颜色、形状和纹理：使用 OpenCV 进行特征提取

最新推荐文章于 2024-07-18 23:33:05 发布
最新推荐文章于 2024-07-18 23:33:05 发布
阅读量2.1k 收藏 32
点赞数
文章标签： opencv 计算机视觉 人工智能
原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247608735&idx=3&sn=cad78c17d98cb22e7d08382a276743ea&chksm=fb54cb73cc234265173f90ea3a1232922a87f96f8aab7841caf0c4d8cc4b199afecc531fcf29&scene=126&sessionid=0
版权 
 
 
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
 
 
如何从图像中提取特征？第一次听说“特征提取”一词是在 YouTube 上的机器学习视频教程中，它清楚地解释了我们如何在大型数据集中提取特征。
 
 
很简单，数据集的列就是特征。然而，当我遇到计算机视觉主题时，当听说我们将从图像中提取特征时，吃了一惊。是否开始浏览图像的每一列并取出每个像素？
 
 
一段时间后，明白了特征提取在计算机视觉中的含义。特征提取是降维过程的一部分，其中，原始数据的初始集被划分并减少到更易于管理的组。
 
 
简单来说，对于图像，每个像素都是一个数据，图像处理所做的只是从图像中提取有用的信息，从而减少了数据量，但保留了描述图像特征的像素。
 
 
 
  
图像处理所做的只是从图像中提取有用的信息，从而减少数据量，但保留描述图像特征的像素。
 
 
 
 
在本文中，让我们探索几种从图像中提取颜色、形状和纹理特征的方法。这些方法基于处理图像的经验，如果有任何错误，请随时添加或纠正它们！
 
 
1. 颜色
 
 
每次处理图像项目时，色彩空间都会自动成为最先探索的地方。了解设置图像环境的色彩空间对于提取正确的特征至关重要。
 
 
使用 OpenCV，我们可以将图像的颜色空间转换为提供的几个选项之一，如 HSV、LAB、灰度、YCrCb、CMYK 等。每个颜色空间的简单分解：
 
 
a. HSV（色相饱和度值）
 
 
  • 色调：描述主波长，是指定颜色的通道
  • 饱和度：描述色调/颜色的纯度/色调
  • 值：描述颜色的强度
 
 
import cv2
from google.colab.patches import cv2_imshow

image = cv2.imread(image_file)
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2_imshow(hsv_image)
 
 
129543d1994571920baf571303a6fe04.png
 
 
RGB 与 HSV 颜色空间
 
 
b. LAB
 
 
  • L：描述颜色的亮度，与强度互换使用
  • A : 颜色成分范围，从绿色到品红色
  • B：从蓝色到黄色的颜色分量
 
 
import cv2
from google.colab.patches import cv2_imshow

image = cv2.imread(image_file)
lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
cv2_imshow(lab_image)
 
 
58e408d7e05187cd9cd5a2a7e1bee3ef.png
 
 
RGB 与 LAB 色彩空间
 
 
YCrCb
 
 
  • Y : 伽马校正后从 RGB 颜色空间获得的亮度
  • Cr：描述红色 (R) 分量与亮度的距离
  • Cb：描述蓝色 (B) 分量与亮度的距离
 
 
import cv2
from google.colab.patches import cv2_imshow

image = cv2.imread(image_file)
ycrcb_image = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
cv2_imshow(ycrcb_image)
 
 
8b2e314158b4782efd2b7c0c0836006b.png
 
 
RGB 与 YCrCb 颜色空间
 
 
这些颜色空间的重要性有时会被低估。为了从图像中获得相关信息，这些颜色空间提供了一个机会来识别特征是否在每个图像中看起来更不同。关于色彩空间最疯狂的事情是我们可以用不同的色彩空间执行加法/减法，结果你会感到惊讶！
 
 
探索图像色彩空间的另一个有用函数是简单地使用*numpy.mean()*，它给出图像数据集中色彩空间中每个通道的平均值。如果我们想查看颜色空间中的哪个通道主导数据集，这将特别有用。
 
 
import cv2
from google.colab.patches import cv2_imshow
import numpy as np
import plotly.figure_factory as ff

# Check the distribution of red values 
red_values = []
for i in range(len(images)):
  red_value = np.mean(images[i][:, :, 0])
  red_values.append(red_value)

