OpenCV --- 图像预处理(九)

【OpenCV笔记】图像预处理 对输入的任意一张图片要做预处理,本文的预处理主要有:灰度化、尺寸归一化、灰度直方图均衡化 阅读详情

OpenCV — 图像预处理(九)



十九,模版匹配

19.1模版匹配

模板匹配就是用模板图(通常是一个小图)在目标图像(通常是一个比模板图大的图片)中不断的滑动比较,通过某种比较方法来判断是否匹配成功,找到模板图所在的位置。

  • 不会有边缘填充。

  • 类似于卷积,滑动比较,挨个比较象素。

  • 返回结果大小是:目标图大小-模板图大小-1。
    在这里插入图片描述

19.2 匹配方法

res=cv2.matchTemplate(image, templ, method)
  • image:原图像,这是一个灰度图像或彩色图像(在这种情况下,匹配将在每个通道上独立进行)。

  • templ:模板图像,也是灰度图像或与原图像相同通道数的彩色图像。

  • method:匹配方法,可以是以下之一:

    • cv2.TM_CCOEFF
    • cv2.TM_CCOEFF_NORMED
    • cv2.TM_CCORR
    • cv2.TM_CCORR_NORMED
    • cv2.TM_SQDIFF
    • cv2.TM_SQDIFF_NORMED
    • 这些方法决定了如何度量模板图像与原图像子窗口之间的相似度。
  • 返回值res

    函数在完成图像模板匹配后返回一个结果矩阵,这个矩阵的大小与原图像相同。矩阵的每个元素表示原图像中相应位置与模板图像匹配的相似度。

    匹配方法不同,返回矩阵的值的含义也会有所区别。以下是几种常用的匹配方法及其返回值含义:

    1. cv2.TM_SQDIFF 或 cv2.TM_SQDIFF_NORMED:

      返回值越接近0,表示匹配程度越好。最小值对应的最佳匹配位置。

    2. cv2.TM_CCORR 或 cv2.TM_CCORR_NORMED:

      返回值越大,表示匹配程度越好。最大值对应的最佳匹配位置。

    3. cv2.TM_CCOEFF 或 cv2.TM_CCOEFF_NORMED:

      返回值越大,表示匹配程度越好。最大值对应的最佳匹配位置。

19.2.1 平方差匹配

cv2.TM_SQDIFF

以模板图与目标图所对应的像素值使用平方差公式来计算,其结果越小,代表匹配程度越高
在这里插入图片描述

19.2.2 归一化平方差匹配

cv2.TM_SQDIFF_NORMED

与平方差匹配类似,只不过需要将值统一到0到1,计算结果越小,代表匹配程度越高
在这里插入图片描述

19.2.3 相关匹配

cv2.TM_CCORR

使用对应像素的乘积进行匹配,乘积的结果越大其匹配程度越高
在这里插入图片描述

19.2.4 归一化相关匹配

cv2.TM_CCORR_NORMED

与相关匹配类似,只不过是将其值统一到0到1之间,值越大,代表匹配程度越高
在这里插入图片描述

19.2.5 相关系数匹配

cv2.TM_CCOEFF

需要先计算模板与目标图像的均值,然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度,1表示完美的匹配,-1表示最差的匹配,
在这里插入图片描述

19.2.6 归一化相关系数匹配

cv2.TM_CCOEFF_NORMED

也是将相关系数匹配的结果统一到0到1之间,值越接近1代表匹配程度越高
在这里插入图片描述

19.3 绘制轮廓

找的目标图像中匹配程度最高的点,我们可以设定一个匹配阈值来筛选出多个匹配程度高的区域。

  • loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的数组

np.where(condition) 是 NumPy 的一个函数,当条件为真时,返回满足条件的元素的索引。

  • *zip(loc)
    • *loc 是解包操作,将 loc 中的多个数组拆开,作为单独的参数传递给 zip。
    • zip 将这些数组按元素一一配对,生成一个迭代器,每个元素是一个元组,表示一个坐标点。
  • 练习

#模版匹配
#读图
image = cv.imread('txycl/images/game.png')
temp = cv.imread('txycl/images/temp.png')


#转灰度
image_gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
tenp_gray =cv.cvtColor(temp,cv.COLOR_BGR2GRAY)

#模版匹配,拿到匹配结果,返回匹配程度矩阵
res = cv.matchTemplate(image_gray,tenp_gray,cv.TM_CCOEFF_NORMED)#归一化相关系数匹配

