(02)python-opencv图像处理——更改颜色空间HSV

已于 2024-10-10 01:01:06 修改
阅读量566 收藏 6
点赞数 6
分类专栏： # opencv-python # 深度学习 # Python基础及数据结构与算法 文章标签： opencv 图像处理 人工智能
于 2024-10-10 00:59:53 首次发布
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_41221411/article/details/142799574
版权

前言

1、更改颜色空间

1.1BGR 到 Gray 的示例

1.2 BGR 到 HSV 的示例： 

​编辑 1.3 通过HSV进行颜色追踪 

1.3.1hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)

1.3.2 BGR vs HSV：

1.3.3 为什么使用 HSV 颜色空间？

1.3.4 cv.inRange(hsv, lower_red1, upper_red1)

1.3.5 cv.bitwise_and(frame, frame, mask=mask)

参数解释：

返回值：

 1.4 通过HSV进行颜色追踪-框选出目标区域

1.4.1 cv.morphologyEx(mask, cv.MORPH_OPEN, np.ones((3, 3), np.uint8))函数

1.4.2 cv.findContours(mask, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)函数

1.4.3 cv.contourArea(contour)函数

1.5 通过HSV进行颜色追踪-围绕边缘实现框选

参考文献

前言

主要案例是实现对颜色的追踪操作，这是一个案例可以直接复制代码进行展示

1、更改颜色空间

在本教程中：

  • 你会学到如何将图片从一个颜色空间转换到另一个，例如 BGR 到 Gray，BGR 到 HSV 等。
  • 另外，我们会创建一个从视频中提取彩色对象的应用。
  • 你会学到如下函数：cv.cvtColor()，cv.inRange()

1.1BGR 到 Gray 的示例

BGR 是 OpenCV 中的默认颜色空间，它的顺序是蓝-绿-红，而不是红-绿-蓝。将 BGR 图像转换为灰度图像，可以通过以下代码实现：

import cv2 as cv
# 读取图片
image = cv.imread('images/demo2.png')
# 将 BGR 图片转换为灰度图像
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# 显示原图和灰度图
cv.imshow('Original Image', image)
cv.imshow('Gray Image', gray_image)

cv.waitKey(0)
cv.destroyAllWindows()

1.2 BGR 到 HSV 的示例： 

HSV 是色相 (Hue)，饱和度 (Saturation) 和亮度 (Value) 的颜色空间。它在许多应用中，例如颜色分割时非常有用。

注意 对于 HSV, 色调(Hue)范围为 [0,179], 饱和度(Saturation)范围为 [0,255] ，明亮度(Value)为 [0,255]. 不同的软件使用不同的比例. 所以如果你想用 OpenCV 的值与别的软件的值作对比，你需要归一化这些范围。

import cv2 as cv
# 读取图片
image = cv.imread('images/demo2.png')
# 将 BGR 图片转换为 HSV 图像
hsv_image = cv.cvtColor(image, cv.COLOR_BGR2HSV)
# 显示原图和 HSV 图像
cv.imshow('Original Image', image)
cv.imshow('HSV Image', hsv_image)

cv.waitKey(0)
cv.destroyAllWindows()

 1.3 通过HSV进行颜色追踪 

现在我们知道了如何将 BGR 图片转化为 HSV 图片，我们可以使用它去提取彩色对象。HSV 比 BGR 在颜色空间上更容易表示颜色。在我们的应用中，我们会尝试提取一个红色的彩色对象，方法为：

