Python OpenCV精讲系列 - 高级图像处理技术（六）

于 2024-09-14 07:14:30 发布
阅读量438 收藏 6
点赞数 18
分类专栏： Python OpenCV精讲 文章标签： python opencv 图像处理 开发语言 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 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/suifengme/article/details/141531893
版权

在这里插入图片描述

💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖
本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。

1. 目标检测

目标检测是指在图像或视频中定位并识别特定类别的物体。

1.1 Haar Cascades

Haar cascades 是一种用于检测图像中特定类型对象的机器学习方法。

cascade = cv2.CascadeClassifier(cascade_path)
rects = cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

  • 参数：

    • cascade_path：Haar cascade 文件路径。
    • gray：灰度图像。
    • scaleFactor：图像缩放比例。
    • minNeighbors：检测到的矩形框必须至少有多少个邻居才能被视为有效。
    • minSize：检测到的目标最小尺寸。

  • 返回值：

    • rects：检测到的目标矩形框列表。

  • 详细解释：

    • 原理：

      • Haar cascades 通过训练得到的级联分类器来检测图像中的特定对象。
      • 分类器通过一系列弱分类器级联而成，每个弱分类器都负责检测图像中的特定特征。

    • 应用：

      • Haar cascades 常用于人脸检测、行人检测等任务。
      • Haar cascades 适用于实时应用，因为它们计算速度快。

    • 注意事项：

      • Haar cascades 的准确性取决于训练数据集的质量。
      • Haar cascades 可能无法很好地处理遮挡或角度变化。

    • 实现细节：

      • 使用cv2.CascadeClassifier加载训练好的级联分类器。
      • 使用detectMultiScale函数在图像中检测多个尺度的目标。

    • 局限性：

      • Haar cascades 可能在复杂背景或目标变形的情况下表现不佳。
      • Haar cascades 可能无法很好地处理不同尺度的目标。
1.2 Deep Learning Based Detection

基于深度学习的目标检测方法，如 YOLO (You Only Look Once) 和 SSD (Single Shot MultiBox Detector)。

net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416), swapRB=True, crop=False)
net.setInput(blob)
layerNames = net.getLayerNames()
outputLayers = [layerNames[i[0] - 1] for i in net.getUnconnectedOutLayers()]
outputs = net.forward(outputLayers)

# 解析输出
boxes = []
confidences = []
classIDs = []

for output in outputs:
    for detection in output:
        scores = detection[5:]
        classID = np.argmax(scores)
        confidence = scores[classID]
        if confidence > 0.5:
            box = detection[0:4] * np.array([W, H, W, H])
            (centerX, centerY, width, height) = box.astype("int")
            x = int(centerX - (width / 2))
            y = int(centerY - (height / 2))
            boxes.append([x, y, int(width), int(height)])
            confidences.append(float(confidence))
            classIDs.append(classID)

# 应用非极大值抑制
idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3)

# 绘制边界框
if len(idxs) > 0:
    for i in idxs.flatten():
        (x, y) = (boxes[i][0], boxes[i][1])
        (w, h) = (boxes[i][2], boxes[i][3])
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
        text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i])
        cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

  • 参数：

    • configPath：模型配置文件路径。
    • weightsPath：模型权重文件路径。
    • image：输入图像。

  • 返回值：

    • image：带有检测边界框的图像。

  • 详细解释：

    • 原理：

      • 基于深度学习的目标检测方法通过卷积神经网络（CNN）来检测图像中的目标。
      • CNN 通过特征提取和分类两个阶段来检测图像中的目标。
      • YOLO 和 SSD 等方法可以在单次前向传播中同时完成检测和分类。

    • 应用：

      • 基于深度学习的目标检测广泛应用于自动驾驶、安防监控等领域。
      • 这些方法能够处理多种尺度的目标，并且具有较高的准确性。

    • 注意事项：

      • 深度学习模型的训练需要大量的标注数据。
      • 模型的推理速度取决于硬件平台。

    • 实现细节：

      • 使用cv2.dnn.readNetFromDarknet或cv2.dnn.readNet加载训练好的模型。
      • 使用cv2.dnn.blobFromImage准备输入图像。
      • 使用cv2.dnn.NMSBoxes进行非极大值抑制，以减少冗余的边界框。

    • 局限性：

      • 深度学习模型可能需要大量的计算资源。
      • 模型的准确性依赖于训练数据集的质量和多样性。

在这里插入图片描述

2. 语义分割

语义分割是指为图像中的每个像素分配一个类别标签。

2.1 U-Net

U-Net 是一种用于语义分割的卷积神经网络架构。

# 加载预训练的U-Net模型
model = torch.hub.load('milesial/Pytorch-UNet', 'unet_carvana', pretrained=True)

# 准备输入图像
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

input_image = transform(image).unsqueeze(0)

