m0_43425029的博客

模板匹配：模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。工作方法：在待测的图像上，从左到右、从上到下计算模板图像与重叠子图像匹配度import cv2 as cvimport numpy as npdef template_demo(): tpl = cv.imre

import cv2 as cvdef back_projection_demo(): sample = cv.imread(r"C:\pics\samples\data\sample.png") target = cv.imread(r"C:\pics\samples\data\aloeL.jpg") roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV) target_hsv = cv.cvtColor(target, cv.C

1.全局直方图均衡化import cv2 as cvfrom matplotlib import pyplot as pltdef equalHist_demo(image): #全局直方图均衡化 gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #opencv的直方图均衡化要基于单通道灰度图像 dst = cv.equalizeHist(gray) #自动调整图像对比度，把图像变得更清晰 cv.imshow("equ

图像直方图是反映一个图像像素分布的统计表，其横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。图像是由像素构成，因为反映像素分布的直方图往往可以作为图像一个很重要的特征。直方图的显示方式是左暗又亮，左边用于描述图像的暗度，右边用于描述图像的亮度import cv2 as cvfrom matplotlib import pyplot as pltdef plot_demo(image): plt.hist(imag

1.双边滤波双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波.import cv2

1.高斯模糊的介绍高斯模糊实质上就是一种均值模糊，只是高斯模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯模糊的原理：高斯分布的标准差σ。标准差代表着数据的离散程度，如果σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之，σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显2.

1.图片的调用import cv2 as cvsrc = cv.imread(r"C:\pics\beay.png")cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)cv.imshow("input image",src)cv.waitKey(0)cv.destoryAllWindows()运行结果：2.图片的基本信息imp...