<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[EneDev的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/EneDev</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; EneDev]]></copyright><item><title><![CDATA[OpenCV学习：HighGUI函数详解与示例]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133765532</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133765532</guid><author>EneDev</author><pubDate>Wed, 11 Oct 2023 12:12:05 +0800</pubDate><description><![CDATA[其中，HighGUI模块提供了一些与图像显示和用户交互相关的函数。本文将详细介绍HighGUI部分函数的用法，并提供相应的示例代码。这些是OpenCV中HighGUI部分的一些常用函数的介绍和示例。通过使用这些函数，您可以方便地在图像处理过程中显示图像并与用户进行交互。函数等待用户按下键盘上的"q"键，等待时间为5000毫秒（即5秒）。函数创建了一个名为"Empty Window"的空窗口。函数创建一个名为"Image"的窗口，并将图像显示在窗口中。在这个示例中，我们在窗口中显示一张图像，并使用。]]></description><category></category></item><item><title><![CDATA[OpenCV中的双边滤波函数]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133224308</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133224308</guid><author>EneDev</author><pubDate>Sun, 24 Sep 2023 01:18:58 +0800</pubDate><description><![CDATA[在上述代码中，首先通过imread函数读取了一张图像，然后设置了双边滤波的参数，包括邻域直径d、颜色空间标准差sigmaColor和坐标空间标准差sigmaSpace。本文介绍了OpenCV中的双边滤波函数bilateralFilter的用法，并提供了相应的源代码示例。通过调整参数，您可以控制滤波窗口的大小以及颜色空间和坐标空间的标准差，以满足不同的应用需求。具体而言，双边滤波的权重函数由两个部分组成：一个是空间权重，用于度量像素之间的距离；本文将详细介绍该函数的用法，并提供相应的源代码示例。]]></description><category></category></item><item><title><![CDATA[编译OpenCV Python时找不到Python.h文件]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133222382</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133222382</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 23:57:56 +0800</pubDate><description><![CDATA[Python.h文件是Python解释器的头文件，它包含了许多必要的声明和定义，用于与Python解释器进行交互。在编译OpenCV Python时遇到找不到Python.h文件的错误，可能是由于缺少Python开发包或者编译配置错误导致的。根据您使用的操作系统和Python版本，可以使用以下命令安装相应的Python开发包。希望本文能帮助您解决在编译OpenCV Python时找不到Python.h文件的问题，并顺利进行Python图像处理编程。替换为您系统中Python解释器的实际路径，]]></description><category></category></item><item><title><![CDATA[基于Python和OpenCV的纸质票据自动统计功能的实现]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133219489</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133219489</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 22:03:13 +0800</pubDate><description><![CDATA[纸质票据是商业活动中普遍使用的一种交易凭证，对于企业而言，手动统计大量纸质票据是一项耗时且容易出错的任务。为了提高效率和准确性，我们可以利用Python编程语言和OpenCV库来实现纸质票据的自动统计功能。请注意，本文提供的代码示例和步骤是基于一般情况下的假设，并不能完全适用于所有类型的纸质票据。根据您的具体需求和票据格式，您可能需要进行定制化的开发和调整。通过以上步骤，我们成功实现了基于Python和OpenCV的纸质票据自动统计功能。您可以根据实际需求进行定制化开发，提取适合您票据格式的数据。]]></description><category></category></item><item><title><![CDATA[OpenCV学习：图像模糊化处理示例]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133216376</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133216376</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 20:11:42 +0800</pubDate><description><![CDATA[在计算机视觉和图像处理领域中，图像模糊化是一种常见的技术，用于降低图像中的噪声或隐藏敏感信息。通过运行上述代码，你将能够加载一张图像，并对其进行均值模糊和高斯模糊处理。你可以根据实际需求调整模糊核的大小和其他参数，以获得所需的模糊效果。