数字图像与机器视觉基础补充(1)

最新推荐文章于 2021-12-22 21:51:52 发布
最新推荐文章于 2021-12-22 21:51:52 发布
阅读量1.9k 收藏
点赞数
分类专栏： 人工智能 文章标签： 图像处理
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/zjszd/article/details/121914412
版权

数字图像与机器视觉基础补充(1)

人工智能与机器学习第11周作业

1. (简答题)
1.实践操作。
1）用图画板或其他图像编辑软件(Photoshop/GIMP、cximage、IrfanView等)打开一个彩色图像文件，将其分别保存为 32位、16位彩色和256色、16色、单色的位图（BMP)文件，对比其文件大小，并计算分析这些图片在内存中的存储容量是多少？当保存为BMP文件时，将用文件头来记录图像的属性，请问：BMP文件头是多大？是什么格式？上述5个类型的BMP的文件头内容有什么差异？
2）将一幅彩色照片分别保存为BMP、JPG、GIF和PNG格式，对比它们的文件大小比，判断图像的压缩保存后的压缩比率。
2. 根据提供的资料完成以下图像处理编程任务：
1）用奇异值分解（SVD）对一张图片进行特征值提取（降维）处理；
2）采用图像的开闭运算(腐蚀-膨胀)，检测出2个样本图像中硬币、细胞的个数。
3) 采用图像梯度、开闭、轮廓运算等，对图片中的条形码进行定位提取；再调用条码库获得条码字符。

目录

一、比较同一张图片不同位数BMP文件大小

原图：
请添加图片描述

1.ps生成图片

1.打开ps，导入图片，另存为
请添加图片描述
2.保存为16位
请添加图片描述
3.保存为24位
请添加图片描述
4.保存为32位
请添加图片描述
5.结果
没有感觉到明显变化
请添加图片描述

2.windows画图生成

1.打开画图，位置如图
请添加图片描述
2.导入图片，另存为BMP图片格式请添加图片描述
3.单色位图请添加图片描述
4.结果
请添加图片描述
5.16色位图
请添加图片描述
6.结果
请添加图片描述
7.256色位图
请添加图片描述
8.结果
请添加图片描述
可以看到和原图均有很大区别。

3.结果分析

1.背景

BMP文件总体上由4部分组成，分别是位图文件头、位图信息头、调色板和图像数据。
1.位图

位图图像（bitmap），亦称为点阵图像或栅格图像，是由称作像素（图片元素）的单个点组成的。这些点可以进行不同的排列和染色以构成图样。当放大位图时，可以看见赖以构成整个图像的无数单个方块。扩大位图尺寸的效果是增大单个像素，从而使线条和形状显得参差不齐。然而，如果从稍远的位置观看它，位图图像的颜色和形状又显得是连续的。用数码相机拍摄的照片、扫描仪扫描的图片以及计算机截屏图等都属于位图。位图的特点是可以表现色彩的变化和颜色的细微过渡，产生逼真的效果，缺点是在保存时需要记录每一个像素的位置和颜色值，占用较大的存储空间。常用的位图处理软件有Photoshop（同时也包含矢量功能）、Painter和Windows系统自带的画图工具等，Adobe Illustrator则是矢量图软件。

2.BMP文件结构

-位图文件头(bitmap-file header)
-位图信息头(bitmap-informationheader)
-颜色表(color table)
-颜色点阵数据(bits data)

24位真彩色位图没有颜色表

3.位图文件头

名称占用空间内容实际数据
bfType2字节标识，就是“BM”二字BM
bfSize4字节整个BMP文件的大小0x000C0036(786486)
bfReserved1/24字节保留字0
bfOffBits4字节偏移数，即 位图文件头+位图信息头+调色板 的大小0x36(54)
  1. 位图信息头（BITMAPINFOHEADER ）
    位图信息头共40字节：
名称占用空间内容实际数据
biSize4字节位图信息头的大小，为400x28(40)
biWidth4字节位图的宽度，单位是像素0x200(512)
biHeight4字节位图的高度，单位是像素0x200(512)
biPlanes2字节固定值11
biBitCount2字节每个像素的位数1-黑白图，4-16色，8-256色，24-真彩色)0x10(16)
biCompression4字节压缩方式，BI_RGB(0)为不压缩0
biSizeImage4字节位图全部像素占用的字节数，BI_RGB时可设为00x080002（524290）
biXPelsPerMeter4字节水平分辨率(像素/米)0x0B39(2873)
biYPelsPerMeter4字节垂直分辨率(像素/米)0x0B39(2873)
biClrUsed4字节位图使用的颜色数 如果为0，则颜色数为2的biBitCount次方0
biClrImportant4字节重要的颜色数，0代表所有颜色都重要0

