OpenCV+Python简单实践之硬币检测以及条形码检测

最新推荐文章于 2024-05-28 12:22:51 发布
最新推荐文章于 2024-05-28 12:22:51 发布
阅读量2.8k 收藏 35
点赞数 4
分类专栏： OpenCv 人工智能 文章标签： python opencv 图像处理 图像识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_47281915/article/details/121640725
版权

文章目录

一、简单图片格式

1.位图

把一张彩色图片分别保存为 32位、16位彩色和256色、16色、单色的位图
在这里插入图片描述

notepad打开位图
img1.bmp单色位图
文件头如图
在这里插入图片描述
img16.bmp16色位图
在这里插入图片描述
img256.bmp256色位图
在这里插入图片描述

img16rgb16位彩图
在这里插入图片描述
img32rgb32位彩图
在这里插入图片描述
位图大小计算公式为；长×高×位深度
比如下面的图，可以计算得大小约为（220×220×16）/8/1024=94.53125kb，不包括文件头等其他信息。
在这里插入图片描述

0~1 两个字节为文件类型，0x4d42为固定BM
2~5 四个字节为文件大小，0x184e，即6222
6~9 四个字节为保留字段，全0
a~d 四个字节为从文件头到实际的位图数据的偏移字节数
12~15 四个字节表示图片宽度，0xdc为220
16~19 四个字节表示图片高度，0xdc为220
1a~1b 两个字节，恒定为0x1
1c~1d 两个字节表示像素占的比特，这里为0x1即两种颜色，16色为0x4即16种颜色，256色为0x8即256种颜色
1e~21 四个字节表示图片是否压缩，0x0表示不压缩
22~25 四个表示图像大小，0x1810为6160
26~29 四个字节表示水平分辨率
2a~2d 四个字节表示垂直分辨率
23~31 四个字节表示实际使用的颜色索引数
32~35 四个字节表示重要的颜色索引数

可以发现文件头一共占40个字节，为十六进制。
对于不同的图片，文件大小、长、宽、像素占比都不同。

2.文件压缩比

分别保存jpg，png，gif，bmp四种格式的图片，原图为24位img.bmp，大小为468kb。
经过jpg转换后大小变为22.6kb，压缩率在5%
经过gif转换后大小变为10.9kb，压缩率在3%
经过png转换后大小变为74.1kb，压缩率在16%
经过256色位图转换后大小变为157kb，压缩率在36%
当然，这里的图片空白部分偏多，压缩率很低。
在这里插入图片描述

二、用奇异值分解（SVD）对一张图片进行特征值提取（降维）处理

1.代码

import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprint


def restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K):
        uk = u[:, k].reshape(m, 1)
        vk = v[k].reshape(1, n)
        a += sigma[k] * np.dot(uk, vk)
    a[a < 0] = 0
    a[a > 255] = 255
    # a = a.clip(0, 255)
    return np.rint(a).astype('uint8')


def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K+1):
        for i in range(m):
            a[i] += sigma[k] * u[i][k] * v[k]
    a[a < 0] = 0
    a[a > 255] = 255
    return np.rint(a).astype('uint8')


if __name__ == "__main__":
    A = Image.open("./lena.jpg", 'r')
    print(A)
    output_path = r'./SVD_Output'
    if not os.path.exists(output_path):
        os.mkdir(output_path)
    a = np.array(A)
    print(a.shape)
    K = 50
    u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])
    u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])
    u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])
    plt.figure(figsize=(11, 9), facecolor='w')
    mpl.rcParams['font.sans-serif'] = ['simHei']
    mpl.rcParams['axes.unicode_minus'] = False
    for k in range(1, K+1):
        print(k)
        R = restore1(sigma_r, u_r, v_r, k)
        G = restore1(sigma_g, u_g, v_g, k)
        B = restore1(sigma_b, u_b, v_b, k)
        I = np.stack((R, G, B), axis=2)
        Image.fromarray(I).save('%s\\svd_%d.png' % (output_path, k))
        if k <= 12:
            plt.subplot(3, 4, k)
            plt.imshow(I)
            plt.axis('off')
            plt.title('奇异值个数：%d' % k)
    plt.suptitle('SVD与图像分解', fontsize=20)
    plt.tight_layout()
    # plt.subplots_adjust(top=0.9)
    plt.show()