  • 提取每一视频帧。
  • 将 BGR 转化为 HSV 颜色空间。
  • 我们用蓝色像素的范围对该 HSV 图片做阈值。
  • 现在提取出了红色对象，我们可以随意处理图片了 。
import cv2 as cv
import numpy as np
# 打开摄像头
cap = cv.VideoCapture(0)
while True:
    # 读取摄像头的一帧
    ret, frame = cap.read()
    if not ret:
        print("无法从摄像头获取帧")
        break
    # 将 BGR 帧转换为 HSV 颜色空间
    hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
    # 定义红色的 HSV 范围（红色有两个范围）
    lower_red1 = np.array([0, 120, 70])    # 红色的低端色调范围
    upper_red1 = np.array([10, 255, 255])
    lower_red2 = np.array([170, 120, 70])  # 红色的高端色调范围
    upper_red2 = np.array([180, 255, 255])
    # 创建两个掩膜
    mask1 = cv.inRange(hsv, lower_red1, upper_red1)  # 对应第一个红色范围
    mask2 = cv.inRange(hsv, lower_red2, upper_red2)  # 对应第二个红色范围
    # 将两个掩膜合并，覆盖所有红色区域
    mask = mask1 + mask2
    # 使用位操作将掩膜应用到原图像，提取红色对象
    result = cv.bitwise_and(frame, frame, mask=mask)
    # 显示原始帧和提取的红色对象
    cv.imshow('Original Frame', frame)
    cv.imshow('Red Object Extraction', result)
    # 按下 'q' 键退出
    if cv.waitKey(1) & 0xFF == ord('q'):
        break
# 释放摄像头并关闭所有窗口
cap.release()
cv.destroyAllWindows()

如果mask = mask2的时候效果更好哈

1.3.1hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)

cv.cvtColor() 是 OpenCV 中用于转换图像颜色空间的函数。在你的例子中，hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV) 将图像从 BGR 颜色空间转换为 HSV 颜色空间。这个操作在图像处理任务（如颜色对象提取）中非常常见，因为 HSV 颜色空间在颜色检测方面比 BGR 更直观和方便。

参数解释：

  1. frame：这是输入图像，通常是 BGR 格式的彩色图像（BGR 是 OpenCV 默认的颜色格式）。

  2. cv.COLOR_BGR2HSV：这是颜色空间转换的标志，表示将输入图像从 BGR 颜色空间转换为 HSV 颜色空间。OpenCV 中预定义了多种颜色空间转换的标志，BGR2HSV 是其中之一。

返回值：

  • hsv：输出图像，这是输入图像在 HSV 颜色空间下的表现形式。

1.3.2 BGR vs HSV：

  • BGR (蓝-绿-红) 是 OpenCV 使用的默认颜色空间，它表示的是三个颜色通道的强度值。

    • 例如，BGR(255, 0, 0) 代表蓝色，BGR(0, 255, 0) 代表绿色，BGR(0, 0, 255) 代表红色。

  • HSV (色调-饱和度-亮度) 是另一种表示颜色的方法，它将颜色信息分为三个独立的属性：

    1. H (Hue，色调)：表示颜色的种类，范围为 [0, 179]，例如 0 表示红色，120 表示绿色，240 表示蓝色。

    2. S (Saturation，饱和度)：表示颜色的纯度，范围为 [0, 255]，值越高表示颜色越纯，越低表示颜色越灰。

    3. V (Value，亮度)：表示颜色的亮度，范围为 [0, 255]，值越高表示颜色越亮。

1.3.3 为什么使用 HSV 颜色空间？

在颜色对象检测的任务中，HSV 比 BGR 更直观：

  1. 颜色分离更明显：在 BGR 中，颜色是由各通道的组合决定的，而在 HSV 中，色调 H 值直接表示颜色种类，使得对特定颜色的检测更方便。

  2. 更容易调节阈值：在 HSV 中，只需要调整色调（Hue）的范围来检测特定颜色，而在 BGR 中，你可能需要分别考虑三个通道的值。

如果你想检测红色对象，在 BGR 中可能很复杂，因为红色会涉及到 B、G、R 通道的值。而在 HSV 中，你只需要设定 H 在 0 和 10 或 170 和 180 之间，即可轻松提取红色。

HSV 转换的常见用途：

  • 颜色对象提取：例如，你想从图像或视频中提取某种颜色的物体，可以先将图像转换为 HSV 颜色空间，再通过定义 H、S、V 的范围，使用 cv.inRange() 来提取特定颜色。

