AI333888的博客

我们将使用Haar级联分类器来检测图像中的车牌号码。Haar级联分类器是一种有效的目标检测方法。它是一种基于机器学习的方法。要训练车牌分类器，该算法最初需要大量正图像（带有车牌的图像）和负图像（没有车牌的图像）。分类器会从这些正的和负的图像中训练。然后用它来检测其他图像中的物体（车牌）。我们可以使用已经训练好的haar级联来进行目标检测。

我们首先检测图像中的所有对象轮廓以检测多边形。然后遍历所有轮廓。为每个轮廓查找近似的轮廓。如果近似轮廓中的顶点点数为5或更多，则将其绘制为三角形。请参见下面的伪代码。for cnt in contours: approx = cv2.approxPolyDP() if len(approx) >= 5: cv2.drawContours() cv2.putText("Polygon")步骤我们可以使用以下步骤来检测图像中的多边形：导入所需的库

OpenCV提供了函数用于在图像上绘制带箭头的线条。该函数带有不同参数以绘制线条，请参阅以下语法。- 线条的起始坐标，格式为(width, height)。- 线条的结束坐标，格式为(width, height)。- 线条的颜色。红色颜色在BGR格式下传递(0, 0, 255)。- 线条的厚度，以像素为单位。- 线条的类型。- 分数位数。- 箭头长度相对于线条长度的比例。- 返回绘制了线条的图像。

要在图像上绘制填充椭圆，我们使用方法。该方法接受不同的参数以绘制不同类型的椭圆。

要在图像上绘制折线，我们使用方法。我们可以在图像上绘制开放或关闭的折线。在绘制开放折线时，第一个和最后一个点不连接。

我们使用方法来提取图像中的前景。请按照以下步骤详细操作。使用方法读取输入图像。指定完整的图像路径。定义变量：和定义矩形“”，包括前景对象的坐标，格式为。正确的坐标对提取有意义的前景非常重要。应用grabCut（）算法来提取输入图像的前景。将和作为参数传递给算法。我们将模式应用为，因为我们使用矩形。获取新掩模mask2。将新掩模与图像相乘以找到分段图像（前景）。显示提取的前景。让我们来看一个程序示例，以更好地理解。

凸包看起来类似于轮廓近似，但它并不完全是轮廓近似。凸包是一个凸的曲线，围绕着一个物体。凸曲线总是鼓出或至少是平的。凸包可以找到凸性缺陷并进行纠正。

我们使用来找到图像的离散余弦变换。此函数将dtype float32的灰度图像转换为变换图像。它接受两种类型的标志或。为了将变换后的图像转换回原始图像，我们使用。

在许多情况下，我们需要处理同一图像的不同分辨率和大小。在图像金字塔的概念中，我们可以找到具有不同分辨率和大小的原始图像的图像。高斯金字塔是一种图像金字塔。要找到一个提供了两个函数和。函数通过在输入图像中添加相邻的行和列来增加分辨率。输出图像的宽度和高度为输入图像的两倍，其面积增加四倍。我们可以通过等级降低或等级提高来创建高斯金字塔。要创建等级降低的高斯金字塔，我们应用函数。创建等级提高的高斯金字塔时，应用函数。在创建高斯金字塔时，原始图像被设置为基本图像。可以使用这两个函数找到更高的层。

使用Scharr算子，我们可以使用一阶导数在水平和垂直方向上计算图像梯度。梯度是针对灰度图像计算的。您可以使用方法cv2.scharr() 在图像上应用Scharr运算。

我们可以从高斯金字塔形成Laplacian金字塔。OpenCV不提供构建Laplacian金字塔的特定函数。在Laplacian金字塔中，图像看起来只像边缘图像。Laplacian金字塔用于图像压缩以及图像增强中。Laplacian金字塔中的一级由高斯金字塔中该级别与高斯金字塔中其上一级的扩展版本之间的差异形成。要创建高斯金字塔中的级别，我们应用或函数。

我们可以使用在图像中找到棋盘格角落，使用绘制带有模式的棋盘格角落。请查看下面这两种方法的语法。

对象的边界矩形是在图像中围绕对象绘制的矩形。在OpenCV中有两种方法可以找到边界矩形。

离散傅里叶变换（DFT）和逆离散傅里叶变换（IDFT）可用于图像上的频域分析。要找到图像的傅立叶变换，我们使用函数和。我们可以应用傅里叶变换来分析各种滤波器的频率特性。

我们应用来分析各种滤波器的频率特征。我们可以使用对高斯和拉普拉斯滤波器应用傅里叶变换。我们使用将零频率分量移动到频谱的中心。

要找到某种颜色的，我们可以使用颜色空间转换将转换为。我们首先将颜色值定义为的格式，然后将其转换为。我们还可以找到的和，分别为和。这些下限和上限可以用于跟踪特定颜色的对象。要查找颜色的，请按照以下步骤操作−。