2.效果

随着奇异值的减少图片变得模糊
在这里插入图片描述

三、采用图像的开闭运算(腐蚀-膨胀)，检测出2个样本图像中硬币、细胞的个数

1.硬币检测代码

读取图片

#读取图片
src = cv2.imread("img_1.png")
img = src.copy()

原图
在这里插入图片描述

转为灰度图片

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

在这里插入图片描述

图片二值化

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

在这里插入图片描述

腐蚀

腐蚀主要为了把每个硬币区分开。过大会造成缺失，过低会无法区分开。参数可以自己设置以达到合适。

#腐蚀
kernel = np.ones((25, 25), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

在这里插入图片描述

膨胀

膨胀到合适的值，这样每一个白色区域就是一个硬币。

#膨胀
kernel = np.ones((10, 10), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)

在这里插入图片描述

找到硬币中心

#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]

标识硬币

#标识硬币
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

显示结果

#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
imgStack = stackImages(0.7, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

最终结果

在这里插入图片描述

源码

import cv2
import numpy as np

def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("img_1.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

#腐蚀
kernel = np.ones((20, 20), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

#膨胀
kernel = np.ones((3, 3), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)

#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]

#标识硬币
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
imgStack = stackImages(1, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

2.细胞检测

和硬币检测原理和过程一致。

四、 采用图像梯度、开闭、轮廓运算等，对图片中的条形码进行定位提取；再调用条码库获得条码字符

读取图片

#读取图片
src = cv2.imread("img_3.jpg")
img = src.copy()

转为灰度图片

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

在这里插入图片描述

高斯滤波处理

#高斯滤波
img_2 = cv2.GaussianBlur(img_1, (5, 5), 1)

在这里插入图片描述

Sobel算子计算梯度差

#Sobel算子
sobel_x = cv2.Sobel(img_2, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img_2, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
img_3 = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

在这里插入图片描述

均值方波消除高频噪声

#均值方波
img_4 = cv2.blur(img_3, (5, 5))

在这里插入图片描述

二值化

#二值化
ret, img_5 = cv2.threshold(img_4, 127, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

在这里插入图片描述

闭运算填充空隙


#闭运算
kernel = np.ones((100, 100), int)
img_6 = cv2.morphologyEx(img_5, cv2.MORPH_CLOSE, kernel)

在这里插入图片描述

开运算得到最终区域

#开运算
kernel = np.ones((200, 200), int)
img_7 = cv2.morphologyEx(img_6, cv2.MORPH_OPEN, kernel)

在这里插入图片描述

绘制结果

#绘制条形码区域
contours = cv2.findContours(img_7, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = imutils.grab_contours(contours)
c = sorted(contours, key = cv2.contourArea, reverse = True)[0]
rect = cv2.minAreaRect(c)
box = cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(img, [box], -1, (0,255,0), 20)

#显示图片信息
cv2.putText(img, "results", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_1, "gray", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_2, "GaussianBlur",(200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_3, "Sobel", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_4, "blur", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_5, "threshold", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_6, "close", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_7, "open", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)

#输出条形码
barcodes = pyzbar.decode(src)
for barcode in barcodes:
    barcodeData = barcode.data.decode("utf-8")
    cv2.putText(img, barcodeData, (200, 600), cv2.FONT_HERSHEY_SIMPLEX, 5.0, (0, 255, 0), 30)

#显示所有图片
imgStack = stackImages(0.1, ([img_1, img_2,img_3,img_4],[img_5,img_6,img_7,img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

在这里插入图片描述

结果

在这里插入图片描述

源码

import cv2
import numpy as np
import imutils
from pyzbar import pyzbar
def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("img_3.jpg")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#高斯滤波
img_2 = cv2.GaussianBlur(img_1, (5, 5), 1)


#Sobel算子
sobel_x = cv2.Sobel(img_2, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img_2, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
img_3 = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

#均值方波
img_4 = cv2.blur(img_3, (5, 5))

#二值化
ret, img_5 = cv2.threshold(img_4, 127, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

#闭运算
kernel = np.ones((100, 100), int)
img_6 = cv2.morphologyEx(img_5, cv2.MORPH_CLOSE, kernel)

#开运算
kernel = np.ones((200, 200), int)
img_7 = cv2.morphologyEx(img_6, cv2.MORPH_OPEN, kernel)

#绘制条形码区域
contours = cv2.findContours(img_7, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = imutils.grab_contours(contours)
c = sorted(contours, key = cv2.contourArea, reverse = True)[0]
rect = cv2.minAreaRect(c)
box = cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(img, [box], -1, (0,255,0), 20)

