30min 的OpenCV learning Note

已于 2024-09-30 10:36:23 修改
阅读量818 收藏 19
点赞数 18
分类专栏： OPENCV 文章标签： opencv 人工智能 计算机视觉
于 2024-09-29 20:59:49 首次发布
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/sztu158167/article/details/142638604
版权

1.安装python和pycharm与环境搭配

打开Windows终端：（win+R）（一般使用清华镜像网站安装库比较快）

pip install opencv-contrib-python -i https://pypi.mirrors.ustc.edu.cn/simple

或者

python -m pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

2.基础操作学习

库函数：import cv2；import numpy

代码解释：

ONE（打开，图像大小与窗口）：

1. print(cv2.getVersionString())

  • 作用：打印当前安装的OpenCV库的版本号。这对于调试和确保你的代码与特定版本的OpenCV兼容非常有用。

  • 函数格式：cv2.getVersionString() 是一个无参数的函数，它返回一个字符串，表示安装的OpenCV库的版本号。

2. image = cv2.imread("opencv_logo.jpg")

  • 作用：从指定路径加载图像文件。如果文件成功读取，图像数据将被存储在变量image中；如果文件不存在或无法读取，image将被设置为None。

  • 函数格式：cv2.imread(filepath, flags=cv2.IMREAD_COLOR)

    • filepath：图像文件的路径。

    • flags（可选）：指定如何读取图像。常用的值有：

      • cv2.IMREAD_COLOR：加载彩色图像。任何图像的透明度都会被忽略（这是默认值）。

      • cv2.IMREAD_GRAYSCALE：以灰度模式加载图像。

      • cv2.IMREAD_UNCHANGED：包括alpha通道的加载图像。

3. print(image.shape)

  • 作用：打印图像的形状。对于彩色图像，这将是一个包含三个元素的元组，分别表示图像的高度、宽度和颜色通道数（对于BGR图像，通道数为3）。如果图像是灰度图，则只包含两个元素：高度和宽度。

  • 说明：这一步有助于了解图像的尺寸和是否成功加载（如果image是None，尝试访问.shape会引发错误）。

4. cv2.imshow("image", image)

  • 作用：在一个窗口中显示图像。窗口的标题由第一个参数指定，图像数据由第二个参数提供。

  • 函数格式：cv2.imshow(winname, mat)

    • winname：窗口的名称，是一个字符串。

    • mat：要显示的图像。它应该是uint8或float32类型的numpy数组。

5. cv2.waitKey()

  • 作用：等待用户按键。这个调用是必需的，以便cv2.imshow()创建的窗口能够保持打开状态，直到用户按下任意键。

  • 函数格式：cv2.waitKey([delay])

    • delay（可选）：等待键盘事件的时间（以毫秒为单位）。如果参数是0，则无限期等待键盘事件。

注意：在程序结束时，通常还需要调用cv2.destroyAllWindows()来关闭所有OpenCV创建的窗口。这虽然不是这段代码的一部分，但在实际应用中是一个好习惯。

TWO（图像RGB颜色通道与灰色转换）：

首先使用cv2.imshow函数分别显示了图像image的蓝色、绿色和红色通道，然后使用cv2.cvtColor函数将图像从BGR颜色空间转换为灰度图像，并显示了转换后的灰度图像。

  1. 显示蓝色通道：

    cv2.imshow("blue", image[:, :, 0])

    这行代码显示了图像image的蓝色通道。在BGR颜色空间中，蓝色通道是图像的第三个维度（索引为2，但由于Python索引从0开始，所以是索引0）。但是，这里直接访问image[:, :, 0]实际上是访问了第一个通道，即蓝色通道（这里OPENCV图像是以RGB格式加载的，这通常是正确的，因为OpenCV默认以BGR格式加载图像）。

  2. 显示绿色通道：

    cv2.imshow("green", image[:, :, 1])

  3. 显示红色通道：

    cv2.imshow("red", image[:, :, 2])

  4. 转换为灰度图像并显示：

    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    cv2.imshow("gray", gray)

    这两行代码首先将图像image从BGR颜色空间转换为灰度图像，并将结果存储在变量gray中。cv2.cvtColor函数是OpenCV中用于颜色空间转换的函数，cv2.COLOR_BGR2GRAY是将其从BGR颜色空间转换为灰度颜色空间的转换代码。