  • 颜色过滤：你可以通过 HSV 的颜色空间，过滤掉不需要的颜色，保留或高亮感兴趣的部分。

1.3.4 cv.inRange(hsv, lower_red1, upper_red1)

参数说明：

  1. hsv：输入图像，通常是已经转换为 HSV 颜色空间的图像。

  2. lower_red1：颜色范围的下界，表示最低的 HSV 值。例如 [0, 120, 70]，对应的是色调 (H)、饱和度 (S)、亮度 (V) 的最小值。

  3. upper_red1：颜色范围的上界，表示最高的 HSV 值。例如 [10, 255, 255]，对应的是色调 (H)、饱和度 (S)、亮度 (V) 的最大值。

返回值：

  • mask：输出的二值图像（掩膜）。在这个掩膜中，符合给定 HSV 范围的像素会被设置为白色（255），不符合的像素会被设置为黑色（0）。

1.3.5 cv.bitwise_and(frame, frame, mask=mask)

cv.bitwise_and() 是 OpenCV 中用于按位与运算的函数。该函数的主要作用是将两个图像的每个像素按位进行与操作（AND），并生成一个新图像。结合掩膜使用时，它可以用于提取特定颜色或区域。

参数解释：
  1. src1：输入图像的第一个源，可以是 BGR 或其他颜色空间的图像。
  2. src2：输入图像的第二个源，通常与 src1 相同。这表示将 src1 中的像素与 src2 中的像素进行按位与运算。
  3. mask（可选）：掩膜图像，指定哪些区域需要进行运算。掩膜中的白色区域（255）表示保留对应像素，黑色区域（0）表示不保留对应像素。
返回值：
  • output：输出图像，包含 src1 和 src2 按位与运算的结果，或仅保留掩膜指定的区域。

 1.4 通过HSV进行颜色追踪-框选出目标区域

import cv2 as cv
import numpy as np
# 打开摄像头
cap = cv.VideoCapture(0)
while True:
    # 读取摄像头的一帧
    ret, frame = cap.read()
    if not ret:
        print("无法从摄像头获取帧")
        break
    # 将 BGR 帧转换为 HSV 颜色空间
    hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
    # 定义红色的 HSV 范围
    lower_red1 = np.array([0, 120, 70])
    upper_red1 = np.array([10, 255, 255])
    lower_red2 = np.array([170, 120, 70])
    upper_red2 = np.array([180, 255, 255])
    # 创建两个掩膜，分别对应红色的低端和高端
    mask1 = cv.inRange(hsv, lower_red1, upper_red1)
    mask2 = cv.inRange(hsv, lower_red2, upper_red2)
    # 合并掩膜，提取所有红色区域
    mask = mask2
    # 对掩膜进行形态学操作，去除噪点（可选）
    mask = cv.morphologyEx(mask, cv.MORPH_OPEN, np.ones((3, 3), np.uint8))
    mask = cv.morphologyEx(mask, cv.MORPH_CLOSE, np.ones((3, 3), np.uint8))
    # 找到红色区域的轮廓
    contours, _ = cv.findContours(mask, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    # 在原图上绘制轮廓
    for contour in contours:
        if cv.contourArea(contour) > 500:  # 过滤掉较小的轮廓
            x, y, w, h = cv.boundingRect(contour)  # 获取包围轮廓的矩形框
            cv.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 绘制矩形框
    # 显示原始帧和红色区域的掩膜
    cv.imshow('Original Frame', frame)
    cv.imshow('Red Object Mask', mask)
    # 按下 'q' 键退出
    if cv.waitKey(1) & 0xFF == ord('q'):
        break
# 释放摄像头并关闭所有窗口
cap.release()
cv.destroyAllWindows()

1.4.1 cv.morphologyEx(mask, cv.MORPH_OPEN, np.ones((3, 3), np.uint8))函数

cv.morphologyEx() 是 OpenCV 中用于执行形态学操作的函数。形态学操作常用于图像处理，特别是在处理二值图像时，如去除噪声、填补孔洞等。cv.MORPH_OPEN 是形态学操作中的一种，称为开运算。后期的形态学中会进行进一步深入。