#设置阈值,使用np.where获取符合条件的坐标
threshold = 0.8
loc = np.where(res >= threshold)
print(loc,type(loc),res[loc[0][0],loc[1][0]])
#获取模版宽高
w,h = tenp_gray.shape[::-1]
#解包处理,拿到坐标
for pt in zip(*loc[::-1]):
    cv.rectangle(image,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)


#绘制出匹配的部分,框出来
cv.imshow('image',image)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

二十,霍夫变换

20.1 理解霍夫变换

霍夫变换是图像处理的一种技术,主要用于检测图像中的直线、圆等几何形状。基本思想就是将图像空间中的点映射到参数空间中,通过在参数空间中寻找累计最大值实现对特定形状的检测
在这里插入图片描述

20.2 霍夫直线变换

对于一条直线(不垂直于x轴的直线),都可以用 y = k x + b y=k x+b y=kx+b来表示,此时,x和y是横纵坐标,k和b是一个固定参数。当我们换一种方式来看待这个式子,我们就可以得到:
b = − k x + y b=-kx+y b=−kx+y
此时,以k和b 为横纵坐标,x和y为固定参数,也就是说k和b成了自变量和因变量,变换如下图所示:
在这里插入图片描述
从上图可以看出,在直角坐标系下的一个直线,在变换后的空间中仅仅表示为一点,对于变换后的空间,我们称其为霍夫空间,也就是参数空间。也就是说,直角坐标系下的一条直线对应了霍夫空间中的一个点。类似的,霍夫空间中的一条直线也对应了直角坐标系中的一个点,如下图所示:

在这里插入图片描述
使用API

lines=cv2.HoughLines(image, rho, theta, threshold)

  • image:输入图像,通常为二值图像,其中白点表示边缘点,黑点为背景。
  • rho:r的精度,以像素为单位,表示霍夫空间中每一步的距离增量, 值越大,考虑越多的线。
  • theta:角度θ的精度,通常以弧度为单位,表示霍夫空间中每一步的角度增量。值越小,考虑越多的线。
  • threshold:累加数阈值,只有累积投票数超过这个阈值的候选直线才会被返回。

返回值:cv2.HoughLines 函数返回一个二维数组,每一行代表一条直线在霍夫空间中的参数 (rho, theta)。`

#霍夫直线变换

#读图
img = cv.imread('txycl/images/huofu.png')
#转灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#边缘检测
edges = cv.Canny(gray,30,70)

#霍夫直线变换:lines=cv.HoughLinesP(edges,rho,theta,threshold,minLineLength,maxLineGap)
lines = cv.HoughLinesP(edges,0.8,np.pi/180,90)
print(lines)

#循环遍历,取每条线的rho和theta
for line in lines:
    x1,y1,x2,y2 = line[0]
    cv.line(img,(x1,y1),(x2,y2),(0,0,255),2)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()`

在这里插入图片描述

20.3 统计概率霍夫直线变换

前面的方法又称为标准霍夫变换,它会计算图像中的每一个点,计算量比较大,另外它得到的是整一条线(r和θ),并不知道原图中直线的端点。所以提出了统计概率霍夫直线变换(Probabilistic Hough Transform),是一种改进的霍夫变换,它在获取到直线之后,会检测原图中在该直线上的点,并获取到两侧的端点坐标,然后通过两个点的坐标来计算该直线的长度,通过直线长度与最短长度阈值的比较来决定该直线要不要被保留。

使用API

lines=cv2.HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=0, maxLineGap=0)

  • image:输入图像,通常为二值图像,其中白点表示边缘点,黑点为背景。
  • rho:极径分辨率,以像素为单位,表示极坐标系中的距离分辨率。
  • theta:极角分辨率,以弧度为单位,表示极坐标系中角度的分辨率。
  • threshold:阈值,用于过滤掉弱检测结果,只有累计投票数超过这个阈值的直线才会被返回。
  • lines(可选):一个可初始化的输出数组,用于存储检测到的直线参数。
  • minLineLength(可选):最短长度阈值,比这个长度短的线会被排除。
  • maxLineGap(可选):同一直线两点之间的最大距离。当霍夫变换检测到一系列接近直角的线段时,这些线段可能是同一直线的不同部分。maxLineGap参数指定了在考虑这些线段属于同一直线时,它们之间最大可接受的像素间隔。