# Check the distribution of green values 
green_values = []
for i in range(len(images)):
  green_value = np.mean(images[i][:, :, 1])
  green_values.append(green_value)

# Check the distribution of blue values 
blue_values = []
for i in range(len(images)):
  blue_value = np.mean(images[i][:, :, 2])
  blue_values.append(blue_value)
  
# Plotting the histogram
fig = ff.create_distplot([red_values, green_values, blue_values], group_labels=["R", "G", "B"], colors=['red', 'green', 'blue'])
fig.update_layout(showlegend=True, template="simple_white")
fig.update_layout(title_text='Distribution of channel values across images in RGB')
fig.data[0].marker.line.color = 'rgb(0, 0, 0)'
fig.data[0].marker.line.width = 0.5
fig.data[1].marker.line.color = 'rgb(0, 0, 0)'
fig.data[1].marker.line.width = 0.5
fig.data[2].marker.line.color = 'rgb(0, 0, 0)'
fig.data[2].marker.line.width = 0.5
fig
 
 
一旦我们已经识别或探索了足够多的图像色彩空间，并确定我们只对单个通道感兴趣，我们就可以使用*cv2.inRange()*来屏蔽不需要的像素。这在 HSV 颜色空间中尤其实用。
 
 
import cv2
from google.colab.patches import cv2_imshow

# Reading the original image
image_spot = cv2.imread(image_file)
cv2_imshow(image_spot)

# Converting it to HSV color space
hsv_image_spot = cv2.cvtColor(image_spot, cv2.COLOR_BGR2HSV)
cv2_imshow(hsv_image_spot)

# Setting the black pixel mask and perform bitwise_and to get only the black pixels
mask = cv2.inRange(hsv_image_spot, (0, 0, 0), (180, 255, 40))
masked = cv2.bitwise_and(hsv_image_spot, hsv_image_spot, mask=mask)
cv2_imshow(masked)
 
 
e92405d98d65710571fa9f2285b55241.png
 
 
RGB vs HSV vs Masked 图像使用 cv2.inRange() 检索黑点
 
 
有时，我们甚至可以使用*cv2.kmeans()来量化图像的颜色，从本质上将颜色减少到几个整洁的像素。根据我们的目标，我们可以使用cv2.inRange()*来检索目标像素。通常，这个函数在识别图像的重要部分时很有魅力，我总是会在继续使用其他颜色特征提取方法之前检查这个函数。
 
 
import cv2
from google.colab.patches import cv2_imshow

image_spot_reshaped = image_spot.reshape((image_spot.shape[0] * image_spot.shape[1], 3))

# convert to np.float32
Z = np.float32(image_spot_reshaped)
# define criteria, number of clusters(K) and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 2
ret, label, center = cv2.kmeans(Z, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
# Now convert back into uint8, and make original image
center = np.uint8(center)
res = center[label.flatten()]
res2 = res.reshape((image_spot.shape))

cv2_imshow(res2)
 
 
95ae7763d69eb700d5a10a6e81efd867.png
 
 
使用 cv2.kmeans() 进行颜色量化 (K=2)
 
 
2. 形状
 
 
一旦我们充分探索了颜色特征，我们可能会在某个时候想要提取图像中的形状。
 
 
例如，你的任务是区分不同类型的酒杯。颜色在这里可能并不重要，但形状可以告诉我们很多关于它们的信息。
 
 
同样，我要做的是将图像转换为其他颜色空间，看看是否有任何颜色空间会使对象的边缘或形状更加突出。然后，我们可以使用*cv2.findContours()*来检索图像中的所有轮廓。从这里开始，我们将检查感兴趣轮廓的所有属性。
 
 
理想情况下，一旦我们能够提取定义轮廓形状的正确属性，我们会将其应用于数据集中的所有图像，提取的数字将成为我们新的非图像数据集。看看我们如何将数据量减少到只有一列形状特征，仍然可以解释我们的酒杯图像吗？
 