biWidth和biHeight告诉我们图像的尺寸。biSize，biPlanes，biBitCount值是固定的

  1. 彩色表/调色板（color table）

彩色表/调色板（color table）是1色、16色和256色图像文件所特有的，相对应的调色板大小是2、16和256，调色板以4字节为单位，每4个字节存放一个颜色值，图像 的数据是指向调色板的索引。

  1. tagRGBTRIPLE结构
字 段 名大小（单位：字节）描 述
rgbBlue1蓝色值
rgbGreen1绿色值
rgbRed1红色值
rgbReserved1保留，总为0
  1. 位图数据（bitmap-data）

如果图像是单色、16色和256色，则紧跟着调色板的是位图数据，位图数据是指向调色板的索引序号。
如果位图是16位、24位和32位色，则图像文件中不保留调色板，即不存在调色板，图像的颜色直接在位图数据中给出。
16位图像使用2字节保存颜色值，常见有两种格式：5位红5位绿5位蓝和5位红6位绿5位蓝，即555格式和565格式。555格式只使用了15 位，最后一位保留，设为0。
24位图像使用3字节保存颜色值，每一个字节代表一种颜色，按红、绿、蓝排列。
32位图像使用4字节保存颜色值，每一个字节代表一种颜色，除了原来的红、绿、蓝，还有Alpha通道，即透明色。
如果图像带有调色板，则位图数据可以根据需要选择压缩与不压缩，如果选择压缩，则根据BMP图像是16色或256色，采用RLE4或RLE8压缩算 法压缩。

  1. 位图文件大小的精准计算方法
    8位（bit）位图：彩色版中有28=256种颜色，具体哪256种颜色可由调色板灵活规定，因此每个像素点最多有256种情况（颜色），故刚好可用两位十六进制码（162=256）表示，占1字节。
    一幅512×512的8位位图大小计算方法：位图文件头（14字节00000000h开始到0000000Dh）+位图信息头（40字节0000000Eh开始到00000035h）+调色板（256×彩色表4字节 00000036h开始到00000435h）+实际像素点占内存（512×512×1字节）=263 222字节（Byte）。
    24位位图：又名RGB真彩色图，含224=16 777 216=16M色，没有彩色表，原因上文已说明。每个像素点由3个字节（十六进制码6位）表示，每个字节负责控制一种颜色，分别为蓝（Blue）、绿（Green）、红（Red）。为什么每种颜色用1个字节控制呢？我们知道，图像中任何颜色都是由蓝、绿、红混合而成，而在24位位图中这三种颜色的跨度（深度）分别为256=28，占二进制8bit=1字节，故蓝、绿、红刚好可用1个字节表示。那么每个像素点可能的颜色就有256×256×256=2^24种。
    一幅256×256的24位位图大小计算方法：位图文件头（14字节00000000h开始到0000000Dh）+位图信息头（40字节0000000Eh开始到00000035h）+实际像素点占内存（256×256×3字节）=196 662字节（Byte）。

2.文件比较

在这里插入图片描述单色位图：
在这里插入图片描述
16色位图：在这里插入图片描述256色位图:
在这里插入图片描述16位彩色：
在这里插入图片描述
24位彩色：在这里插入图片描述32位彩色：
在这里插入图片描述 bfSize=0x100038=1048432