使用Sobel算子，我们可以在水平方向和垂直方向上计算图像梯度。梯度是针对灰度图像计算的。Laplacian算子使用二阶导数计算梯度。

一个对象的最小外接圆（外接圆）是一个完全覆盖该对象的圆，其面积最小。我们可以使用函数找到对象的最小外接圆。

对象的固体度是由轮廓面积与其凸包面积的比率计算得出的。因此，要计算固体度，首先必须找到轮廓面积和凸包面积。可以使用函数找到对象的轮廓面积。等效直径是圆的直径，其面积与轮廓面积相同。可以按以下方式计算固体度和等效直径 –

我们可以使用函数来将椭圆适配到对象上。椭圆被镶嵌在一个旋转矩形内。旋转矩形是一个包含对象的最小区域边界矩形。

在中，可以使用函数cv2.flip()翻转图像。使用此函数，我们可以沿X轴，Y轴和两个轴翻转图像。它接受一个标志作为沿轴翻转图像的参数。如果设置为0，则图像沿x轴翻转。如果将设置为正整数（例如1），则图像沿Y轴翻转。如果将设置为负整数（例如“-1”），则图像沿两个轴翻转。

我们使用尺度不变特征变换（）和Fast Library for Approx Nearest Neighbor（）来实现两个图像之间的特征匹配。使用SIFT来找到特征关键点和描述符。使用基于FLANN的KNN匹配器来匹配两个图像中的描述符。我们使用作为基于FLANN的匹配器。步骤要使用尺度不变特征变换（使用方法读取两个灰度图像。指定图像的完整路径。使用默认值初始化SIFT对象，。使用在两个输入图像中检测并计算关键点' kp1 '和''以及描述符''和'创建基于FLANN的匹配器对象，

（Oriented FAST和Rotated BRIEF）结合了FAST关键点检测器和BRIEF描述符，并进行了许多改进来增强性能。要实现特征检测器和描述符，可以按照以下步骤操作。使用方法读取输入图像。指定图像的完整路径。使用将输入图像转换为灰度图像的方法。使用默认值启动ORB对象，使用。在灰度图像中检测和计算特征关键点和描述符’使用。它返回关键点’‘和描述符’使用函数在图像上绘制检测到的特征关键点。

Probabilistic Hough Transform是Hough Transform的优化版本。即使是具有两个参数的直线，Hough变换也需要大量计算。概率Hough变换并不考虑所有点，它仅考虑随机的一部分点，这已足以检测直线。我们可以遵循以下步骤在图像上实现概率Hough变换-使用读取输入图像。使用此方法读取的RGB图像以BGR格式表示。选择性地将读取的BGR图像分配给img。现在，使用函数将BGR图像转换为灰度图像。选择性地将转换后的灰度图像分配给gray。

在OpenCV中，图像被表示为。提供了两个函数——和，用于合并图像。函数将图像水平连接，而函数将图像垂直连接。这些函数接受大小相同的图像列表以将它们连接在一起。所有图像的高度、宽度和通道数必须相同才能将它们连接起来。

我们可以通过计算掩模和图像的来应用掩模到图像上。要跟踪颜色，我们使用在HSV颜色空间中定义掩模，传递颜色数值的下限和上限。要跟踪图像的一部分，我们可以使用定义一个掩模，并对待检查的输入图像区域为白色（255）的条目进行切片。按照以下给定的步骤生成图像掩模 –然后使用方法读取输入图像。将图像BGR转换为HSV以跟踪输入图像中的颜色。要跟踪图像的一部分，请保持图像为BGR格式。使用定义一个掩模以跟踪图像中的特定颜色。传递颜色在HSV格式中的下限和上限。如果要跟踪输入图像的矩形部分，请使用一个矩形图像（称为。

我们使用函数来匹配两个图像形状。该函数返回一个度量标准，显示图像形状之间的相似性。该函数使用Hu矩来计算度量值。度量值越低，图像形状之间的相似性就越高。在以下示例中，我们将匹配来自不同图像的形状以及单个图像中的形状。

我们使用函数cv2.normalize()在OpenCV中归一化图像。此函数接受参数-和和dst是输入图像和与输入相同大小的输出图像，alpha是用于范围归一化的较低标准值，是用于范围归一化的较高标准值，norm_type是归一化类型，是输出数据类型，而是可选的操作掩码。