# 进行预测
with torch.no_grad():
    output = model(input_image)

# 处理输出
output = torch.sigmoid(output).squeeze().numpy() > 0.5
output = (output * 255).astype(np.uint8)

# 显示结果
cv2.imshow('Segmentation Result', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

  • 参数：

    • image：输入图像。

  • 返回值：

    • output：分割结果图像。

  • 详细解释：

    • 原理：

      • U-Net 架构通过编码器-解码器结构来实现语义分割。
      • 编码器捕获图像的上下文信息，解码器则恢复详细的像素级信息。

    • 应用：

      • U-Net 广泛应用于医学图像分割、遥感图像分析等领域。
      • U-Net 能够处理各种尺度的细节，并且在小数据集上表现良好。

    • 注意事项：

      • U-Net 的训练需要高质量的像素级标注数据。
      • 模型的推理速度取决于硬件平台。

    • 实现细节：

      • 使用 PyTorch 加载预训练的 U-Net 模型。
      • 使用适当的图像预处理方法准备输入图像。
      • 使用torch.sigmoid函数对输出进行二值化处理。

    • 局限性：

      • U-Net 在处理大规模图像时可能需要较大的内存。
      • U-Net 可能在处理复杂背景或目标变形的情况下表现不佳。

在这里插入图片描述

3. 实例分割

实例分割是指不仅为图像中的每个像素分配一个类别标签，还为每个目标实例分配一个唯一的标识符。

3.1 Mask R-CNN

Mask R-CNN 是一种用于实例分割的卷积神经网络架构。

# 加载预训练的Mask R-CNN模型
model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=True)

# 准备输入图像
transform = transforms.Compose([
    transforms.ToTensor(),
])

input_image = transform(image).unsqueeze(0)

# 进行预测
with torch.no_grad():
    predictions = model(input_image)

# 处理输出
masks = predictions[0]['masks'].cpu().numpy()
scores = predictions[0]['scores'].cpu().numpy()
labels = predictions[0]['labels'].cpu().numpy()

# 绘制结果
for i in range(len(masks)):
    if scores[i] > 0.5:
        mask = masks[i][0] > 0.5
        color = np.random.rand(3) * 255
        image[mask] = image[mask] * 0.5 + color * 0.5

# 显示结果
cv2.imshow('Instance Segmentation Result', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

  • 参数：

    • image：输入图像。

  • 返回值：

    • image：带有分割结果的图像。

  • 详细解释：

    • 原理：

      • Mask R-CNN 是基于 Faster R-CNN 的扩展，增加了用于预测分割掩码的分支。
      • Mask R-CNN 能够为每个检测到的目标生成精确的分割掩码。

    • 应用：

      • Mask R-CNN 广泛应用于自动驾驶、医疗影像分析等领域。
      • Mask R-CNN 能够处理各种尺度的目标，并且提供精确的分割结果。

    • 注意事项：

      • Mask R-CNN 的训练需要高质量的像素级标注数据。
      • 模型的推理速度取决于硬件平台。

    • 实现细节：

      • 使用 PyTorch 加载预训练的 Mask R-CNN 模型。
      • 使用适当的图像预处理方法准备输入图像。
      • 使用阈值处理预测的分割掩码。

    • 局限性：

      • Mask R-CNN 在处理大规模图像时可能需要较大的内存。
      • Mask R-CNN 可能在处理复杂背景或目标变形的情况下表现不佳。

在这里插入图片描述

4. 综合示例

接下来，我们将结合上述几种技术，创建一个综合示例。在这个示例中，我们将读取一张图像，使用基于深度学习的目标检测方法进行目标检测，使用 U-Net 进行语义分割，最后使用 Mask R-CNN 进行实例分割。

import cv2
import numpy as np
import torch
from torchvision import models
from PIL import Image
from torchvision.transforms import ToTensor, Normalize, Compose

def detect_objects(image_path):
    # 读取图像
    image = cv2.imread(image_path)

    if image is None:
        print("Error: File not found!")
        return

    # 准备输入图像
    transform = Compose([
        ToTensor(),
        Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
    ])
    input_image = transform(image).unsqueeze(0)

    # 加载预训练的YOLOv3模型
    net = cv2.dnn.readNetFromDarknet("yolov3.cfg", "yolov3.weights")

    # 目标检测
    blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416), swapRB=True, crop=False)
    net.setInput(blob)
    layerNames = net.getLayerNames()
    outputLayers = [layerNames[i[0] - 1] for i in net.getUnconnectedOutLayers()]
    outputs = net.forward(outputLayers)

