![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数字图像处理
文章平均质量分 92
_hermit:
鞘安于钝,以护剑利
展开
-
python数字图像处理基础(十二)——银行卡识别
感兴趣区域。机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI,并进行图像的下一步处理。2.模板要求:输入模板必须带有所有的数字,且字体与识别的银行卡号一样输入:模板图像输出:0-9各个数字模板流程:(1)输入模板图像(2)模板图像转换为灰度图(3)灰度图转换为二值图(4)找到所有数字的外轮廓。原创 2024-01-19 15:17:23 · 997 阅读 · 2 评论 -
python数字图像处理基础(十一)——光流估计
具体来说,该算法考虑图像中的每个像素周围的小邻域,并假设该邻域内的像素强度变化可以用一个位移向量来描述。光流估计的目标是找到一个场景中每个像素点的运动向量,表示它在图像中的位移。通过了解图像序列中物体的运动,我们可以更好地理解场景的动态变化,从而支持许多应用,如行为分析、目标跟踪和视频稳定。是空间运动物体在观测成像平面上的像素运动的“瞬时速度”,根据各个像素点的速度矢量特征,可以对图像进行动态分析,例如目标跟踪。它假设一个小的图像块内的像素强度变化是线性的,并通过解一个最小二乘问题来计算局部运动。原创 2024-01-19 14:52:32 · 1235 阅读 · 0 评论 -
python数字图像处理基础(十)——背景建模
其基本思想是通过对视频序列中的像素进行建模,找到视频中的静态背景,并将不同的像素标记为背景和前景,从而使后续的对象检测和跟踪更为可靠。由于场景中的目标在运动,目标的影像在不同图像帧中的位置不同。在测试阶段,对新来像素点的值与混合高斯模型中的每一个均值进行比较,如果其差值在2倍的方差之间的话,则认为是背景,否则认为是前景。3.当后面来的像素值时,与前面已有的高斯的均值比较,如果该像素点的值与其模型均值差在3倍的方差内,则属于该分布,并对其进行参数更新。等,它们也可以用于不同的场景和需求。原创 2024-01-18 23:07:27 · 1362 阅读 · 1 评论 -
python数字图像处理基础(九)——特征匹配
利用两个图像中至少四个特征点能够求解一个单应性矩阵(homography matrix),然后用这个单应性矩阵能够将图像1中的某个坐标变换到图像2中对应的位置。基本的思想是:数据中包含正确的点和噪声点,合理的模型应该能够在描述正确数据点的同时摒弃噪声点。而RANSAC算法则通过随机采样和一致性检验,从包含噪声的数据中估计出正确的模型参数,对于一些存在噪声和异常值的情况,RANSAC能够更稳健地估计模型。你提到的使用SIFT找到特征点,并通过单应性矩阵将图像进行变换,是一种常见的方法。通过SIFT找特征点。原创 2024-01-18 22:50:57 · 4814 阅读 · 5 评论 -
python数字图像处理基础(八)——harris角点检测、图像尺度空间、SIFT算法
让选择的特征点更加准确:把图像首先做一个金字塔,金字塔中每一层做不同的高斯滤波,让每一层图像进行不同程度的模糊,通过差分的方法选出最有价值的点,点的选择方法:DoG空间极值检测——在3X3的三维像素区域内(类似魔方)将中心点与周围26个像素点进行比较,得到候选关键点;然而计算机要有相同的能力却不是那么的容易,在未知的场景中,计算机视觉并不能提供物体的尺度大小,其中的一种方法是把物体不同尺度下的图像都提供给机器,让机器能够对物体在不同的尺度下有一个统一的认知。角点是图像中局部区域的交叉点或者突出的特征点。原创 2024-01-18 22:43:38 · 1465 阅读 · 1 评论 -
python数字图像处理基础(七)——直方图均衡化、傅里叶变换
