opencv blur cvtColor split inRange bitwise_and blur clone

最新推荐文章于 2023-05-03 18:48:17 发布
原创 最新推荐文章于 2023-05-03 18:48:17 发布 · 406 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

本文详细介绍了一种图像处理流程，包括使用OpenCV进行图像的高斯模糊、颜色空间转换（从RGB到HSV）、图像通道分离及阈值处理等操作。通过对图像不同颜色通道的应用，实现了特定颜色范围内的像素提取。
cv::Mat dsc(img_rgb.size(), CV_8U, cv::Scalar(0));    //分离 
cv::Mat hsv1(img_rgb.size(), CV_8U, cv::Scalar(0));

cv::Mat tmpH1(img_rgb.size(), CV_8U, cv::Scalar(0));
cv::Mat tmpH4(img_rgb.size(), CV_8U, cv::Scalar(0));
cv::Mat tmpH2(img_rgb.size(), CV_8U, cv::Scalar(0));
cv::Mat tmpH3(img_rgb.size(), CV_8U, cv::Scalar(0)); 

blur(img_rgb, img_rgb, cv::Size(3, 3));         //高斯模糊 

cvtColor(img_rgb, hsv1, CV_BGR2HSV);    //颜色转换 

vector<cv::Mat> mv;
split(hsv1, mv);                                             //分为3个通道 

inRange(mv[0], Scalar(10., 0.0, 0, 0), Scalar(100, 0.0, 0, 0), tmpH1);
inRange(mv[1], Scalar(20., 0.0, 0, 0), Scalar(110, 0.0, 0, 0), tmpH2);
inRange(mv[2], Scalar(30., 0.0, 0, 0), Scalar(120.0, 0.0, 0, 0), tmpH3);

bitwise_and(tmpH3, tmpH2, tmpH2);
bitwise_and(tmpH1, tmpH2, tmpH1);

blur(tmpH1,tmpH1,Size(3,3));           //高斯模糊 


dsc = tmpH1.clone();    

               

dsc blur(dsc, dsc, Size(3, 3));           //高斯模糊

imshow("", dsc);


Mat srcImg;  
Mat imgB,imgG,imgR;  
Mat mergeImg;  

vector<Mat> channels;          //Mat向量容器保存拆分后的数据  
  
assert(srcImg.data!=NULL);  //判断文件加载是否正确  
      
split(srcImg,channels);          //通道的拆分  
      
imgB = channels.at(0);  
   
imgG = channels.at(1);  
  
imgR = channels.at(2);  
  
