OpenCV学习的第三天

最新推荐文章于 2024-04-29 11:13:58 发布
最新推荐文章于 2024-04-29 11:13:58 发布
阅读量424 收藏 1
点赞数
分类专栏： 计算机视觉 文章标签： opencv 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/u012743408/article/details/119190511
版权

OpenCV学习的第三天，目的性是学习的最大动力，欲望则是目的的起源，坚持

第四节 图像金字塔（特征提取）

一、高斯金字塔：向下采样方法（缩小）

在这里插入图片描述
img=cv2.imread(“AM.png”)
cv_show(img,‘img’)
print (img.shape)
down=cv2.pyrDown(img)
cv_show(down,‘down’)
print (down.shape)

二、高斯金字塔：向上采样方法（放大）

在这里插入图片描述
img=cv2.imread(“AM.png”)
cv_show(img,‘img’)
print (img.shape)
up=cv2.pyrUp(img)
cv_show(up,‘up’)
print (up.shape)

第五节、拉普拉斯金字塔

在这里插入图片描述
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,‘l_1’)

第六节 图像轮廓（为了更高的准确率，使用二值图像。）

一、获取轮廓

cv2.findContours(img,mode,method)
mode:轮廓检索模式

  • RETR_EXTERNAL ：只检索最外面的轮廓；
  • RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
  • RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
  • RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;

method:轮廓逼近方法

  • CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
  • CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

在这里插入图片描述
img = cv2.imread(‘contours.png’)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,‘thresh’)
（二值图像）
在这里插入图片描述

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
np.array(contours).shape(保存的是轮廓信息)(11,)
hierarchy ：层级

draw_img = img.copy() #注意需要copy,要不原图会变。。。
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) #传入绘制图像，轮廓，轮廓索引（-1表示所有），颜色模式（BGR），线条厚度
cv_show(res,‘res’)

在这里插入图片描述

二、轮廓特征

cnt = contours[0]（获取轮廓）
cv2.contourArea(cnt)（计算轮廓面积）
cv2.arcLength(cnt,True)（计算轮廓周长）

三、轮廓近似

在这里插入图片描述
img = cv2.imread(‘contours2.png’)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,‘res’)
在这里插入图片描述

epsilon = 0.15*cv2.arcLength(cnt,True) （周长设定近似阈值）
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,‘res’)

在这里插入图片描述
import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()

img = cv2.imread(‘contours2.png’)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,‘res’)

epsilon = 0.10*cv2.arcLength(cnt,True) （参数：越小，轮廓越近似本来形状）
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,‘res’)
在这里插入图片描述

四、边界矩形、圆形

import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()

img = cv2.imread(‘contours.png’)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[2]

x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,‘img’)

在这里插入图片描述
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print (‘轮廓面积与边界矩形比’,extent)
在这里插入图片描述
import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()

img = cv2.imread(‘contours.png’)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[2]

(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,‘img’)

area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = radius * radius*3.14
extent = float(area) / rect_area
print(extent)
在这里插入图片描述
在这里插入图片描述

第七节、模板匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

  • TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
  • TM_CCORR：计算相关性，计算出来的值越大，越相关
  • TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
  • TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
  • TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
  • TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关
    （推荐使用归一化，计算精确度高，相对比较公平）

img = cv2.imread(‘lena.jpg’, 0)
template = cv2.imread(‘face.jpg’, 0)
img.shape（(263, 263)）
template.shape（(110, 85)）
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape（(154, 179)）

在这里插入图片描述
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)（最小值，最大值，最小值坐标位置，最大值坐标位置）
根据所用的算法，去找最值（精确度高），然后根据W，H找到匹配位置
在这里插入图片描述
methods = [‘cv2.TM_CCOEFF’, ‘cv2.TM_CCOEFF_NORMED’, ‘cv2.TM_CCORR’,
‘cv2.TM_CCORR_NORMED’, ‘cv2.TM_SQDIFF’, ‘cv2.TM_SQDIFF_NORMED’]

for meth in methods:
img2 = img.copy()