THREE（图像截取）：

使用Python的切片操作来从原始图像image中裁剪出一个区域，并将这个裁剪后的区域存储在变量crop中。然后使用cv2.imshow函数来显示这个裁剪后的图像。

# 从原始图像中裁剪出一个区域
# image[y_start:y_end, x_start:x_end]
# 其中，y_start和x_start是裁剪区域左上角的坐标（包含），y_end和x_end是裁剪区域右下角的坐标（不包含）
crop = image[10:170, 40:200]
# 使用OpenCV的imshow函数显示裁剪后的图像
cv2.imshow("crop", crop)

FOUR（创建图形【方形圆形字体】）：

使用了OpenCV库（通过import cv2）和NumPy库（通过import numpy as np）来创建一个黑色的图像，并在该图像上绘制了一条线、一个矩形、一个圆和一段文本。

  1. 创建黑色图像：

    image = np.zeros([300, 300, 3], dtype=np.uint8)

    使用NumPy的zeros函数创建一个300x300像素的黑色图像（因为所有像素的RGB值都被初始化为0）。这是一个三维数组，其中前两个维度代表图像的高度和宽度，第三个维度代表颜色通道（RGB）。dtype=np.uint8指定了数组的数据类型为无符号8位整数，这是图像数据常用的数据类型。

  2. 绘制线条：

    cv2.line(image, (100, 200), (250, 250), (255, 0, 0), 2)

    使用cv2.line函数在图像上绘制一条从点(100, 200)到点(250, 250)的红色（BGR格式中的(255, 0, 0)）线条，线条的厚度为2。

  3. 绘制矩形：

    cv2.rectangle(image, (30, 100), (60, 150), (0, 255, 0), 2)

    使用cv2.rectangle函数在图像上绘制一个左上角为(30, 100)，右下角为(60, 150)的绿色（BGR格式中的(0, 255, 0)）矩形，矩形的边框厚度为2。

  4. 绘制圆：

    cv2.circle(image, (150, 100), 20, (0, 0, 255), 3)

    使用cv2.circle函数在图像上绘制一个圆心为(150, 100)，半径为20的蓝色（BGR格式中的(0, 0, 255)）圆，圆的边框厚度为3。

  5. 添加文本：

    cv2.putText(image, "hello", (100, 50), 0, 1, (255, 255, 255), 2, 1)

    使用cv2.putText函数在图像上添加文本“hello”。文本的左下角位于点(100, 50)，字体类型为0（OpenCV内置字体之一），字体缩放比例为1，颜色为白色（BGR格式中的(255, 255, 255)），线条厚度为2。最后一个参数1指定了线条类型（用于指定字体是否加粗等，但在这个上下文中，它主要影响文本的渲染方式。lineType线条的类型，如 cv2.LINE_8、cv2.LINE_AA 等。对于文本来说，这个参数通常不重要，因为文本绘制有其自己的抗锯齿处理）。

FIVE（图像滤波）：

分别应用高斯模糊（Gaussian Blur）和中值模糊（Median Blur）两种滤波技术，并显示原始图像和两种模糊处理后的图像。

有一点需要注意：在调用cv2.waitKey()时，最好指定一个参数（通常是0），这样程序就会等待用户按键后再继续执行。虽然不指定参数在某些环境中可能也能正常工作，但明确指定参数是一个好习惯，可以避免潜在的混淆。

# 检查图像是否成功读取
if image is None:
print("Error: Image could not be read.")
else:
# 应用高斯模糊，

(5, 5): 这是一个元组，指定了高斯核的大小。核的大小是模糊的主要参数之一，较大的核会导致更强烈的模糊效果。

0: 这个参数是高斯核在X和Y方向上的标准差。如果您将此参数设置为0，则函数会根据核的大小自动计算一个合适的标准差。标准差越大，模糊效果越明显。

gauss = cv2.GaussianBlur(image, (5, 5), 0)

# 应用中值模糊

5：这是一个整数，指定了中值滤波器的邻域大小。它必须是正奇数。在这个例子中，滤波器的大小是5x5。中值滤波器用邻域内像素的中位数来替换中心像素的值，这对于去除椒盐噪声（salt-and-pepper noise）特别有效。

median = cv2.medianBlur(image, 5)

SIX（检测角点）：

使用了OpenCV库来检测图像中的角点，并在原始图像上标记这些角点。

  1. 转换为灰度图像：

    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    使用cv2.cvtColor()函数将原始图像从BGR颜色空间转换为灰度图像。这是因为角点检测通常在灰度图像上进行，以减少计算量并简化问题。