merge(channels,mergeImg);  //对拆分的通道数据合并
  

OpenCV系列 | 颜色分离（cv2.inRange与cv2.bitwise_and）
weixin_48249563的博客
03-02 1万+
cv2.inRange 函数很简单，参数有三个 第一个参数：hsv指的是原图 第二个参数：lower_red指的是图像中低于这个lower_red的值，图像值变为0 第三个参数：upper_red指的是图像中高于这个upper_red的值，图像值变为0 而在lower_red～upper_red之间的值变成255 cv2.bitwise_and ...
OpenCV 基础教程（一）
zzhangling的博客
11-22 2336
卷积是图像处理中一个操作，是kernel在图像的每个像素上的操作。Kernel本质上一个固定大小的矩阵数组，其中心点称为锚点(anchor point)卷积的作用：①模糊图像；②提取边缘；③图像增显（图像锐化）把kernel放到像素数组之上，求锚点周围覆盖的像素乘积之和（包括锚点），用来替换锚点覆盖下像素点值称为卷积处理。数学表达如下：New pixel = sum / (m*n) =48/（3*3）=锚点的像素值常见算子——Robert算子Sobel算子（边缘检测常用）拉普拉斯算子。
[opencv]中一些函数的用法
weixin_63062756的博客
05-03 8129
Otsu’s 二值化是一种自适应的图像二值化方法，它的核心思想是通过寻找最佳的阈值，将图像分割成前景和背景两个区域，使得分割后的图像的类间方差最大化，从而达到最佳的二值化效果。该函数的实现过程是，将卷积核作为一个滑动窗口，在图像上从左上角开始遍历，每次取窗口内的像素和卷积核对应位置的权值进行乘积累加，将结果写入输出图像中对应位置的像素值。仿射变换代表的是两幅图之间的映射关系，仿射变换矩阵为2x3的矩阵，如下图中的矩阵M，其中的B起着平移的作用，而A中的对角线决定缩放，反对角线决定旋转或错切。
Bitwise AND of Numbers Range问题及解法
刘天的博客
08-17 277
201.Bitwise AND of Numbers Range LeetCode
OpenCV之bitwise_and、bitwise_not等图像基本运算及掩膜
热门推荐
小伟锅的博客
08-16 14万+
1.图像基本运算 图像的基本运算有很多种，比如两幅图像可以相加、相减、相乘、相除、位运算、平方根、对数、绝对值等；图像也可以放大、缩小、旋转，还可以截取其中的一部分作为ROI（感兴趣区域）进行操作，各个颜色通道还可以分别提取及对各个颜色通道进行各种运算操作。总之，对于图像可以进行的基本运算非常的多，只是挑了些常用的操作详解。 void add(InputArray src1, InputA
第13课 提取特定颜色形状
崂山区人工智能教育实验室
02-24 612
**学科：**人工智能 年级： 七年级上 **课题：**第13课时 提取特定颜色形状 课时数：1课时 学情分析： 学生在第六课时学习过图像模式转换rgb转hsv模式，对颜色模式有一定的认识但时间间隔较久，学生很多都已经遗忘，而本课提取特定颜色形状需要先将rgb模式转换为hsv模式，需要拿出时间复习相关知识。 教学目标： 1、复习将bgr转换hsv的相关知识。 2、了解常见颜色对...
bool c = false; int num = 0; Mat kernel = getStructuringElement(MORPH_RECT, Size(9, 9)); Mat colour_discern(Mat img) { Mat hsv, mask, res; Mat mask_red1, mask_red2, mask_red, mask_blue, combined_mask; cvtColor(img, hsv, COLOR_BGR2HSV); inRange(hsv, Scalar(0, 120, 70), Scalar(10, 255, 255), mask_red1); inRange(hsv, Scalar(160, 120, 70), Scalar(180, 255, 255), mask_red2); bitwise_or(mask_red1, mask_red2, mask_red); inRange(hsv, Scalar(100, 120, 70), Scalar(130, 255, 255), mask_blue); bitwise_or(mask_blue, mask_red, combined_mask); bitwise_and(img, img, res, combined_mask); return res; } int calculate_area(Mat img_color, double thresh) { Mat dst2, edges, gray; vector<vector<Point>> contours; vector<Vec4i> hierarchy; vector<vector<Point>> filtered_contours; cvtColor(img_color, gray, COLOR_BGR2GRAY); GaussianBlur(gray, gray, Size(7, 7), 5, 0); adaptiveThreshold(gray, edges, 254, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 21, 3); dilate(edges, dst2, kernel, Point(-1, -1), 4); findContours(dst2, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE); for (const auto& contour : contours) { double area = fabs(contourArea(contour)); if (area > thresh) { filtered_contours.push_back(contour); } } for (size_t i = 0; i < filtered_contours.size(); i++) { drawContours(img_color, filtered_contours, static_cast<int>(i), Scalar(0, 0, 0), 10); Rect rect = boundingRect(filtered_contours[i]); rectangle(img_color, rect, Scalar(0, 0, 255), 7); putText(img_color, to_string(contourArea(filtered_contours[i])), Point(rect.x + (rect.width / 2), rect.y + (rect.height / 2)), FONT_HERSHEY_COMPLEX, 0.4, Scalar(255, 255, 255), 1); c = true; } return 0; } int main() { SetConsoleOutputCP(65001); VideoCapture cap(0); if (!cap.isOpened()) { cout << "摄像头未打开"; return -1; } while (true) { Mat img_org, img_colour; cap.read(img_org); img_colour = colour_discern(img_org); calculate_area(img_colour, 500.0); imshow("img_colour", img_colour); imshow("img", img_org); num++; if (num == 5 && c) { cout << "识别到颜色：" << endl; num = 0; } else { c = false; } if (waitKey(1) == 27) break; } return 0; } 在这段代码的基础上修改添加颜色识别到蓝色红色并且只画出最大面积轮廓
最新发布
11-16
2. **掩码创建**：使用`cv::inRange`函数创建蓝色和红色的掩码，并将它们合并成一个掩码。 3. **腐蚀操作**：使用`cv::erode`函数对合并后的掩码进行腐蚀操作，去除相关性小的颜色。 4. **轮廓查找**：使用`cv::...
#include <opencv2/opencv.hpp> using namespace cv; using namespace std; std::vector<cv::Mat> landmarrk_templates; void drawPic(Mat pic, Mat &output, int x = 0, int y = 140, int width = 100, int height = 100) { cv::resize(pic, pic, cv::Size(width, height)); if (pic.channels() == 1) { cv::cvtColor(pic, pic, cv::COLOR_GRAY2BGR); } cv::Rect roi(cv::Point(x, y), pic.size()); if (roi.x >= 0 && roi.y >= 0 && roi.x + roi.width <= output.cols && roi.y + roi.height <= output.rows) { pic.copyTo(output(roi)); } else { if (roi.x + roi.width > output.cols) { roi.width = output.cols - roi.x; } if (roi.y + roi.height > output.rows) { roi.height = output.rows - roi.y; } cv::Rect srcRoi(0, 0, roi.width, roi.height); cv::Mat srcCropped = pic(srcRoi); srcCropped.copyTo(output(roi)); } } int getTime() { return cv::getTickCount() / cv::getTickFrequency(); } void initTemplates() { landmarrk_templates.push_back( cv::imread("img/both.png", cv::IMREAD_GRAYSCALE)); landmarrk_templates.push_back( cv::imread("img/left.png", cv::IMREAD_GRAYSCALE)); landmarrk_templates.push_back( cv::imread("img/right.png", cv::IMREAD_GRAYSCALE)); landmarrk_templates.push_back( cv::imread("img/light.png", cv::IMREAD_GRAYSCALE)); for (auto &img : landmarrk_templates) { cv::bitwise_not(img, img); } } pair<double, double> process(const Mat &img) { Mat result_img = img.clone(); static int height = img.rows; static int width = img.cols; Mat gray; cvtColor(img, gray, COLOR_BGR2GRAY); Mat binary; threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU); // 检测斑马线 bool now_black = false; bool last_black = false; int chang_count = 0; for (int i = width * 0.3; i < width * 0.7; i += 5) { now_black = binary.at<uchar>(height - 10, i) == 0; if (last_black != now_black) { last_black = now_black; chang_count++; } } if (chang_count > 6) { cout << "检测到斑马线，停车3s" << endl; return {0, 0}; } // 截取binary中间一片区域 cv::Rect mid_region(80, 60, 160, 120); float black_ratio = 1.0f - (countNonZero(binary(mid_region))) / (float)mid_region.area(); // cout << "黑色比例: " << black_ratio << endl; if (black_ratio > 0.2) // 黑色多，有地标 { cv::Mat hsv_img; cv::cvtColor(img, hsv_img, cv::COLOR_BGR2HSV); cv::Mat mask; cv::inRange(hsv_img, cv::Scalar(95, 100, 0), cv::Scalar(130, 255, 255), mask); // 蓝色 cv::Mat bull_img; cv::bitwise_and(img, img, bull_img, mask); // 提取处蓝色部分 cv::Mat gray_bull_img; cv::cvtColor(bull_img, gray_bull_img, cv::COLOR_BGR2GRAY); std::vector<std::vector<cv::Point>> contours; cv::findContours(gray_bull_img, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); cv::Mat filled_mask = cv::Mat::zeros(img.size(), CV_8UC1); contours.erase( std::remove_if(contours.begin(), contours.end(), [=](const std::vector<cv::Point> &contour) { const int tolerance = 10; Rect rect = boundingRect(contour); if (rect.x <= tolerance || rect.y + rect.width >= width - tolerance || rect.y <= tolerance || rect.y + rect.height >= height - tolerance) return true; else return false; }), contours.end()); cv::drawContours(filled_mask, contours, -1, cv::Scalar(255), cv::FILLED); // 将所有闭合蓝色图标填充起来，作为遮罩选中 // drawPic(filled_mask, result_img); // debug cv::Mat icon_img, white_img; cv::bitwise_and(img, img, icon_img, filled_mask); cv::cvtColor(icon_img, icon_img, cv::COLOR_BGR2GRAY); threshold(icon_img, white_img, 0, 255, THRESH_BINARY | THRESH_OTSU); // 找出白色部分 cv::findContours(white_img, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); std::vector<std::vector<cv::Point>> filtered_contours; for (const auto &contour : contours) { double perimeter = cv::arcLength(contour, true); if (perimeter > 100) { filtered_contours.push_back(contour); } } cv::Mat landmark_img = cv::Mat::zeros(img.size(), CV_8UC1); cv::drawContours(landmark_img, filtered_contours, -1, cv::Scalar(255), cv::FILLED); // 过滤高光 std::vector<cv::Point> non_zero_points; cv::findNonZero(landmark_img, non_zero_points); if (!non_zero_points.empty()) { cv::Rect bounding_rect = cv::boundingRect(non_zero_points); if (bounding_rect.width * bounding_rect.height > 800) { landmark_img = landmark_img(bounding_rect); drawPic(landmark_img, result_img); // debug int min_diff = landmark_img.size().area(); int match_index = -1; int confidence = 0.0; for (size_t i = 0; i < landmarrk_templates.size(); ++i) { cv::Mat resized_template; cv::resize(landmarrk_templates[i], resized_template, landmark_img.size()); cv::Mat diff; cv::absdiff(resized_template, landmark_img, diff); int sum_diff = cv::countNonZero(diff); if (sum_diff < min_diff) { min_diff = sum_diff; match_index = i; confidence = 100 - ((float)sum_diff / (float)(landmarrk_templates[i].rows * landmarrk_templates[i].cols)) * 100.0; } } if (match_index != -1 && confidence > 40) { std::cout << "找到地标: " << match_index << " : " << confidence << "%" << std::endl; cv::Mat i = landmarrk_templates[match_index]; cv::rectangle(i, cv::Point(0, 0), cv::Point(i.cols - 1, i.rows - 1), 255, 2); drawPic(i, result_img, bounding_rect.x, bounding_rect.y, 40, 40); cout << "停车3s" << endl; } } } } } int main() { initTemplates(); cv::VideoCapture cap; cap.open(0); if (!cap.isOpened()) { std::cerr << "打开摄像头失败！" << std::endl; return 0; } cap.set(cv::CAP_PROP_FRAME_WIDTH, 320); cap.set(cv::CAP_PROP_FRAME_HEIGHT, 240); cap.set(cv::CAP_PROP_FOURCC, cv::VideoWriter::fourcc('M', 'J', 'P', 'G')); cap.set(cv::CAP_PROP_FPS, 60); cap.set(cv::CAP_PROP_AUTO_EXPOSURE, 1); // 0.25 1 都有可能 cap.set(cv::CAP_PROP_EXPOSURE, 100); // 有些摄像头-8能用，有些又是100能用 while (1) { cv::Mat image; cap.read(image); process(image); } return 0; }解释一下这个代码
05-19
- 上述代码实现了对红绿灯颜色的分离，利用`cv::inRange`函数定义了红色和绿色的Hue-Saturation-Value（HSV）区间。 - `findContours`用于查找轮廓，并计算每个轮廓的面积来排除较小的干扰物[^3]。 --- #### 2. **...
int find_line(void) //循迹线程 { // 初始化程序 //UI_init(); VideoCapture capture; capture.open(0); if (!capture.isOpened()) { cout << "Can not open camera" << endl; return -1; } else cout << "camera open successful" << endl; capture.set(cv::CAP_PROP_FOURCC, cv::VideoWriter::fourcc('M', 'J', 'P', 'G')); capture.set(cv::CAP_PROP_FPS, 30); capture.set(cv::CAP_PROP_FRAME_WIDTH, 320); capture.set(cv::CAP_PROP_FRAME_HEIGHT, 240); this_thread::sleep_for(chrono::milliseconds(1000)); //让图像稳定 cout << "Program started" << endl; while (1) { capture >> img; /* if (start_flag == 1) { cvtColor(img, img_HSV, COLOR_BGR2HSV); Scalar HSV_L = Scalar(100, 43, 46); Scalar HSV_H = Scalar(124, 255, 255); inRange(img_HSV, HSV_L, HSV_H, img_HSV_mask); Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5)); morphologyEx(img_HSV_mask,img_HSV_mask, MORPH_OPEN, kernel); morphologyEx(img_HSV_mask, img_HSV_mask, MORPH_CLOSE, kernel); if (find_blue_card_flag == 0)find_blue_card(); else find_blue_card_remove(); } else { img_per = per_wt(img); Mat HLS_Lresult = HLS_Lthresh(img_per, HSL_Lmin, HSL_Lmax); Mat LAB_Bresult = LAB_BThreshold(img_per, LAB_Bmin, LAB_Bmax); img_combined = combineThresholds(HLS_Lresult, LAB_Bresult); Mat white_image(img.size(), img.type(), Scalar::all(255)); LaneData lanes = slidingWindow(img_combined); lanes.left_fit = polyFit(lanes.left_points); lanes.right_fit = polyFit(lanes.right_points); if (lanes.left_fit.size() != 3 || lanes.right_fit.size() != 3) { if(lanes.left_fit.size() != 3)center_x=lanes.right_fit[0] * line_y * line_y + lanes.right_fit[1]* line_y + lanes.right_fit[2]-rail_width_pix; if(lanes.right_fit.size()!