参数解释：

  1. src：输入图像，通常是二值图像（即掩膜），在这个情况下是你之前提到的 mask。

  2. op：指定要执行的形态学操作。在你的例子中，使用的是 cv.MORPH_OPEN，表示执行开运算。

  3. kernel：结构元素，是一个用于形态学操作的卷积核。通常使用 np.ones() 创建一个全为 1 的矩阵，指定卷积核的大小和形状。例如，在你的例子中，使用的是一个 3x3 的矩阵。

返回值：

  • output：输出图像，经过形态学操作后的结果。

开运算 (cv.MORPH_OPEN) 的作用：

开运算是一个由两个基本操作组成的组合操作：

  1. 腐蚀（Erosion）：用结构元素对图像进行腐蚀操作，通常用于去除小的噪声点。

  2. 膨胀（Dilation）：随后对腐蚀后的图像进行膨胀操作，恢复原始图像中大部分的结构。

开运算的效果是：

  • 去除小的噪声和细小的连接。

  • 保留较大的结构，平滑边缘。

import cv2 as cv
import numpy as np

# 创建一个二值掩膜
mask = cv.imread('mask.jpg', cv.IMREAD_GRAYSCALE)

# 使用开运算去除噪声
kernel = np.ones((3, 3), np.uint8)  # 创建一个3x3的结构元素
cleaned_mask = cv.morphologyEx(mask, cv.MORPH_OPEN, kernel)

# 显示结果
cv.imshow('Cleaned Mask', cleaned_mask)
cv.waitKey(0)
cv.destroyAllWindows()

处理过程：

  1. 读取掩膜：首先读取一个二值掩膜 mask。

  2. 创建结构元素：使用 np.ones((3, 3), np.uint8) 创建一个 3x3 的结构元素。

  3. 应用开运算：调用 cv.morphologyEx(mask, cv.MORPH_OPEN, kernel) 执行开运算，去除掩膜中的小噪声。

  4. 显示结果：输出的 cleaned_mask 是经过开运算处理后的二值图像。

实际效果：

  • 开运算的输出图像将减少小的白色噪声点，同时保持较大物体的形状。这样可以为后续的图像处理（如轮廓检测）提供更清晰的输入。

总结：

  • cv.morphologyEx() 是一个强大的函数，用于执行多种形态学操作。

  • 开运算（cv.MORPH_OPEN）是处理二值图像中的噪声和细节的常用技术，特别适合于图像分割和目标提取等应用。

1.4.2 cv.findContours(mask, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)函数

cv.findContours() 是 OpenCV 中用于检测图像中的轮廓的函数。轮廓是图像中相同颜色或相似亮度的边界曲线，可以用于形状分析和对象检测等任务。

contours, hierarchy = cv.findContours(image, mode, method)

参数解释：

  1. image：输入图像，通常是一个二值图像（如掩膜）。该图像将用于检测轮廓，轮廓通常是图像中物体的边界。注意，这个输入图像会被修改，通常在调用该函数前需要对其进行复制（如果需要保留原图像）。