首先，我们需要导入所需的库，并加载一张待处理的图像。高斯模糊是一种常用的图像模糊方法，它使用高斯函数对像素周围区域内的像素值进行加权平均。最后，我们将原始图像和模糊化后的图像进行对比，以便查看处理效果。表示模糊核的大小，这里我们使用一个5x5的核。在上述代码中，我们使用。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的裂缝检测和测量]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133215464</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133215464</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 19:38:45 +0800</pubDate><description><![CDATA[通过以上步骤，我们可以使用基于OpenCV的图像处理技术来检测和测量图像中的裂缝。这种方法可以应用于不同类型的图像和裂缝，帮助我们更好地了解和分析裂缝的特征。本文将介绍如何使用基于OpenCV的图像处理技术来检测和测量图像中的裂缝。一旦我们检测到了裂缝的边缘，我们可以使用形态学操作来改善裂缝的检测结果。Canny边缘检测算法通过计算图像中像素值的梯度来检测图像中的边缘。在本例中，我们将使用Canny边缘检测算法来检测图像中的裂缝。在对图像进行形态学操作之后，我们可以使用轮廓检测来确定裂缝的位置和形状。]]></description><category></category></item><item><title><![CDATA[光流法：追踪运动目标的计算机视觉技术]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133213354</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133213354</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 18:21:47 +0800</pubDate><description><![CDATA[光流法是一种常用的计算机视觉技术，用于追踪视频序列中的运动目标。本文介绍了光流法的原理，并提供了使用OpenCV库实现光流法的简单示例代码。通过使用光流法，我们可以获取物体的运动信息，为许多计算机视觉任务（如目标跟踪和运动分析）提供基础。然后，我们将第一帧转换为灰度图像，并创建一个与第一帧大小相同的空光流场。本文将介绍光流法的原理，并提供相应的源代码。根据这个假设，光流法通过比较相邻帧中像素的强度变化来计算像素位置的位移。在光流法中，我们使用一个稠密光流场来表示图像中每个像素的运动向量。]]></description><category></category></item><item><title><![CDATA[树莓派11 Bullseye 源更新和 Opencv 安装指南]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133209146</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133209146</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 16:10:33 +0800</pubDate><description><![CDATA[树莓派11 Bullseye 是最新的树莓派操作系统版本，本文将为您提供树莓派11 Bullseye 操作系统下换源和安装 OpenCV 的详细指南。本文假设您已经正确地安装了树莓派11 Bullseye 操作系统。]]></description><category></category></item><item><title><![CDATA[图像膨胀：使用Android OpenCV进行图像处理]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133208462</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133208462</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 15:50:33 +0800</pubDate><description><![CDATA[要在你的Android应用中使用这个图像膨胀的功能，你可以调用ImageProcessingUtils.dilateImage方法并传递一个Bitmap对象作为输入。返回的Bitmap对象即为膨胀后的图像，你可以在你的应用中使用它。图像膨胀是一种常用的图像处理技术，它可以扩大图像中的亮区域或者连接在一起的亮像素。在这个示例中，我们使用了一个5x5的矩形内核，你可以根据自己的需求调整内核的大小。使用OpenCV库，你可以探索更多强大的图像处理技术，并将其集成到你的应用中。]]></description><category></category></item><item><title><![CDATA[基于OpenCV的Python图像处理：实现图像的模糊效果]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133204076</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133204076</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 13:31:11 +0800</pubDate><description><![CDATA[通过这个简单的例子，我们展示了如何使用Python和OpenCV来实现图像的模糊效果。当然，OpenCV还提供了许多其他强大的图像处理函数和算法，可以用于各种计算机视觉任务。图像处理是计算机视觉中的重要领域之一，而OpenCV是一个功能强大的开源库，提供了各种图像处理和计算机视觉算法。在本篇文章中，我们将使用Python和OpenCV来实现图像的模糊效果。然后，我们需要加载一张图像。现在，我们可以运行这段代码，并观察模糊效果的结果了。最后，我们可以将原始图像和模糊后的图像进行对比，并将结果显示出来。]]