[OpenCV] EP2_基础图像变换

OpenCV图像细化与骨架提取实战:从原理到工业级应用 在计算机视觉与图像处理领域,形态学操作是分析和处理二值图像形状的基础技术。其核心原理是通过结构元素与图像的相互作用,实现区域的膨胀、腐蚀、开闭运算等,从而提取或修改目标的拓扑与几何特征。这项技术的核心价值在于,它能将复杂的、具有宽度的物体区域,转化为单像素宽、保留原始拓扑结构的“骨架”表示,极大地简化了后续的形状分析与特征提取。在工业视觉检测、医学图像分析(如血管网络提取)和文档处理(如OCR字符细化)等场景中,骨架提取是进行精确测量、路径追踪和模式识别的关键预处理步骤。本文聚焦于实现鲁棒的细化算法,针对现 阅读详情

Sub.1 图像翻转

🧠 图像翻转(图像镜像旋转)

一、核心概念⚡

  • 关键词:中心为原点;镜像翻转;
1. 定义:

在OpenCV中,图片的镜像旋转是以图像的中心为原点进行镜像翻转的。

2. 函数:

cv2.flip(img, flipcode)

  • 参数:
    • img:目标图像
    • flipcode:翻转类型标志
      • flipcode = 0:垂直翻转,像素点沿x轴翻转(上下翻转)
      • flipcode > 0:水平翻转,像素点沿y轴翻转(左右翻转)
      • flipcode < 0:中心对称翻转
  • 返回值:新图像

Sub.2 图像仿射变换

🧠 1. 仿射变换

一、核心概念⚡

  • 关键词:线性变换;线保持平行;点保持相对距离;
1. 定义:

仿射变换(Affine Transformation)是一种线性变换,保持了点之间的相对距离不变。

2. 基本性质
  • 保持直线
  • 保持平行
  • 比例不变性
  • 不保持角度和长度
3. 常见仿射变换类型:
  • 旋转:绕着某个点或轴旋转一定角度。
  • 平移:仅改变物体的位置,不改变其形状和大小。
  • 缩放:改变物体的大小。
  • 剪切:使物体发生倾斜变形。
4. 原理:线性变换
  • 二维空间,图像 (x,y) →映射到→ (x', y')
  • 需要:仿射变换矩阵(2X3),使用矩阵乘法
5. 仿射变换函数:

cv2.warpAffine(img, M, dsize)

  • 参数
    • img:输入图像
    • M:2X3的变换矩阵,类型:np.float32
    • dsize:输出图像的尺寸,(width,height)
  • 返回值:新图像

⚠️ 图像存储和仿射变换时参数顺序不同

  • 图像存储是 (H,W,C) (高,宽,通道)
  • 仿射变换因为要分x轴y轴,是(W,H)

🧠 2. 图像旋转

一、核心概念⚡

  • 关键词:旋转中心;旋转矩阵;正逆负顺;
1. 获取旋转矩阵的API:

cv2.getRotationMatrix2D(center, angle, scale)

  • 参数:
    • center:旋转中心点的坐标,格式为(x,y)。
    • angle:旋转角度,单位为度,正值逆时针旋转;负值顺时针旋转。
    • scale:缩放比例,默认为1
  • 返回值:M,2X3的旋转矩阵

🧠 3. 图像平移

一、核心概念⚡

  • 关键词:平移矩阵;自己创建;txty
1. 平移矩阵

用NumPy自己创建M,使用 np.float32() 隐式指定数据类型

或:显式指定 dtype 参数

  • 📝 碎碎念疑问:平移方向和规则
    • OpenCV的图像坐标系:
      • 原点在左上角,x轴向右,y轴向下
      • 在这个方向上,数学上:左加右减上加下减
    • 总结: tx为正向右, ty为正向下(坐标轴方向)

🧠 4. 图像缩放

一、核心概念⚡

  • 关键词:缩放因子;自己创建;sxsy
缩放矩阵

也是自己创建 [[sx, 0, 0],[0, sy, 0]] → 如果只缩放不平移


🧠 5. 图像剪切

一、核心概念⚡

  • 关键词:面积不变;剪切因子shx shy;
1. 定义:

剪切操作可以改变图形的形状,以便其在某个方向上倾斜,它将对象的形状改变为斜边平行四边形,而不改变其面积。

2. 剪切矩阵

自己创建,[[1, shy, 0],[shx, 1, 0]] → 两个方向

  • 📝 碎碎念疑问
    1. 如何理解沿x轴剪切是x' = x + shy*y
      • y不变,x' 的意思是加上了y对它的影响,shy其实是x方向的剪切因子

