计算机视觉的简单应用

已于 2023-10-10 21:59:58 修改
阅读量203 收藏
点赞数 1
文章标签： 图像处理 人工智能
于 2023-09-26 01:12:35 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/weixin_74108910/article/details/133284414
版权
  1. 基于opencv图片加载、显示、保存
  2. RGB通道转换，分离（RGB通道单独显示）
  3. 正确使用matplotlib，使用subplot画子图
  4. RGB<->HSV，单独显示H\S\V通道
  5. 灰度图直方图均衡化
  6. 彩色图直方图均衡化
  7. 椒盐噪声函数和高斯噪声函数
  8. 图片（灰度）加噪声
  9. 图片平滑降噪（平滑，中值滤波，高斯滤波），对比不同大小窗口
  10. sobel算子
  11. 拉普拉斯算子
  12. canny算子边缘检测
  13. .有必要的情况，要将原图和处理后的图片放在一起对比

1.conda虚拟环境，opencv，jupyter lab 2.jupyter使用，markdown文档编写

图片路径不要有中文，能省掉很多麻烦！！！！！！

在写代码之前，先插入这几个模块！！！

!pip install opencv-python
!pip install matplotlib
!pip install pillow
!pip install numpy

先安装软件包

1. OpenCV-Python：OpenCV是一个开源计算机视觉库，它提供了许多用于处理图像和视频的函数和算法。OpenCV-Python是OpenCV的Python接口，它使得使用Python编程语言更加方便。

2. Matplotlib：Matplotlib是一个用于绘制二维图形的Python库。它可以创建各种类型的图表，包括线图、散点图、柱状图、饼图等。Matplotlib非常强大且易于使用，是数据可视化的常用工具。

3. Pillow：Pillow是一个用于图像处理的Python库，它是Python Imaging Library（PIL）的一个分支。Pillow提供了许多用于加载、处理和保存图像的函数和方法。你可以使用Pillow来调整图像大小、裁剪图像、添加滤镜等。

4. NumPy：NumPy是一个用于科学计算的Python库，它提供了高效的多维数组对象和用于处理这些数组的函数。NumPy的核心功能是对数组进行数值计算和操作，包括线性代数、傅里叶变换、随机数生成等。NumPy是许多其他科学计算库的基础。

PS：有些我用的是.jpg格式，有些用的是.jpeg格式，都是一张照片，有些照片换个格式就能跑起来了当时

1.基于opencv图片加载、显示、保存

import cv2

image_path = r"D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg"
image = cv2.imread(image_path)

if image is None:
    print("Failed to load image:", image_path)
else:
    print("Image loaded successfully.")

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
//我先检测一下图片在不在我的路径里面

我的检测路径结果在噢！！！ （路径自己复制自己的照片，不建议特别大的像素，我第一次用了我航拍素材的冈仁波齐全景图，给个大疆像素太大难跑起来哈哈哈！！！！）

接着我实现图片，加载，显示，但是保存我没写出来，假如有大神请在评论区写一下哈哈哈哈，谢谢

import cv2
import matplotlib.pyplot as plt

# 图片路径
image_path = r'D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg'

# 读取图片
image = cv2.imread(image_path)

# 将图片从BGR通道转换为RGB通道
rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 显示图片
plt.imshow(rgb_image)

# 关闭坐标轴
plt.axis('off')

# 显示图片
plt.show()

具体注释如上

结果显示

2.RGB通道转换，分离（RGB通道单独显示）

from PIL import Image  # 导入PIL库，用于处理图像

image_path = 'C:\\Users\\南宫洛玥\\Desktop\\4ace4d51af416be286652ae1ee43d82a.jpeg'  # 图像路径
image = Image.open(image_path)  # 打开图像

image = image.convert('RGB')  # 将图像转换为RGB模式

red_channel, green_channel, blue_channel = image.split()  # 将图像拆分为红色通道、绿色通道和蓝色通道

import matplotlib.pyplot as plt  # 导入matplotlib库，用于显示图像

plt.imshow(red_channel, cmap='gray')  # 显示红色通道图像，使用灰度颜色映射
plt.title('Red Channel')  # 设置图像标题
plt.axis('off')  # 关闭坐标轴显示
plt.show()  # 显示图像

plt.imshow(green_channel, cmap='gray')  # 显示绿色通道图像，使用灰度颜色映射
plt.title('Green Channel')  # 设置图像标题
plt.axis('off')  # 关闭坐标轴显示
plt.show()  # 显示图像

plt.imshow(blue_channel, cmap='gray')  # 显示蓝色通道图像，使用灰度颜色映射
plt.title('Blue Channel')  # 设置图像标题
plt.axis('off')  # 关闭坐标轴显示
plt.show()  # 显示图像
//具体注释，一定要看懂代码是什么意思噢！！