# 匹配方法的真值
method = eval(meth)
print (method)
res = cv2.matchTemplate(img, template, method)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

# 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
    top_left = min_loc
else:
    top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)

# 画矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)

plt.subplot(121), plt.imshow(res, cmap='gray')
plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.subplot(122), plt.imshow(img2, cmap='gray')
plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、匹配多个对象

import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()

img_rgb = cv2.imread(‘mario.jpg’)
img_gray=cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread(‘mario_coin.jpg’, 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8

loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):
bottom_right = (pt[0] + w, pt[1] + h)
cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow(‘img_rgb’, img_rgb)
cv2.waitKey(0)

在这里插入图片描述

第八节、直方图

一、绘制图片像素点直方图

统计图片像素点
在这里插入图片描述

cv2.calcHist(images,channels,mask,histSize,ranges)

  • images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
  • channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]
  •              如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
  • mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
  • histSize:BIN 的数目。也应用中括号括来
  • ranges: 像素值范围常为 [0256]

import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()

img = cv2.imread(‘cat.jpg’,0)
plt.hist(img.ravel(),256);
plt.show()

img = cv2.imread(‘cat.jpg’)
color = (‘b’,‘g’,‘r’)
for i,col in enumerate(color):
histr = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256])
plt.show()

在这里插入图片描述

在这里插入图片描述

二、mask操作（与操作）

mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show(mask,‘mask’)

img = cv2.imread(‘cat.jpg’, 0)
cv_show(img,‘img’)

masked_img = cv2.bitwise_and(img, img, mask=mask)
cv_show(masked_img,‘masked_img’)

hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])
plt.subplot(221), plt.imshow(img, ‘gray’)
plt.subplot(222), plt.imshow(mask, ‘gray’)
plt.subplot(223), plt.imshow(masked_img, ‘gray’)
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()

在这里插入图片描述

第九节、直方图均衡化（均衡化直方图可以提升图片的亮度、色彩）

在这里插入图片描述
原图的像素直方图根据各个像素值及像素值个数，计算概率，根据概率计算累计概率，然后根据函数映射后获取新的像素值
在这里插入图片描述

在这里插入图片描述
原图直方图
img = cv2.imread(‘clahe.jpg’,0) #0表示灰度图 #clahe
plt.hist(img.ravel(),256);
plt.show()
在这里插入图片描述

均衡后直方图
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()
在这里插入图片描述
均衡后图片显示
res = np.hstack((img,equ))
cv_show(res,‘res’)

在这里插入图片描述
自适应均衡化

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show(res,‘res’)
在这里插入图片描述

在这里插入图片描述

第十节、傅里叶变换（https://zhuanlan.zhihu.com/p/19763358）

以时间作为参照来观察动态世界的方法我们称其为时域分析，但是在频域中一切都是静止的，任何周期函数，都可以看作是不同振幅，不同相位正弦波的叠加
在这里插入图片描述

一、傅里叶变换的作用

高频：变化剧烈的灰度分量，例如边界
低频：变化缓慢的灰度分量，例如一片大海

滤波
低通滤波器：只保留低频，会使得图像模糊
高通滤波器：只保留高频，会使得图像细节增强

1、输入图像需要先转换成np.float32 格式
img = cv2.imread(‘lena.jpg’,0)
img_float32 = np.float32(img)

2、得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

3、cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）

得到灰度图能表示的形式

magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))

plt.subplot(121),plt.imshow(img, cmap = ‘gray’)
plt.title(‘Input Image’), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = ‘gray’)
plt.title(‘Magnitude Spectrum’), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述
低通滤波器：
import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread(‘lena.jpg’,0)
img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置

低通滤波

mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

IDFT

fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = ‘gray’)
plt.title(‘Input Image’), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = ‘gray’)
plt.title(‘Result’), plt.xticks([]), plt.yticks([])

plt.show()
在这里插入图片描述
高通滤波器：
img = cv2.imread(‘lena.jpg’,0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置

