 · 8958 阅读 · 6 评论 -
(自己编写函数)Python + Opencv 图片分块
很久之前(大概一个月之前吧),基本有点忘了当时的思路是什么, 也不知道现在说的是不是错的,应该大致差不多。主要的思路不难理解:1、首先先知道你要分成几份,2、然后根据分数依次,平均的将整个图片的数组分成几等分,计算出每等分的高和宽3、然后利用一个五维数组,将每个部分的色度值依次记录下来,其中五维数组的最前面两个数字,代表的是他的位置,比如说第0行第0块 —— 前两位就是 0 0,第0行第1...原创 2019-05-10 20:20:07 · 5084 阅读 · 10 评论 -
(自己编写函数)Python + Opencv 图像边缘检测(模糊算法【老师给的ppt中原理是这样的,但是还有很多不明白,有很多参数老师没说怎么算,只说了每张图片不一样】)
实验原理1、首先,用重心法模糊推理图像中任意一像素点的边缘隶属方向,取其最大隶属度的方向为边缘隶属方向。2、然后,在边缘隶属方向上根据像素点附近灰度分布的特点模糊推理该点的边缘隶属度,进而实现边缘检测。要去确定图像任一像素的边缘隶属方向,首先需要设置边缘特征来对它进行计算,得到最后的边缘方向隶属度,根据比较8个方向的边缘隶属度大小来确定他的边缘隶属方向然后,进行之后的计算该点的边缘隶属度边...原创 2019-05-21 08:57:59 · 1458 阅读 · 0 评论 -
(自己编写函数)Python + Opencv 图像增强,加噪滤波(椒盐,高斯噪音,3&5模版,均值.中值滤波处理)
这篇也是很久之前写的,因为是之前的实验,然后写这篇的时候,因为python写的,而且是自己写的函数,完全就是根据定义和式子来写的代码,所以的话时间复杂度很高,跑的时候会比较慢,需要多等一会,不是代码问题添加椒盐噪声函数主要采用随机数来确定现在所在的像素点是否要添加噪声,由椒盐噪声阈值来确定,这个值可以自己定,随机生成的随机数如果大于这个阈值那么添加胡椒噪声,如果小于这个阈值那么添加盐噪声,不难...原创 2019-05-11 10:37:16 · 1695 阅读 · 0 评论 -
(自己编写函数)Python + Opencv 图像几何变换(缩小、放大、内凹,外凸,梯形变形、三角型变形、S型变形、图片旋转、图片平移)
因为之前写这个实验的时候,组织上有很多事情,所以当时,随便网上找了个 C++ 的上交了,昨天就补写了一下。这里写的缩小和方法都是等比例进行的,不是等比例的改也比较简单,这里就不改了,有兴趣的朋友可以自己尝试着改改,另外这里用的是灰度图,彩色图稍微改改就行了比例缩小ratio 是缩小比例,大致思路是:1、先根据你输入的缩放比例生成一个与原图 * 缩放比例相同大小的灰度级矩阵。2、根据书中说的...原创 2019-05-11 11:17:08 · 3881 阅读 · 2 评论 -
(自己编写函数)Python + Opencv 图像形态学处理(腐蚀、膨胀、开运算、闭运算)
原理:形态学运算是结构元素与图像进行逻辑运算,产生新的图像的图像处理方法。二值图像B和结构元素S是定义在笛卡儿网格上的集合,网格中值为1的点是集合的元素。腐蚀定义: 算法:a) 用3x3的结构元素,扫描图像的每一个像素。b) 用结构元素与其覆盖的二值图像做“与”操作。c) 如果都为1,结果图像的该像素为1,否则为0。膨胀定义:算法:a) 用3x3的结构元素,扫描...原创 2019-05-17 16:51:18 · 2276 阅读 · 4 评论 -
(自己编写函数)Python + Opencv 图像分割(全局分割_动态分割_区域生长)
实验原理与步骤1.连通定义在数字图像中,一个像素在空间上可能非常接近其它一些像素。在用网格表示的数字图像中,一个像素与其它四个像素有公共边界,并与另外四个像素共享顶角。如果两个像素有公共边界,则称它们互为4邻点(4-neighbors)。同样,如果两个像素至少共享一个顶点,则称它们互为8邻点,如图1所示:2. 连通成分标记在一幅图像中找出连通成分是数字图像中最常见的运算之一。连通区域内的...原创 2019-05-29 10:47:34 · 9819 阅读 · 12 评论