  2. 检测角点：

    corners = cv2.goodFeaturesToTrack(gray, 500, 0.1, 10)

    使用cv2.goodFeaturesToTrack()函数在灰度图像上检测角点。这个函数的参数包括：

    corners是一个包含角点坐标的数组，每个角点是一个(x, y)坐标的浮点数对。

    • gray: 输入的灰度图像。
    • 500: 最多要返回的角点数量。注意，实际返回的角点数量可能少于这个值，具体取决于图像和其他参数。
    • 0.1: 角点检测的质量级别，一个介于0到1之间的值，值越低，检测到的角点越多。
    • 10: 最小角点之间的欧氏距离，以像素为单位。这有助于避免检测到的角点过于集中。

  3. 在图像上标记角点：

    for corner in corners:
    x, y = corner.ravel()
    cv2.circle(image, (int(x), int(y)), 3, (255, 0, 255), -1)

    遍历检测到的角点，并使用cv2.circle()函数在原始图像上以每个角点为中心绘制一个圆。这里，corner.ravel()用于将角点坐标（通常是一个二维数组）转换为一维数组，从而可以分别访问x和y坐标。圆的半径设置为3，颜色设置为粉红色（(255, 0, 255)），-1表示圆将被填充。

SEVEN（匹配查找）：

用于在一张图片中查找与给定模板相匹配的区域，并在原始图像上绘制这些区域的边界框。

  1. 模板匹配结果的索引：在np.where(match >= 0.9)中，返回的locations是一个元组，其中包含了满足条件的坐标的索引。由于match是一个二维数组，locations将有两个元素，分别对应y和x坐标的索引。但是，由于OpenCV的坐标系统通常使用(x, y)格式，您可能需要调整这些索引以正确映射到图像坐标。

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 定义模板
template = gray[75:105, 235:265]
if template.size == 0:
print("Error: Template has zero size.")
exit()
# 执行模板匹配
match = cv2.matchTemplate(gray, template, cv2.TM_CCOEFF_NORMED)
# 找到匹配位置
threshold = 0.9
locations = np.where(match >= threshold)
  1. w, h = template.shape[0:2]:
    • 这行代码从模板图像的shape属性中获取模板的宽度(w)和高度(h)。template.shape返回一个元组，通常包含三个元素（对于二维图像，第三个元素是颜色通道数，但在这里因为是灰度图，所以只有一个颜色通道，且我们不需要它）。通过[0:2]切片，我们选取了前两个元素，即图像的高度和宽度，并将它们分别赋值给h和w。
  2. for p in zip(*locations[::-1])::
    • locations = np.where(match >= threshold)这行代码生成了一个包含两个数组的元组，这两个数组分别表示满足匹配阈值条件的y（行索引）和x（列索引）坐标的索引。
    • locations[::-1]将这两个数组的顺序反转，因为np.where默认返回的是(y_indices, x_indices)，而OpenCV中的坐标系统是(x, y)。通过反转，我们得到(x_indices, y_indices)。
    • zip(*locations[::-1])将这两个索引数组“解包”并重新组合成元组的元组，每个内部元组包含一对(x, y)坐标。zip函数在这里实际上是在做“转置”的工作。
    • for p in ...遍历这些(x, y)坐标对。
  3. x1, y1 = p[0], p[1]:
    • 对于每个坐标对p，我们将其分解为x1和y1，即矩形边界框的左上角坐标。
  4. x2, y2 = x1 + w, y1 + h:
    • 计算矩形边界框的右下角坐标。通过将左上角坐标x1和y1分别加上模板的宽度w和高度h，我们得到边界框的右下角坐标x2和y2。
  5. cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2):
    • 使用cv2.rectangle函数在原始图像image上绘制一个矩形。参数(x1, y1)和(x2, y2)定义了矩形的左上角和右下角坐标。
    • 参数(0, 255, 0)定义了矩形的颜色，这里是绿色（BGR格式）。
    • 最后一个参数2定义了矩形边界的线条粗细。

EIGHT（读取灰度图）：

从同一张图像中读取灰度图，然后分别应用拉普拉斯边缘检测和Canny边缘检测。但是，有一点需要注意，当您使用 cv2.Laplacian() 函数时，如果图像是8位无符号整数（即 np.uint8 类型），并且您指定了 cv2.CV_64F 作为输出图像的深度，那么返回的 laplacian 图像将是一个浮点数数组，其值可能超出标准8位图像的显示范围（即0到255）。