 
让我们探索一下我们可以使用 OpenCV 从轮廓中提取的许多属性。正如之前已经展示过的，我将在此处提供链接以供参考：
 
 
https://docs.opencv.org/3.4/dd/d49/tutorial_py_contour_features.html
 
 
  1. 矩
  2. 轮廓面积
  3. 轮廓周长
  4. 轮廓近似
  5. 凸包
  6. 凸性检测
  7. 矩形边界
  8. 最小外接圆
  9. 拟合椭圆
  10. 拟合直线
 
 
在很多情况下发现 cv2.HoughCircles() 和 cv2.SimpleBlobDetector() 在检测圆圈时都没有给出准确的结果，原因之一可能是预处理图像中的圆圈不够明显。但是，cv2.SimpleBlobDetector() 仍然提供一些方便的内置过滤器，如惯性、凸性、圆度和面积，以尽可能准确地检索圆。
 
 
3. 纹理
 
 
在某些时候，我们可能想要提取纹理特征，因为我们已经用尽了颜色和形状特征。灰度共生矩阵（GLCM）和局部二值模式（LBP）都是我用过的纹理特征，不过大家常用的其他纹理特征也可以在下方评论，我很想知道！
 
 
a. GLCM
 
 
很难在图像方面特别理解 GLCM 的概念。从统计学上讲，GLCM 是一种考虑像素空间关系的纹理检查方法。它的工作原理是计算具有特定值和特定空间关系的像素对在图像中出现的频率，创建 GLCM，然后从该矩阵中提取统计度量。
 
 
88afb0bea3da6d47b27faeef30c524c2.gif
 
 
包含 GLCM 功能的一个易于使用的包是scikit-image包。在 GLCM 中，我们还可以推导出一些描述更多关于纹理的统计数据，例如：
 
 
  • 对比度：测量灰度共生矩阵的局部变化。
  • 相关性：测量指定像素对的联合概率出现。
  • 平方：提供 GLCM 中元素的平方和。也称为均匀性或角二阶矩。
  • 同质性：测量 GLCM 中元素分布与 GLCM 对角线的接近程度。
 
 
import cv2
from google.colab.patches import cv2_imshow

image_spot = cv2.imread(image_file)
gray = cv2.cvtColor(image_spot, cv2.COLOR_BGR2GRAY)

# Find the GLCM
import skimage.feature as feature

# Param:
# source image
# List of pixel pair distance offsets - here 1 in each direction
# List of pixel pair angles in radians
graycom = feature.greycomatrix(gray, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4], levels=256)

# Find the GLCM properties
contrast = feature.greycoprops(graycom, 'contrast')
dissimilarity = feature.greycoprops(graycom, 'dissimilarity')
homogeneity = feature.greycoprops(graycom, 'homogeneity')
energy = feature.greycoprops(graycom, 'energy')
correlation = feature.greycoprops(graycom, 'correlation')
ASM = feature.greycoprops(graycom, 'ASM')

print("Contrast: {}".format(contrast))
print("Dissimilarity: {}".format(dissimilarity))
print("Homogeneity: {}".format(homogeneity))
print("Energy: {}".format(energy))
print("Correlation: {}".format(correlation))
print("ASM: {}".format(ASM))
 
 
4a20424293a3e18dddea791b682099c2.png
 
 
从灰度共生矩阵 (GLCM) 获得的特征
 
 
b.  LBP
 
 
由于已经有很多文章解释了本地二进制模式，在这里节省你的时间并在此处分享参考链接:
 
 
  • https://www.pyimagesearch.com/2015/12/07/local-binary-patterns-with-python-opencv/
  • https://towardsdatascience.com/face-recognition-how-lbph-works-90ec258c3d6b
 
 
简而言之，LBP 是一种纹理算子，它通过对周围像素进行阈值处理并以二进制数表示它们来标记图像的像素。LBP 让我们吃惊的是，该操作返回的灰度图像清晰地显示了图像中的纹理。在这里，我们尝试根据理解分解LBP内部的操作：
 