#显示图片信息
cv2.putText(img, "results", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_1, "gray", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_2, "GaussianBlur",(200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_3, "Sobel", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_4, "blur", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_5, "threshold", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_6, "close", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)
cv2.putText(img_7, "open", (200, 200), cv2.FONT_HERSHEY_SIMPLEX, 10.0, (255, 0, 0), 30)

#输出条形码
barcodes = pyzbar.decode(src)
for barcode in barcodes:
    barcodeData = barcode.data.decode("utf-8")
    cv2.putText(img, barcodeData, (200, 600), cv2.FONT_HERSHEY_SIMPLEX, 5.0, (0, 255, 0), 30)

#显示所有图片
imgStack = stackImages(0.1, ([img_1, img_2,img_3,img_4],[img_5,img_6,img_7,img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

四、总结

学会使用OpenCV对于处理图像有很大的帮助

五、参考

https://blog.csdn.net/qq_43279579/article/details/120782545
https://blog.csdn.net/qq_43279579/article/details/120766454
https://blog.csdn.net/qq_43279579/article/details/120785076
https://blog.csdn.net/weixin_45602979/article/details/108831760
https://blog.csdn.net/yl_best/article/details/90666104

醉意丶千层梦
关注
  • 4
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OpenCV——硬币检测与计数的设计实现
Sam's blog
09-27 7377
1、阈值分割 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 使用函数cv2.threshold()进行简单的阈值处理 函数原型为：threshold(src, thresh, maxval, type[, dst]) -> retval, dst 返回值 retval：当前用来对像素值进行分类的低阈值,默认情况下和参数thresh相等 dst：二值化处理后的图
opencv实现硬币识别并累计金额
11-02
适用于初学者 用jupyter notebook实现
【python-opencv】硬币检测
leemo的博客
01-18 3304
使用图像处理技术，从照片中识别硬币的个数，并判断总价值。
基于Python+OpenCV硬币检测与识别
最新发布
Q1744828575的博客
05-28 855
一、项目背景与意义在自动售货机、无人商店、硬币分类机等实际应用中，硬币的自动检测与识别技术具有重要意义。它能够极大地提高硬币处理的效率和准确性，减少人工干预，降低运营成本。本项目旨在利用Python和OpenCV库，构建一个硬币检测与识别的系统，以满足实际应用的需求。二、技术路线与原理本项目主要基于Python编程语言和OpenCV库进行开发。OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理和分析功能。
python opencv检测条形码
06-05
python加opencv实现的检测图片上边条形码功能的代码，测试可用
c++ opencv4.5.5 实现硬币计数
qq_45723275的博客
02-08 3691
效果图 实现思路 先将图像进行灰度化再进行二值化处理 消除噪声，膨胀使物体变大消除硬币内部噪声，开操作消除部分高亮区域 据距离变换的性质，经过简单的运算，即可用于细化字符的轮廓和查找物体质心（中心） 轮廓查找 代码 #include <opencv.hpp> #include <iostream> int main() { //初始化操作 cv::Mat src = cv::imread("./1.png"); cv::Mat img = src.clone();
C＃中的深度学习：使用OpenCV进行硬币检测
寒冰屋的专栏
12-15 1817
在本文中，我们将介绍一个OpenCV应用程序，它将检测图像中的硬币。硬币检测是完整硬币识别之前的常见阶段。它包括检测和提取给定图像中的硬币。 下载源1.5 MB 本系列附带的代码将使用Keras.NET在C＃中实现，在本系列的最后一篇文章中，我们将简要地使用ML.NET。在所有选项中，为什么要使用Keras.NET？Keras.NET非常易于学习，因为它基本上是从用Python编写的经典TensorFlow到C＃的直接映射。与不采用其他方法之一创建示例相比，对于不熟悉机器学习的读者而言，此示例要容易得