      • 同理:沿y轴剪切,是在拉y

        x' = x 不变,y'是看x对它的影响,所以y' = y + shx * x,shx是x对y影响的剪切因子


🪹 小结

1. 知识图谱

(1)核心概念
概念解释
仿射变换线性变换(保持直线和平行性),包含旋转、平移、缩放、剪切等,不改变点的相对距离。
仿射变换矩阵2×3的变换矩阵M,通过矩阵乘法完成坐标映射。
图像坐标系OpenCV的坐标系以左上角为原点,x轴向右,y轴向下(与数学坐标系不同)
(2)四种仿射变换类型
类型变换矩阵(np.float32)注意事项
旋转cv2.getRotationMatrix2D(center, angle, scale)angle旋转角度:正逆负顺
平移平移矩阵 M = [[1, 0, tx], [0, 1, ty]]tx向右为正,ty 向下为正。
缩放缩放矩阵 M= [[sx, 0, 0], [0, sy, 0]]sx、sy为宽高缩放因子。
剪切剪切矩阵 M=[[1, shy, 0],[shx, 1, 0]]shx、shy为剪切因子(控制倾斜程度),需注意 x轴y轴剪切是“相互影响”
(3)统一接口与流程
  1. 流程:明确变换类型 → 定义参数,构建对应的变换矩阵M → 调用cv2.warpAffine
  2. 统一接口:仿射变换操作均通过cv2.warpAffine(img, M, dsize)实现,注意:
    • img:输入图像 (H,W,C)
    • disze:输出尺寸(W,H),与图像存储顺序相反
    • flags:可选参数,指定插值方法(默认cv2.INTER_LINEAR)

Sub.3 插值方法

  • 定义:插值(Interpolation)是一种通过已知数据点之间的推断或估计来获取新数据点的方法。(已知像素点 → 未知像素点)
  • 应用:图像处理/计算机图形学,它在图像处理中常用于处理图像的放大、缩小、旋转、变形等操作,以及处理图像中的像素值。
  • 为什么要用插值算法:为了解决图像缩放或者旋转等操作时,由于像素之间的间隔不一致而导致的信息丢失和图像质量下降的问题。
功能插值方法边缘填充
作用计算新像素颜色值(非整数坐标)填充变换后图像边缘的空白区域
应用场景旋转、缩放等导致坐标非整数的操作防止旋转/平移后图像边缘出现黑边
OpenCV参数flags=INTER_NEAREST/LINEARborderMode=BORDER_CONSTANT

🎐 1. 最近邻插值

一、核心概念⚡

  • 关键词:最近邻;简单快速;锯齿现象
1. 定义:

最近邻插值(Nearest Neighbor Interpolation)是一种非自适应插值方法(固定使用一种规则),它通过直接取目标像素在原图像中几何位置最近的像素值来填充新像素点。

其核心思想是“就近取材”,不涉及复杂的数学计算。

2. 原理:
  1. 坐标映射公式

    假设原图像尺寸为W×H,目标图像尺寸为W'×H'

    则目标图像中某像素点(x', y')对应原图中的坐标(x, y)计算公式为:

  2. 公式目的:将目标图像的像素位置映射回原图坐标系,找到对应的采样点(可能为小数坐标)。

  3. 最近邻插值原则:

    • 整数坐标:若计算出的(x, y)是整数,直接取原图该位置的像素值。
    • 小数坐标:(round(x), round(y))
      • 四舍五入取整(非向下取整!并且图像处理中的round()是普通的四舍五入,并非银行家舍入),得到最近的整数坐标,再取该位置的像素值。
      • 边界截断机制(clamp):越界时将坐标限制在[0, W-1]范围内。
3. 特性:
  • 优点:计算速度快,无复杂运算,适合实时处理。
  • 缺点:产生锯齿(Aliasing)和块状效应,图像质量较低
  • 适用场景:对实时性要求高、图像质量要求低的场景(如硬件加速渲染)。
4. 参数:

CV2.INTER_NEAREST

  • 参数作用:指定使用最近邻插值算法
  • 底层逻辑:OpenCV 自动完成坐标映射、四舍五入、边界截断

二、代码骨架💐

2.1 基础案例复现☘️

案例 1:最近邻的体现

  • 用数值数组体现最近邻
  • 代码实现:
import numpy as np
import cv2 as cv
# 原图 (2x2)
src = np.array([[100, 150], 
                [200, 50]], dtype=np.uint8)