是一种阈值处理技术。还有其他类型的阈值处理技术，例如使用全局阈值值的简单阈值处理技术。但是，在不同区域具有不同照明条件的图像中使用全局阈值值并不是一个好主意。计算图像中一个小区域的阈值值。因此，我们在图像中有不同的阈值值，可以与简单阈值处理技术相比，得到更好的结果。有三个特殊参数：和。请参见下面给定的语法。

双边滤波操作在平滑图像和去除噪声方面非常有效。双边滤波的主要优点是它可以保留边缘，而平均和中值滤波不能保留。与其他滤波器相比，双边滤波操作较慢。我们可以使用方法对图像执行双边滤波操作。

计算机视觉或图像处理中操作的一个非常重要的应用是创建图像的掩模（mask）。我们还可以使用该运算符在图像上添加水印。图像的像素值表示为numpy ndarray。像素值使用8位无符号整数（），其范围从0到255。两个图像之间的操作是在相应图像的这些像素值的二进制表示中进行的。以下是执行两个图像的操作的语法 −是两个输入图像，是一个掩模操作。

在OpenCV中，一个彩色（RGB）图像被表示为3维numpy数组。图像的像素值使用8位无符号整数（uint8）存储，其范围从0到255。对两幅图像执行按位或操作是在对应图像的像素值的二进制表示上进行的。

彩色图像（RGB）有三个通道：红色、蓝色和绿色。图像表示为3维numpy数组。图像的像素值使用8位无符号整数（uint8）存储，范围为“0到255”。对两个图像执行位异或运算是在相应图像的像素值的二进制表示上执行的。以下是执行两个图像的位异或操作的语法 –这里，img1和img2是两个输入图像，mask是一个掩码操作。

中，我们定义一个阈值，如果像素值大于阈值，则将其分配值（例如255），否则将其分配另一个值（例如0）。可以使用函数应用简单阈值处理。它接受四个参数–源图像，阈值，maxVal和阈值类型。提供以下不同类型的阈值处理–– 它是cv2.THRESH_BINARY的相反情况。– 在此阈值处理中，像素值高于阈值被分配为阈值，其他像素保持不变。– 在此阈值处理中，像素值低于阈值被分配为零，其他像素保持不变。– cv2.THRESH_TOZERO的相反情况。

我们可以使用方法来执行距离变换。以下是此方法的语法。语法此方法接受以下参数 −类型 − 距离类型。− 距离变换掩码的大小。步骤要对图像执行距离变换，我们可以按照以下步骤进行-使用读取输入图像。使用此方法读取的 RGB 图像以 BGR 格式存储。可以将读取的 BGR 图像可选地分配给 img。使用函数将此 BGR 图像转换为灰度图像。可以将转换的灰度图像可选地分配给 gray。现在，在灰度图像上应用阈值处理以将其转换为二进制图像。调整第二个参数（threshValue）以获得更好的二进制图像。

要按角度执行图像旋转，首先需要获取旋转矩阵。为了找到旋转矩阵，我们应用函数。此函数的语法为 –其中是旋转中心，是图像旋转的角度，而是缩放图像的比例因子。旋转矩阵M是2×2矩阵（numpy数组）。我们将旋转矩阵M作为参数传递给函数。查看下面的语法 –

将图像位置朝特定方向移动称为图像平移。要执行图像平移，我们首先应该了解什么是平移矩阵以及如何利用OpenCV和NumPy定义它。如果我们想要在 (x,y) 方向偏移，偏移量分别为 (tx,ty)。其中，tx 是水平方向的偏移量，ty 是垂直方向的偏移量。使用 (tx,ty)，我们可以将平移矩阵 M 定义为下面的形式 −平移矩阵 M 是类型为 np.float32 的 numpy 数组。我们将 M 传递给 cv2.warpAffine() 函数作为一个参数。请看以下语法 −。

在中，图像是多维数组（ndarray）。OpenCV中的图像转置操作是指NumPy 2D数组（矩阵）的转置。矩阵沿其主对角线转置。转置后的图像是沿其对角线翻转的图像。我们使用来翻转图像。

函数对输入数组的每个元素执行矩阵变换。我们可以直接在图像上应用这个变换，因为在OpenCV中图像是NumPy ndarrays。为了使用这个函数，我们应该先定义一个变换矩阵m。输出的通道数将与变换矩阵m的行数相同。

二值化是一种二值化技术。还有其他类型的二值化技术，如和。简单二值化技术使用全局阈值值，而自适应二值化技术使用不同的阈值值用于不同的区域。阈值技术使用全局阈值值，但并非选择。它是自动确定的。它可以准确地处理双峰图像。双峰图像是其直方图具有两个峰值的图像。阈值值是这两个峰值的中间值的近似值。如果图像不是双峰的，则该二值化不准确。要应用阈值处理，我们应用简单的二值化加上额外的标志。请参见下面给出的语法。