= 3)center_x=lanes.left_fit[0] * line_y * line_y + lanes.left_fit[1]* line_y + lanes.left_fit[2]+rail_width_pix; cout<<center_x<<endl; } if (lanes.left_fit.size() == 3 && lanes.right_fit.size() == 3) { center_x=(lanes.right_fit[0] * line_y * line_y + lanes.right_fit[1]* line_y + lanes.right_fit[2]+lanes.left_fit[0] * line_y * line_y + lanes.left_fit[1]* line_y + lanes.left_fit[2])/2; cout<<center_x<<endl; } line_error = center_x - 160; //line_error=100; cout << left_x << "," << right_x << "," << center_x << "," << line_error << endl; visualize(white_image, lanes); //namedWindow("img", cv::WINDOW_NORMAL); // 创建可调整大小的窗口 //resizeWindow("img", 320, 240); // 设置窗口尺寸 //moveWindow("img", 320, 50); // 设置窗口位置 //imshow("img", img_clone); namedWindow("combined_image", cv::WINDOW_NORMAL); // 创建可调整大小的窗口 resizeWindow("combined_image", 320, 240); // 设置窗口尺寸 moveWindow("combined_image", 640, 50); // 设置窗口位置 imshow("combined_image", img_combined); namedWindow("white_image", cv::WINDOW_NORMAL); // 创建可调整大小的窗口 resizeWindow("white_image", 320, 240); // 设置窗口尺寸 moveWindow("white_image", 960, 50); // 设置窗口位置 imshow("white_image", white_image); //Start_motor(); } */ if (cv::waitKey(1) == 27)break; //if(car_blake_flag == 1) ;//break;//结束代码 } gpioTerminate(); capture.release(); // 释放摄像头 destroyAllWindows(); // 关闭所有窗口 //uart_close(GPS); return 0; }Mat per_wt(Mat& frame) { int img_h, img_w; img_clone = frame.clone(); img_h = img_clone.rows; // 图像高度 img_w = img_clone.cols; vector<cv::Point2f> src = { Point2f(125, 198), Point2f(213, 198), Point2f(295, 237), Point2f(55, 237) }; vector<cv::Point2f> dst = { Point2f(100,0), Point2f(img_w - 100, 0), Point2f(img_w - 100, img_h), Point2f(100, img_h) }; // 定义目标坐标（变换后的四个点） vector<cv::Point> polygon; for (const auto& pt : src) { polygon.push_back(Point(static_cast<int>(pt.x), static_cast<int>(pt.y))); } polylines(img_clone, polygon, 1, Scalar(0, 0, 255), 3, cv::LINE_AA); //for (size_t i = 0; i < src.size(); ++i) //{ // circle(img, cv::Point(static_cast<int>(src[i].x), static_cast<int>(src[i].y)), 5, cv::Scalar(0, 0, 255), -1); //} // 计算透视变换矩阵 Mat M = getPerspectiveTransform(src, dst); Mat Minv = getPerspectiveTransform(dst, src); // 应用透视 warpPerspective(frame, warped, M, cv::Size(img_w, img_h), cv::INTER_LINEAR); waitKey(5); return warped; }void crossroad(void)//斑马线识别 { Mat blur; while(1) { GaussianBlur(img, blur, Size(5, 5), 0); Mat hsv; cvtColor(blur, hsv, COLOR_BGR2HSV); Scalar lower_white = Scalar(0, 0, 200); Scalar upper_white = Scalar(180, 40, 255); Mat cross_mask; inRange(hsv, lower_white, upper_white, cross_mask); // Mat edges; // Canny(blur, edges, 50, 150); // bitwise_or(cross_mask, edges, cross_mask); Mat kernel = getStructuringElement(MORPH_RECT, Size(7, 7)); //dilate(mask1, mask1, kernel); //erode(mask1, mask1, kernel); morphologyEx(cross_mask, cross_mask, MORPH_CLOSE, kernel); Rect roi(0,240,640,240); Mat region = cross_mask(roi); imshow("combined_image", region); //imshow("combined_image", mask1_roi); int stripe_count = 0, transitions = 0; for (int i = 0; i < region.rows; i++) { transitions = 0; for (int j = 5; j < region.cols - 5; j++) { if (region.at<uchar>(i, j) != region.at<uchar>(i, j - 1)) transitions++; } //cout<<"transitions:"<<transitions<<endl; if (transitions >= 6) stripe_count++; } cross_flag = (stripe_count >= 20) ? 1 : 0; cout << "stripe_count"<<stripe_count<<"cross_flag:" << cross_flag << endl; if(cross_flag==1){Control_stop();audio();break;} waitKey(5); } }
