- 博客(9)
- 收藏
- 关注
RSS订阅原创 脚本：将训练集的.xml文件转化为可读的.txt标签文件（yolov3）
classes = ["smoke", "fire"] # 标签种类。TRAIN_RATIO = 80 # 训练集占比。
2023-05-29 17:11:03
114
1
原创 脚本：将视频取图像帧保存
print("---> 正在读取第%d帧:" % frame_index, success) # 我的是Python3.6。# video_formats = [".MP4", ".MOV"] 我的数据集都是.mp4所以不需要进行分类判断。# print "---> 正在读取第%d帧:" % frame_index, success。print("正在读取视频：", each_video) # 我的是Python3.6。:param frame_height: 保存帧高。
2023-05-29 17:09:11
235
1
原创 运动检测项目（两帧图片进行差分）
frame_temp2 = cv2.adaptiveThreshold(frame_temp2, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 7, 4)#目前效果最好的一种自适应方法。# ret, frame_temp2 = cv2.threshold(frame_temp2, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 二值化。# 循环使用cv2的read()方法读取视频帧。
2023-03-27 19:47:35
111
原创 边缘检测项目（将边缘描绘出来）python opencv
contours, hierarchy = cv.findContours(frame_blur, cv.RETR_LIST, cv.CHAIN_APPROX_NONE,offset=(0,start_height1))#找轮廓的函数。ret,frame_temp = cv.threshold(frame_temp,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)#二值化。del_arr=np.array(del_arr)#创建数组del_arr表示的是轮廓。
2023-03-27 19:41:25
156
原创 自适应阈值二值化
可选ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C。当C越大，每个像素点的N*N邻域计算出的阈值就越小，中心点大于这个阈值的可能性也就越大，设置成255的概率就越大，整体图像白色像素就越多，反之亦然。注意：当blockSize越大，参与计算阈值的区域也越大，细节轮廓就变得越少，整体轮廓越粗越明显。C：常数，每个区域计算出的阈值的基础上在减去这个常数作为这个区域的最终阈值，可以为负数。blockSize：要分成的区域大小，上面的N值，一般取奇数。
2023-03-23 10:21:27
187
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人