返回值lines:cv2.HoughLinesP 函数返回一个二维数组,每个元素是一个包含4个元素的数组,分别表示每条直线的起始点和结束点在图像中的坐标(x1, y1, x2, y2)。


#统计概率霍夫直线变换
#读图
img = cv.imread('txycl/images/huofu.png')
#转灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#边缘检测
edges = cv.Canny(gray,30,70)

#霍夫直线变换:lines=cv.HoughLinesP(edges,rho,theta,threshold,minLineLength,maxLineGap)
lines = cv.HoughLinesP(edges,0.8,np.pi/180,90,minLineLength=50,maxLineGap=10)
print(lines)

#循环遍历,取每条线的rho和theta
for line in lines:
    x1,y1,x2,y2 = line[0]
    cv.line(img,(x1,y1),(x2,y2),(0,0,255),2,cv.LINE_AA)

cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

20.4 霍夫圆变换

霍夫圆变换跟直线变换类似,它可以从图像中找出潜在的圆形结构,并返回它们的中心坐标和半径。只不过线是用(r,θ)表示,圆是用(x_center,y_center,r)来表示,从二维变成了三维,数据量变大了很多;所以一般使用霍夫梯度法减少计算量。

使用API

circles=cv2.HoughCircles(image, method, dp, minDist, param1, param2)

  • image:输入图像,通常是灰度图像。

  • method:使用的霍夫变换方法:霍夫梯度法,可以是 cv2.HOUGH_GRADIENT,这是唯一在OpenCV中用于圆检测的方法。

  • dp:累加器分辨率与输入图像分辨率之间的降采样比率,用于加速运算但不影响准确性。设置为1表示霍夫梯度法中累加器图像的分辨率与原图一致

  • minDist:检测到的圆心之间的最小允许距离,以像素为单位。在霍夫变换检测圆的过程中,可能会检测到许多潜在的圆心。minDist 参数就是为了过滤掉过于接近的圆检测结果,避免检测结果过于密集。当你设置一个较小的 minDist 值时,算法会尝试找出尽可能多的圆,即使是彼此靠得很近的圆也可能都被检测出来。相反,当你设置一个较大的 minDist 值时,算法会倾向于只检测那些彼此间存在一定距离的独立的圆。

  • param1 和 param2:这两个参数是在使用 cv2.HOUGH_GRADIENT 方法时的特定参数,分别为:

    • param1(可选):阈值1,决定边缘强度的阈值。

    • param2:阈值2,控制圆心识别的精确度。较大的该值会使得检测更严格的圆。param2 通常被称为圆心累积概率的阈值。在使用霍夫梯度方法时,param2 设置的是累加器阈值,它决定了哪些候选圆点集合被认为是有效的圆。较高的 param2 值意味着对圆的检测更严格,只有在累加器中积累了足够高的响应值才认为是真实的圆;较低的 param2 值则会降低检测的门槛,可能会检测到更多潜在的圆,但也可能包含更多的误检结果。

返回值:cv2.HoughCircles 返回一个二维numpy数组,包含了所有满足条件的圆的参数。


#霍夫圆变换

#读图
img = cv.imread('txycl/images/huofu.png')
#转灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#边缘检测
edges = cv.Canny(gray,30,70)

#霍夫圆变换:circles=cv.HoughCircles(edges,method,dp,minDist[,circles[,param1[,param2[,minRadius[,maxRadius]]]]])
circles = cv.HoughCircles(edges,cv.HOUGH_GRADIENT,1,20,param2=30)
print(circles)
#数据处理
circles = np.uint16(np.around(circles))
print(circles)
#循环遍历,
for i in circles[0,:]:
    #画圆
    cv.circle(img,(i[0],i[1]),i[2],(0,255,0),2)
    #画圆心
    cv.circle(img,(i[0],i[1]),2,(0,0,255),3)

cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

opencv基础59-霍夫变换原理讲解及示例-cv2.HoughLines()->(直线,圆形检测) 霍夫变换是一种在图像中寻找直线、圆形以及其他简单形状的方法。霍夫变换采用类似于投票的方式来获取当前图像内的形状集合,该变换由 Paul Hough(霍夫)于 1962 年首次提出。最初的霍夫变换只能用于检测直线,经过发展后,霍夫变换不仅能够识别直线,还能识别其他简单的图形结构,常见的有圆、椭圆等。 阅读详情