这段代码打开了一张图像，并将其转换为RGB模式。然后，它将图像分离成红色通道、绿色通道和蓝色通道，并使用matplotlib库显示了每个通道的灰度图像。最后，它显示了红色通道、绿色通道和蓝色通道的图像。

结果显示

3.正确使用matplotlib，使用subplot画子图

import matplotlib.pyplot as plt
from PIL import Image

# 图片路径
image_path = r"C:\Users\南宫洛玥\Desktop\4ace4d51af416be286652ae1ee43d82a.jpeg"

# 打开图片
image = Image.open(image_path)

# 创建一个包含两个子图的画布
plt.subplot(1, 2, 1)  # 第一个子图
plt.imshow(image)  # 显示原始图片
plt.title('Original Image')

plt.subplot(1, 2, 2)  # 第二个子图
gray_image = image.convert('L')  # 将图片转换为灰度图
plt.imshow(gray_image, cmap='gray')  # 使用灰度图像的颜色映射
plt.title('Grayscale Image')

plt.tight_layout()  # 调整子图之间的间距

plt.show()  # 显示图片
  • 首先导入需要使用的库，matplotlib.pyplot用于绘制图片，PIL.Image用于处理图片。
  • 定义图片路径image_path，这里使用了一个绝对路径，你可以根据实际情况进行修改。
  • 使用Image.open()函数打开图片，得到一个Image对象。
  • 使用plt.subplot()函数创建一个包含两个子图的画布，参数(1, 2, 1)指定了1行2列的布局，并将第一个子图设置为当前子图。
  • 使用plt.imshow()函数显示原始图片，plt.title()函数设置子图标题为"Original Image"。
  • 使用plt.subplot()函数将第二个子图设置为当前子图。
  • 使用image.convert('L')将原始图片转换为灰度图，得到一个新的灰度图像gray_image。
  • 使用plt.imshow()函数显示灰度图像，cmap='gray'参数指定了使用灰度图像的颜色映射。
  • 使用plt.title()函数设置子图标题为"Grayscale Image"。
  • 使用plt.tight_layout()函数调整子图之间的间距。
  • 最后使用plt.show()函数显示图片。

    4.RGB<->HSV，单独显示H\S\V通道

    import matplotlib.pyplot as plt
from PIL import Image

# 设置图片路径
image_path = 'C:\\Users\\南宫洛玥\\Desktop\\4ace4d51af416be286652ae1ee43d82a.jpeg'
# 打开图片
image = Image.open(image_path)

# 将图片转换为RGB模式
image_rgb = image.convert('RGB')

# 将RGB图片转换为HSV模式
image_hsv = image_rgb.convert('HSV')

# 分离HSV图片的通道
h_channel, s_channel, v_channel = image_hsv.split()

# 创建一个包含3个子图的画布
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))

# 在第一个子图中显示H通道图像，使用灰度色彩映射
ax1.imshow(h_channel, cmap='gray')
ax1.set_title('H Channel')

# 在第二个子图中显示S通道图像，使用灰度色彩映射
ax2.imshow(s_channel, cmap='gray')
ax2.set_title('S Channel')

# 在第三个子图中显示V通道图像，使用灰度色彩映射
ax3.imshow(v_channel, cmap='gray')
ax3.set_title('V Channel')

# 关闭子图的坐标轴
for ax in (ax1, ax2, ax3):
    ax.axis('off')

# 显示画布
plt.show()

    用了matplotlib.pyplot库来绘制图像，并使用PIL.Image库来处理图像。首先，通过Image.open()函数打开图片，并将其转换为RGB模式。然后，将RGB图片转换为HSV模式，使用convert()函数并传入参数'HSV'。接下来，通过split()函数分离HSV图片的通道，得到H、S、V通道的图像。然后，创建一个包含3个子图的画布，并在每个子图中显示对应通道的图像。最后，关闭子图的坐标轴，并显示画布。