  2. mode：轮廓检索模式，决定了如何检索轮廓。常用的选项包括：

    • cv.RETR_EXTERNAL：仅检索外部轮廓，忽略内部轮廓。

    • cv.RETR_LIST：检索所有轮廓，并将其放入列表中，但不建立层级关系。

    • cv.RETR_TREE：检索所有轮廓，并建立轮廓之间的层级关系。

  3. method：轮廓逼近方法，决定了如何存储轮廓的点。常用的选项包括：

    • cv.CHAIN_APPROX_SIMPLE：压缩轮廓，存储轮廓的端点，节省存储空间。

    • cv.CHAIN_APPROX_NONE：存储所有轮廓点，不进行任何压缩。

返回值：

  • contours：返回一个列表，其中包含图像中所有检测到的轮廓。每个轮廓是一个由轮廓点组成的 numpy 数组。

  • hierarchy：返回一个层级数组，表示轮廓之间的关系（可选，通常用于需要分析轮廓层级的场景）。

1.4.3 cv.contourArea(contour)函数

cv.contourArea() 是 OpenCV 中用于计算轮廓面积的函数。它接受一个轮廓作为输入，并返回该轮廓所围成区域的面积。

参数解释：

  • contour：输入轮廓，通常是通过 cv.findContours() 函数获得的轮廓。轮廓是一个由多个点组成的数组，定义了物体的边界。

返回值：

  • area：返回轮廓所围成区域的面积，单位是像素。

使用示例：

在你的示例 cv.contourArea(contour) > 500 中，函数的作用可以分为以下几步：

  1. 计算轮廓面积：调用 cv.contourArea(contour) 计算当前轮廓的面积。

  2. 与阈值比较：将计算出的面积与阈值（例如 500 像素）进行比较，以筛选出较大的轮廓。

1.5 通过HSV进行颜色追踪-围绕边缘实现框选

import cv2 as cv
import numpy as np

# 打开摄像头
cap = cv.VideoCapture(0)

while True:
    # 读取摄像头的一帧
    ret, frame = cap.read()
    if not ret:
        print("无法从摄像头获取帧")
        break

    # 将 BGR 帧转换为 HSV 颜色空间
    hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)

    # 定义红色的 HSV 范围
    lower_red1 = np.array([0, 120, 70])
    upper_red1 = np.array([10, 255, 255])
    lower_red2 = np.array([170, 120, 70])
    upper_red2 = np.array([180, 255, 255])

    # 创建两个掩膜，分别对应红色的低端和高端
    mask1 = cv.inRange(hsv, lower_red1, upper_red1)
    mask2 = cv.inRange(hsv, lower_red2, upper_red2)

    # 合并掩膜，提取所有红色区域
    mask = cv.add(mask1, mask2)

    # 对掩膜进行形态学操作，去除噪点（可选）
    mask = cv.morphologyEx(mask, cv.MORPH_OPEN, np.ones((3, 3), np.uint8))
    mask = cv.morphologyEx(mask, cv.MORPH_CLOSE, np.ones((3, 3), np.uint8))

    # 找到红色区域的轮廓
    contours, _ = cv.findContours(mask, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

    # 在原图上绘制轮廓
    for contour in contours:
        if cv.contourArea(contour) > 500:  # 过滤掉较小的轮廓
            cv.drawContours(frame, [contour], -1, (0, 255, 0), 2)  # 用绿色绘制轮廓

    # 显示原始帧和红色区域的掩膜
    cv.imshow('Original Frame', frame)
    cv.imshow('Red Object Mask', mask)

    # 按下 'q' 键退出
    if cv.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头并关闭所有窗口
cap.release()
cv.destroyAllWindows()


cv.drawContours(frame, [contour], -1, (0, 255, 0), 2)

