[opencv][python] 学习手册3：练习代码1

最新推荐文章于 2022-07-06 14:23:01 发布
最新推荐文章于 2022-07-06 14:23:01 发布
阅读量214 收藏
点赞数
分类专栏： opencv
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/weixin_37834269/article/details/111859928
版权

[opencv][python] 学习手册3：练习代码1

37_找出图片中的网球.py
38_抠出网球.py
39_替换绿幕背景.py
40_图像二值化-treshold处理.py
41_图像二值化处理api.py
42_处理明暗相间的图片.py
43_自适应阈值-处理明暗相间的图片.py
44_图像二值化_OTSU大津算法.py
45_图像二值化_三角阈值.py

文章目录

37_找出图片中的网球.py

代码

"""
需求：

对物体进行分割、定位

步骤：
1. 读取图像
2. 获取图像 HSV
3. 定义网球 HSV 范围（lowerColor, upperColor）
4. 使用 inRange api 筛选网球
5. 显示图像，等待按键

hsv 值参考课件表格
"""
import logging

import cv2 as cv

logging.basicConfig(level=logging.INFO)

# 1. 读取图像
filename = r"../img/tenis1.jpg"
# filename = r"../img/lina.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)

# 2. 获取图像 HSV
hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)

# 3. 定义网球 HSV 范围（lowerColor, upperColor）
lower_color = (26, 43, 46)
upper_color = (55, 255, 255)

# 4. 使用 inRange api 筛选网球
dst = cv.inRange(hsv, lower_color, upper_color)

# 5. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("hsv", hsv)
cv.imshow("dst", dst)

key = cv.waitKey(0)
logging.info("key = {}".format(key))

cv函数
在这里插入图片描述

需要结合 HSV 色度表确定阈值

运行结果
在这里插入图片描述

38_抠出网球.py

需求

  1. 使用循环抠图
  2. 使用掩膜抠图

代码

"""
需求：

对物体进行分割、定位
并将目标物体从背景中提取出来

步骤：
1. 读取图像
2. 获取图像 HSV
3. 定义网球 HSV 范围（lowerColor, upperColor）
4. 使用 inRange api 筛选网球
5. 通过dst与src，循环将目标物体抠出
5.2. 通过 掩膜 将目标物体抠出
6. 显示图像，等待按键

hsv 值参考课件表格
"""
import logging

import cv2 as cv
import numpy as np

logging.basicConfig(level=logging.WARNING)

# 1. 读取图像
filename = r"../img/tenis1.jpg"
# filename = r"../img/lina.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
logging.info("src shape::[{0}]".format(src.shape))

# 2. 获取图像 HSV
hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)
logging.info("hsv shape::[{0}]".format(hsv.shape))

# 3. 定义网球 HSV 范围（lowerColor, upperColor）
lower_color = (26, 43, 46)
upper_color = (55, 255, 255)

# 4. 使用 inRange api 筛选网球
dst = cv.inRange(hsv, lower_color, upper_color)  # output array of the same size as src and CV_8U type
logging.info("dst shape::[{0}]".format(dst.shape))

# 5. 方法一：通过dst与src，循环将目标物体抠出
h = src.shape[0]
w = src.shape[1]
tar = np.zeros(src.shape, src.dtype)
for row in range(h):
    for col in range(w):
        # dst 为 0 的位置 src 也为 0
        color = dst[row, col]  # CV_8U
        logging.info("color dtype::[{0}]".format(color.dtype))
        if color != 0:
            tar[row, col] = src[row, col]

# 5.2. 方法二：通过 掩膜 将目标物体抠出
# tar2 = np.zeros(src.shape, src.dtype)
tar2 = src.copy()  # 使用浅拷贝
tar2[dst == 0] = (0, 0, 0)

# 6. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("hsv", hsv)
cv.imshow("dst", dst)
cv.imshow("tar", tar)
cv.imshow("tar2", tar2)

key = cv.waitKey(0)
logging.info("key = {}".format(key))