    # 解析输出
    boxes = []
    confidences = []
    classIDs = []

    for output in outputs:
        for detection in output:
            scores = detection[5:]
            classID = np.argmax(scores)
            confidence = scores[classID]
            if confidence > 0.5:
                box = detection[0:4] * np.array([W, H, W, H])
                (centerX, centerY, width, height) = box.astype("int")
                x = int(centerX - (width / 2))
                y = int(centerY - (height / 2))
                boxes.append([x, y, int(width), int(height)])
                confidences.append(float(confidence))
                classIDs.append(classID)

    # 应用非极大值抑制
    idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3)

    # 绘制边界框
    if len(idxs) > 0:
        for i in idxs.flatten():
            (x, y) = (boxes[i][0], boxes[i][1])
            (w, h) = (boxes[i][2], boxes[i][3])
            cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
            text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i])
            cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

    # 语义分割
    # 加载预训练的U-Net模型
    unet_model = torch.hub.load('milesial/Pytorch-UNet', 'unet_carvana', pretrained=True)

    # 进行预测
    with torch.no_grad():
        output = unet_model(input_image)

    # 处理输出
    output = torch.sigmoid(output).squeeze().numpy() > 0.5
    output = (output * 255).astype(np.uint8)

    # 显示结果
    cv2.imshow('Segmentation Result', output)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

    # 实例分割
    # 加载预训练的Mask R-CNN模型
    maskrcnn_model = models.detection.maskrcnn_resnet50_fpn(pretrained=True)

    # 进行预测
    with torch.no_grad():
        predictions = maskrcnn_model(input_image)

    # 处理输出
    masks = predictions[0]['masks'].cpu().numpy()
    scores = predictions[0]['scores'].cpu().numpy()
    labels = predictions[0]['labels'].cpu().numpy()

    # 绘制结果
    for i in range(len(masks)):
        if scores[i] > 0.5:
            mask = masks[i][0] > 0.5
            color = np.random.rand(3) * 255
            image[mask] = image[mask] * 0.5 + color * 0.5

    # 显示结果
    cv2.imshow('Instance Segmentation Result', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    image_path = 'path/to/your/image.jpg'
    detect_objects(image_path)
5. 小结

在本篇文章中，我们详细介绍了如何使用OpenCV进行目标检测、语义分割以及实例分割。这些技术在计算机视觉领域非常重要，并且是许多高级应用的基础。接下来的文章将涉及更复杂的图像处理技术，如深度学习模型训练、视频分析等。