这行代码用于在原始帧上绘制轮廓，轮廓的颜色为绿色，线条宽度为 2 像素。通过这种方式，红色区域的边缘将被绘制出来，而不是用矩形框包围。

实际效果：

  • 运行这个修改后的代码时，程序将识别并框选红色对象的边缘，显示更精确的轮廓，而不是简单的矩形框。这种方式能够更好地表现物体的形状和边界。

总结：

  • 使用 cv.drawContours() 代替矩形框绘制，使得检测结果更贴合物体的实际形状，适用于需要对形状进行更细致分析的应用场景。

2、图像的几何变换

参考文献

欲游山河十万里
关注
专栏目录
【Python--openCV图像处理】Python学习-OpenCV图像处理基础超详细的学习笔记（黑马程序员课程-B站有视频）
m0_67844671的博客
06-01 1462
【Python--openCV图像处理】Python学习-OpenCV图像处理基础超详细的学习笔记（黑马程序员课程-B站有视频）
opencv-python——基础图像处理操作总结
Irving.Gao的博客
03-12 3829
文章目录1.图片的读取保存（1）加载并显示图片加载彩色图加载灰度图加载原图并转换通道（2）保存图片Opencv图像处理操作（1）截取ROI（2）通道分割与合并（3）颜色空间转换示例：实现一个使用HSV来只显示图片中蓝色物体（4）阈值分割阈值调节器固定阈值分割自适应阈值阈值分割方法小结（5）图像几何变换缩放图片翻转图片平移图片（6）绘图功能绘制线条绘制矩形添加文字绘图功能总结（7）图像间数学运算图片叠加图像混合图像运算操作总结（8）图像滤波滤波与模糊均值滤波高斯滤波中值滤波双边滤波图像锐化（9）腐蚀与膨胀腐蚀
python数字图像处理、色彩空间类型转换_Python+OpenCV图像处理—— 色彩空间转换...
weixin_39653311的博客
12-24 424
一、色彩空间的转换代码如下：#色彩空间转换import cv2 as cvdef color_space_demo(img):gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) #RGB转换为GRAY 这里的GRAY是单通道的cv.imshow("gray", gray)hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) #RGB...
OpenCV中的图像处理 —— 改变颜色空间+图像几何变换
小菜鸡的小博客
03-19 9404
OpenCV中的图像处理 —— 改变颜色空间+图像几何变换 这一部分主要介绍OpenCV图像处理中的改变颜色空间和图像的几何变换，颜色空间的改变应用非常广泛，在处理图像的实际问题中，经常需要要图像变换为单通道灰度图像等形式操作，在文中会有一个追踪颜色的小实例便于理解，图像的几何变换是老生常谈的东西了，但是在图像处理中有一些新的概念，例如仿射变换和透视变换，废话不多说直接开干！ 目录OpenCV中的图像处理 —— 改变颜色空间+图像几何变换1. 改变颜色空间1.1 改变颜色空间1.2 颜色对象追踪2.
四、OpenCV颜色空间——HSV颜色模型
qq_34440409的博客
09-30 2万+
该章节主要介绍两种颜色空间RGB与HSV，HSV将作为我们主要使用的颜色空间。 RGB： 在计算机体系中，最常用的颜色空间是RGB模型，常用于颜色显示和图像处理，三维坐标的模型形式，主要是易于实现RGB三原色的组合表达各种颜色方便屏幕显示。学过物理的我们应该知道，可见光谱是连续的，而三原色RGB混合能形成其他的颜色，并不是说物理上其他颜色的光是由三原色的光混合形成的，每种单色光都有自己独特的光谱，如黄光是一种单色光，但红色与绿色混合能形成黄色，原因是人的感官系统所致，因为人眼感光细胞就是由红绿蓝三种感光细胞
OpenCV图像处理（全）
shinuone的博客
08-30 6万+
备注：以下源码均可运行，不同项目涉及的函数均有详细分析说明。
Python+OpenCV实用案例应用教程：基于OpenCV的图像处理
Lee达森的博客
07-02 3635
在进行图像处理时，你迟早会发现需要转换图像——一般通过应 用艺术滤镜、推断某些部分、混合两幅图像，或者任何你能够想到的 方法完成。本章将介绍一些可以转换图像的技术。最后，你还能够执 行图像锐化、标记主体的轮廓、利用线段检测器检测人行横道。 本章将介绍以下主题： ·在不同颜色模型之间进行图像转换。 ·理解频率和傅里叶变换在图像处理中的重要性。 ·应用高通滤波器（High-Pass Filter，HPF）、低通滤波器（Low- Pass Filter，LPF）、边缘检测滤波器和自定义卷积滤波器。 ·检测并分析轮
OpenCV最详细入门（一）-python（代码全部可以直接运行）
热门推荐
WUHU648的博客
07-05 16万+
OpenCV详细入门（基础篇） 一、OpenCV介绍 OpenCV（open source computer vision library）是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保