高通滤波

mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

IDFT

fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = ‘gray’)
plt.title(‘Input Image’), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = ‘gray’)
plt.title(‘Result’), plt.xticks([]), plt.yticks([])

plt.show()

在这里插入图片描述

坚持古月
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
学习OpenCV 3 中文版.rar
06-17
学习OpenCV 3 中文版(PDF)经典教程，最新的教程详细介绍了opencv的算法集成及机器学习部分内容。
OpenCV关于图片语法（轮廓角点）小结④
m0_51503599的博客
09-28 2349
前言： 轮廓可以简单认为成连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。 1. cv2.arcLength（） retval=cv.arcLength(curve, closed) 参数解释； ① curve 轮廓周长 输入二维向量 可以为std::vector or Mat类型 ② closed 是否闭合 bool ture或者flase 2. cv2.contourArea() cv2.contourArea(contour，[oriented]) 参数解释； ① contour 轮
Qt-OpenCV学习笔记--计算周长--arcLength()
ssismm的博客
11-16 1159
这个函数用来计算 轮廓的周长 或者 曲线的长度。
arcLength函数
monk1992的博客
09-11 1万+
1、arcLength函数 函数的作用 主要是计算图像轮廓的周长、 2、函数调用形式 C++: double arcLength(InputArray curve, bool closed) 参数详解： Input...
CV之cv2：基于python语言利用cv2库对几何形状图像边界进行识别检测并计算周长/面积以及输出颜色/形状类型之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-04 1万+
CV之cv2：基于python语言利用cv2库对几何形状图像边界进行识别检测并计算周长/面积以及输出颜色/形状类型之详细攻略。
OpenCV3学习入门和代码
04-11
既有学习资料，也有实践代码，不好用不要钱，既有学习资料，也有实践代码，不好用不要钱，既有学习资料，也有实践代码，不好用不要钱
OPENCV学习笔记一：图像基本操作
01-20
标题学习opencv第一天： 一、图像基本操作： 1.图像读取：cv.imread(“文件位置：D:/python/picture.png” ) 函数功能：从文件路径中读取图片文件并显示出来，可读取的文件类型有JPG、JPEG、PNG、Webp等 函数原型：...
学习OpenCV3收集的例程
11-21
总共三十多个例程，例程第一行如果有链接的话是相关例程的详细说明，例程大概目录如下： OpenCV—EAST文本检测器text_detection OpenCV—HoughLinesP找水平垂直线段 OpenCV—HSV空间二值化 OpenCV—image-watch-demo...
学习opencv第六章课后答案，完整版（自己敲的，不是网上的）
01-02
学习opencv第六章课后习题，代码都是自己敲得，完整的，跟网上的不一样，都是经过测试可以编译通过
图像处理21-计算轮廓周长或曲线长度
Qt学视觉
03-10 1519
轮廓周长
77.轮廓面积与周长计算
twnkie的博客
08-12 255
OpenCV中的contourArea函数实际上会根据曲线的顶点坐标进行计算，得到轮廓的面积。在OpenCV中，可以使用contourArea函数来计算轮廓的面积，使用arcLength函数来计算轮廓的周长。在图像处理和计算机视觉中，轮廓面积是指一个封闭轮廓所包围的区域的面积大小。形状分析：通过计算轮廓的面积，可以得到关于目标形状的信息，如圆形度、长宽比等。目标分类和识别：通过比较不同目标的面积，可以进行目标的分类和识别。目标形状分析：通过比较不同目标的周长，可以进行形状的分类和描述。
