qq_40985985的博客

这篇博客将介绍OpenCV中的图像变换，包括用Numpy、OpenCV计算图像的傅里叶变换，以及傅里叶变换的一些应用；

这篇博客将介绍如何使用OpenCV在图像和视频流中执行基于深度学习的超级分辨率。深度神经网络中有超分辨率相关的预训练好的模型与OpenCV兼容OpenCV的超分辨率功能实际上“隐藏”在一个名为dnn_superres的子模块中，该子模块位于一个名为DnnSuperResImpl_create的模糊函数中。1. 效果图对图像中的灯笼和鱼区域进行超像素化原图 VS 双三次差值后图 VS EDSR效果图如下：可以看到中间应用双三次插值后，大小调整后质量较低。水纹有些模糊。在右侧应用超分辨

这篇博客介绍了如何使用OpenCV和Python将关键事件视频剪辑保存到文件。究竟什么是“关键或有趣的事件”完全取决于您的应用程序和整体项目的目标。关键事件的示例可以包括：- 运动检测监控房屋的们（即有人进入房子时）；- 当有人进入房子时，认识到入侵者的面孔；- 报告在你房间外道路上不安全的驾驶行为。使用此方法，可以将小时级的视频流素材缩小为多个秒级的有趣事件的小视频，有效地产生视频概要。

使用Python，OpenCV转换颜色空间，追踪对象的轨迹

这篇博客将介绍Python与Echarts结合的轮子：pyecharts，实现地图集3D地图的绘制。

Python，OpenCV中的光学字符识别（OCR Optical Character Recognition)使用Python，OpenCV+OCR检测护照图像中的机器可读区域（MRZ Machine-Readable Zones）Python，OpenCV基于支持向量机SVM的手写数字OCRPython，OpenCV使用KNN来构建手写数字及字母识别OCRWindows下命令行及Java+Tesseract-OCR对图像进行（字母+数字

这篇博客将介绍如何通过OpenCV和Python使用模板匹配执行光学字符识别（OCR）。具体来说，将使用Python+OpenCV实现模板匹配算法，以自动识别卡的类型和以及16位卡号数字。

这篇博客将介绍如何使用Python，OpenCV的内置对象跟踪器进行对象跟踪（单目标追踪）；并简单介绍了OpenCV库中内置的八种对象跟踪算法（截至OpenCV 3.4），包括：CSRT、KCF、Boosting、MIL、TLD、MedianFlow、MOSSE、GOTURN。建议对大多数对象跟踪应用程序使用CSRT、KCF或MOSSE：当需要更高的对象跟踪精度，并且可以承受较慢的FPS吞吐量时，请使用CSRT；当需要更快的FPS吞吐量，但可以处理稍低的对象跟踪精度时，请使用KCF；当需要纯粹的速度

这篇博客源于博友的提问将介绍如何使用python计算四边形与拟合四边形的最大交并比IOU。

这篇博客将介绍如何使用Python用多张图片生成视频，并添加背景音乐及字幕。主要分三步： 多张照片生成视频 添加字幕 添加背景音乐

这篇博客将介绍OpenCV（Augment Reality AR）增强现实的基础知识。增强现实技术指利用真实世界中的环境，然后通过计算机生成的程序来增强这些环境，从而不断丰富环境。通常，这是通过视觉、听觉和触觉/触觉交互的某种组合来实现的。- 拍摄输入图像- 检测标记/基准点- 将新图像无缝转换到场景中增强现实通过计算机生成的感知信息（视觉、听觉、嗅觉，未来也许还会有味觉和触觉的加入）来增强我们周围的现实世界。

这篇博客将介绍AprilTags，这是一组基准标记，通常用于机器人技术、校准和3D计算机视觉项目。通常在执行实时检测时使用AprilTags（以及密切相关的ArUco标记）。AprilTags是一种基准标记，更简单地说是“标记”，基准点是在捕获图像或视频帧时放置在相机视野中的参考对象。因此它们很容易识别。然后在后台运行的计算机视觉软件获取输入图像，检测基准标记，并根据标记的类型和标记在输入图像中的位置执行一些操作。

这篇博客将介绍Aruco标记是什么，以及如何使用Python，OpenCV生成Aruco标记。本文提供俩种生成方式：在线生成和代码生成；使用OpenCV处理ArUco标签非常简单，因为OpenCV库中内置的子模块cv2.aruco（即不需要任何额外的Python包或依赖项来检测ArUco标记）。生成了Aruco标签，下一篇博客将介绍如何获取生成的标签，并在图像和实时视频流中实际检测它们。

这篇博客将介绍如何使用Python，OpenCV中的GrabCut 算法来提取图像中的前景，并为此创建一个交互式应用程序。

查了超多的资料，发现照片的GPS信息是以rational64u 有理数的格式存储的。如经度、维度，在Exif中是以3个浮点数，度，分，秒来存储的。而读取出来后，也将是用有理数表示， 如 40可以表示为 40,11. 实际照片存储经纬度2. 用pyhton exifread读取ExifRead 2.3.2GPS GPSLatitudeRef NGPS GPSLatitude [40, 0, 638031/20000]lat except: [40, 0, 638031

这篇博客将介绍如何使用python，networkx绘制图。

这篇博客将介绍Python，Keras深度学习中非连续的字母文本怎么处理为one-hot编码。

这篇博客将整合介绍如何使用matplotlib绘制图表，并设置刻度轴位置、最大最小刻度精度范围、最大最小刻度、坐标轴交点，标题label等字体大小、是否加粗、字体颜色、字体位置、刻度轴结束增加箭头等。