Windows的BMP文件最后少了两个0字节，没有整体补位。bfSize(文件大小)，biSizeImage(全部像素大小)也相应地减去2。

二、对比同一张图片BMP、JPG、GIF和PNG格式的文件大小比和压缩比率

储存一张bmp格式的图片，ps分别转换为JPG、GIF、PNG格式

得到结果：在这里插入图片描述
可以看到gif压缩比为81%
jpg压缩比为96.7%
png压缩比为65.7%

三、奇异值分解（SVD）对一张图片进行特征值提取（降维）处理

代码：

import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprint


def restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K):
        uk = u[:, k].reshape(m, 1)
        vk = v[k].reshape(1, n)
        a += sigma[k] * np.dot(uk, vk)
    a[a < 0] = 0
    a[a > 255] = 255
    # a = a.clip(0, 255)
    return np.rint(a).astype('uint8')


def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K+1):
        for i in range(m):
            a[i] += sigma[k] * u[i][k] * v[k]
    a[a < 0] = 0
    a[a > 255] = 255
    return np.rint(a).astype('uint8')


if __name__ == "__main__":
    A = Image.open("n.png", 'r')
    print(A)
    output_path = r'D:\人工智能\svd'
    if not os.path.exists(output_path):
        os.mkdir(output_path)
    a = np.array(A)
    print(a.shape)
    K = 50
    u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])
    u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])
    u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])
    plt.figure(figsize=(11, 9), facecolor='w')
    mpl.rcParams['font.sans-serif'] = ['simHei']
    mpl.rcParams['axes.unicode_minus'] = False
    for k in range(1, K+1):
        print(k)
        R = restore1(sigma_r, u_r, v_r, k)
        G = restore1(sigma_g, u_g, v_g, k)
        B = restore1(sigma_b, u_b, v_b, k)
        I = np.stack((R, G, B), axis=2)
        Image.fromarray(I).save('%s\\svd_%d.png' % (output_path, k))
        if k <= 12:
            plt.subplot(3, 4, k)
            plt.imshow(I)
            plt.axis('off')
            plt.title('奇异值个数：%d' % k)
    plt.suptitle('SVD与图像分解', fontsize=20)
    plt.tight_layout()
    # plt.subplots_adjust(top=0.9)
    plt.show()

结果：
请添加图片描述

四、开闭运算(腐蚀-膨胀)，检测出2个样本图像中硬币、细胞的个数。

1.硬币

代码：

import cv2
import numpy as np

def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("coin.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

#腐蚀（腐蚀主要为了把每个硬币区分开。过大会造成缺失，过低会无法区分开。参数可以自己设置以达到合适。）
kernel = np.ones((17, 17), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

#膨胀（膨胀到合适的值，这样每一个白色区域就是一个硬币。）
kernel = np.ones((3, 3), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)

#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]

#标识硬币
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
imgStack = stackImages(1, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("coin", imgStack)
cv2.waitKey(0)

结果：
在这里插入图片描述

2.细胞

代码：

import cv2
import numpy as np

def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("cell.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

#腐蚀
kernel = np.ones((20, 20), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

#膨胀
kernel = np.ones((3, 3), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)

#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]

#标识硬币
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 0), 3)
imgStack = stackImages(1, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("cell", imgStack)
cv2.waitKey(0)

结果：
在这里插入图片描述

五、梯度、开闭、轮廓运算等，对图片中的条形码进行定位提取

代码：

import cv2
import numpy as np
import imutils
from pyzbar import pyzbar
def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("txm.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#高斯滤波
img_2 = cv2.GaussianBlur(img_1, (5, 5), 1)


#Sobel算子
sobel_x = cv2.Sobel(img_2, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img_2, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
img_3 = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

#均值方波
img_4 = cv2.blur(img_3, (5, 5))

#二值化
ret, img_5 = cv2.threshold(img_4, 127, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

#闭运算
kernel = np.ones((18, 18), int)
img_6 = cv2.morphologyEx(img_5, cv2.MORPH_CLOSE, kernel)

#开运算
kernel = np.ones((100,100), int)
img_7 = cv2.morphologyEx(img_6, cv2.MORPH_OPEN, kernel)

#绘制条形码区域
contours = cv2.findContours(img_7, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = imutils.grab_contours(contours)
c = sorted(contours, key = cv2.contourArea, reverse = True)[0]
rect = cv2.minAreaRect(c)
box = cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(img, [box], -1, (0,255,0), 6)

#显示图片信息
cv2.putText(img, "results", (30, 30), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_2, "GaussianBlur",(40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_3, "Sobel", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_4, "blur", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_5, "threshold", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_6, "close", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_7, "open", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)