></description><category></category></item><item><title><![CDATA[使用Python和OpenCV进行背景减除法的图像分割]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133201878</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133201878</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 11:40:50 +0800</pubDate><description><![CDATA[通过这种方法，我们可以有效地将图像中的前景物体与背景分离出来，为后续的图像处理任务提供更好的基础。背景减除法是计算机视觉中常用的技术之一，用于对图像或视频进行前景和背景的分割。在本文中，我们将使用Python编程语言和OpenCV库来实现背景减除法，并将其应用于图像分割任务。假设我们有一张包含前景物体的图像（带有背景）和一张仅包含背景的图像。函数计算输入图像和背景图像之间的差异。在进行背景减除之前，我们需要确保输入图像和背景图像的大小相同。接下来，我们需要对灰度图像进行二值化处理，以便将前景和背景分割开。]]></description><category></category></item><item><title><![CDATA[OpenCV 图像分割：简明入门指南]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133200701</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133200701</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 11:04:05 +0800</pubDate><description><![CDATA[随着进一步的学习和实践，您可以不断探索更多的图像分割算法和技术，以满足不同的应用需求。除了基于阈值和边缘检测的方法，OpenCV 还提供了其他一些图像分割算法，如基于区域的分割和基于图割的分割。函数的第一个参数是要处理的灰度图像，第二个参数是阈值，第三个参数是最大像素值，第四个参数是使用的阈值类型。函数的返回值包括阈值和分割后的图像。函数的第一个参数是要处理的灰度图像，第二个参数和第三个参数分别是边缘检测的低阈值和高阈值。接下来，我们将介绍两种常见的图像分割方法：基于阈值的分割和基于边缘检测的分割。]]></description><category></category></item><item><title><![CDATA[使用Android Studio和OpenCV开发实时摄像头图像处理应用]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133197213</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133197213</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 09:09:16 +0800</pubDate><description><![CDATA[构建并运行应用程序，你将看到一个显示摄像头实时图像的界面。级联分类器将检测并标记图像中的对象，深度神经网络模型将检测并标记图像中的对象。在本篇文章中，我们将介绍如何使用Android Studio和OpenCV库开发一个实时图像处理应用，该应用可以通过摄像头获取实时图像，并进行对象匹配的处理。通过本篇文章的指导，你可以使用Android Studio和OpenCV库开发一个实时摄像头图像处理应用。如有更多疑问，请随时提问。在MainActivity.java文件中，我们将实现图像处理的逻辑。]]></description><category></category></item><item><title><![CDATA[基于维码顶点的单个维码定位方法及OpenCV实现]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133195377</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133195377</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 07:43:17 +0800</pubDate><description><![CDATA[本文将介绍一种基于维码顶点的单个维码定位方法，并提供使用OpenCV实现的源代码。本文介绍了基于维码顶点的单个维码定位方法，并提供了使用OpenCV实现的源代码。通过检测维码的角点，我们可以准确地获得维码的位置和方向信息。这种方法在实际应用中具有较好的效果，可以帮助我们在图像中快速定位和识别维码。基于维码顶点的单个维码定位方法主要通过检测维码的角点来实现。通过检测这些角点，我们可以获得维码的位置和方向信息，从而实现定位。步骤5：使用边缘检测算法检测图像的边缘。步骤8：通过交点检测获得维码顶点。]]></description><category></category></item><item><title><![CDATA[Python 安装 OpenCV 库]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133193871</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133193871</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 04:47:10 +0800</pubDate><description><![CDATA[您可以使用pip或Anaconda来安装OpenCV，并且可以通过简单的代码示例来测试安装是否成功。OpenCV（开源计算机视觉库）是一个广泛使用的计算机视觉和图像处理库，提供了许多用于处理图像和视频的功能。有几种方法可以安装OpenCV，我们将介绍两种常用的方法：使用pip安装和使用Anaconda安装。Anaconda是一个流行的Python发行版，它包含了许多常用的科学计算和数据分析工具，包括OpenCV。如果您能够成功显示图像，并且没有遇到任何错误消息，那么恭喜您，您已经成功安装了OpenCV库！]]