使用一个60×60的矩形窗口进行蒙板操作,去除低频分量,使用函数np.fft.ifftshift将图像中心平移回左上角,然后使用函数 np.ifft2()进行FFT逆变换,将得到的复数结果取绝对值。(个人理解,在图像问题当中,频域是指图像的灰度变化,也就是灰度图像的梯度值,这个和轮廓的原理差不多,灰度值变化剧烈的叫做高频分量,例如边界和噪声。:通过傅里叶变换,将图像转化为频谱图,而低通滤波和高通滤波则是傅里叶变换的逆变换,即通过对频谱图进行一些操作(保留低频/保留高频),从而达到改变原始图像的效果。原创 2024-01-17 23:36:24 · 1963 阅读 · 0 评论 -
python数字图像处理基础(六)——模板匹配、直方图
你可以将直方图视为图形或绘图,从而为你提供有关图像强度分布的总体思路。它是X轴上的像素值(范围从0到255,并非总是)和Y轴上图像中相应像素数量的绘图。原创 2024-01-17 23:30:53 · 1218 阅读 · 0 评论 -
python数字图像处理基础(五)——Canny边缘检测、图像金字塔、图像分割
该函数还可返回一个可选的hiararchy结果,这是一个ndarray,其中的元素个数和轮廓个数相同,每个轮廓contours[i]对应4个hierarchy元素hierarchy[i] [0] ~hierarchy[i] [3],分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号,如果没有对应项,则该值为负数。基于聚类的算法是基于事物之间的相似性作为类划分的标准,即根据样本集的内部结构将其划分为若干子类,以使相同类型的类尽可能相似、不同的类型的类尽可能不相似。3)图像中的对象区域用部分像素标记。原创 2024-01-17 23:14:57 · 1774 阅读 · 0 评论 -
python数字图像处理基础(四)——图像平滑处理、形态学操作、图像梯度
图像函数f(x,y)在点(x,y)的梯度是一个具有大小和方向的矢量,梯度的方向是函数f(x,y)变化最快的方向,当图像中存在边缘时,一定有较大的梯度值,相反,当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小,图像处理中把梯度的模简称为梯度。让临近的像素具有更高的重要度,对周围像素计算加权平均值,较近的像素具有较大的权重值。与腐蚀相反,与卷积核对应的原图像的像素值中只要有一个是1,中心元素的像素值就是1。白到黑是正数,黑到白就是负数了,所有的负数会被截断,为0,即都是黑的。原创 2024-01-16 21:29:31 · 2173 阅读 · 1 评论 -
python数字图像处理基础(三)——图像融合、图形绘制、阈值操作、色彩分割
如果你想识别红色或是蓝色,可以直接将改成或是。其中color_dist内包含的是颜色在HSV模式下的范围。例:将一副图像从rgb颜色空间转换到hsv颜色空间,颜色去除白色背景部分。原创 2024-01-16 21:07:14 · 1208 阅读 · 0 评论 -
python数字图像处理基础(二)——图像基本操作、滑动条、鼠标操作
方法二:也可直接调用createTrackbar() 函数,直接就运行函数,进而反复调用createTrackbar()的第五个参数——自定义函数中进行操作也可。cv2.BORDER_DEFAULT 边界元素的镜像,填充的边界与原图像边界(忽略第一个元素)对称,成镜像,gfedcb。cv2.BORDER_REFLECT 边界元素的镜像,填充的边界与原图像边界对称,成镜像,fedcba。cv2.split():分离图像的BGR,cv2.merge():根据BGR值重新融合出图像。原创 2024-01-16 18:28:36 · 1463 阅读 · 1 评论 -
python数字图像处理基础(一)——计算机中的图像
图像分辨率的意思就是一幅图像的长和宽有多少个像素点,例如一幅分辨率 为1366*768的图像,便是图像的长为1366个像素点,宽为768个像素点, 一 般情况而言,分辨率越高的图像越清晰,反之越模糊。当num<0时,np.argsort()[num]就是把数组y的元素反向输出,例如np.argsort()[-1]即输出x中最大值对应的index,np.argsort()[-2]即输出x中第二大值对应的index,依此类推。包括图像增强,图像回复,图像压缩,图像分割等内容。原创 2024-01-16 18:13:39 · 989 阅读 · 1 评论