OpenCV学习笔记10-图像轮廓的相关知识及代码实现
Aaron的博客
04-14 3526
文章目录1 什么是图像轮廓2 查找轮廓3 绘制轮廓4 轮廓的面积和周长5 多边形逼近与凸包6 外接矩形 1 什么是图像轮廓 图像轮廓是具有相同颜色或灰度的连续点的曲线. 轮廓在形状分析和物体的检测和识别中很有用。 轮廓的作用: 用于图形分析 物体的识别和检测 注意点: 为了检测的准确性，需要先对图像进行二值化或Canny操作。 在OpenCV中，找到轮廓就像从黑色背景中找到白色物体。因此请记住，要找到的对象应该是白色，背景应该是黑色。 画轮廓时会修改输入的图像, 如果之后想继续使用原始图像，应该将原始
opencv学习(四十三)之图像的矩moments()
热门推荐
烟雨博客
04-16 8万+
1.概述图像识别的一个核心问题是图像的特征提取，简单描述即为用一组简单的数据(数据描述量)来描述整个图像，这组数据月简单越有代表性越好。良好的特征不受光线、噪点、几何形变的干扰，图像识别技术的发展中，不断有新的描述图像特征提出，而图像不变矩就是其中一个。从图像中计算出来的矩通常描述了图像不同种类的几何特征如：大小、灰度、方向、形状等，图像矩广泛应用于模式识别、目标分类、目标识别与防伪估计、图像编码与
OpenCV-计算轮廓周长cv::arcLength
翟天保的博客
04-29 2万+
函数原型：double arcLength( InputArray curve, bool closed );
OpenCV添加文字和水印------c++
mankeywang的博客
04-25 212
图片添加文字水印
opencv 采样照片
weixin_46290197的博客
04-27 300
#1、动态采集人脸。# 加载人脸特径数据。
Python|OpenCV-边缘检测算法之Canny算法(15)
Python进阶专栏《爬虫实战进阶》，《数据分析入门与实战》原创作者
04-27 332
本文是该专栏的第16篇，后面将持续分享OpenCV计算机视觉的干货知识。Canny边缘检测算法是由John Canny于1986年提出的，它是一种多阶段的算法，其主要目的是在于提取图像中有用的结构信息，同时尽可能降低它的错误率。而Canny算法的高效性，主要体现在以下三个标准上：低误差率：标志着边缘检测必须尽可能精确地捕获图像中的边缘；高定位性：检测到的边缘点必须尽可能接近真实边缘的中心；最小响应：图像中的边缘只能被标记一次，并且可能存在的噪声不应产生误检。边缘检测，它是计算机视觉中的一项基础而重要的处理技
opencv_23_高斯模糊
最新发布
EveryDayOneHour的博客
04-29 1100
imshow("图像模糊2", dst);
四、线段、矩形、圆、椭圆、自定义多边形、边缘轮廓和文本绘制（OpenCvSharp）
beyond谚语的博客
04-27 652
OpenCvSharp——绘制线段、矩形、圆、椭圆、自定义多边形和文本绘制
学习opencv第三方库
05-11
OpenCV是一个流行的计算机视觉库，它包含许多用于图像处理、计算机视觉、机器学习等领域的函数和算法。然而，OpenCV并不是唯一的计算机视觉库，还有许多其他的第三方库可以用于类似的任务。这里介绍几个常用的计算机视觉库： 1. Dlib：Dlib是一个开源的C++库，它提供了许多机器学习算法和工具，包括人脸检测、人脸识别、目标识别等。Dlib还包含许多用于优化、线性代数和图像处理的函数。 2. TensorFlow：TensorFlow是一个由Google开发的深度学习框架，它提供了一个易于使用的API，用于构建和训练深度神经网络。TensorFlow可以用于许多计算机视觉任务，包括图像分类、目标检测和语义分割等。 3. PyTorch：PyTorch是另一个深度学习框架，它由Facebook开发。与TensorFlow不同，PyTorch更加灵活，允许用户使用Python编写自定义操作和模型。PyTorch也可以用于许多计算机视觉任务。 4. Scikit-image：Scikit-image是一个基于Python的计算机视觉库，它提供了许多用于图像处理和分析的函数和算法。Scikit-image可以用于许多计算机视觉任务，包括图像分割、形态学操作、特征提取等。 以上这些库都是非常流行的计算机视觉库，你可以根据具体的任务需求选择合适的库来使用。

“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 1
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