python遥感变成灰度图_Python+OpenCV图像处理—— 色彩空间转换
weixin_39843677的博客
12-10 795
一、色彩空间的转换代码如下：#色彩空间转换import cv2 as cvdef color_space_demo(img):gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) #RGB转换为GRAY 这里的GRAY是单通道的cv.imshow("gray", gray)hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) #RGB...
Python+OpenCV实现图像融合的原理及代码
09-19
本篇文章将详细介绍如何使用Python结合OpenCV库来实现一种常见的图像融合方法——基于HSV颜色空间的图像融合。 #### 二、HSV颜色空间简介 在进行图像融合之前，我们需要了解HSV颜色空间的基本概念。HSV（Hue-...
opencv python rgb转yuv_Python+OpenCV图像处理（四）—— 色彩空间
weixin_39998903的博客
12-28 4207
一、色彩空间的转换代码如下：#色彩空间转换importcv2 as cvdefcolor_space_demo(img):gray= cv.cvtColor(img, cv.COLOR_BGR2GRAY) #RGB转换为GRAY 这里的GRAY是单通道的cv.imshow("gray", gray)hsv= cv.cvtColor(img, cv.COLOR_BGR2HSV) #RG...
OpenCV-背景建模
2301_77698138的博客
10-05 1153
OpenCV中的背景建模技术是实现运动检测、场景理解和事件检测等应用的重要基础。通过选择合适的背景建模方法（如混合高斯模型）和相应的实现函数（如createBackgroundSubtractorMOG2()），我们可以有效地从视频序列中提取出静态背景，并将动态前景对象与背景进行分离。这为后续的进一步分析和处理提供了便利。
《深度学习》OpenCV 摄像头OCR 过程及案例解析
wx_AHao1004Y的博客
10-05 2109
OpenCV摄像头OCR是一个使用OpenCV库和OCR技术实现的工具，它可以通过摄像头实时读取图像，然后利用OCR（光学字符识别）技术将图像中的文本内容提取出来。这个工具可以应用于各种场景，例如扫描身份证、识别车牌号、读取条形码等。使用OpenCV摄像头OCR，可以方便地在实时图像中进行文本识别和处理。
OpenCV透视变换
A_Lv123的博客
10-05 540
src 4->dst 4 (左上角 左下角 右上角 右下角)
《OpenCV》—— 指纹验证
weixin_73504499的博客
10-01 2304
用两张指纹图片中的其中一张对其验证。
OpenCV 进行图像分割
qq_30895747的博客
09-27 839
图像分割是将数字图像划分互不相交的区域的过程，它可以降低图像的复杂性，从而使分析图像变得更简单。图像分割技术阈值法基于边缘的分割基于区域的分割基于聚类的分割基于分水岭的方法基于人工神经网络的分割在这里，我们选择基于聚类的分割与分类算法不同，聚类算法是无监督算法。在分类算法中，用户没有预定义的一组特征、类或组。聚类算法有助于从数据中获取潜在的、隐藏的信息，例如从启发式的角度来看通常是未知的结构、聚类和分组。基于聚类的技术将图像分割成具有相似特征的集群或不相交的像素组。
[C++]使用纯opencv部署yolov11-seg实例分割onnx模型
FL1623863129的博客
10-05 805
然而，可以通过一些间接的方法来实现这一目标，比如将PyTorch模型转换为ONNX格式，然后使用OpenCV的DNN模块加载ONNX模型。需要注意的是，由于YOLOv11-seg是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11-seg的具体实现进行后处理。此外，由于OpenCV的DNN模块对ONNX的支持可能有限，某些YOLOv11-seg的特性可能无法在OpenCV中直接实现，这时可能需要寻找替代方案。编译项目源码，将模型，视频路径对应到源码即可运行。
机器学习：opencv--图像拼接
最新发布
纸上得来终觉浅
10-07 866
opencv--图像拼接。
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

打赏作者

欲游山河十万里

你的鼓励是我们创作的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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