 
1d0b560c1a5db5ca0fec6b26306837e1.jpeg
 
 
对于每个中心像素，我们尝试与周围像素进行比较，如果中心像素大于或小于周围像素，则给它们一个标签。结果，我们周围有 8 个标签，并且通过在整个图像中保持顺时针或逆时针方向的一致模式，我们将它们布置在 2d 数组中并将它们转换为二进制数。
 
 
eeaa855f5c0fd57a4ba572ccdd85c0dc.jpeg
 
 
在我们对整个图像的每个像素执行操作后会出现这样的矩阵。
 
 
df5786711007d4bf6ee17007923ba5b2.jpeg
 
 
从这里，我们可以看到，生成的矩阵与我们的原始图像具有相同的形状，我们能够像绘制图像一样绘制和显示 LBP。
 
 
import cv2
from google.colab.patches import cv2_imshow

class LocalBinaryPatterns:
  def __init__(self, numPoints, radius):
    self.numPoints = numPoints
    self.radius = radius

  def describe(self, image, eps = 1e-7):
    lbp = feature.local_binary_pattern(image, self.numPoints, self.radius, method="uniform")
    (hist, _) = np.histogram(lbp.ravel(), bins=np.arange(0, self.numPoints+3), range=(0, self.numPoints + 2))

    # Normalize the histogram
    hist = hist.astype('float')
    hist /= (hist.sum() + eps)

    return hist, lbp

image = cv2.imread(image_file)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
desc = LocalBinaryPatterns(24, 8)
hist, lbp = desc.describe(gray)
print("Histogram of Local Binary Pattern value: {}".format(hist))

contrast = contrast.flatten()
dissimilarity = dissimilarity.flatten()
homogeneity = homogeneity.flatten()
energy = energy.flatten()
correlation = correlation.flatten()
ASM = ASM.flatten()
hist = hist.flatten()

features = np.concatenate((contrast, dissimilarity, homogeneity, energy, correlation, ASM, hist), axis=0) 
cv2_imshow(gray)
cv2_imshow(lbp)
 
 
dce726af5e65b479faa160dd1f476cbb.png
 
 
灰度图像与 LBP 表示
 
 
类似地，我们可以将 LBP 存储在直方图中，并将其视为一个特征，我们可以将其输入分类器以进行分类。PyImageSearch 的 Adrian Rosebrock 在这方面做了一个惊人的例子！
 
 
我在纹理特征方面没有太多经验，但是在收集更多信息并尝试在项目中实现它们之后，我有兴趣深入研究它。
 
 
结论
 
 
总而言之，在这篇文章中，分享了在之前的项目中使用过的三个特征的经验，主要是颜色、形状和纹理特征。连同代码和结果，试图说明我采取每一步的原因。希望你能够从图像特征中学到一些东西，从颜色、形状和纹理开始。
 
 
参考
 
 
  • https://www.analyticsvidhya.com/blog/2019/08/3-techniques-extract-features-from-image-data-machine-learning-python/
  • https://www.mygreatlearning.com/blog/feature-extraction-in-image-processing/
  • https://thevatsalsaglani.medium.com/feature-extraction-from-medical-images-and-an-introduction-to-xtract-features-9a225243e94b
  • http://www.scholarpedia.org/article/Local_Binary_Patterns
  • https://medium.com/mlearning-ai/mlearning-ai-submission-suggestions-b51e2b130bfb
 
 
下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
 


                

        

        

        

    




    

      

        

            

              
                
                  小白学视觉
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    32
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      










                



	

		

			

				
					
图像特征提取（纹理特征）

				
			

			

				

					weixin_42805841的博客
				

				

					07-26
					
					2万+
					
				

			

		

		

			
				
图像纹理特征总体简述

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性

纹理具有三大标志：


某种局部序列性不断重复
非随机排列
纹理区域内大致为均匀的统一体

不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。


纹理特征体现全局特征的...

			
		

	



                

              
                



	

		

			

				
					
opencv的特征提取代码, 纹理 形状 颜色

				
			

			

				

					10-27
				

			

		

		

			
				
opencv的特征提取代码, 纹理 形状 颜色 opencv的特征提取代码, 纹理 形状 颜色 opencv的特征提取代码, 纹理 形状 颜色 opencv的特征提取代码, 纹理 形状 颜色

			
		

	



                


  
              

                


	

		

			

				
					
OpenCV Gabor滤波器实现纹理提取与缺陷分析

				
			

			

				

					小白学视觉
				

				

					05-02
					
					2683
					
				

			

		

		

			
				
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达一：Gabor滤波器介绍Gabor滤波器是OpenCV中非常强大一种滤波器，广泛应用在纹理分割、对象检测、图像分维、文档分析、边缘检测、生物特征识别、图像编码与内容描述等方面。Gabor在空间域可以看做是一个特定频率与方向的正弦平面加上一个应用在正弦平面波上的高斯核在实际计算中，一般情况下会根据输入的t...