11-14
- `crossroad()` 直接对原始图像做 `inRange` → 仍然是“前视图” ➡️ 两者看到的物理区域不同，无法统一判断是否进入斑马线区域 --- # ✅ 四、完整解决方案（重构版） ## ✅ 改造目标： 1. 主线程统一采集...
opencv颜色空间转换：cv.cvtColor（）、cv.inRange、cv.bitwise_and等函数解析；BGR、HSV、HSL、GRAY等简介
weixin_48623445的博客
08-05 4269
0 引言 使用opencv进行视觉识别处理时，大多数函数需要图片为单通道（灰色），同时我们也可以通过cv.inRange、cv.bitwise_and等函数的操作，完成以颜色为特征的图像提取，达到一定程度上的图像识别。（完整代码附于文末，其中本文未提到的函数，在本专栏前几节均有提到，欢迎大家去翻阅） 1 先简单了解一下颜色空间 颜色空间主要包括BGR、HSV、HSL、GRAY等等，还有很多颜色空间，大家感兴趣可以去搜索了解了解。但博主目前最主要使用到的就是上述4种。 BGR：三通道，蓝色（B）、绿色（G）、
python使用bitwise_and，求原图和掩膜的与运算时报错
不负韶华，逐梦如初
05-31 6819
错误类型：cv2.error: OpenCV(3.4.1) D:\Build\OpenCV\opencv-3.4.1\modules\core\src\arithm.cpp:241: error: (-215) (mtype == 0 || mtype == 1) &amp;&amp; _mask.sameSize(*psrc1) in function cv::binary_op完整代码如下：i...
python opencv使用bitwise_and()报错：
tongzeyou的博客
10-10 5170
cv2.error: OpenCV(3.4.1) C:\Miniconda3\conda-bld\opencv-suite_1533128839831\work\modules\core\src\arithm.cpp:241: error: (-215) (mtype == 0 || mtype == 1) &amp;amp;&amp;amp; _mask.sameSize(*psrc1) in function...
opencv算术运算：bitwise_and()
steph_curry的博客
12-12 9979
用bitwise_and裁剪一幅图的一部分： #include #include using namespace std; using namespace cv; int main() { const char* imagename = "C://Users//huashuo111//Desktop//test2.bmp"; //从文件中读入图像 Mat img =
opencv笔记5----通过HSV进行颜色分离
日光倾城
09-30 2万+
图片通常是以RGB格式存储，难以分离出颜色，可以转换到HSV空间进行颜色分离。 （转自Wiki） HSL 和 HSV（也叫HSB）是对RGB 色彩空间中点的两种有关系的表示，它们尝试描述比 RGB 更准确的感知颜色联系，并仍保持在计算上简单。 H指hue（色相）、S指saturation（饱和度）、L指lightness（亮度）、V指value(色调)、B指brightn
OpenCV-Python图像位与运算bitwise_and函数详解
老猿Python
10-18 4万+
本文详细介绍了OpenCV-Python图像位与运算bitwise_and函数的语法及计算方法，并举例说明了图像和标量的按位与、构造的掩膜图像和图像的按位与。可以看到bitwise_and可以控制选择感兴趣的通道（调整四元组的元素值）或区域进行输出。
python_opencv图像算术运算（cv2.bitwise_and(),cv2.bitwise_not()）按位运算
C++是世界上最好的语言，手动狗头
11-27 2万+
图像算术运算（加法、减法、按位运算） 目标： 算术运算：加法，减法，按位运算原理 主要函数：cv2.add(), cv2.addWeighted()… 1、图像加法 ​ 使用opencv的函数，cv2.add(img1, img2),也可以使用numpy数组的加法操作，res = img1+img2，两幅图像大小、类型必须一致，或者第二个图像是一个简单的标量值。 Opencv的加法...
python opencv的mask 和cv2.bitwise_and() 的图像合并
BLOG OF PETERMAOSX.
07-27 7751
前面的遮罩(cv2.inRange()) 只能够将所需的颜色给显示出来，但是显示出来的是白色的一片，那么，如果需要将白色变成自己所需要的色彩，就需要用到图像的合并 import cv2 import numpy as np img = cv2.imread('Test.jpg') orange_lower = np.array([11,43,46]) orange_upper = np.array...
OpenCV: 函数bitwise_and和bitwise_or的操作
MrSong007的博客
04-22 1万+
函数 CV_EXPORTS_W void bitwise_and(InputArray src1, InputArray src2, OutputArray dst, InputArray mask = noArray()); CV_EXPORTS_W void bitwise_or(InputArray src1, InputArray src2, OutputArray dst, InputA...
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