# OpenCV 最近邻插值放大
dst = cv.resize(src, (4,4), interpolation=cv.INTER_NEAREST)
# resize设置插值参数的关键字是 interpolation
print("目标图像:\n", dst)
  • 输出分析:cv.resize()方法中,设置插值的关键字参数是interpolation
目标图像:
 [[100 100 150 150]
 [100 100 150 150]
 [200 200  50  50]
 [200 200  50  50]]

案例 2:参数应用

  • e.g. 在仿射变换的旋转中,使用最近邻插值
  • 代码复现:
import cv2 as cv

# 最近邻插值
org = cv.imread("CuteCat.jpg")
cat = cv.resize(org, (300, 300))
h,w = cat.shape[:2]
M = cv.getRotationMatrix2D((w//2,h//2),-30,0.7)
# 在旋转中使用最近邻插值
dst = cv.warpAffine(cat,M,(w,h),flags=cv.INTER_NEAREST)
# 在warpAffine中,设置插值的关键字参数是flags

# 创建窗口并显示图像
cv.namedWindow("CuteCat", cv.WINDOW_NORMAL)
cv.imshow("CuteCat", dst)
# 设置窗口位置,确保窗口在屏幕内可见
cv.moveWindow("CuteCat", 100, 100)
cv.waitKey(0)
cv.destroyAllWindows()
  • 输出分析:cv.warpAffine()方法中,设置插值的关键字参数是flags(也可以作为位置参数设置)


🎐 2. 双线性插值

一、核心概念⚡

  • 关键词:四邻域矩阵;加权平均;平滑过渡
1. 定义:

双线性插值(Bilinear Interpolation)是一种基于二维空间线性插值的方法,通过目标像素在原图中的四个最近邻像素(2×2邻域矩阵)的加权平均计算像素值。能有效缓解锯齿现象。

2. 参数:

cv2.INTER_LINEAR

  • 应用函数
    • cv2.resize(src, dsize, interpolation=cv2.INTER_LINEAR)
    • cv2.warpAffine(src, M, dsize, flags=cv2.INTER_LINEAR)
  • 在OpenCV中,关于插值方法默认选择的都是双线性插值,且一般情况下双线性插值已经能满足大部分需求(平衡图像平滑度与计算效率)

🎐 3. 像素区域插值

一、核心概念⚡

  • 关键词:最佳缩小算法
1. 定义:

像素区域插值(Pixel Area Relation)是一种基于像素区域重采样的插值方法,主要用于图像缩小。

2. 原理:

(1)缩小图像(核心场景):均值滤波器

核心思想:

        将目标图像的每个像素视为原图中的一个区域,通过计算该区域内原图像素的加权平均值来确定目标像素值,从而避免缩小图像时产生的锯齿(Aliasing)和摩尔纹(Moire Patterns)

(2)放大图像

        - 整数倍放大:退化为最近邻插值

        - 非整数倍放大:退化为双线性插值

3. 参数:

cv2.INTER_AREA

  • 最适用图像缩小✅
  • 图像放大会退化,效果下降❌
  • 旋转/变形不适用❌

🎐 4. 双三次插值

一、核心概念⚡

  • 关键词:16邻域加权;BiCubic基函数
1. 定义:

双三次插值(Bicubic Interpolation)是一种高阶图像插值算法,通过目标像素周围4x4 共 16 个相邻像素的加权平均计算目标值,权重由双三次基函数确定(基于距离的非线性函数)。

2. 原理:
  1. 与双线性插值法相同,也是通过映射,在映射点的领域内通过加权来得到放大图像中的像素值。
  2. 但是用的是近邻的16个点来加权(4X4)
  3. 权重函数:BiCubic基函数(根据距离,即W(d) )
  4. 过程
  • 坐标映射:

    • 得到小数坐标(x+u, y+v)(例如(3.7, 2.4)→ 基准点(3,2),偏移量u=0.7, v=0.4)
  • 确定16邻域:

    • 4x4网格(行范围:x-1, x, x+1, x+2;列同理)
  • 给出BiCubic函数:

    ⇒ 所以,需要计算16个点相较于p点的位置距离,然后用BiCubic函数计算权重W(d)

    ⇒注意:BiCubic函数是一维的,所以需要分别计算行列

  • 如何计算距离?

    e.g. 目标点(3.7, 2.4)

    ⇒ 参考点(3, 2),偏移量 b_h=0.4,b_w=0.7

    ⇒参考点作为原点,(u,v)是偏移量

    • 此时,P点在行上的四列像素(ii = -1,0,1,2),对应的距离d_x = | ii - u |
    • P点在列上的四行像素(jj = -1,0,1,2),d_y = | jj - v |
  • 最后利用加权求和,算出像素值

3. 参数:

CV2.INTER_CUBIC


🎐 5. Lanczos插值

一、核心概念⚡

  • 关键词:8X8网格;加权平均;
1. 定义:

Lanczos插值方法与双三次插值的思想是一样的,不同的就是其需要的原图像周围的像素点的范围变成了8*8,并且不再使用BiCubic函数来计算权重,而是换了一个公式计算权重。

2. 参数:

cv2.INTER_LANCZOS4


🪹 小结与案例

(1)知识图谱
方法原理优缺点适用场景OpenCV参数
最近邻插值取最近整数坐标像素值(四舍五入)速度快,但锯齿明显。实时性要求高(如硬件渲染)cv2.INTER_NEAREST
双线性插值用4邻域像素加权平均(权重与距离成反比)平滑过渡,计算量低大多数缩放/旋转场景(默认方法)cv2.INTER_LINEAR
区域插值缩小时取区域均值,放大时退化适合缩小,避免摩尔纹图像缩小时的高质量处理cv2.INTER_AREA
双三次插值用16邻域像素加权平均(双三次基函数计算权重)平滑度高,计算复杂放大或需要高精度的场景cv2.INTER_CUBIC
Lanczos插值用8×8邻域像素加权平均(Lanczos函数计算权重)平滑度最优,但计算量最大高质量图像处理(如专业摄影)cv2.INTER_LANCZOS4
(2)插值方法使用案例☘️
  1. 语法使用
import cv2 as cv
# 读图
org = cv.imread("images/CuteCat.jpg")
cat = cv.resize(org, (300,300))
h,w = cat.shape[:2]
center=(w//2,h//2)
# 获取旋转矩阵center,angle,scale
M=cv.getRotationMatrix2D(center,0,0.5)
# 仿射变换
img1=cv.warpAffine(cat,M,(w,h), cv.INTER_NEAREST)# 最近邻插值
img2=cv.warpAffine(cat,M,(w,h), cv.INTER_LINEAR)# 双线性插值
img3=cv.warpAffine(cat,M,(w,h), cv.INTER_AREA)# 像素区域插值:这里是缩小,相当于用均值滤波器
img4=cv.warpAffine(cat,M,(w,h), cv.INTER_CUBIC)# 双三次插值,16个点
img5=cv.warpAffine(cat,M,(w,h), cv.INTER_LANCZOS4)# Lanczons插值,64个点
# 显示图像
cv.imshow("cat",cat)
cv.imshow("NEAREST",img1)
cv.imshow("LINEAR",img2)
cv.imshow("AREA",img3)
cv.imshow("CUBIC",img4)
cv.imshow("LANCZOS4",img5)
cv.waitKey(0)
cv.destroyAllWindows()

Sub.4 边缘填充

intro:为什么要边缘填充?🔍

  • 目的:解决图像变换(如仿射变换)后,产生的空白区域问题
  • 作用:
    1. 保持图像完整尺寸,便于后续处理(如图像拼接、神经网络输入)
    2. 避免信息丢失,提升视觉连贯性
  • 应用:作为参数,如 borderMode = cv2.BORDER_REPLICATE

🏖️ 1. 边界复制

一、核心概念⚡

cv2.BORDER_REPLICATE

1. 定义与原理
  • 机制:将最边缘像素向外无限延伸复制

2. 应用与效果
  • 适用场景:自然渐变背景(如天空、水面)
  • 优点:计算快、保留边缘连续性。
  • 缺点:在纹理复杂区域产生“拉丝”伪影。

🏖️ 2. 边界反射

一、核心概念⚡

  • 边界反射:

cv2.BORDER_REFLECT

  • 边界反射101:

cv2.BORDER_REFLECT_101

1. 定义与原理
  • 机制:根据图像边缘进行反射,边界反射101不反射边缘像素点

  • 镜像原理:ABCD|DCBA式对称复制 (边界反射101:ABCD|CBA )

2. 进阶理解
  • 适合处理有重复图案的场景(如瓷砖、布料纹理)
  • 比BORDER_REPLICATE更自然,但计算量稍大
  • 注意与BORDER_REFLECT_101的区别(后者不重复边缘像素)

🏖️ 3. 边界常数

一、核心概念⚡

cv2.BORDER_CONSTANT

1. 用法:
  • 选择边界常数时,除了声明borderMode=cv2.BORDER_CONSTANT,还需要设置borderValue
  • 函数示例:borderValue = (B,G,R) 选择颜色(默认全0,即黑色)

cv2.warpAffine(img,M,(w,h),cv.BORDER_CONSTANT,borderValue=(255,255,255))
⚠️ 使用陷阱
  • 填充色可能干扰后续算法(如目标检测)
  • 解决方案:使用mask标记填充区域