			
		

	





	

		

			

				
					
利用OpenCV实现图像纹理特征提取

				
			

			

				

					松子茶的专栏
				

				

					12-31
					
					2万+
					
				

			

		

		

			
				
这个程序是简单地图像纹理特征提取，参考代码如下所示：
IplImage * cvSampleImageTextureExtraction(IplImage* img,IplImage* dst){
	uchar* data=(uchar*)img->imageData;
	int step=img->widthStep;
	//IplImage* dst=cvCreateImage(cvSize

			
		

	



		

			
		



	

		

			

				
					
图像特征提取（颜色，纹理，形状）

					
热门推荐

				
			

			

				

					酒酿小圆子呀～ 
				

				

					04-10
					
					7万+
					
				

			

		

		

			
				
本文主要内容转载自博客：http://blog.csdn.net/abcjennifer/article/details/7424971
                                       http://blog.csdn.net/abcjennifer/article/details/7425483

			
		

	





	

		

			

				
					
OpenCv对于图片的RGB三色通道的提取与合并

				
			

			

				

					AI_dataloads的博客
				

				

					10-12
					
					5588
					
				

			

		

		

			
				
当涉及到图像处理和计算机视觉时，颜色通道（RGB通道）的提取是一个重要的步骤。而OpenCV是一个强大的计算机视觉库，它提供了许多功能，包括图像处理。

			
		

	





	

		

			

				
					
openCV与C＋＋的图像识别（四）——纹理图输出

				
			

			

				

					vivien1997的博客
				

				

					10-24
					
					1487
					
				

			

		

		

			
				
#include "StdAfx.h"

#include <opencv2/opencv.hpp>
#include  <opencv/highgui.h>
using namespace std;
using namespace cv;
int main()
{
	Mat src_img = imread("F:/www/person.jpg");
	imshow("...

			
		

	





	

		

			

				
					
【数字图像处理6】python+opencv使用LBP、HOG提取特征来分类人脸、人身

				
			

			

				

					火火的博客
				

				

					11-22
					
					4660
					
				

			

		

		

			
				
我就是挂个标题先，想不到吧~

文章目录实验目的实验前明确的概念一、LBP分类二、HOG分类参考资料
实验目的

选取LBP、HOG两种特征提取算法做分类，去识别人和车的图像。

实验前明确的概念

LBP、HOG是两种特征提取算法。

一、LBP分类
二、HOG分类

HOG(Histogram of Oriented Gradient)在对象识别与模式匹配中是一种常见的特征提取算法。
它是基于本地像素块进行特征直方图提取的一种算法，对象局部的变形与光照影响有很好的稳定性。

参考资料

HOG:
htt

			
		

	





	

		

			

				
					
使用灰度共生矩阵提取图像的纹理特征

				
			

			

				

					11-21
				

			

		

		

			
				
在图像处理领域，纹理...通过Python的图像处理库，我们可以方便地实现这一过程，并利用提取的特征进行各种图像分析任务。在处理复杂纹理信息时，GLCM提供了一种强大的工具，使得机器能够理解和解析图像中的纹理模式。

			
		

	





	

		

			

				
					
Image-Text:opencv特征提取

				
			

			

				

					05-19
				

			

		

		

			
				
在"Image-Text-master"这个项目中，我们可以期待看到如何使用OpenCV来联合处理图像和文本数据，可能涉及到对图像特征的提取，然后与文本信息相结合，进行深度学习或者机器学习任务。  总结起来，OpenCV在图像处理...

			
		

	





	

		

			

				
					
(二)OpenCV特征提取与检测_12_FLANN特征匹配方法

				
			

			

				

					01-20
				

			

		

		

			
				
描述子是一种向量表示，它能够捕捉图像局部区域的特性，如形状、纹理和边缘。OpenCV中的`cv::BFMatcher`（Brute-Force Matcher）是一种简单的匹配器，它通过计算描述子之间的距离来进行匹配。`BFMatcher`构造函数...