    5.灰度图直方图均衡化

    import cv2
import matplotlib.pyplot as plt

# 图片路径
image_path = r'D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg'

# 使用OpenCV加载图片
image = cv2.imread(image_path)

# 将彩色图片转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 对灰度图进行直方图均衡化
equalized_image = cv2.equalizeHist(gray_image)

# 创建一个包含两个子图的画布
fig, axes = plt.subplots(1, 2, figsize=(10, 5))

# 在第一个子图中显示原始彩色图片
axes[0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
axes[0].set_title('Original Image')
axes[0].axis('off')

# 在第二个子图中显示直方图均衡化后的灰度图
axes[1].imshow(equalized_image, cmap='gray')
axes[1].set_title('Equalized Image')
axes[1].axis('off')

# 显示画布
plt.show()

    用OpenCV的imread函数加载一张图片。接下来，使用cvtColor函数将彩色图片转换为灰度图。然后，使用equalizeHist函数对灰度图进行直方图均衡化。最后，使用subplots函数创建一个包含两个子图的画布，并在第一个子图中显示原始彩色图片，在第二个子图中显示直方图均衡化后的灰度图。最后调用plt.show()显示画布。

  • 6.彩色直方图均衡化

    import cv2
import matplotlib.pyplot as plt

# 图片路径
image_path = r'D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg'

# 读取图片
image = cv2.imread(image_path)

# 将图片从BGR颜色空间转换为YUV颜色空间
image_yuv = cv2.cvtColor(image, cv2.COLOR_BGR2YUV)

# 对Y通道进行直方图均衡化
image_yuv[:,:,0] = cv2.equalizeHist(image_yuv[:,:,0])

# 将图片从YUV颜色空间转换回BGR颜色空间
equalized_image = cv2.cvtColor(image_yuv, cv2.COLOR_YUV2BGR)

# 创建一个10x5英寸的画布
plt.figure(figsize=(10, 5))

# 在画布上创建两个子图
plt.subplot(121), plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv2.cvtColor(equalized_image, cv2.COLOR_BGR2RGB)), plt.title('Equalized Image')

# 显示画布
plt.show()

    使用OpenCV和matplotlib库对图片进行了处理和展示。首先，使用cv2.imread()函数读取了指定路径下的图片。然后，使用cv2.cvtColor()函数将图片从BGR颜色空间转换为YUV颜色空间。接下来，对Y通道进行直方图均衡化，使用cv2.equalizeHist()函数实现。然后，再次使用cv2.cvtColor()函数将图片从YUV颜色空间转换回BGR颜色空间。最后，使用matplotlib库创建一个画布，并在画布上创建两个子图，分别展示原始图片和均衡化后的图片。最后调用plt.show()函数显示画布。

  • 7.1椒盐噪声

    from PIL import Image
import numpy as np
import random
import pylab as py


original_image = Image.open(r'D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg')


grayscale_image = original_image.convert('L')


original_array = np.array(original_image)
grayscale_array = np.array(grayscale_image)


SNR = 0.6


noiseNum = int((1 - SNR) * grayscale_array.shape[0] * grayscale_array.shape[1])


for i in range(noiseNum):
    randX = random.randint(0, grayscale_array.shape[0] - 1)
    randY = random.randint(0, grayscale_array.shape[1] - 1)
    if random.randint(0, 1) == 0:
        grayscale_array[randX, randY] = 0
    else:
        grayscale_array[randX, randY] = 255


py.subplot(121)
py.imshow(original_array)
py.title('Original Color Image')

py.subplot(122)
py.imshow(grayscale_array, cmap='gray')  
py.title('Modified Grayscale Image')

py.show()

    这段代码打开了一张图像，并将其转换为numpy数组。然后定义了一个函数来添加椒盐噪声。函数根据指定的椒盐比例和噪声数量计算需要添加的盐和椒的数量，然后在图像数组上随机选择坐标，并将对应的像素值设置为255和0。最后，通过使用matplotlib库来显示原始图像和添加了噪声的图像。

