OpenCV-对数组(矩阵)的一些操作

本文详细介绍了 OpenCV 中对数组(矩阵)的各种操作函数及其用途,包括矩阵加法、减法、乘法等基本运算,以及求均值、标准化等高级功能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

OpenCV - Operations on Arrays 
对数组(矩阵)的一些操作

Function (函数名)

Use (函数用处)

 

add

矩阵加法,A+B的更高级形式,支持mask

scaleAdd

矩阵加法,一个带有缩放因子dst(I) = scale * src1(I) + src2(I)

addWeighted

矩阵加法,两个带有缩放因子dst(I) = saturate(src1(I) * alpha + src2(I) * beta + gamma)

subtract

矩阵减法,A-B的更高级形式,支持mask

multiply

矩阵逐元素乘法,同Mat::mul()函数,与A*B区别,支持mask

gemm

一个广义的矩阵乘法操作

divide

矩阵逐元素除法,与A/B区别,支持mask

abs

对每个元素求绝对值

absdiff

两个矩阵的差的绝对值

exp

求每个矩阵元素 src(I) 的自然数 e 的 src(I) 次幂 dst[I] = esrc(I)

pow

求每个矩阵元素 src(I) 的 p 次幂 dst[I] = src(I)p

log

求每个矩阵元素的自然数底 dst[I] = log|src(I)| (if src != 0)

sqrt

求每个矩阵元素的平方根

min, max

求每个元素的最小值或最大值返回这个矩阵 dst(I) = min(src1(I), src2(I)), max同

minMaxLoc

定位矩阵中最小值、最大值的位置

compare

返回逐个元素比较结果的矩阵

bitwise_and, bitwise_not, bitwise_or, bitwise_xor

每个元素进行位运算,分别是和、非、或、异或

cvarrToMat

旧版数据CvMat,IplImage,CvMatND转换到新版数据Mat

extractImageCOI

从旧版数据中提取指定的通道矩阵给新版数据Mat

randu

以Uniform分布产生随机数填充矩阵,同 RNG::fill(mat, RNG::UNIFORM)

randn

以Normal分布产生随机数填充矩阵,同 RNG::fill(mat, RNG::NORMAL)

randShuffle

随机打乱一个一维向量的元素顺序

theRNG()

返回一个默认构造的RNG类的对象 theRNG()::fill(...)

reduce

矩阵缩成向量

repeat

矩阵拷贝的时候指定按x/y方向重复

split

多通道矩阵分解成多个单通道矩阵

merge

多个单通道矩阵合成一个多通道矩阵

mixChannels

矩阵间通道拷贝,如Rgba[]到Rgb[]和Alpha[]

sort, sortIdx

为矩阵的每行或每列元素排序

setIdentity

设置单元矩阵

completeSymm

矩阵上下三角拷贝

inRange

检查元素的取值范围是否在另两个矩阵的元素取值之间,返回验证矩阵

checkRange

检查矩阵的每个元素的取值是否在最小值与最大值之间,返回验证结果bool

sum

求矩阵的元素和

mean

求均值

meanStdDev

均值和标准差

countNonZero

统计非零值个数

cartToPolar, polarToCart

笛卡尔坐标与极坐标之间的转换

flip

矩阵翻转

transpose

矩阵转置,比较 Mat::t() AT

trace

矩阵的迹

determinant

行列式 |A|, det(A)

eigen

矩阵的特征值和特征向量

invert

矩阵的逆或者伪逆,比较 Mat::inv()

magnitude

向量长度计算 dst(I) = sqrt(x(I)2 + y(I)2)

Mahalanobis

Mahalanobis距离计算

phase

相位计算,即两个向量之间的夹角

norm

求范数,1-范数、2-范数、无穷范数

normalize

标准化

mulTransposed

矩阵和它自己的转置相乘 AT * A, dst = scale(src - delta)T(src - delta)

convertScaleAbs

先缩放元素再取绝对值,最后转换格式为8bit型

calcCovarMatrix

计算协方差阵

solve

求解1个或多个线性系统或者求解最小平方问题(least-squares problem)

solveCubic

求解三次方程的根

solvePoly

求解多项式的实根和重根

dct, idct

正、逆离散余弦变换,idct同dct(src, dst, flags | DCT_INVERSE)

dft, idft

正、逆离散傅立叶变换, idft同dft(src, dst, flags | DTF_INVERSE)

LUT

查表变换

getOptimalDFTSize

返回一个优化过的DFT大小

mulSpecturms

两个傅立叶频谱间逐元素的乘法

### 如何在 OpenCV-Python 中使用 NumPy 进行图像处理 #### 图像读取与显示 OpenCV 可以通过 `cv2.imread()` 函数来加载图像文件,并将其转换成 NumPy 数组的形式。这使得可以利用 NumPy 的强大功能来进行各种操作。 ```python import cv2 import numpy as np # 加载彩色图像作为灰度图 img_gray = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE) # 显示图像 cv2.imshow('Gray Image', img_gray) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 基本变换:调整大小和旋转 NumPy 提供了矩阵运算的能力,这对于执行几何变换非常有用。下面的例子展示了如何改变图像尺寸以及应用仿射变换实现图像旋转[^1]。 ```python # 调整图像大小 resized_img = cv2.resize(img_gray, (new_width, new_height)) # 获取旋转变换矩阵 rotation_matrix = cv2.getRotationMatrix2D((center_x, center_y), angle=90, scale=1) rotated_img = cv2.warpAffine(resized_img, rotation_matrix, dsize=(width, height)) ``` #### 颜色空间转换 有时需要将 BGR 格式的图像转为其他颜色模型比如 HSV 或者 RGB 来更好地处理某些类型的视觉数据。此过程同样依赖于 NumPy 对数组操作效率。 ```python # 将BGR格式转化为RGB格式 bgr_image = cv2.imread('colorful_image.png') rgb_image = cv2.cvtColor(bgr_image, code=cv2.COLOR_BGR2RGB) # 使用 Matplotlib 展示 RGB 图片 plt.figure(figsize=[8, 8]) plt.imshow(rgb_image); plt.axis("off") ``` #### 形态学操作 形态学操作如腐蚀、膨胀等对于去除噪声或者增强特定形状特征很有帮助。这些操作通常基于二值化后的图像完成,在这里也涉及到大量的按位逻辑计算,而这些都是由 NumPy 实现的。 ```python kernel = np.ones(shape=(5, 5), dtype=np.uint8) # 创建内核用于形态学操作 dilated_img = cv2.dilate(src=img_binary, kernel=kernel, iterations=1) eroded_img = cv2.erode(src=dilated_img, kernel=kernel, iterations=1) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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