基于OpenCV简易检测硬币个数
weixin_55984718的博客
08-01 3861
背景:在我们生活中常常需要我们用肉眼来计算某些物品的数量,如果通过人工操作会产生:①.效率低下；②.长时间的工作会导致眼睛疲劳导致错误的计算;为此,我们可以使用图像处理来检测方便我们. 代码如下： #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; Mat srcImage; //源图 Mat dstImage; //目标图 Mat grayIma
基于Opencv+Python目标检测源码+全部数据（高分项目）.zip
03-28
基于Opencv+Python目标检测源码+全部数据（高分项目）.zip代码完整下载可用，确保可以运行。 基于Opencv+Python目标检测源码+全部数据（高分项目）.zip代码完整下载可用，确保可以运行。基于Opencv+Python目标检测...
基于OpenCv+python实现的人脸识别检测源码+数据（课程设计）.zip
10-18
基于OpenCv+python实现的人脸识别检测源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于OpenCv+python实现的...
基于Yolov+Opencv+Python进行目标检测源码+文档说明+使用说明
01-24
基于Yolov+Opencv+Python进行目标检测源码+文档说明+使用说明 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心...
计算机视觉、图像处理、硬币识别
09-16
计算机视觉课程，使用Matlab进行硬币识别、识别硬币的数值以及数量、总钱数
CalibratedBlobDiameters:在校准和校正后的图像上测量硬币直径。 话题
04-25
校准的斑点直径 在校准和校正后的图像上测量硬币直径 描述 使用棋盘格校准目标的一张镜头来校准摄像机。 通过校正相机和世界坐标来校正图像。 在校正后的图像中找到硬币并测量其直径。 怎么跑 通过运行应用程序（F5）或调试（F7 + F10），可以启动此示例。 在“ main”函数内第一行设置断点可以在“ Engine.OnStarted”事件之后逐步调试。 可以在DevicePage的图像查看器中看到结果。 要运行此示例，必须使用具有SICK Algorithm API的设备。 例如，具有最新固件的InspectorP或SIM4000。 或者，可以使用AppStudio 2.2或更高版本上的仿真器。 可以在DevicePage的图像查看器中看到图像。 更多信息 教程“算法-Calibration2D” 话题 算法，图像2D，校准，样​​本，SICK-AppSpace
OpenCV+Python+Dlib面部标定、眨眼和疲劳检测代码
12-11
本项目专注于使用OpenCV、Python和Dlib库进行面部标定、眨眼检测以及驾驶疲劳监测，这些都是安全驾驶辅助系统的关键技术。以下是这些技术的详细解释： 1. **OpenCV**：OpenCV（开源计算机视觉库）是一个强大的跨...
OpenCV+python实现实时目标检测功能
09-16
在本教程中，我们将深入探讨如何使用OpenCV和Python实现实时目标检测功能。这个功能在许多领域，如监控、安全、自动驾驶等都有广泛应用。首先，我们需要确保拥有正确的开发环境，这包括安装必要的软件和库。 环境...
python找假硬币二分法_python – OpenCV硬币检测和自动结果检查
weixin_39588252的博客
12-10 609
我正在开展一个硬币识别项目.我遇到的第一件事就是从图像中提取正确的硬币,即使是非常简单的图像也是如此.硬币检测有很多好的工作方法,但我认为所有这些都需要在申请后进行人工检查.我测试了其中两个：cv2.HoughCircles和阈值与findig countours之后.这里有一些成功的处理示例：cv2.HoughCircles,效果很好cv2.HoughCircles,结果不好但是对于第二个图像,...
python识别条形码_用 Python 和 OpenCV 检测图片上的条形码（转载）
weixin_39654823的博客
12-24 609
python钞票检测软件_Python串口操作纸币器1
weixin_39737001的博客
12-18 225
#-*- coding:utf-8 -*-#Author: Pete Yim#Date : 13-7-31importthreadingimportserialfrom time importsleepGLOBAL_COUNT=0GLOBAL_OUT_INIT_NUM=0GLOBAL_OUT_CHECK_NUM=0COMMAND_INIT_FLAG=FalseCOMMAND_CHECK_FLAG...
用python和opencv检测图像中的条形码 !
Pythoncxy的博客
07-31 303
概述 Python资源共享群：484031800 在日常生活中，经常会看到条形码的应用，比如超市买东西的生活，图书馆借书的时候。。。 那么这些东西是如何做到准确检测出条形码的位置呢？ 这就是今天要介绍的内容了 这篇博文的目标是演示使用计算机视觉和图像处理技术实现条形码的检测。 通过本篇文章的学习，我们能学到的内容包括： 1、图像处理中常用的一些操作...
Python+OpenCV+HOG+SVM+行人检测
04-05
Python OpenCV HOG SVM 行人检测是使用...Python OpenCV HOG SVM 行人检测是一种简单有效的行人检测方法。通过收集数据集，提取HOG特征，训练SVM分类器，可以实现高效的行人检测。可以应用于视频监控、自动驾驶等领域。

“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