  • 7.2高斯噪声

    高斯噪声尊嘟好好看！！！！！有点老式相机的感觉

    import numpy as np
from PIL import Image

# 定义图片路径
image_path = r'C:\Users\南宫洛玥\Desktop\4ace4d51af416be286652ae1ee43d82a.jpeg'
# 打开图片
image = Image.open(image_path)

# 将图片转换为numpy数组
image_array = np.array(image)

# 定义添加高斯噪声的函数
def add_gaussian_noise(image_array, mean, std_dev):
    # 生成均值为mean，标准差为std_dev的高斯噪声数组
    noise = np.random.normal(mean, std_dev, image_array.shape)
    # 将噪声添加到原始图像数组上
    noisy_image_array = image_array + noise
    # 将图像数组的像素值限制在0到255之间，并转换为无符号整数类型
    noisy_image_array = np.clip(noisy_image_array, 0, 255).astype(np.uint8)
    return noisy_image_array

# 设置高斯噪声的均值和标准差
mean = 0  
std_dev = 20  
# 添加高斯噪声到图像数组上
noisy_image_array = add_gaussian_noise(image_array, mean, std_dev)

# 将噪声图像数组转换为图片对象
noisy_image = Image.fromarray(noisy_image_array)

import matplotlib.pyplot as plt

# 创建一个包含两个子图的图像画布
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].axis('off')
# 显示添加了噪声的图像
axes[1].imshow(noisy_image)
axes[1].set_title('Noisy Image')
axes[1].axis('off')

# 显示图像
plt.show()

    这段代码中，我们首先导入了需要的库，然后定义了图片路径并打开了图片。接着，我们将图片转换为numpy数组。然后，我们定义了一个函数add_gaussian_noise，用于向图像数组中添加高斯噪声。在函数中，我们使用np.random.normal生成均值为mean，标准差为std_dev的高斯噪声数组，然后将噪声添加到原始图像数组上。为了保证图像的像

  • 8.图片（灰度）加噪声

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

# 设置图像路径
image_path = r'D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg'

# 读取图像
image = cv2.imread(image_path)

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 创建与灰度图像相同大小的全零矩阵
noise_image = np.zeros_like(gray_image)
# 生成服从均值为0，标准差为50的高斯随机数矩阵
cv2.randn(noise_image, 0, 50)
# 将随机数矩阵添加到灰度图像中，产生带有噪声的灰度图像
noisy_gray_image = cv2.add(gray_image, noise_image)

# 创建一个1行3列的图像子图
fig, ax = plt.subplots(1, 3, figsize=(12, 4))

# 显示原始图像
ax[0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
ax[0].set_title('Original Image')
ax[0].axis('off')

# 显示灰度图像
ax[1].imshow(gray_image, cmap='gray')
ax[1].set_title('Grayscale Image')
ax[1].axis('off')

# 显示带有噪声的灰度图像
ax[2].imshow(noisy_gray_image, cmap='gray')
ax[2].set_title('Grayscale Image with Noise')
ax[2].axis('off')

# 显示图像
plt.show()
  • 导入所需的库：cv2用于图像处理，matplotlib用于显示图像，numpy用于生成随机数矩阵。
  • 设置图像路径：将图像的路径保存到变量image_path中。
  • 读取图像：使用cv2.imread()函数读取图像，将其保存到变量image中。
  • 将图像转换为灰度图像：使用cv2.cvtColor()函数将彩色图像转换为灰度图像，将其保存到变量gray_image中。
  • 创建与灰度图像相同大小的全零矩阵：使用np.zeros_like()函数创建一个与gray_image大小相同的全零矩阵，将其保存到变量noise_image中。
  • 生成服从均值为0，标准差为50的高斯随机数矩阵：使用cv2.randn()函数生成一个服从均值为0，标准差为50的高斯随机数矩阵，将其保存到变量noise_image中。
  • 将随机数矩阵添加到灰度图像中，产生带有噪声的灰度图像：使用cv2.add()函数将gray_image和noise_image相加，将结果保存到变量noisy_gray_image中。
  • 创建一个1行3列的图像子图：使用plt.subplots()函数创建一个包含1行3列子图的图像，将其保存到变量fig和ax中。
  • 显示原始图像：使用ax[0].imshow()函数显示原始图像，使用ax[0].set_title()函数设置子图标题，使用ax[0].axis('off')函数关闭坐标轴显示。
  • 显示灰度图像：使用ax[1].imshow()函数显示灰度图像，使用ax[1].set_title()函数设置子图标题，使用ax[1].axis('off')函数关闭坐标轴显示。
  • 显示带有噪声的灰度图像：使用ax[2].imshow()函数显示带有噪声的灰度图像，使用ax[2].set_title()函数设置子图标题，使用ax[2].axis('off')函数关闭坐标轴显示。
  • 显示图像：使用plt.show()函数显示图像。