为了正确显示 laplacian 图像，您可能需要将其数据类型转换回 np.uint8 并进行归一化或截断到适当的范围。然而，对于可视化目的，简单的归一化到0-255范围并转换为 np.uint8 通常就足够了。

# 读取图像为灰度图
gray = cv2.imread("opencv_logo.jpg", cv2.IMREAD_GRAYSCALE)
# 应用拉普拉斯边缘检测
laplacian = cv2.Laplacian(gray, cv2.CV_64F)
# 将拉普拉斯图像归一化到0-255范围并转换为uint8
laplacian = np.uint8(np.absolute(laplacian / np.max(laplacian)) * 255)
# 应用Canny边缘检测
canny = cv2.Canny(gray, 100, 200)

注意关键点：

  1. 我使用了 np.absolute() 来确保所有值都是非负的，因为拉普拉斯算子可能会产生负值。
  2. 我使用了 np.max(laplacian) 来找到拉普拉斯图像中的最大值，并将其用作归一化的除数。这样，拉普拉斯图像中的所有值都将被缩放到0到255的范围内。

NiNE（阈值处理）：

使用了全局阈值处理（固定阈值和Otsu阈值）、以及自适应阈值处理。

  1. 读取灰度图像：

    gray = cv2.imread("bookpage.jpg", cv2.IMREAD_GRAYSCALE)

    这行代码读取名为"bookpage.jpg"的图像文件，并将其转换为灰度图像。

  2. 全局固定阈值处理：

    ret, binary = cv2.threshold(gray, 10, 255, cv2.THRESH_BINARY)

    这里，您使用了一个固定的阈值（10）来将灰度图像转换为二值图像。所有灰度值大于10的像素点被设置为255（白色），其余被设置为0（黑色）。ret是实际使用的阈值（在这种情况下，它应该是您指定的10，但可能会因为图像数据类型或内部处理而略有不同）。

  3. 自适应阈值处理：

    binary_adaptive = cv2.adaptiveThreshold(
    gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 115, 1)

    自适应阈值处理会根据图像中每个像素周围的局部区域来计算阈值。这里，您使用了高斯加权和（cv2.ADAPTIVE_THRESH_GAUSSIAN_C），这意味着在计算阈值时，每个像素的邻域将被高斯加权。115是常数，从每个像素的加权平均值中减去以得到最终的阈值。1表示邻域的大小（在这个例子中，它实际上指定了11x11的邻域大小，因为OpenCV中邻域大小是奇数且由参数值加1得到）。

  4. Otsu阈值处理：

    ret1, binary_otsu = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    Otsu阈值处理是一种自动选择最佳阈值的方法，用于将图像分割为前景和背景。这里，您通过添加cv2.THRESH_OTSU标志来告诉cv2.threshold函数自动计算最佳阈值。0作为阈值参数在这里被忽略，因为Otsu方法会覆盖它。ret1将包含计算出的最佳阈值。

TEN（腐蚀与膨胀）：

import cv2 # 导入OpenCV库，这是一个用于图像处理和计算机视觉的强大库。
import numpy as np # 导入NumPy库，这是一个用于科学计算的基础库，提供了高性能的多维数组对象和相关工具。
# 使用OpenCV的imread函数读取名为"opencv_logo.jpg"的图像文件，并指定以灰度模式读取（cv2.IMREAD_GRAYSCALE）。
# 这将返回一个灰度图像，其中每个像素的亮度值范围是0到255。
gray = cv2.imread("opencv_logo.jpg", cv2.IMREAD_GRAYSCALE)
# 使用OpenCV的threshold函数对灰度图像进行二值化处理。
# 参数gray是源图像，200是阈值，255是当像素值超过阈值时应该赋予的新值（对于THRESH_BINARY_INV类型）。
# cv2.THRESH_BINARY_INV是阈值类型，表示进行反二值化操作，即大于阈值的像素被设置为0（黑色），小于或等于阈值的像素被设置为255（白色）。
# 函数返回两个值，第一个值（通常不关心）是实际使用的阈值（可能由于自动阈值选择算法而略有不同），第二个值是二值化后的图像。
_, binary = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)
# 使用NumPy的ones函数创建一个5x5的二维数组，数组中的每个元素都是1，数据类型为无符号8位整数（np.uint8）。
# 这个数组将用作形态学操作（如腐蚀和膨胀）中的结构元素或核。
kernel = np.ones((5, 5), np.uint8)
# 使用OpenCV的erode函数对二值图像进行腐蚀操作。
# 参数binary是输入图像，kernel是前面创建的结构元素。
# 腐蚀操作会使图像中的前景对象（白色区域）变小，通常用于去除小的噪点或分离连接的对象。
erosion = cv2.erode(binary, kernel)
# 使用OpenCV的dilate函数对二值图像进行膨胀操作。
# 参数和腐蚀操作相同，但膨胀操作会使图像中的前景对象（白色区域）变大，通常用于填补前景对象中的小洞或连接相邻的对象。
dilation = cv2.dilate(binary, kernel)