相关推荐

基于OpenCV的火焰检测(一)——图像预处理

博主最近在做一个基于OpenCV的火焰检测的项目,不仅可以检测图片中的火焰,还可以检测视频中的火焰,最后在视频检测的基础上推广到摄像头实时检测。在做这个项目的时候,博主参考了很多相关的文献,用了很多种不同的火焰判据,并将其进行不同组合,从而达到我们想要的检测效果。接下来的几篇博文将会详细介绍一些效果不错的火焰判据,在这之前,博主想先介绍一下在做项目的时候会常用到的一些图像预处理的方法。

与图像的羁绊 1万+

opencv——霍夫圆检查

1、霍夫圆检测 #!/usr/bin/env python3 # -*- coding:UTF8 -*- """ 霍夫圆检测 cv2.HoughCircles(),函数返回值为圆心坐标(x,y)圆半径R。 其函数原型为: HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) -> circles 重点参数解析: method:定义检测图像中圆的方法。

Sam's blog 3300

65-OpenCVSharp —-Cv2.HoughLinesP()函数功能(霍夫变换算法直线检测)详解

它的核心原理是通过参数空间(极坐标系)对图像中的每个边缘点进行变换,检测在参数空间中的“峰值”,这些峰值对应图像中的直线。尽管霍夫变换是一种经典的直线检测方法,但面对复杂的、动态的环境(如自动驾驶),结合现代的深度学习技术和多传感器融合,可以进一步提升其性能,为实际应用提供更多的可能性。在实际应用中,尤其是车道线检测这样的任务中,可能面临许多挑战,例如光照变化、车道线的断裂、图像噪声等。该函数是概率霍夫变换的实现,输出的是一个由直线段的起始和结束点坐标组成的数组,适用于检测离散的、有限的直线段。

weixin_45590420的博客 2684

【opencv2操作之HoughLinesP参数解释及实例展示】

opencv2操作之HoughLinesP参数解释及实例展示

hefei_cyp的博客 3万+

特征选择(模型输入参数的分析选择)方法汇总

特征选择是模式识别和机器学习领域的重要研究课题之一。为了提高准确率, 人们往往最大限度地提取特征信息。然而, 过大的特征向量维数不仅导致计算成本的增加, 复杂运算也随之带来分类识别率的下降。因此, 通过合适的特征选择算法, 去除无关特征和冗余特征, 获得有助于分类的最优特征子集, 对提高识别性能和降低计算成本具有重要意义。 特征选择主要有两个功能: 减少特征数量、降维,使模型泛化能力更强,减少过拟合 增强对特征和特征值之间的理解 参考资料: 优快云《几种常用的特征选择方法》 知乎《机器学习中,.

David's Tweet 1万+

手把手教你用Matlab为PMSM电流环设计2P2Z补偿器(附与PI对比)

本文详细介绍了如何使用Matlab的controlSystemDesigner工具为永磁同步电机(PMSM)电流环设计2P2Z补偿器,并与传统PI控制器进行性能对比。通过频域分析和时域仿真,展示了2P2Z补偿器在提升带宽、减少超调等方面的优势,为高性能伺服驱动和精密运动控制提供了实用解决方案。

weixin_42551227的博客 382

【OpenCV】-霍夫变换

霍夫变换(Hough Transform)是图像处理技术中的一种特征提前技术,该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换的结果。霍夫变换运行两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或者直线映射到另一个坐标空间的一个点形成峰值,从而把检测任意形状的问题转化为统计峰值问题。霍夫变换是一种用来寻找直线的方法,在使用霍夫变换之前,首先要对图像进行边缘检测的处理,即霍夫变换的直接输入只能是二值图像。OpenCV中的霍夫线变换有三种:(1)一条直线在图像二维

qq_44859533的博客 3767

制作一个有趣的涂鸦物联网小项目(涂鸦模组SDK开发 CBU BK7231N WiFi+蓝牙模组 HSV彩色控制)

实现的功能: l APP控制月球灯 l 本地月球灯控制 l APP控制“大白”颜色,实现各种颜色变身 l 门状态传感器状态APP显示 l 网络状态指示灯,连接服务器长亮,断开后闪烁 l 配网按键 l 云端定时功能 l 云端报警提示功能 l 云端历史数据查看 l 远程升级介绍 视频演示:【开源】制作一个有趣的涂鸦物联网小项目(涂鸦模组SDK开发 CBU BK7231N WiFi+蓝牙模组 HSV彩色控制)_哔哩哔哩_bilibili 一、界面展示 ...