运行结果
在这里插入图片描述

39_替换绿幕背景.py

代码

"""
需求：
1. 读取目标图像，读取背景图像（同尺寸），获得图像信息
2. 将目标图像转化成 HSV 图像
3. 抠出目标图像绿幕背景
4. 抠出目标图像目标，使用掩膜
5. 抠出背景图像的目标图像的对应位置，使用掩膜
6. 将目标图像与背景图像相加
7. 显示图像，等待按键
"""
import logging

import cv2 as cv

# 1. 读取目标图像，读取背景图像（同尺寸），获得图像信息
filename_tar = r"../img/lion.jpg"
filename_bgd = r"../img/room.jpg"
tar = cv.imread(filename_tar, cv.IMREAD_COLOR)
bg = cv.imread(filename_bgd, cv.IMREAD_COLOR)

# 2. 将目标图像转化成 HSV 图像
hsv_tar = cv.cvtColor(tar, cv.COLOR_BGR2HSV)

# 3. 抠出目标图像绿幕背景，对照 hsv 表
lower_color = (35, 43, 46)
upper_color = (77, 255, 255)
# lower_color = (100, 80, 40)
# upper_color = (140, 120, 60)
dst = cv.inRange(hsv_tar, lower_color, upper_color)

# 4. 抠出目标图像目标，使用掩膜
tar[dst == 255] = (0, 0, 0)

# 5. 抠出背景图像的目标图像的对应位置，使用掩膜
bg[dst == 0] = (0, 0, 0)

# 6. 将目标图像与背景图像相加
result = tar + bg

# 7. 显示图像，等待按键
cv.imshow("tar", tar)
cv.imshow("bgd", bg)
cv.imshow("dst", dst)
cv.imshow("result", result)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

运行结果
在这里插入图片描述
在这里插入图片描述

思考：如何将狮子的阴影一同抠出

40_图像二值化-treshold处理.py

代码

"""
需求：

手动实现图像二值化

1. 读取原图像，转化成灰度图像，获取图像信息
2. 通过阈值 + 灰度图，实现 二值图 binary 的改变
3. 显示图像，等待按键
"""
import logging

import cv2 as cv
import numpy as np

# 1. 读取原图像，转化成灰度图像，获取图像信息
filename = r"../img/car.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
h = src.shape[0]
w = src.shape[1]

# 2. 通过阈值 + 灰度图，实现 二值图 binary 的改变
binary = np.zeros(gray.shape, gray.dtype)
thresh = 50
for row in range(h):
    for col in range(w):
        color = gray[row, col]
        # 阈值判断
        # if color >= thresh:
        #     binary[row, col] = 255
        # else:
        #     binary[row, col] = 0
        binary[row, col] = 255 if color >= thresh else 0

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("gray", gray)
cv.imshow("binary", binary)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

运行结果
在这里插入图片描述

41_图像二值化处理api.py

代码

"""
需求：

手动实现图像二值化

1. 读取原图像，转化成灰度图像，获取图像信息
2. 通过阈值 + 灰度图，实现 二值图 binary 的改变
3. 显示图像，等待按键
"""
import logging

import cv2 as cv
import numpy as np


# 思考，如何传入多个参数
def change_thresh(in_thresh):
    global binary, h, w, gray
    # 使用 双 for 循环，效率低
    # for row in range(h):
    #     for col in range(w):
    #         color = gray[row, col]
    #         # 阈值判断
    #         # if color >= thresh:
    #         #     binary[row, col] = 255
    #         # else:
    #         #     binary[row, col] = 0
    #         binary[row, col] = 255 if color >= in_thresh else 0

    # 使用掩膜，效率高
    binary[gray >= in_thresh] = 255
    binary[gray < in_thresh] = 0

    cv.imshow("binary", binary)


# 0. 配置日志
logging.basicConfig(level=logging.INFO)

# 1. 读取原图像，转化成灰度图像，获取图像信息
filename = r"../img/car.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
h = src.shape[0]
w = src.shape[1]

