julinglan7642的博客

1.opencv中RGB2GRAY是怎么实现的答：以R、G、B为轴建立空间直角坐标系，则RGB图的每个象素的颜色可以用该三维空间的一个点来表示，而Gray图的每个象素的颜色可以用直线R=G=B上的一个点来表示。于是rgb转gray图的本质就是寻找一个三维空间到一维空间的映射，最容易想到的就是射影（即过rgb空间的一个点向直线R=G=B做垂线），事实上Matlab也是这样做的，输出的灰度图像是RGB三种颜色通道的加权和；Gray = 0.29900 * R + 0.58700 * G + 0.11400

深度学习中OpnenCV的blobFromImage是对输入图像做了什么呢？在PyImageSearch有许多读者好奇，blobFromImage到底是对图像做了了什么样的处理 ？今天我就来告诉大家。你也必定明白，为了从深度神经网络获得预测结果，你首先需要对你的数据进行预处理。在深度学习和图像分类领域，预处理任务通常包含：1.减均值（Mean subtraction）2.按比例缩放（Scaling by some factor）OpenCV新的神经网络模块dnn包含两个预处理函数，为通过预训练

opencv已经实现了的追踪算法OPENCV_OBJECT_TRACKERS = { "csrt": cv2.TrackerCSRT_create, "kcf": cv2.TrackerKCF_create,#目标追踪较为重要的论文 "boosting": cv2.TrackerBoosting_create, "mil": cv2.TrackerMIL_create, "tld": cv2.TrackerTLD_create, "medianflow": cv2.TrackerMedianF

surf和sift算法被申请专利后部分opencv版本无法使用后的安装pycharm+opencv使用surf和sift算法教程https://blog.youkuaiyun.com/qq_41840148/article/details/101611176

背景建模帧差法由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。帧差法非常简单，但是会引入噪音和空洞问题混合高斯模型在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为

9案例实战-全景图像拼接

Scale Invariant Feature Transform（SIFT）图像尺度空间在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同的尺度下都存在的特点。尺度空间的获取通常使用高斯模糊来实现不同σ的高斯函数决定了对图像的平滑程度，越大的σ值对应的图像越模糊。高斯差分金字塔（DOG）高斯差分金字塔（DOG）DoG空间极值检测为了寻找尺度空间的极值点，每个像素点要和其

图像特征-harris角点检测基本原理角点x、y都剧烈变化I（u，v）是原来的灰度值 W（u，v）：不同位置点权重，中心的权重较大代表BR接近于0为平坦区 R小于零边界 R式后面部分参数一般选较小 R大于0则为角点最后加上极大值抑制来选取cv2.cornerHarris()img： 数据类型为 float32 的入图像blockSize： 角点检测中指定区域的大小ksize： Sobel求导中使用的窗口大小k： 取值参数为 [0,04,0.06

scan.py# 导入工具包import numpy as npimport argparseimport cv2# 设置参数ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required = True, help = "Path to the image to be scanned") args = vars(ap.parse_args())def order_points(pts): # 一共4个坐

信用卡照片数字匹配照片myutils.pyimport cv2def sort_contours(cnts, method="left-to-right"): reverse = False i = 0 if method == "right-to-left" or method == "bottom-to-top": reverse = True if method == "top-to-bottom" or method == "bott

直方图（统计像素点个数）cv2.calcHist(images,channels,mask,histSize,ranges)images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统

图像金字塔高斯金字塔拉普拉斯金字塔高斯金字塔：向下采样方法（缩小）从下往上 相当于卷积高斯金字塔：向上采样方法（放大）注意：放大和缩小都会带来部分信息丢失img=cv2.imread("AM.png")cv_show(img,'img')print (img.shape)#(442, 340, 3) 输入图片up=cv2.pyrUp(img)#pyramid 金字塔 放大cv_show(up,'up')print (up.shape)#(884, 680, 3)down

阈值与平滑处理HSV： hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)H - 色调（主波长）。S - 饱和度（纯度/颜色的阴影）。V值（强度）图像阈值ret, dst = cv2.threshold(src, thresh, maxval, type)src： 输入图，只能输入单通道图像，通常来说为灰度图dst： 输出图thresh： 阈值maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值type：二值化操作的类型，包含

#环境为anaconda3+pyhton3.6+cv2+pycharm数据读取-图像：cv2.IMREAD_COLOR：彩色图像cv2.IMREAD_GRAYSCALE：灰度图像import cv2 #opencv读取的格式是BGR 正常为RGBimport matplotlib.pyplot as pltimport numpy as np %matplotlib inline#图像的显示,也可以创建多个窗口def cv_show(name,img):#图像显示函数 cv2.