这篇博客将介绍如何全排列街区的点，即规定起点不重复的走完所有街区，并找出最短路径，并结合matplotlib、pyecharts对最短路径进行可视化。

这篇博客将介绍EoN是什么，并安装，然后介绍如何使用Python，EoN模拟网络中的疾病扩散模型，并结合matplotlib绘图。

这篇博客将介绍如何在OpenCV中为InRange阈值选择颜色的最佳HSV值范围。

python操作word文档（python-docx）1. 效果图1. 1 python-docx效果图1.2 itextpdf7效果图2. 安装3. 源代码3.1 python-docx源码3.2 itextpdf源码参考写这篇博客源于博友的提问，将介绍如何使用python-docx操作word文档。python-docx不支持表格内文本水平居中，可以考虑使用itextpdf，生成pdf的表格然后在转回word。itexpdf7支持的样式都比较灵活和多样。1. 效果图1. 1 python-do

这篇博客将介绍如何使用分水岭算法进行基于标记的图像分割，OpenCV通过cv2.watershed()实现；

这篇博客将介绍图像渐变以及如何使用OpenCV的cv2.Sobel计算Sobel渐变和Scharr渐变。

Matplotlib绘制象限图——支持中文、箭头、自定义轴线交点

这篇博客将介绍如何使用Python，OpenCV提取图片中的多个茄子种子轮廓，并按从左到右排序后显示

这篇博客将介绍光流的概念以及如何使用 Lucas-Kanade 方法估计光流，并演示如何使用 cv2.calcOpticalFlowPyrLK() 来跟踪视频中的特征点。光流是由物体或相机的运动引起的图像物体在连续两帧之间的明显运动的模式。它是 2D 矢量场，其中每个矢量是一个位移矢量，显示点从第一帧到第二帧的移动。

matplotlib.pyplot 是使 matplotlib 像 MATLAB 一样工作的函数集合。这篇博客将介绍 1. 单图单线2. 单图多线不同样式（红色圆圈、蓝色实线、绿色三角等）3. 使用关键字字符串绘图(data 可指定依赖值为：numpy.recarray 或 pandas.DataFrame）4. 使用分类变量绘图（绘制条形图、散点图、折线图）5. 多子表多轴及共享轴6. 多子表（水平堆叠、垂直堆叠、水平垂直堆叠、水平垂直堆叠共享轴、水平垂直堆叠去掉子图中间的冗余xy

这篇博客将详细介绍OpenCV中的Lucas Kanade稀疏光流单应追踪器。光流是由物体或相机的运动引起的图像物体在连续两帧之间的明显运动的模式。Lucas Kanade是一个算法，用于稀疏光流的追踪；

Matplitlib绘图1，这一篇就够了1. 绘制简单的图表（标题、标签轴、刻度轴、表说明）2. 绘图辅助函数方法，绘制多个图（随机点绘制多个子图，点状、x状等）3. 可交互式绘图（一图单线关闭新展现一图，及一图多线）4. 3种方法简化加速渲染图

这篇博客将学习多视图几何的基础知识，如什么是对极、对极线、对极约束等。

这篇博客将介绍如何使用Python和OpenCV在图像之间执行超快速的颜色转换。通过分别利用L*a*b*颜色空间和每个L*、a*和b*通道的平均值和标准偏差，可以在两幅图像之间传递颜色。改进该算法可以考虑在源和目标图像上应用ROI区域或者K均值聚类，匹配具有相似质心的区域，然后在每个单独区域内执行颜色转移。这样将使用局部颜色统计信息而不是全局统计信息，从而使颜色传递在视觉上更具吸引力。

OpenCV-Python绑定如何工作及如何扩展新模块到Python。

这篇博客将介绍如何通过OpenCV中图像修复的技术——cv2.inpaint() 去除旧照片中的小噪音、笔划等。并实现俩种方法的修复（快速行进算法以及流体力学算法）

这篇博客将介绍不同的计算摄影技术——非局部均值去噪（Non-Local MeansDenoising），以去除图像中的噪声。OpenCV提供了4个方法实现该算法；cv2.FastNLMeansDeoising() 适用于单个灰度图像、cv2.FastNLMeansDeoisingColor() 用于彩色图像、cv2.fastNlMeansDenoisingMulti() 连续多帧图像（灰度图）、cv2.fastNlMeansDenoisingColoredMulti() 连续多帧图像彩色图。

这篇博客将介绍什么是 K-Means 聚类以及 如何使用 cv2.kmeans() 函数进行数据聚类。

上一节介绍了基于KNN的手写数字OCR+字母OCR，这一节将介绍基于支持向量机SVM的手写数字OCR。

这篇博客将介绍如何使用basemap绘制简单的地图（包括绘制边界框，随机点等）。Basemap基于GEOS的地图二维数据，其底图数据库与GMT相同，封装了大量常用的地图投影、坐标转换功能，利用简洁的Python语法支持绘出多种多样的地理地图。

这篇博客将介绍如何借助OpenCV提供的手写数字及字母数据集，来构建训练KNN模型，以进行手写数字及字母的识别。并分别达到手写数字 91% 的精确度，字母93%的精确度。提升模型精确度的方法有1）增加训练数据集以及 2）增加错误的数据集；

这篇博客将介绍将K-最近邻 (KNN K-Nearest Neighbor) 算法及改进版的K近邻，并演示如何根据K近邻进行简单的分类；