🏖️ 4. 边界包裹

一、核心概念⚡

cv2.BORDER_WRAP

1. 定义与原理:
  • 机制:循环平铺模式:ABCD|ABCD|ABC

2. 场景:
  • 适用场景:周期性纹理(如心电图波形)
  • 慎用场景:自然图像中会产生明显重复痕迹

🪹 小结与案例

(1)知识图谱

方法OpenCV 参数核心原理特点与适用场景
边界复制BORDER_REPLICATE复制边缘像素值填充边界简单快速,适合边缘像素具有代表性的场景(如纯色边缘),但可能导致边缘重复纹理。
边界反射BORDER_REFLECT以边缘为对称轴,镜像反射填充避免边界重复,保持边缘连续性,适合自然图像(如风景、人物),但边缘像素不参与反射。
边界反射 101BORDER_REFLECT_101与反射类似,但边缘像素自身不参与镜像减少边缘像素的过度影响,边缘更平滑,是BORDER_REFLECT的优化版。
边界常数BORDER_CONSTANT用指定常数填充边界(BGR)灵活控制填充颜色,适合突出主体(如黑色背景突出前景),需指定borderValue参数。
边界包裹BORDER_WRAP循环利用图像自身像素填充(类似平铺),边缘与对侧像素相连。保持图像纹理连续性,适合无缝拼接场景,但可能引入非边缘区域的像素干扰。

(2)边缘填充使用案例

  1. 语法使用
import cv2 as cv
# 准备工作
org = cv.imread("images/CuteCat.jpg")
cat = cv.resize(org, (300,300))
h,w = cat.shape[:2]
center=(w//2,h//2)
M=cv.getRotationMatrix2D(center,45,0.5)
img1=cv.warpAffine(cat,M,(w,h))

# 边缘填充效果示例
# 1.边界复制: 利用图像像素边缘,直接复制填充
img2 = cv.warpAffine(cat,M,(w,h), borderMode=cv.BORDER_REPLICATE)
# 2.边界反射: 以图像边缘为轴,镜像反射填充
img3 = cv.warpAffine(cat,M,(w,h), borderMode=cv.BORDER_REFLECT)
# 3.边界反射101: 边缘像素不参与反射,其余像素以图像边缘为轴,镜像反射填充
img4 = cv.warpAffine(cat,M,(w,h), borderMode=cv.BORDER_REFLECT_101)
# 4. 边界常数:  用指定常数填充
img5 = cv.warpAffine(cat,M,(w,h), borderMode=cv.BORDER_CONSTANT, borderValue=(255,255,255))
# 5. 边界包裹: 用自身像素循环平铺填充
img6 = cv.warpAffine(cat,M,(w,h), borderMode=cv.BORDER_WRAP)

# 显示图像
cv.imshow("cat",cat)
cv.imshow("Replicate",img2)
cv.imshow("Reflect",img3)
cv.imshow("Reflect_101",img4)
cv.imshow("Constant",img5)
cv.imshow("Wrap",img6)
cv.waitKey(0)
cv.destroyAllWindows()


Sub.5图像校正(透视变换)

特性仿射变换透视变换
矩阵维度2×33×3
保持性质直线平行性、相对距离无(允许非线性形变)
典型应用旋转、平移、缩放矫正透视畸变(如倾斜文档转正)
OpenCV函数cv.warpAffine()cv.warpPerspective()

一、核心概念⚡

1. 定义
  • 把一个图像投影到一个新的视平面的过程
    • 现实世界:近大远小 →透视投影到二维平面,出现形变和透视畸变

    • 透视变换通过数学模型矫正透视畸变

    • 通俗的讲:透视变换就是改变了图像里目标物体的被观测视角

      平视 → 俯视

2. 原理:透视变换
  • 通过 3×3 透视变换矩阵,将三维空间点投影到二维平面,实现视角转换。
  • 与仿射变换的区别:
    • 仿射变换(2×3 矩阵):保持线性关系,适合平移、旋转、缩放
    • 透视变换(3×3 矩阵):处理非线性畸变,允许视角变化(如近大远小)

3. 关键步骤与函数🎨

(1)选取特征点
  • 在原图和目标图中选取 4 个对应点(如矩形的四个角点)