			
		

	





	

		

			

				
					
opencv特征提取的代码

				
			

			

				

					05-15
				

			

		

		

			
				
通过这段代码，我们可以了解 OpenCV 的基本使用方法和特征提取技术，了解颜色直方图的计算和显示过程。  在实际应用中，特征提取技术可以应用于图像分类、对象识别、图像检索等领域。例如，在图像分类任务中，我们...

			
		

	





	

		

			

				
					
（8-3）图像特征提取：纹理特征

				
			

			

				

					码农三叔
				

				

					03-20
					
					4564
					
				

			

		

		

			
				
灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）是一种常用的图像纹理特征提取技术，是一种描述图像中像素灰度级之间相对关系的矩阵，用于描述图像中像素对之间的灰度值共生关系，通过统计相邻像素的灰度值出现频次和空间关系，从而提取出图像的纹理特征。在小波变换的过程中，可以提取出图像的纹理特征，例如局部纹理的频率、方向和能量等信息。小波变换在图像纹理分析、纹理识别、图像压缩等领域有广泛应用，它能够提取图像的多尺度、多方向的纹理特征，对于纹理分析和纹理识别任务非常有用。

			
		

	





	

		

			

				
					
opencv根据颜色抠图

				
			

			

				

					weixin_72518947的博客
				

				

					02-03
					
					817
					
				

			

		

		

			
				
opencv根据颜色抠图：获取红色区域，遍历和opencv方法对比

			
		

	





	

		

			

				
					
opencv -- 颜色和轮廓 的 提取&筛选

				
			

			

				

					m0_50616665的博客
				

				

					05-17
					
					9573
					
				

			

		

		

			
				
注：本文采用的编程语言是python。
如果你使用的是C++，有些代码可能需要自行变更！
前言
  初学opencv的阶段，难免是从枯燥地啃文档和记函数开始。逐一而草率地“过”一遍函数用法，对于初学者而言，其实很难起到学习的进步。只有在具体的实例中，才能更好地理解函数用法和搭配 的 妙用。
  笔者在视觉库cvzone和halcon的启发下，总结了些opencv实现的颜色和轮廓的提取&筛选方法，能够方便地应用在不同的项目之上。
  如果读友是小白，在这里也推荐个B站上的油管搬运教程：opencv超实

			
		

	





	

		

			

				
					
基于LBP纹理特征计算GLCM的纹理特征统计量+SVM/RF识别纹理图片

				
			

			

				

					图特摩斯科技-博客
				

				

					11-13
					
					3万+
					
				

			

		

		

			
				
## 局部特征检测方法
斑点 Blob检测，LoG检测 ， DoG，DoH检测，SIFT算法，SUFT算法
边缘检测 梯度边缘检测算子，拉普拉斯算子，LoG检测 ，Canny边缘检测算子，Roberts,Sobel,Prewitt,
角点检测 Kitchen-Rosenfeld，Harris角点，多尺度Harris角点，KLT,SUSAN检测算子，Shi-Tomasi
将基于主分量分析和Fisher线性鉴别分析所获得的特征抽取方法，统称为线性投影分析。
这些方法与本文无太大关系，主要用于Logo检

			
		

	





	

		

			

				
					
【python】OpenCV—Scanner

					
最新发布

				
			

			

				

					bryant_meng
				

				

					07-18
					
					773
					
				

			

		

		

			
				
在OpenCV中，特别是在使用cv2.findContours函数时，返回的轮廓信息可能会根据OpenCV的版本（主要是3.x和4.x版本之间）而有所不同。请注意，如果你正在使用OpenCV 3.x，cv2.findContours实际上会返回三个值，但imutils.grab_contours函数会忽略第一个返回值（通常是原始图像，但在这个上下文中并不重要），并只返回轮廓列表。它接受一个轮廓（轮廓是一系列的点，通常通过边缘检测或轮廓查找算法获得）作为输入，并返回该轮廓的周长。显示原始图像和边缘检测图像。

			
		

	





	

		

			

				
					
opencv图像纹理提取

				
			

			

				

					07-08
				

			

		

		

			
				
### 回答1：
OpenCV图像纹理提取是通过分析图像的纹理特征来获取图像的纹理信息。图像纹理是指图像中的局部区域的纹理特征，包括纹理的颜色、形状和细节等。

在OpenCV中，可以通过一些算法和函数来实现图像纹理提取。其中，最常用的方法是使用局部二值模式（Local Binary Patterns，LBP）和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）等算法。