极客代码
关注
专栏目录
MATLAB算法实战应用案例精讲-【图像处理】数字图像灰度化（附Java、python、matlab和opencv代码实现）
qq_36130719的博客
02-14 1131
简单地说，灰度化处理就是将一幅彩色图像转化为灰度图像的过程。当我们在电脑、电视、或手机等显示器上显示彩色时，RGB模型是为达到目的而较为常用的一种彩色信息表达方式。RGB模型也称为加色混色模型，是以R（红）G（绿）B（蓝）三色光互相叠加来实现混色的方法，尤其适用于显示器等发光物体。而灰度化就是使彩色图像的R、G、B分量相等的过程，即令R=G=B，此时的彩色表示的就是灰度颜色。会使用Photoshop的小伙伴可以打开颜色设置，令R=G=B，会发现随着数值的变化而出现明暗不同的灰色。
MATLAB算法实战应用案例精讲-【图像处理】数字图像二值化（附Java、python、matlab、C++和R语言代码实现）
qq_36130719的博客
02-02 1901
图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。
Python OpenCV精讲系列 - 高级图像处理技术（五）
极客代码
09-13 553
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 高级图像处理技术（四）
极客代码
09-12 720
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 高级图像处理技术（三）
极客代码
09-11 738
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 图像处理基础（二）
极客代码
09-10 1074
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 入门指南（一）
极客代码
09-09 877
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它支持多种编程语言，包括Python、C++等，并且在图像处理、视频分析、模式识别等领域有着广泛的应用。OpenCV最初由Intel开发，后来由Willow Garage接手维护，现在由Itseez公司负责。OpenCV拥有强大的社区支持和丰富的文档资源，是学习计算机视觉的理想选择。
python opencv图像识别_python图像识别精讲之OpenCV模块(1)
weixin_39689297的博客
11-22 200
写在前面:OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的...
10个Python图像处理工具，非常全了
an520_的博客
06-10 1860
10个常用的可以进行图像处理的Python库的介绍，可能有些你还没用过，可以试试看！介绍我们这个世界充满了数据，而图像是这些数据的重要组成部分。然而，要想使用这些图像，需要对它们进行处理。因此，图像处理是分析和处理数字图像的必要的过程，其主要目的是提高图像质量或从中提取一些信息，然后加以利用。图像处理中常见的任务包括图像显示、裁剪、翻转、旋转等基本操作、图像分割、分类和特征提取、图像恢复和图像识别。Python成为这种图像处理任务的合适选择。这是因为它作为一种科学编程语言越来越受欢迎，而且在其生态系统中有许
MATLAB算法实战应用案例精讲-【图像处理】缺陷检测（附python和matlab实现代码）
热门推荐
qq_36130719的博客
12-14 1万+
缺陷检测通常是指对物品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中这种测量方法是在线非接触式检测设备，轮廓测量仪适用于轧制中的长材检测，如圆钢、方钢、螺纹钢、T型钢等，一般的表
MATLAB算法实战应用案例精讲-【图像处理】三维重建(附MATLAB和python代码实现)
qq_36130719的博客
12-13 1万+
在计算机视觉中，三维重建是指根据单视图或者多视图图像重建原始三维信息的过程。单视图缺少深度、多视角信息，基于单视图的三维重建效果较一般。基于多视角图像的三维重建，充分利用了多视角拍摄信息，先对摄像机进行标定，并计算出摄像机的图像坐标系与真实世界坐标系的关系，然后利用多个二维图像重建出三维信息。广义上，三维重建是指对某些三维物体或者三维场景的一种恢复和重构。重建出来的模型，方便计算机表示和处理。
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（补充篇）(附python代码实现)
qq_36130719的博客
01-16 2757
随着深度学习的发展，基于深度学习的目标检测技术取得了巨大的进展，但小目标由于像素少，难以提取有效信息，造成小目标的检测面临着巨大的困难和挑战. 为了提高小目标的检测性能，研究人员从网络结构、训练策略、数据处理等方面展开了大量的研究，并取得了一定的进展. 然而，与大、中目标检测相比，目前小目标的检测性能依然存在着较大的差距.目标尺度是影响目标检测性能的重要因素之一. 目前，无论在公开数据集还是现实世界采集的图像中，小目标的检测精度远远低于大目标和中等尺度目标，并经常出现漏检和误检. 但小目标检测在许多实际场景
Python世界：力扣29题两数相除算法实践
来知晓的博客
09-13 187
除法运算本质是减法，从理解原理到真正实现还是有距离，建议初步理解后，不参考任何代码，完全自己复现一遍，体会更深。注意提示：目的就是提醒越界问题：-2^31/-1=2&31，超过了整数表达范围。本问题来自于力扣29题，在做完大数相乘后，顺带也看下两数相除。将两数相除，要求不使用乘法、除法和 mod 运算符。给定两个整数，被除数。
蒙特卡罗方法——布丰投针实验近似计算圆周率python代码实现
2301_79376014的博客
09-09 451
蒙特卡罗——布丰实验
Python实现多线程、多进程及协程
qq_42568323的博客
09-09 1048
本文详细介绍了 Python 中多线程、多进程和协程的并发模型及其实现方式，并通过具体场景演示了如何使用面向对象思想实现这些模型。在实际应用中，应根据任务的类型和需求选择合适的并发模型，从而优化程序的性能和资源利用率。本文将详细介绍 Python 中的多线程、多进程和协程的概念及其实现方式，并通过具体场景展示如何在 Python 中使用面向对象的思想实现这些并发模型。接下来，我们通过一个计算密集型任务的示例来演示多进程的实现：计算一系列大数字的阶乘。主程序中创建并启动了多个计算进程，并使用。
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定
weixin_53707653的博客
09-09 810
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。
车辆检测与分类系统源码分享
xuehaikj的博客
09-13 1094
数据集信息展示在本研究中，我们采用了名为“comexit”的数据集，以支持对YOLOv8模型在车辆检测与分类任务中的改进。该数据集专注于交通工具的识别，特别是公共交通和货运车辆，具有明确的应用背景和实用价值。数据集的类别数量为三，具体包括“bus”（公交车）、“car”（小汽车）和“truck”（卡车）。这三类车辆在城市交通和物流系统中扮演着重要角色，因此，准确的检测与分类对于交通管理、智能交通系统以及自动驾驶技术的发展具有重要意义。
opencv学习：calcHist 函数绘制图像直方图及代码实现
最新发布
mohanyelong的博客
09-13 740
opencv学习：calcHist 函数绘制图像直方图及代码实现
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