  • 通过鼠标回调或角点检测获取对应点

    • 画图软件可以显示像素

(2)生成透视矩阵
  • M = cv2.getPerspectiveTransform(src, dst)
  1. 参数:
    • src:二维数组,原图中 4 个点的坐标
    • dst:二维数组,目标图中对应 4 个点的坐标,需要和src的顺序一致
src_pts = np.float32([[x1,y1], [x2,y2], [x3,y3], [x4,y4]])
dst_pts = np.float32([[0,0], [w,0], [0,h], [w,h]]) 
M = cv2.getPerspectiveTransform(src_pts, dst_pts)
(3)应用透视变换
  • dst = cv2.warpPerspective(img, M, dsize)
  1. 参数:
    • dsize:输出图像尺寸(width, height);
    • 支持插值方法(如flags=cv.INTER_LINEAR)和边缘填充(如borderMode=cv.BORDER_CONSTANT)

📝 Tips
  1. 点坐标顺序:

    src和dst点需按顺时针或逆时针顺序排列,确保映射关系正确(如左上角→左上角,右上角→右上角)。

  2. 如何动态获取特征点?

    → 结合鼠标交互函数(如cv.setMouseCallback)手动选取,或通过边缘检测、轮廓提取自动获取。

二、实践案例💐

2.1 基础案例复现☘️

案例 1:语法应用

  • 用画图软件,选点,记录下特征点
  • 特征点选取后需转化为ndarray
  • 代码实现:
import cv2 as cv
import numpy as np
img = cv.imread("./images/card.png")
# 获取宽高
h, w = img.shape[:2]
# 用画图软件选择特征点,注意必须顺时针/逆时针 连续选点
# (174,134) (489,170) (479,312) (138,270)
# 定义特征点
src_pts = np.float32([[174, 134], [489, 170], [479, 312],[138, 270]])
dst_pts = np.float32([[0, 0], [w, 0], [w,h], [0, h]])  # 两个数组需要一一对应
# 生成透视矩阵, 用函数生成,是一个3*3的矩阵
M = cv.getPerspectiveTransform(src_pts, dst_pts)
# 应用透视变换
dst = cv.warpPerspective(img, M, (w, h))

# 在原图上绘制特征点所选区域
cv.polylines(img, [src_pts.astype(np.int32)], True, (0, 0, 255), 2)
cv.imshow("img", img)
cv.imshow("dst", dst)
cv.waitKey(0)
cv.destroyAllWindows()
  • 输出分析:


用Pixhawk 2.4.8和PX4 1.13,从零搭建你的第一支无人机编队(附避坑清单) 本文详细介绍了如何使用Pixhawk 2.4.8飞控和PX4 1.13固件从零搭建低成本无人机编队系统。涵盖硬件选型、固件配置、多机通信和编队飞行逻辑开发的全流程,特别针对学生和爱好者提供实战验证的避坑方案,帮助实现多机协同飞行。 阅读详情

相关推荐

Unity线性空间下PSD透明贴图黑边问题:原理分析与三种解决方案

在计算机图形学中,颜色空间转换与Alpha混合是渲染管线的基础环节。伽马空间与线性空间的差异源于显示设备与人眼感知的特性,现代渲染引擎采用线性工作流以实现更真实的光照计算。然而,当图像处理软件(如Photoshop)导出的纹理数据与游戏引擎(如Unity)的预期格式不匹配时,就会引发技术问题,影响视觉保真度与开发效率。具体表现为,在线性空间下进行Alpha Blend混合时,带透明通道的纹理边缘常出现异常黑边或颜色失真,其核心根源在于纹理数据是否经过“预乘”处理与sRGB标记的解读冲突。这一问题的解决对于提

weixin_34198762的博客 382

opencv 最近邻插值法的原理

那么放大后图像的(0,0)坐标处的像素值就是原图像中(0,0)坐标处的像素值,也就是10。也就是原图中的(0.5,0)点,因此需要对计算出来的坐标值进行取整,取整后的结果为(0,0),也就是说放大后的图像中的(1,0)坐标处对应的像素值就是原图中(0,0)坐标处的像素值,其他像素点计算规则与此相同。根据该公式,我们就可以得到每一个目标点所对应的原图像的点,比如一个2*2的图像放大到4*4,如下图所示,其中红色的为每个像素点的坐标,黑色的则表示该像素点的像素值。

2401_87862479的博客 571

ZYNQ出现问题及解决办法汇总(一直更新)

问题目录使用软件及开发板版本一,vitis在build project时卡住。二,Could not find FPGA device on the board for connection 'Local'三,FPGA configuration failed:DONE PIN is not high四,Could not find ARM device on the board for connection 'Local' 使用软件及开发板版本 开发板:MZ7XA-7020 软件:vitis2020.2(

qq_45057368的博客 1万+

【OpenCV图像处理5】图像的变换

OpenCV图像处理第五部分:图像的变换。主要内容包含:图像的基本变换(图像的缩放、翻转以及旋转)、图像的仿射变换(图像平移以及获取变换矩阵)、图像的透视变换。

leoatliang的博客 1630

【同等学力】2004-数学⭐✨

1.有些人勤奋,但并非所有人都勤奋。2.不管白猫黑猫,抓住老鼠就是好猫

super_mochi1 512

投稿前利用GPT-5.5给论文做一次深度校对,投稿命中率翻倍!