# 2. 通过阈值 + 灰度图，实现 二值图 binary 的改变
binary = np.zeros(gray.shape, gray.dtype)

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("gray", gray)
cv.imshow("binary", binary)
cv.createTrackbar("thresh", "binary", 0, 255, change_thresh)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

运行结果
在这里插入图片描述

41_二值化_api.py

代码

"""
需求：
1. 读取图像，转化为灰度图
2. 使用 threshold api + 二值化参数 处理图像 + 滑动条
3. 显示图像，等待按键
"""
import logging

import cv2 as cv

# 1. 读取图像，转化为灰度图
filename = r"../img/car.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

# 2. 使用 threshold api + 二值化参数 处理图像 + 滑动条
thresh = 50
max_val = 255
type = cv.THRESH_BINARY_INV
retv, binary = cv.threshold(gray, thresh, max_val, type)
logging.info("retv = [{0}]".format(retv))

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("gray", gray)
cv.imshow("binary", binary)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

cv函数
在这里插入图片描述
在这里插入图片描述

运行结果
在这里插入图片描述

41_二值化_api_滑动条.py

代码

"""
需求：
1. 读取图像，转化为灰度图
2. 使用 threshold api + 二值化参数 处理图像 + 滑动条
3. 显示图像，等待按键
"""
import logging

import cv2 as cv
import numpy as np


def change_thresh(thresh):
    global binary
    max_val = 255
    _type = cv.THRESH_BINARY_INV
    # 这个函数优化的很好，滑动条非常流畅
    ret_v, binary = cv.threshold(gray, thresh, max_val, _type)
    logging.info("ret_v = [{0}]".format(ret_v))
    cv.imshow("binary", binary)


# 0. 配置日志
logging.basicConfig(level=logging.INFO)

# 1. 读取图像，转化为灰度图
filename = r"../img/car.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

# 2. 使用 threshold api + 二值化参数 处理图像 + 滑动条
binary = np.zeros(gray.shape, gray.dtype)

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("gray", gray)
cv.imshow("binary", binary)
cv.createTrackbar("thresh", "binary", 0, 255, change_thresh)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

运行结果
在这里插入图片描述

42_处理明暗相间的图片.py

代码

"""
需求：

cv api 二值法 处理明暗相间的图像，带滑动条

1. 读取图像，转化成灰度图
2. 使用 api 对灰度图进行调整，写成滑动条回调函数形式
3. 显示图像，等待按键
"""

import logging

import cv2 as cv
import numpy as np


# 2. 使用 api 对灰度图进行调整，写成滑动条回调函数形式
def change_thresh(in_thresh):
    global gray
    _type = cv.THRESH_BINARY
    ret_v, binary = cv.threshold(gray, in_thresh, 255, _type)
    cv.imshow("binary", binary)


# 0. 配置日志
logging.basicConfig(level=logging.INFO)

# 1. 读取图像，转化成灰度图
filename = r"../img/thresh1.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

# 创建gray同属性画布
binary = np.zeros(gray.shape, gray.dtype)

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("gray", gray)
cv.imshow("binary", binary)

cv.createTrackbar("thresh", "binary", 0, 255, change_thresh)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

运行结果
在这里插入图片描述

43_自适应阈值-处理明暗相间的图片.py

需求

  • 使用自适应阈值的中值法或高斯法处理图像
  • 用一个全局值作为阈值。但是在所有情况下这可能都不太好，自适应阈值阈值可以帮助。
  • 算法基于其周围的小区域确定像素的阈值。因此，为同一图像的不同区域获得不同的阈值。
  • 这为具有不同照明的图像提供了更好的结果。