ELEVEN（图像捕获）：

用于从计算机的默认摄像头捕获视频流，并在一个窗口中实时显示这些视频帧。

# 初始化视频捕获对象，参数0通常代表计算机的默认摄像头
capture = cv2.VideoCapture(0)
# 使用一个无限循环来持续捕获视频帧
while True:
# capture.read()方法捕获视频帧
# 它返回两个值：
# ret是一个布尔值，如果读取帧成功则为True，如果文件结束或发生错误则为False
# frame是捕获的帧图像
ret, frame = capture.read()
# 如果正确读取了帧，ret为True
if ret:
# 显示捕获的帧
cv2.imshow("camera", frame)
# cv2.waitKey(1)等待1毫秒，检查是否有键盘事件
# 如果用户按下了键，则返回按键的ASCII码；如果没有按键，则返回-1
key = cv2.waitKey(1)
# 如果用户按下了任意键（key不等于-1），则退出循环
if key != -1:
break
# 释放视频捕获对象
capture.release()

注意，我在代码中添加了对ret的检查。这是一个好习惯，因为它可以防止在无法从摄像头读取帧（例如，如果摄像头被断开）时显示空窗口或引发错误。

一谷sir
关注
专栏目录
OpenCV Learning Note
fan21522152的专栏
09-08 116
霍夫变换(Hough Transform) 霍夫变换，英文名称Hough Transform，作用是用来检测图像中的直线或者圆等几何图形的。 检测直线 C++ void cv::HoughLines ( InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn = 0, double stn = 0,
Learning OpenCV 腐蚀与膨胀
Full_Speed_Turbo
11-07 1461
一、腐蚀erode 1、
（CV学习）opencv官网文档学习
Wu_JingYi0829的博客
11-01 6526
1.图像处理基本使用 import cv2 # 读取图像 image = cv2.imread("images/1.png", cv2.IMREAD_GRAYSCALE) print("image:",image) # 显示图像 namedWindow = cv2.namedWindow("images/1.png") cv2.imshow("images/1.png", image) # 等待按键 waitKey = cv2.waitKey(0) # 值为0、负数的时候，表示无限等待 print(
Python + OpenCV + DeepLearning 解数独问题【一、数独的提取】
ITACH142857的博客
04-29 1783
Python + OpenCV + DeepLearning 解数独问题
Learning Opencv 3 —— 十五章 背景去除 Background Subtraction （一）
健康工作每一天
05-05 2610
Learning Opencv 3 —— 十五章 背景去除 Background Subtraction 背景去除概述 background subtraction 也被称为 background differencing。这里将首先介绍经典背景模型的缺点，之后将介绍一些更高阶的方法。其中将介绍一种处理室内光线相对稳定的快速方法和一种能够兼容室外场景的一种称为 codebook 速度较慢的方法...
Learning Opencv 3 —— 十五章 背景去除 Background Subtraction （二）
健康工作每一天
05-05 1202
更复杂的背景去除方法——codebook 具体算法介绍可以参考CodeBook算法的百度百科介绍。 这种模型能很好地处理时间起伏，缺点是需要消耗大量的内存。CodeBook算法为当前图像的每一个像素建立一个CodeBook(CB)结构,每个CodeBook结构又由多个CodeWord(CW)组成。 CB和CW的形式如下： CB={CW1,CW2,…CWn,t} CW={lHigh,l...
Opencv 特征训练分类器
Faith_yu的博客
05-09 6612
一、基础知识准备 首先，opencv目前仅支持三种特征的训练检测， HAAR、LBP、HOG，选择哪个特征就去补充哪个吧。opencv的这个训练算法是基于adaboost而来的，所以需要先对adaboost进行基础知识补充啊，网上一大堆资料，同志们速度去查阅。我的资源里也有，大家去下载吧，这些我想都不是大家能直接拿来用的，我下面将直接手把手告诉大家训练怎么操作，以及要注意哪些细节。二、关于正样本的准