9 中值滤波，高斯滤波降噪

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

# 定义图像文件路径
image_path = r'D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg'

# 读取图像
image = cv2.imread(image_path)

# 将图像转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 生成椒盐噪声
noise = np.random.normal(0, 1, gray.shape)
noisy_image = np.clip(gray + noise, 0, 255).astype(np.uint8)

# 使用中值滤波去噪
denoised_median = cv2.medianBlur(noisy_image, 5)

# 使用高斯滤波去噪
denoised_gaussian = cv2.GaussianBlur(noisy_image, (5, 5), 0)

# 创建一个包含3个子图的图像窗口
fig, axes = plt.subplots(1, 3, figsize=(15, 5))

# 在第一个子图中显示原始图像
axes[0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
axes[0].axis('off')
axes[0].set_title('Original Image')

# 在第二个子图中显示加入噪声的图像
axes[1].imshow(noisy_image, cmap='gray')
axes[1].axis('off')
axes[1].set_title('Noisy Image')

# 在第三个子图中显示经过中值滤波去噪后的图像
axes[2].imshow(denoised_median, cmap='gray')
axes[2].axis('off')
axes[2].set_title('Denoised (Median) Image')

# 显示图像窗口
plt.show()

这段代码首先读取了一张图像，然后将其转换为灰度图像。接下来，通过生成服从正态分布的随机数来生成椒盐噪声，并将其加入到灰度图像中。然后，使用中值滤波和高斯滤波对加噪图像进行去噪处理。

最后，使用Matplotlib库创建了一个包含3个子图的图像窗口，分别显示了原始图像、加噪图像和经过中值滤波去噪后的图像。

10.sobel算子

import cv2
import matplotlib.pyplot as plt

# 定义图像路径
image_path = r"D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg"

# 读取图像
image = cv2.imread(image_path)

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用Sobel算子进行边缘检测
sobel_x = cv2.Sobel(gray_image, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(gray_image, cv2.CV_64F, 0, 1, ksize=3)
# 将x方向和y方向的边缘图像按权重叠加
sobel_image = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

# 创建一个包含两个子图的画布
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 在第一个子图中绘制原始图像
ax1.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
ax1.set_title('Original Image')
ax1.axis('off')

# 在第二个子图中绘制Sobel边缘检测结果
ax2.imshow(sobel_image, cmap='gray')
ax2.set_title('Sobel Edge Detection')
ax2.axis('off')

# 显示画布
plt.show()

11.拉普拉斯算子

import cv2
import matplotlib.pyplot as plt

# 图像路径
image_path = r"D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg"

# 读取图像
image = cv2.imread(image_path)

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用Laplacian算子进行边缘检测
laplacian_image = cv2.Laplacian(gray_image, cv2.CV_64F)

# 创建一个包含两个子图的画布
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 在第一个子图上绘制原始图像
ax1.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
ax1.set_title('Original Image')
ax1.axis('off')

# 在第二个子图上绘制Laplacian边缘检测后的图像
ax2.imshow(laplacian_image, cmap='gray')
ax2.set_title('Laplacian Edge Detection')
ax2.axis('off')

# 显示图像
plt.show()

12.canny算子边缘检测

# 导入所需的库
import cv2
import matplotlib.pyplot as plt

# 定义图像路径
image_path = r"D:\WeChat Files\All Users\4ace4d51af416be286652ae1ee43d82a.jpg"

# 使用OpenCV读取图像
image = cv2.imread(image_path)

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用Canny算法进行边缘检测
canny_image = cv2.Canny(gray_image, 100, 200)