在这里插入图片描述

代码

"""
需求：

使用 cv api adaptiveThreshold 进行二值化处理

1. 读取图像，转化成灰度图
2. 使用 api adaptiveThreshold 对灰度图进行调整
3. 显示图像，等待按键
"""

import logging

import cv2 as cv

# 0. 配置日志
logging.basicConfig(level=logging.INFO)

# 1. 读取图像，转化成灰度图
# filename = r"../img/thresh1.jpg"
filename = r"../img/car.jpg"
src = cv.imread(filename, cv.IMREAD_COLOR)
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

# 2. 使用 api adaptiveThreshold 对灰度图进行调整
#                            1.灰图   2.最大值  3.求阈值的算法         4.阈值处理方式    5.分块大小 6.算法需要的敞亮常量
binary_gaussian = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)
binary_mean = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("gray", gray)
cv.imshow("binary_gaussian", binary_gaussian)
cv.imshow("binary_mean", binary_mean)

key = cv.waitKey(0)
logging.info("key = [{0}]".format(key))

cv函数
在这里插入图片描述

运行结果
在这里插入图片描述

44_图像二值化_OTSU大津算法.py

代码

"""
需求：
# 0. 配置日志
# 1. 读取图像，转化成灰度图
# 2. 二值化，调用大津算法
# 3. 显示图像，等待按键
"""
import logging
import cv2 as cv

# 0. 配置日志
logging.basicConfig(level=logging.INFO)

# 1. 读取图像，转化成灰度图
src = cv.imread("../img/lingjian.png")
grayImg = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

# 2. 二值化，调用大津算法
value, binary = cv.threshold(grayImg, 0, 255, cv.THRESH_BINARY_INV + cv.THRESH_OTSU)
logging.info("value = [{0}]".format(value))

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("grayImg", binary)
cv.waitKey()

运行结果
在这里插入图片描述

45_图像二值化_三角阈值.py

代码

"""
需求：
# 0. 配置日志
# 1. 读取图像，转化成灰度图
# 2. 二值化，调用大津算法
# 3. 显示图像，等待按键
"""
import logging

import cv2 as cv
import matplotlib.pyplot as plt

# 0. 配置日志
logging.basicConfig(level=logging.INFO)

# 1. 读取图像，转化成灰度图
src = cv.imread("../img/lingjian.png")
grayImg = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

fig = plt.figure()
fig.canvas.set_window_title("hist")
plt.hist(grayImg.ravel(), bins=256)

# 2. 二值化，调用大津算法
value, binary = cv.threshold(grayImg, 0, 255, cv.THRESH_BINARY_INV + cv.THRESH_TRIANGLE)
logging.info("value = [{0}]".format(value))

# 3. 显示图像，等待按键
cv.imshow("src", src)
cv.imshow("grayImg", binary)
plt.show()
cv.waitKey()

"""
    阈值处理小结：
        当前所使用的阈值，二值图 = cv.threshold(灰图，阈值，最大值，处理方式)
              针对某种场景，手工调阈值
              快速得到二值图 ： THRESH_BINARY|THRESH_OTSU
              若是一个三角直方图 ： THRESH_TRIANGLE 三角阈值   

        cv.adaptiveThreshold(灰图，最大值，算法（高斯、均值），块大小，常量)
              图像中明暗相间差异比较大
"""

运行结果
在这里插入图片描述
在这里插入图片描述

&&. 阈值处理小结

阈值处理小结：
    当前所使用的阈值，二值图 = cv.threshold(灰图，阈值，最大值，处理方式)
          针对某种场景，手工调阈值
          快速得到二值图 ： THRESH_BINARY|THRESH_OTSU
          若是一个三角直方图 ： THRESH_TRIANGLE 三角阈值   