3)一致性:请对比摘要的结论与正文(如果我也提供了正文),确保完全一致。请严格检查结果部分,确保客观性:1)纯粹性检查:标出所有包含“为什么”(解释)或“这意味着什么”(暗示)的主观语句,这些应移至讨论部分。请你帮我评估讨论部分的深度:1)解释与对比:检查每一项主要结果是否都解释了原因,并引用了前人研究进行对比(一致或相悖)。我见过太多人把校对理解为检查错别字了,实际上,校对要看的远不止这个,像逻辑是否连贯、术语是否前后一致、图表有没有被正确引用等等的这些细节,往往决定了文章是秒被拒,还是能顺利进入外审。

智能AI让学术科研更容易 413

opencv中flip函数

flip函数flipCode记录

朱铭德的博客 8032

HDR 人像肤色稳定实战:AE/AWB/ToneMap 冲突解耦与优先级裁决

人像 HDR 最容易“翻车”的就是**肤色飘**:AE 抢亮度、AWB 拉白点、TM 又在肩部压高光,三方各自“对”却合起来“错”。本文给出一套**工程可落地**的裁决策略:以**肤色 ROI 锚点**为最高约束,AE 先对脸部入射照度收敛,AWB 在**肤色先验 + 光源模型**下缓变,TM 采用**色相保持 + 中灰/肤色双锚**且时域一致化。配套**阈值与回归**(ΔE00、亮度漂移 RMS、频闪注入),把“主观对”的口径落到**可度量**,并给出逆光、多脸、霓虹等极端场景的**例外分流**。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1208

【OpenCV】Chapter3.图像的仿射变换

最近想对OpenCV进行系统学习,看到网上这份教程写得不错,于是跟着来学习实践一下。

兴趣使然的创作者 1861

手把手教你学simulink(31.17)--双向DCDC电源场景示例:基于simulink 的双向DCDC应用:车载充电器的pi控制

通过引入PI控制器,系统可以更精确地控制电压和电流,确保充电和放电过程的稳定性和高效性。

MHD0815的博客 207

Qt实现窗口自适应分辨率大小

如果希望窗口大小始终保持与屏幕分辨率一致,可以将上述代码放在窗口的resizeEvent()函数中。这样,每当窗口大小发生变化时,都会自动调用resizeEvent()函数,从而实现窗口大小的自适应调整。在Qt中,可以通过一些简单的方法实现窗口大小随分辨率变化而自适应调整。获取到当前屏幕的分辨率后,可以根据需要调整窗口的大小。无论在何种分辨率下运行应用程序,窗口都能够正确地自动调整大小,提供更好的用户体验。除了调整窗口大小,还可以考虑将窗口设置为最大化,以充分利用屏幕空间。步骤2:调整窗口大小。

FuJavascript的博客 3660

python openCV 实现镜像翻转flip()

@[toc](python openCV 实现镜像翻转flip()文章目录:) 一、基本认知 图像的几何变换是指在不改变图像像素值的前提下对图像像素进行空间几何变换。 常见的几何变换有: 镜像,平移,旋转,缩放,仿射等变换。 二、代码实现 翻转实现的两种方式: 1、遍历像素值 2、用opencv的内置函数cv2.flip()函数 import numpy as np import cv2 as...

求真、务实 1万+

全网最全-QCC51xx-QCC30xx(TWS)系列从入门到精通开发教程汇总(持续更新中)

QCC3040开发笔记之基本介绍(0) QCC3040开发笔记之开发环境搭建(1) QCC3040开发笔记之debug调试(trb调试,usbt调试,adb调试,WIFI调试)(2) QCC3040开发笔记之按键配置(3) QCC3040开发笔记之按键切换(4) QCC3040开发笔记之按键逻辑(5) QCC3040开发笔记之tone(6) QCC3040开发笔记之提示音(7) QCC3040开发笔记之bitserial接口(8) QCC3040开发笔记之双mic+AEC+ANC(9...