#输出条形码
barcodes = pyzbar.decode(src)
for barcode in barcodes:
    barcodeData = barcode.data.decode("utf-8")
    cv2.putText(img, barcodeData, (50, 70), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 3)

#显示所有图片
imgStack = stackImages(0.5, ([img_1, img_2,img_3,img_4],[img_5,img_6,img_7,img]))
cv2.imshow("txm", imgStack)
cv2.waitKey(0)

结果：
在这里插入图片描述

六、总结

通过这次实验了解到了位图的一些相关信息，加深了对opencv的了解。

七、参考文献

位图(bmp)文件格式分析

位图（Bitmap）16色，256色，24位位图表达的意思

【python pyzbar安装】5分钟教你快速安装pyzbar包

奇异值分解（SVD）

OpenCV+Python简单实践之硬币检测以及条形码检测

机器学习实战——SVD（奇异值分解）

zjszd
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
基于cximage实现的图片格式和位深度转换
05-08
基于cximage实现的图片格式和位深度转换，基于cximage实现的图片格式和位深度转换
cximage+png图片处理（中）
有什么不努力的理由呢？
01-16 5086
接着昨天晚上的东西做。我们做了如何添加一个背景到对话框上，再来看一下这个效果，昨天晚上因为网不好，而已又着急。所以今天晚上来我换一张大的图片，来看一下效果。 因为我的这个图片是800*600的在窗口初始化的时候，我要设置下窗口的大小。 看到效果了吧，很好是不 是，比你们用gdi+jpg，是不是容易的很呀！ 现在我们来往按钮上贴张图，看一下效果，因为是png图。你需要用你的ps来处理一下你的图
Cximage 库使用，直接读取图像数据到内存。
qq_30235767的博客
09-02 4842
编译Cximage生成对应的Debug与Release版本，网上教程很多，不明白请留言。 这里需要GetBits()函数获得每一行图像数据的首像素的指针，不得不再次提醒的是，图像数据是从下到上，从左到右的方式扫描的。然后用GetEffWidth()函数获得图像的每行的stride长度，用来申请内存空间，注意：对于32位RGBA图像的储存方式，这个函数只是获得的RGB内存块的宽度，下面会详细介绍。
VC++中的图像类型转换--使用开源CxImage类库
热门推荐
roger007的专栏
11-04 1万+
一。CxImage类库简介这只是翻译了CxImage开源项目主页上的部分简介及简单使用。CxImage类库是一个优秀的图像操作类库。它可以快捷地存取、显示、转换各种图像。有的读者可能说，有那么多优秀的图形库，如OpenIL,FreeImage,PaintLib等等，它们可谓是功能强大，齐全，没必要用其它的类库。但我要说，这些类库基本上没有免费的，使用这些类库，你要被这样那样的许可协议所束缚
cximage之tiff格式
qiansen的专栏
03-17 1743
某tif图像分辨率过高，7000x8000,16位灰度，文件大小在110M左右，所以有了测试tif格式的压缩率的实验。 采用cximage库，编码为jpg，编码质量70，压缩比从15到100不等，PSNR约40，编码质量降低，压缩比更高。 还原为tif格式时，发现cximage用的tiff库不支持16位，自己动手，丰衣足食。 保存为tif格式时，设置选项SetCodecOption第一个参数
数字图像与机器视觉基础补充
weixin_45654230的博客
12-10 2241
一、准备一张图片 信息显示图片大小为1.24M，位图大小计算：1.24M×1024≈1230KB=1300234字节，这是不包含文件头信息的大小。 用UltraEdit打开lena.bmp，可以看到这个文件的全部数据如下图所示： 例如：111.bmp为256位色图： 计算方式：256014408/8/1024=3600KB。 色彩格式和图片文件格式都在影响图片大小： 将图片分别保存为.bmp,.gif,.jpg,.png图片格式 因为BMP不是压缩的，所以以它为基准计算...
数字图像与机器视觉基础补充(2)
qq_33700652的博客
12-22 2040