></description><category></category></item><item><title><![CDATA[Android Studio中配置和使用OpenCV示例]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133192318</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133192318</guid><author>EneDev</author><pubDate>Sat, 23 Sep 2023 03:20:43 +0800</pubDate><description><![CDATA[OpenCV是一个广泛使用的计算机视觉库，它提供了许多图像处理和计算机视觉算法。本文将详细介绍如何在Android Studio中配置和使用OpenCV，并附带一个简单的示例代码。在弹出的对话框中，浏览并选择之前下载并解压缩的OpenCV库文件夹。接下来，我们将展示一个简单的示例，演示如何使用OpenCV进行图像处理。在您的项目中，打开app的build.gradle文件。现在，当您运行应用程序时，它将加载并显示一张示例图像，并对其应用高斯模糊处理。首先，您需要下载OpenCV库文件。]]></description><category></category></item><item><title><![CDATA[PHP OpenCV 扩展编译安装指南]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133190318</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133190318</guid><author>EneDev</author><pubDate>Fri, 22 Sep 2023 23:19:57 +0800</pubDate><description><![CDATA[PHP 是一种广泛使用的服务器端脚本语言，通过将它们结合使用，我们可以在 PHP 中进行图像处理和计算机视觉任务。为了在 PHP 中使用 OpenCV，我们需要安装 PHP OpenCV 扩展。在安装 OpenCV 完成后，我们需要下载 PHP OpenCV 扩展的源代码。完成安装后，我们需要重启 Web 服务器以使 PHP OpenCV 扩展生效。您已成功编译和安装 PHP OpenCV 扩展。替换为实际图像文件的路径。现在，我们可以编写一个简单的 PHP 脚本来测试安装的 PHP OpenCV 扩展。]]></description><category></category></item><item><title><![CDATA[使用最简单的方法配置最新版本的OpenCV（无需编译）]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133187991</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133187991</guid><author>EneDev</author><pubDate>Fri, 22 Sep 2023 22:04:29 +0800</pubDate><description><![CDATA[通过按照上述步骤，您可以使用最简单的方法配置最新版本的OpenCV库，而无需进行繁琐的编译过程。请记住，确保下载与您的操作系统和编程语言兼容的最新版本的OpenCV库，并按照适用于您的操作系统的安装和配置步骤进行操作。在本文中，我们将介绍如何使用最简单的方法配置最新版本的OpenCV，而无需进行复杂的编译过程。具体的配置过程会根据您使用的编程语言和集成开发环境（IDE）而有所不同。这只是一个简单的示例，您可以根据自己的需求使用OpenCV的各种功能和算法进行图像处理和计算机视觉任务。步骤3：配置开发环境。]]></description><category></category></item><item><title><![CDATA[根据标记定位区域识别数字 - OpenCV 实践]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133184568</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133184568</guid><author>EneDev</author><pubDate>Fri, 22 Sep 2023 20:16:13 +0800</pubDate><description><![CDATA[在本例中，我们将使用一个简单的机器学习模型，如 k-最近邻算法 (k-Nearest Neighbors, k-NN)。我们的目标是利用图像处理和机器学习技术，从图像中定位和识别出数字。接下来，我们将应用图像的二值化操作，将图像转换为黑白二值图像。一旦我们获得了数字的轮廓，我们可以使用一些过滤条件来排除不需要的轮廓。现在，我们可以使用 OpenCV 的轮廓检测功能来定位数字的轮廓。在筛选出有效的轮廓之后，我们可以将其框定并提取出数字区域。最后，我们可以将识别出的数字和其在原始图像中的位置进行可视化。]]></description><category></category></item><item><title><![CDATA[Windows 10中配置Visual Studio 2015与OpenCV及其扩展模块的步骤]]></title><link>https://blog.youkuaiyun.com/EneDev/article/details/133183025</link><guid>https://blog.youkuaiyun.com/EneDev/article/details/133183025</guid><author>EneDev</author><pubDate>Fri, 22 Sep 2023 19:30:45 +0800</pubDate><description><![CDATA[例如，如果你将OpenCV库解压到了"C:\opencv"目录下，你需要添加的路径为"C:\opencv\lib"。例如，如果你将OpenCV库解压到了"C:\opencv"目录下，你需要添加的路径为"C:\opencv\lib"。例如，如果你将OpenCV库解压到了"C:\opencv"目录下，你需要添加的路径为"C:\opencv\bin"。例如，如果你将OpenCV库解压到了"C:\opencv"目录下，你需要添加的路径为"C:\opencv\bin"。添加完成后，点击"确定"保存设置。]]></description><category></category></item></channel></rss>