心跳包的博客 3万+

[OpenCV] EP7_直方图与形态学操作

涵盖内容:直方图分析与图像增强、模板匹配与霍夫变换、形态学变换核心操作 逻辑:直方图用于全局亮度调整,模板匹配和霍夫变换是特征检测的经典方法,形态学变换针对二值图结构特征处理。

Han_WDNMD的博客 1378

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

【OpenCV 例程200篇】42. 图像的灰度变换(比特平面分层)

像素值也可以表示为二进制形式,对 8bits 二进制数的每一位进行切片,可以得到 8 个比特平面,称为比特平面分层(Bit-plane slicing)。 高阶比特平面包含了大量有视觉意义的数据,而低阶比特平面包含了更精细的灰度细节。因此,比特平面分层可以用于图像压缩和图像重建。...

youcans的博客 3531

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

图像处理傅里叶变换图像变化_傅里叶变换和图像床单视图。

图像处理傅里叶变换图像变化What do Fourier Transforms do? What do the Fourier modes represent? Why are Fourier Transforms notoriously popular for data compression? These are the questions this article aims to addre...

weixin_26713521的博客 657

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

OpenCV --- 图像预处理(九)

模版匹配,霍夫变换

m0_73338216的博客 1234

# 如何使用OpenCV进行发票的透视变换和二值化处理

在自动化处理发票和其他文档时,图像预处理是一个关键步骤,它可以帮助提高OCR(光学字符识别)的准确性。透视变换用于校正图像中的透视失真,而二值化处理则可以简化图像,使其更适合OCR处理。本文将介绍如何使用OpenCV库进行这些操作。

www_pp_的博客 824

cv2 五边形矫正,python ,多边形透视变换

多边形透视变换

qq_41598736的博客 740

[OpenCV] EP5_边缘检测

涵盖内容:图像梯度原理、Sobel算子、Laplacian算子、Canny边缘检测全流程

Han_WDNMD的博客 1184

opencv 直方图均衡化,模板匹配,霍夫变换,亮度变换,形态学变换

自适应直方图均衡化(Adaptive Histogram Equalization, AHE),通过调整图像像素值的分布,使得图像的对比度和亮度得到改善。当然,如果有噪点的话,噪点会被放大,需要对小区域内的对比度进行了限制。需要先计算模板与目标图像的均值,然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度,1表示完美的匹配,-1表示最差的匹配。特点:消除噪点,去除小的干扰块,而不影响原来的图像.闭运算与开运算相反,是先膨胀后腐蚀,作用是消除/“闭合”物体里面的孔洞,特点:可以填充闭合区域。

qq_60905142的博客 460

openCV (c++)

opencv c++ 配置

zeven_yun的博客 1万+

opencv 矩阵的逆_opencv图像旋转矩阵

在Python opencv中图像旋转矩阵可以用来旋转源图片到目标图片、旋转源坐标点到目标坐标点。根据图像旋转矩阵还可以逆向根据目标坐标点得到原始点的位置。将常用的旋转函数汇总一下1. 根据中心坐标点旋转图片# 输入为三通道图片以及需要顺时针旋转的角度def rotate_image(image, angle):(h, w) = image.shape[:2](cX, cY) = (w // 2,...

weixin_29898627的博客 890

opencv图像处理

​​​​​​OpenCV基础入门系列基本操作——壹_零壹博弈的博客-优快云博客c 参考这个博客 灰度处理图像 #include <opencv2/opencv.hpp> #include <bits/stdc++.h> #define _for(i, a, b) for(int i = (a); i <= (b); i++) #define rep(i, a, b) for(int i = (a); i < (b); i++) using namespace

自强不息 厚德载物 207

基于python的opencv项目实战P8

08 直方图与傅里叶变换 import cv2 import matplotlib.pyplot as plt import numpy as np get_ipython().run_line_magic('matplotlib','inline') 直方图 cv2.calcHist(images,channels,mask,histSize,ranges) •image:原图图像格式为...

ginvodka_x的博客 379

openCV4.0 C++ 快速入门30讲学习笔记(自用 代码+注释)详细版

课程来源:哔哩哔哩 环境:OpenCV4.5.1 + VS2019 目录 002.图像色彩空间转换 003.图像对象的创建与赋值 004.图像像素的读写操作 005.图像像素的算术操作(加减乘除4种不同的API实现 006.滚动条-调整图像亮度 007.滚动条-传递参数 008.键盘响应操作 009.OpenCV自带颜色表操作 010.图像像素的逻辑操作(与,或,非,异或 011.通道合并与分离 012.图像色彩空间转换(提取轮廓然后换绿幕 013.图像像素值统计(min,max

weixin_47059239的博客 8637
上一篇: [OpenCV] {EP1_图像基础}
下一篇: [OpenCV] EP3_颜色与灰度处理
HanIxan
博客等级 码龄6年 115粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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