【算法】OpenCV-SGBM算法及源码的简明分析
热门推荐
LeonJin的博客
04-13 2万+
OpenCV-SGBM的源码在/modules/calib3d/src/stereosgbm.cpp中， 博主用的opencv版本为4.5.2 BT代价就是计算两个像素之间的相似度（或者，代价cost）
OpenCV4机器学习算法原理与编程实战——书中代码解析
p3116002589的博客
11-23 1259
本文将根据《OpenCV4机器学习算法原理与编程实战》书中内容学习OpenCV的相关知识。
使用 TensorFlow、Keras-OCR 和 OpenCV 从技术图纸中获取信息
深度学习与计算机视觉
03-02 828
简单介绍输入是技术绘图图像。对象检测模型获取图像后对其进行分类，找到边界框，分配维度，计算属性。示例图像（输入）分类后，找到“IPN”部分。之后，它计算属性，例如惯性矩。它适用于不同类型的部分（IPN、UPN、相等或不相等的支路、组合）。结果（输出）你可以从这里查看相关的 github 存储库：https://github.com/ramazanaydinli/Steel-AI/tree/main...
【OpenCV-Python-Tutorial 数字图像处理】opencv3.4 官方API及其实例总结
熊猫小妖的AI世界
02-25 4347
目录大纲官方链接整理OPENCV API教程和实例整理1. 图像操作基础1.1 图像操作基础(1) import cv2功能： 导入函数库(2) rtval = cv2.imread(file_path, flags)> 功能：读取图片> 参数：> 返回值rtval：> 示例：(3) cv2.imshow(wname, img)> 功能：显示图片> ...
python训练mask rcnn模型&&C++调用训练好的模型--基于opencv4.0（干货满满）
qq_29462849的博客
12-29 1万+
介绍 我的第一篇关于mask rcnn训练自己数据的博文，基于python代码，虽然可以跑，但是不能真正用到工程领域中，工程领域更多的是基于C++和C，如果编译tensorflow C++ API也是可以，然后利用api调用模型，但是会比较麻烦，自己也尝试过，不是那么友好。 opencv4.0，终于等到你~~~，opencv4.0已经支持mask rcnn的调用，只需要.pb文件和.pbtxt文件...
opencv用python实现学习笔记（一）
qq_39377482的博客
11-05 1747
文章目录Note of Opencv to PythonOpencv 在Pycharm中的配置常见图像坐标系基本操作将照片读入到矩阵中，并显示图像与原始字节之间的转换窗口操作waitKey函数视频与电脑摄像头输入、存储获取图片的信息绘图功能鼠标操作响应滑动条的实现核心操作色彩空间转换Print函数Tips遍历像素点矩阵操纵（创建一幅图像)获取程序执行时间提取某颜色对应的像素图像通道的合并、分离、单...
【双目视觉探索路5】分析整理Learning OpenCV3书中立体标定、校正以及对应代码（3）之SGBM算法
JDeng的编程应用入门
12-19 4117
本部分对双目立体视觉的SGBM算法进行原理及参数的研究。
03_OpenCV像素操作
A_Lv123的博客
09-28 650
image_widget2.value = bgr8_to_jpeg(img) #经过像素操作的。image_widget1.value = bgr8_to_jpeg(img1) #原始的。#bgr8转jpeg格式。
QT中常见QImage、Pixmap、cv::Mat三种图像格式的转换
m0_63893772的博客
09-27 363
【代码】QT中常见QImage、Pixmap、cv::Mat三种图像格式的转换。
Python人工智能使用OpenCV进行图片形状的中心检测
最新发布
人工智能研究所的博客
09-30 384
我们都知道正方形（长方形）的中心是2条对角线的交点，圆的中心是一个圆的圆心，如何在对象检测以及图片检测与识别领域，判断一个形状的中心，便是计算机视觉领域中的一个基础检测
OpenCV图像文件读写(2) 检查 OpenCV 是否支持某种图像格式的写入功能函数haveImageWriter()的使用
jndingxin的专栏
09-25 683
haveImageWriter 函数用于检查 OpenCV 是否支持某种图像格式的写入功能。这个函数可以帮助开发者在编写代码时确定是否可以成功地将图像写入特定格式的文件中。
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