# 创建一个包含两个子图的画布
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 在第一个子图中绘制原始图像
ax1.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
ax1.set_title('Original Image')
ax1.axis('off')

# 在第二个子图中绘制Canny边缘检测结果
ax2.imshow(canny_image, cmap='gray')
ax2.set_title('Canny Edge Detection')
ax2.axis('off')

# 显示画布
plt.show()

元气少女橘子果酱
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
开源计算机视觉库OpenCV详解
dvlinker的技术专栏
06-23 7万+
详细介绍开源计算机视觉库OpenCV。
8 种流行的计算机视觉应用
南北极之间
07-11 4021
计算机视觉是人工智能的一部分，它使计算机能够从计算机化的图片，视频中获取重要数据，并根据这些数据提出建议。 简单地说，你可以理解，如果人工智能允许计算机思考，那么计算机视觉就会鼓励它们去看、注意到和理解。这是在深度学习和机器学习的帮助下完成的。 计算机视觉用于从能源和公用事业到制造业和汽车的行业，市场正在不断发展。 什么是计算机视觉？ 计算机视觉帮助计算机学习数字图像的内容。它帮助计算机像我们的人类视觉一样查看，确定和处理图像，之后，它给出正确的输出。 这个AI子集的主要目标是教机器从像素收集信息。 如
计算机视觉的应用
lazyn的博客
05-03 8444
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟，是人工智能领域的一个重要部分，它的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。计算机视觉是以图象处理技术、信号处理技术、概率统计分析、计算几何、神经网络、机器学习理论和计算机信息处理技术等为基础，通过计算机分析与处理视觉信息。 1.无人驾驶 2.人脸识别 3.无人安防 4.车辆车牌识别 5.智能识图 6.3D重构 7.VR/AR 8.智能拍照 9.医学图像处理 10.无人机 11.工业检测 12.其他
计算机视觉应用期末试卷,计算机视觉复习题
weixin_39724287的博客
07-05 2821
计算机视觉复习题 《计算机视觉》复习题 1、利用 MFC 及 OpenCV 库函数编写对话框程序，添加按钮实现图像读入、图像阈值分割、边缘提取等功 能(至少实现三个以上功能) 。 (考前做好并用 A4 纸打印，考试当天带来) 2、证明 Laplace 算子 理论 为旋转不变算子，即当图像 旋转后，计算值在对应点保持不变。   v , u f 3、计算机视觉研究的目的是什么？它和图像处理及计算机...
计算机视觉的工业应用,计算机视觉技术在工业领域中的应用
weixin_29696999的博客
06-25 2824
杨俊叶 刘佳 王丽摘 要：在现代社会各行各业发展的过程中，计算机技术的应用已经变得十分广泛。在工业领域中，计算机视觉技术的应用有效降低了许多工作的复杂度，它能够将工业中大量的信息进行采集，并应用于工业生产中，在提高效率的同时还实现了资源投入的减少。本文将对计算机视觉技术在工业领域中的实际应用进行探索研究。关键词：计算机视觉技术 工业领域 视觉检测 图像处理 模版匹配中图分类号：TP...
人工智能的应用计算机视觉,人工智能-计算机视觉应用
weixin_31110189的博客
06-24 2398
计算机视觉应用(Computer vision)是指用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解。计算机视觉可以分为以下几大方向：图像分类目标检测图像分割图像重构图像生成风格迁移超分辨率人脸图像分类/Image Classification/图像分类，也可以称为图像识别，顾名思义，就是辨别图像是什么，或者说图像中的物体属于什么类别。图像分类根据不同的分类标准可以划分许多子方...
计算机视觉课程报告
m0_48919339的博客
06-18 2658