东小东博客 7116

opencv 图像预处理

​ 在计算机视觉和图像处理领域,图像预处理是一个重要的步骤,它能够提高后续处理(如特征提取、目标检测等)的准确性和效率。

qq_70019265的博客 1931

基于激光雷达的目标跟随功能移植到自己的ROS机器人小车上

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、下载目标跟随的源码二、修改话题名称1.修改/cmd_vel话题名称2.修改/scan话题名称3.修改双电机正反转4.目标跟随功能测试 前言 本人尝试把github上的一个目标跟随项目移植到自己的机器人小车上,并且成功了,最终小车可以跟着人移动,在这里分享一下心得。基于激光雷达的目标跟随,通过获取激光雷达的信息,跟随最近的物体。 提示:以下是本篇文章正文内容,下面案例可供参考 一、下载目标跟随的源码 源码地址:https:

weixin_44574633的博客 4463

SAP ABAP Web Service 的创建与消费:保姆级教程

SOAP 定义了消息的格式和传输规则,使得 Web Service 可以在不同的操作系统和网络环境中通信。通过 WSDL,服务的提供者可以明确地定义服务的功能,而服务的使用者则可以通过解析 WSDL 文件,了解如何正确地调用该服务。它封装了与 Web 服务通信的所有复杂性,如消息格式的构建、传输协议的选择、请求的发送和响应的处理等。除了本文介绍的 ABAP 编程语言之外,我们还可以通过 Java,Node.js,C++,C#,Python 等其他编程语言来消费本文创建的 ABAP Web Service.

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 717

OpenCV图像预处理常用函数及流程

利用python和opencv进行图像预处理,主要包含相应的图像预处理流程和对应函数

sodaANDcola的博客 6647

YOLOv8改进策略【注意力机制篇】| CVPRW-2024 分层互补注意力混合层 H-RAMi 针对低质量图像的特征提取模块

许多证据表明层次化网络对图像恢复(IR)任务通常不太有效,因为IR的目标是逐个预测像素值(密集预测),而缩小特征图会丢失重要的像素级信息。然而,层次化结构有降低时间复杂度以及学习语义级和像素级特征表示的优点。为了弥补缺点并利用优点,设计了H - RAMi层。

Limiiiing的博客 379

图像认知与OpenCV——图像预处理

本文介绍了OpenCV中的图像处理基础操作,主要包括四部分内容:1)图像加法(OpenCV饱和加法与Numpy模运算加法的区别,以及加权加法);2)颜色空间转换(RGB转灰度、HSV等方法);3)灰度化处理的三种方法(最大值法、平均值法和加权平均法)及图像二值化处理(5种阈值方法和自适应二值化);4)图像翻转操作(水平、垂直和双向翻转)。通过代码示例展示了各操作的效果差异,为图像处理提供了基础技术参考。

2301_82065950的博客 2406

国家基本比例尺分幅土地利用现状图制作

本次主要解决的问题是如何构建脚本快速生成所涉及区域标准国家基本比例尺分幅,然后制作土地利用现状图模板,套用模板生成标准分幅土地利用现状图。

xyt1172228177的博客 2459

llama.cpp 参数调优大全(4060 最优配置)

本文针对NVIDIA RTX 4060(8GB显存)显卡,提供了llama.cpp参数调优的实战指南。核心策略是采用小模型(7B/8B)配合Q4_K_M量化,通过合理设置GPU层数(-ngl 28)、上下文长度(-c 2048)和批量大小(-b 512)来平衡性能和显存占用。重点推荐启用flash-attn加速和mlock内存锁定,并给出标准、高性能和保守三种配置方案。调优优先级为:GPU利用率>吞吐量>显存>线程数,同时警示避免常见错误如过大上下文或GPU层数设置。最终推荐4060最佳配置为7B Q4_

