图像处理
关于图像处理的部分
一个做图像的人
这个作者很懒,什么都没留下…
展开
-
opencv 矩形轮廓筛选及仿射变换(背景替换)
import cv2import numpy as npdef read_img(path,threshold): """ 预处理图片 :param path: 图片路径 :return: 原图,二值图像 """ # 读取图像 img = cv2.imread(path) # 转化灰度 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # .原创 2021-11-01 12:48:19 · 1923 阅读 · 0 评论 -
数字图像分割(三):相似性分割——区域生长与K均值聚类
在灰度的阈值分割部分,就已经提到了类似于K-means的分割思想。但本次的相似性分割与灰度值中的相似性分割有一个最大的区别:本次的像素要求连通!这直接让分割任务上了一个档次,对于灰度值的自适应阈值来讲,只需统计图像中的灰度值分布情况与分类就行,不需要考虑像素点是否连通。但是对于区域生长方法来讲,像素点连通则是区域生长算法的前提!四邻域:(这里坐标只是示意:具体是Opencv坐标还是图像处理坐标,还是笛卡尔坐标视实际情况!)D邻域:8邻域:邻域有了,接下来就是连通,原创 2020-09-26 11:50:01 · 2294 阅读 · 1 评论 -
数字图像分割(二):相似性分割——灰度阈值处理
灰度阈值处理是属于相似性分割的一部分,因为它有着一个判断性的准则:T基本的判断依据;设置一个中间判断的阈值,大于这个阈值,像素为1(255),小于这个阈值,像素为0。过程展示如下方的灰度分布直方图,当然,也可以分多段:...原创 2020-09-25 15:09:35 · 3028 阅读 · 0 评论 -
数字图像分割(一):不连续性分割——边缘检测
关于一些基础的概念,网上都有许多,再做没什么太多意义,这里只记录自己的一些简单理解。1.边缘检测是图像不连续性分割的一种方法。2.边缘检测基于灰度值的突变3.边缘检测需要阈值4.一阶导的斜坡变化缓慢,需要借助二阶导(Lapulace)的双边效应一阶导:前向差分:反向差分:中心差分:二阶导:中心差分:偏x差分:偏y差分:5.对于孤立点的检测,Lapulace响应更加强烈6.不同的边缘检测算子是有区别的(噪声处理)。7.检测算子的边缘检测可以具有方向性原创 2020-09-23 19:09:22 · 3837 阅读 · 2 评论