第一章 研究背景与意义 医疗影像主要有x线、计算机断层扫描（CT）和磁共振成像（MRI）等等，传统上是医生人工操作对影像进行分析，为疾病诊断给出依据。随着图像处理的发展应用，出现了计算机辅助诊断。当前，由于人工智能技术的发展，特别是深度学习的应用，人们正试图将其应用于医学影像分析，以实现智能诊断，从而提高诊断速度和诊断准确性，使病人迅速获得正确的治疗，此外还能弥补医生的不足。 人工智能在医学影像中的应用，其作用大体上可分为两个层面：一是增强成像效果，包括摄影和图像处理，提供更加能够诊断疾病的影像...
计算机视觉简介
qq_35922820的博客
04-15 2429
计算机视觉简介1.1 计算机视觉概念1.1.1 什么是计算机视觉1.1.2 计算机视觉公司以及领域分析1.1.2.1 计算机视觉公司1.1.2.2 应用方向1.1.2.3 行业案例1.2 计算机视觉任务1.2.1 计算机视觉发展历程1.2.2 典型的计算机视觉任务 1.1 计算机视觉概念 学习目标 • 目标 o 了解计算机视觉定义 o 知道计算机视觉的场景公司以及应用场景 1.1.1 什么是计算机视觉 • 定义：计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是
计算机视觉技术与应用综述
热门推荐
YukinoAI的博客
08-19 1万+
引用自：无人系统之“眼”——计算机视觉技术与应用浅析 张　丹，单海军，王　哲，吴陈炜 一、前言 ​         近年来，人工智能和深度学习获得突破，成为了大众关注的焦点。如LeCun Y，Bengio Y，Hinton G等［1］提出的深度卷积网络在图像识别领域大放异彩就是典型。计算机视觉是人工智能领域最重要的研究方向，因为视觉也是人体获得信...
计算机视觉算法与应用.pdf
02-03
本书《计算机视觉：算法与应用》是一本综合性的计算机视觉教材，不仅覆盖了计算机视觉的基础理论和技术，还包含了丰富的实践案例和最新研究成果。通过本书的学习，读者不仅可以掌握计算机视觉的核心算法和技术，还能...
Python-OpenCV计算机视觉应用示例
07-07
Python-OpenCV是将强大的计算机...通过实践这些例子，你可以逐步掌握OpenCV在计算机视觉领域的应用，并能解决实际问题。对于教学而言，这些实例也是很好的教材，有助于学生快速上手并深入理解计算机视觉的核心概念。
计算机视觉实验：图像增强应用实践
07-31
在这个实验中，我们关注的是图像增强技术，这是一种提升图像质量和可读性的方法，对计算机视觉应用至关重要。 1. **均值滤波**：在压缩包中，"均值滤波opencv.py"和"均值滤波.py"这两个文件显然涉及到均值滤波技术...
神经网络 深度学习 计算机视觉 简单介绍
06-25
简单介绍一下神经网络在计算机视觉方面的应用
计算机视觉
04-29
### 计算机视觉概述与挑战 #### 一、引言 计算机视觉是一门研究如何使计算机能够理解和解释图像及视频的技术学科。本书《计算机视觉》深入探讨了该领域的核心概念和技术，为读者提供了一个全面的理解框架。在过去...
【图像处理】不智能的目标识别
sqqwm的专栏
07-21 1391
大家有没有想过在没有人工智能或者说没有机器学习的的时候，计算机是怎么做目标识别的？ 计算机视觉时至今日也是急需人才的领域，仍有很多未被攻克的方向，想要进入这个领域必须了解一些基础的图像处理知识，而目标识别是其中综合要求比较高的小课题。
实验八: 彩色图像处理
智珂的博客
07-23 930
(1) 理解不同的彩色图像格式。 (2) 掌握伪彩色图像增强、真彩色图像变换基本知识。 (3) 掌握彩色图像的空间滤波基本操作。
2024钉钉杯A题思路详解
最新发布
全栈川川
07-26 1919
2024钉钉杯思路
常见的文心一言的指令
知码客
07-25 1770
文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
AI智能技术驱动安全生产：智慧矿山视频智能监管新篇章
TSINGSEE青犀视频官方技术博客
07-26 777
当识别到有人员未按照要求穿戴安全帽、反光背心/工服时，将立即抓拍，并将告警信息上传到平台。
参数估计在计算机视觉中的应用
"参数估计-计算机视觉模式识别别》)" 参数估计是模式识别和计算机视觉领域中的重要概念，用于确定模型中的未知参数。通常有两种主要的参数估计方法： 1. 非随机量处理：这种方法将参数视为固定不变的量进行估计。...
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