刘一说的IT专栏 3410

OpenCV图像预处理

阈值法就是通过设置一个阈值,将灰度图中的每一个像素值与该阈值进行比较,小于等于阈值的像素就被设置为0(通常代表背景),大于阈值的像素就被设置为maxval(通常代表前景)。反阈值法是当灰度图的像素值大于阈值时,该像素值将会变成0(黑),当灰度图的像素值小于等于阈值时,该像素值将会变成maxval。对于彩色图像的每个像素,它会按照一定的权重去乘以每个通道的像素值,并将其相加,得到最后的值就是灰度图像中对应位置的像素值。本身并不是一个独立的阈值化方法,而是与 OpenCV 中的二值化方法结合使用的一个标志。

yyy222138383的博客 1949

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

基于opencv的图像预处理

本文介绍了OpenCV中常用的图像处理技术:1)图像翻转(cv2.flip)及其三种翻转方式;2)仿射变换(cv2.warpAffine)包括旋转、平移、缩放和剪切,重点说明了旋转矩阵的获取方法;3)五种插值方法的比较(最近邻、双线性等)及默认选择原则;4)五种边缘填充方式;5)透视变换(cv2.warpPerspective)及其矩阵计算;6)色彩空间转换(RGB/HSV/YUV)和颜色加权加法。这些基础操作涵盖了图像处理中的几何变换、插值、填充和色彩转换等核心内容。

2301_82130976的博客 1911

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

c/c++的opencv的图像预处理讲解

opencv的图像预处理讲解

m0_54069809的博客 2122

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

OpenCV 图像预处理

参数img: 要翻转的图像flipcode: 指定翻转类型的标志flipcode=0: 垂直翻转,图片像素点沿x轴翻转flipcode>0: 水平翻转,图片像素点沿y轴翻转flipcode<0: 水平垂直翻转,水平翻转和垂直翻转的结合。

2203_75413303的博客 2013

Day23 opencv图像预处理

在计算机视觉和图像处理领域,图像预处理是一个重要的步骤,它能够提高后续处理(如特征提取、目标检测等)的准确性和效率。OpenCV 提供了许多图像预处理的函数和方法,常见的操作包括图像空间转换、图像大小调整、图像仿射变换、图像翻转、图像裁剪、图像二值化处理、图像去噪、边缘检测、图像平滑处理和图像形态学等。通过 cv2.getRotationMatrix2D 和 cv2.warpAffine 函数,可以实现图像的旋转、平移和缩放等操作。cv2.flip 是 OpenCV 库中的一个函数,用于翻转图像。

weixin_50199478的博客 1805

【OpenCV】Python图像处理之图像预处理

本文介绍了Python中常用的图像预处理技术,包括图像读取、尺寸调整、归一化、噪声去除和增强等操作。详细讲解了使用OpenCV、PIL/Pillow等库实现各项预处理的方法,如BGR转RGB格式转换、双线性插值调整尺寸、高斯/中值/双边滤波去噪、直方图均衡化增强对比度等。文章还涵盖了图像格式转换和数据增强技术,并针对不同计算机视觉任务(分类、检测、医学图像)给出了预处理建议。这些基础步骤对于统一数据格式、消除干扰和增强特征至关重要,是计算机视觉任务的重要前提。

棒棒的皮皮 2315

OpenCV中关于图像的预处理基础操作

边缘填充的主要目的是:避免边界像素丢失。保持图像尺寸。减少边界效应。提供上下文信息。支持多种图像操作。通过合理使用边缘填充,可以显著提高图像处理的效果和效率。# 读图# 获取旋转矩阵# 仿射变换函数 实现旋转# 边界复制# 边界反射# 边界反射101# 边界常数# 边界包裹# 显示效果 释放资源。

m0_70272574的博客 2301

基于python的opencv图像预处理(一)

本文介绍基于python的opencv图像预处理基本操作,主要内容包括: - 图像读显存操作 - 图像属性 - 图像ROI

vor234的博客 3307

OpenCV-图像预处理1

而透视变换是把一个图像投影到一个新的视平面的过程,在现实世界中,我们观察到的物体在视觉上会受到透视效果的影响,即远处的物体看起来会比近处的物体小。Lanczos插值方法与双三次插值的思想是一样的,不同的就是其需要的原图像周围的像素点的范围变成了8*8,并且不再使用BiCubic函数来计算权重,而是换了一个公式计算权重。一般对颜色空间的图像进行有效处理都是在HSV空间进行的,然后对于基本色中对应的HSV分量需要给定一个严格的范围,下面是通过实验计算的模糊范围(准确的范围在网上都没有给出)。

2301_80803503的博客 2119
上一篇: OpenCV --- 图像预处理(八)
下一篇: OpenCV---图像预处理 (十)
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

暴龙胡乱写博客

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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