LBP算法是一种非常有效的纹理特征描述方法，它将图像中的每个像素值与其周围像素值进行比较，并将比较结果编码成一个二进制数，从而得到该像素的纹理特征。

GLCM算法是一种统计方法，它用于计算图像中像素之间的灰度值共生矩阵，并根据该矩阵计算出一些描述图像纹理的统计特征，如能量、对比度、相关性和熵等。

通过使用OpenCV提供的函数，我们可以方便地实现图像纹理提取。首先，我们可以使用cv2.cvtColor函数将图像从彩色空间转换为灰度空间。然后，我们可以使用cv2.LBP函数来计算图像的LBP特征，或者使用cv2.textureEntropy函数来计算图像的纹理熵。

此外，OpenCV还提供了一些其他的图像纹理提取函数，如cv2.Sobel、cv2.Canny和cv2.HOG等。这些函数可以用于提取图像中的边缘和纹理信息。

总之，通过使用OpenCV中的各种算法和函数，我们可以有效地提取图像的纹理信息，帮助我们进一步分析和处理图像数据。  

### 回答2：
图像纹理提取是指从图像中提取出具有特定纹理特征的区域或物体的过程。在OpenCV中，可以使用各种方法进行图像纹理提取。

一种常用的方法是使用局部二值模式（Local Binary Patterns，LBP）算法。LBP算法通过将像素与其周围像素进行比较，并将结果编码为二进制数，以描述像素区域的纹理特征。通过计算图像中各个像素的LBP特征，可以得到图像的纹理信息。

另一种常用的方法是使用灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）。GLCM通过计算图像中不同像素灰度值之间的出现模式和频率来描述图像的纹理特征。通过计算图像的GLCM矩阵，可以获得纹理统计信息，如对比度、能量、相关性和均匀性等。

此外，还可以使用方向梯度直方图（Histogram of Oriented Gradients，HOG）算法进行图像纹理提取。HOG算法通过计算图像中不同方向梯度的分布来描述图像的纹理特征，可用于检测图像中的边缘、点和线等。

使用OpenCV进行图像纹理提取的步骤通常包括图像预处理、纹理特征提取和特征描述等。首先，对图像进行预处理，如灰度化、滤波、归一化等。然后，使用相应的算法提取图像的纹理特征，如LBP、GLCM或HOG。最后，对提取的特征进行描述和分析，可用于图像分类、纹理识别等应用。

总之，OpenCV提供了多种方法和工具来进行图像纹理提取，通过这些技术，可以有效地从图像中提取出具有纹理特征的区域或物体，为图像分析和图像识别等任务提供了有力的支持。  

### 回答3：
Opencv是一个流行的计算机视觉库，它提供了各种功能来处理图像纹理，包括纹理特征的提取。

图像纹理是指图像中的局部模式或结构。纹理提取是通过分析图像的局部信息来捕捉图像的纹理特征，并将其表示为数值特征向量。这些特征向量可以用于图像分类，目标检测，图像匹配等任务。

在OpenCV中，有几种方法可以用于图像纹理特征的提取。其中一种常用的方法是使用局部二值模式（Local Binary Patterns，LBP）。LBP方法将每个像素与其周围邻域像素进行比较，并根据比较结果生成一个二进制代码。通过统计这些二进制代码的分布，可以得到描述图像纹理的特征向量。

另一种常用的方法是使用灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）。GLCM方法通过计算图像中邻域像素对的灰度值出现的概率分布来提取纹理特征。通过计算灰度共生矩阵的统计特性，如对比度、相关性、能量和熵等，可以得到用于描述图像纹理的特征向量。

除了LBP和GLCM方法，OpenCV还提供了其他一些用于纹理特征提取的方法，如Gabor滤波器和局部方向模式（Local Directional Pattern，LDP）等。

总结来说，OpenCV提供了多种方法用于图像纹理特征的提取，包括LBP、GLCM、Gabor滤波器等。这些方法可以帮助我们分析和描述图像的纹理特征，为后续的图像处理和分析任务提供基础。

			
		

	



              



  
“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