    cv.adaptiveThreshold(灰图，最大值，算法（高斯、均值），块大小，常量)
          图像中明暗相间差异比较大

&&. 参考

&&. 问题解决

飞天牛牛
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OpenCV-Python调用训练好的深度学习模型进行常见物体识别
03-24
使用训练好的模型进行物体识别，对于人、车的识别成功率极高，亲测好用！
大津法图像分割 python手写算法 没用cv2
UncleDong的博客
06-19 1647
先记录一下，等写完作业再补充… def OTSU(img): # 类间方差g初始最小 g_raw = -1 # 要返回的阈值 T_return = 0 # 获得图像大小 M_N = img.shape[0]*img.shape[1] bigest = img.max() # 大津阈值算法 for T in range(bigest): # 获取阈值大于T和小于T的两个列表 array1 = img[im
大津法（Python实现）
小焕--的专栏
04-10 1万+
在计算机视觉和图像处理中，大津法被用于自动获取图像的阈值，或者将灰度图像转换为二值化图像。该算法假设图像包含两个类别的像素（前景像素和背景像素），然后它计算一个最优的阈值用于分离前景和背景，使得前景和背景的类间方差最小。 下面定义类间方差的计算公式： 假设我们使用阈值T将灰度图像分割为前景和背景 size：图像总像素个数 u：图像的平均灰度 w0
python图片处理常用操作笔记
starvapour的博客
08-25 4830
python图片处理常用操作笔记1. 静态图片操作笔记安装库导入库读写静态图片从磁盘读取图片将图片写入磁盘用cv2显示图片将彩色图转换为灰度图过滤图片中的噪点缩放图片的长宽图片截取颜色通道拆分与合并直方图均衡化图片翻转高维矩阵转置tensor中的用法，需要导入torch包。2. 动态图片操作笔记安装库导入库读取gif图片写出gif图片3. 一些简单功能实现笔记3.1 单色背景照片背景色替换3.2 为图片增加透明度图层并自定义透明度 萌新方便自己查询的笔记，记录一些常用的方法，不定时更新~ 1. 静态图片操作
Python Opencv 绘制图形详解（包含一个练习）——线/矩形/圆/多边形/文字
笔岸柳影
03-05 1940
Python Opencv 绘制图形详解（包含一个练习）——线/矩形/圆/多边形/文字绘制线条函数详解代码实例绘制矩形函数详解代码实例绘制圆函数详解代码实例绘制文字函数详解代码实例★★★绘制多边形函数详解补充：多边形/折线顶点设置规则代码实例一个小练习（放手练练吧）设计内容效果展示实现代码如下小案例总结 QQ:3020889729 ...
opencv_exercises:opencv python练习
04-30
git clone方便大家下载使用，提供本项目压缩包链接：找不到包：ModuleNotFoundError：No module named 'cv2'解决：首先要安装opencv包 pip install opencv-python，若还没有解决，需要在pycharm中引入解释器环境，...
opencv-python api手册.rar
08-19
opencv-python api手册.rar
OpenCV-Python-Tutorial::open_book: OpenCV-Python 初学者图像处理教程
05-30
面向初学者的OpenCV-Python教程教程地址:本仓库为教程中所用到的源码、图片和音视频素材等目录入门篇标题简介了解和安装OpenCV-Python度量运行时间/提升效率的几种方式图片的载入/显示和保存高保真保存图片、...
OpenCV 3计算机视觉：Python语言实现
11-09
OpenCV 3计算机视觉：Python语言实现,代码+pdf文档，适合于计算机视觉研究者
opencv：具有OpenCV和Python 3的Docker映像
02-06
+的Python 3.9 脾气暴躁的Tesseract 本征OpenBlas 英特尔TBB 和图像依赖项（libjpeg，libpng，libtiff，libwebp，openjpeg）用法： $ docker run -it dkimg/opencv python3>>> import cv2OpenCV基本图片标签尺寸...
python+opencv 人像训练及识别
wenzhp1975的博客
02-27 2371
系统准备 Python3.7、电脑安装OpenCV（需要用到软件自带的人脸检测库） 步骤： 一、准备训练数据： 新建目录\face\，face目录下新建一系列以0开头的数字目录，要训练多少个人就建多少个数字目录，数字目录里面放每个人的头像图片，最好不同角度不同表情都有，准确率与训练图片的量正相关。我这里准备了四个人的图片。 二、批量处理训练图片，生成标准化的人脸与标签对，代码如下： ...