数字图像与机器视觉基础补充2一 完成数字图像处理与图像文件的操作（1）将彩色图像文件转换为灰度文件使用opencv不使用opencv（1）将彩色图像(RGB)转为HSV、HSI 格式转为HSV格式转为HSI格式二 车牌分割三 参考 一 完成数字图像处理与图像文件的操作 （1）将彩色图像文件转换为灰度文件 使用opencv 代码 import cv2 as cv img = cv.imread('D:/pic1.jpg') img_1 = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
数字图像处理与机器视觉源码
12-18
7. **Chapter 9 - 机器视觉基础** 可能介绍机器视觉的基本理论，如视觉传感器、立体视觉、运动分析等，为更复杂的视觉应用打下基础。 8. **Chapter 12 - 图像配准** 图像配准用于将多个图像对齐，常见于医学影像...
中科大数字图像分析课程ppt.zip
02-03
《数字图像分析：从基础到深度学习》 在信息技术飞速发展的今天，图像处理与分析已经成为科研和工程领域不可或缺的一部分。中国科学技术大学的这门研究生课程“数字图像分析”深入探讨了这一领域的核心理论和实践...
python机器视觉免费学习资源
最新发布
12-07
数字图像处理是机器视觉的基础，学习者可以通过这个课件了解图像的获取、存储、显示以及如何对图像进行预处理，以便后续的分析和识别。 "software"：这个目录可能包含了用于机器视觉的软件工具或库，比如OpenCV...
冈萨雷斯数字图像处理MATLAB版(中文版)
08-29
1. **数字图像基础**：首先介绍数字图像的基本概念，如像素、图像类型（灰度图像、彩色图像）、图像的表示方式（二进制矩阵、像素阵列）以及基本的图像操作，如缩放、旋转、平移。 2. **图像增强**：讲解如何通过...
数字图像处理 第二版 课后答案
10-09
综上所述，《数字图像处理》第二版及其配套资源构成了一个全面的学习体系，旨在通过理论讲解与实践操作相结合的方式，帮助学生掌握数字图像处理的核心概念和技术，为未来的学术研究和职业发展奠定坚实的基础。
《数字图像处理》第三版-第三章源程序及书中高清图片
12-29
通过这种方式，读者不仅可以掌握数字图像处理的基础理论，还能提升实际编程技能，为后续更复杂的图像处理和计算机视觉项目打下坚实基础。对于想要深入学习这个领域的学生和从业者来说，这是一个非常有价值的资源。
基于halcon的机器视觉试验平台的设计与研究
10-23
### 基于Halcon的机器视觉试验平台的设计与研究 ...综上所述，本文详细介绍了基于Halcon的机器视觉试验平台的设计与研究工作，不仅提供了理论基础和技术指导，也为实际应用提供了有价值的参考案例。
使用开源CxImage类库
ywywcy的专栏
07-11 1314
一。CxImage类库简介这只是翻译了CxImage开源项目主页上的部分简介及简单使用。CxImage类库是一 个优秀的图像操作类库。它可以快捷地存取、显示、转换各种图像。有的读者可能说，有那么多优秀的图形库，如OpenIL,FreeImage, PaintLib等等，它们可谓是功能强大，齐全，没必要用其它的类库。但我要说，这些类库基本上没有免费的，使用这些类库，你要被这样那样的许可协议所
VS2010 用CxImage读入各种图片格式后在内存中转换为HBITMAP位图
我们勤劳，我们勇敢
01-13 2237
最近自学游戏引擎设计，希望能将各种图片格式读入内存后转为HBITMAP后处理，四处搜寻资料无果，最终参考以下两篇博文自己搞定了 http://blog.csdn.net/wu_xiangwei/article/details/5096529 http://www.cnblogs.com/xiangism/archive/2012/10/16/2725692.html 废话不多
数字图像处理英文版
12-01
6. 数字图像处理在特定领域的应用：如医学成像中的CT、MRI技术，遥感图像的分析，以及在人工智能和机器学习中的应用。 《复件 新建 3.doc》和《复件 新建 4.doc》可能是书中某些章节的副本或者是补充材料，它们可能...
NI机器视觉基础：2003年数字图像处理教程
《数字图像处理》是一份由National Instruments Corporation于2003年发布的英文文档，专注于机器视觉领域的基础内容。该文档详细介绍了数字图像处理技术，是NI（National Instruments）产品和技术的一个重要参考资料...
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