OpenCV [c++]（图像处理基础示例程序汇总）
NCUTer
06-25 7322
目录一、图像读取与显示二、图像预处理[高斯滤波、canny边缘检测、膨胀腐蚀]Canny边缘检测三、图像裁剪 四、绘制形状和添加文本 五、透视投影变换矫正 六、颜色检测 七、形状检测和轮廓检测[findContours(),approxPolyDP()] 八、人脸识别九、虚拟画笔作画十、文档扫描 十一.车牌区域级联检测定位opencv与VS环境配置参考我的另一篇文章：vs2019 + opencv4.3.0 开发环境配置（后续更新QT与OpenCV配置）_NCUTer的博客-CSDN博客 wait
opencv基础一（python）
every place is the center of the universe
08-01 475
一.图像基本操作 1.引包： import cv2 #openvc读取图像格式BGR import matplotlib.pyplot as plt import numpy as np %matplotlib inline 2.读取图片 img = cv2.imread('s.jpg') #读取图片为灰度图 img = cv2.imread('s.jpg',cv2.IMREAD_GRAYSCALE) 3.展示图片 #图像的显示，也可以创建多个窗口 cv2.imshow('image',img) #等待
练习日记---用Python3实现OpenCV
qq_41417391的博客
12-17 238
练习1—显示图片 主要是将自己的学习过程记录下来，有兴趣的小伙伴可以一起学习呀！ 显示图片 显示图片为入门级练习程序，等同于hello world： // 显示图像 import cv2 def images(image): # 定义一个新函数 print(type(image)) # 输出元素的类型 print(im...
python-opencv图像处理基础练习2
qq_853154671的博客
01-15 359
import cv2 import numpy as np def fun(): camera=cv2.VideoCapture(0) es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(10,10)) kernel =np.ones((5,5),np.uint8) background = None wh
python-opencv练习：尝试找到一种方法来提取一个以上的彩色物体，例如，同时提取红色、蓝色和绿色物体。
HGLA的博客
07-06 691
使用opencv从相机捕获中提取红绿蓝三种颜色
Python-OpenCV基本操作
热门推荐
吃狼的1只羊
07-14 1万+
基本属性 cv2.imread(文件名，属性) 读入图像 属性：指定图像用哪种方式读取文件 cv2.IMREAD_COLOR：读入彩色图像，默认参数，Opencv 读取彩色图像为BGR模式 ！！！注意 cv2.IMREAD_GRAYSCALE：读入灰度图像。 cv2.imshow(窗口名，图像文件) 显示图像 可以创建多个窗口 cv2.waitKey() 键盘绑定函数 函数
OpenCV-python实现第六章练习题
Lassi的博客
08-08 556
在学习OpenCV-python实现的过程中，第六章的练习内容如下： 创建一个滑动条用来为SURF实例提供Hessian阈值，可以看到特征会随阈值的增加而减少。 修改了很久的代码一直没能得到满意的效果，虽然能够实现滑动条控制Hessian值，但是可视化处理效果达不到预期，每次的Hessian值的drawKeypoints都叠加在一起，导致画面极度混乱，后发现问题出现在drawKeypoints函数的outImage值上，将其与image值用两个不同变量保存即可解决问题，代码如下： import cv2 d
opencv实战练习二（python）
every place is the center of the universe
08-06 357
harris角点检测 沿着x,y图像灰度变化迅速 1.计算梯度大小 2.合成矩阵，求特征值 3.比较特征值大小 接口cv2.cornerHarris() SIFT 图像尺度空间 得到特征点 计算特征
python使用终端命令安装OpenCV 3.X库：
最新发布
06-09
pip install opencv-python==3.x.x.x ``` 其中，3.x.x.x是你想要安装的OpenCV版本号。请注意，此命令需要在具有管理员权限的终端窗口中运行。如果你想在虚拟环境中安装OpenCV，请在激活虚拟环境后运行此命令。

“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
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