Python视频处理(1)——视频分镜头提取+视频处理

本文介绍了使用Python进行视频处理的方法,包括导出帧图像、通过均值哈希和直方图相似度判断视频分镜头,以及利用FFmpeg进行视频截取、格式转换和多媒体格式处理等操作。

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

目录

一、导出帧图像 

二、判定相似度

1.均值哈希判定相似度

2.基于直方图相似度

三、视频处理(利用ffmpeg)

1、截取视频1分钟

2、视频格式转换

3、多媒体格式转换

4、视频方向处理

5、其他命令代码整理


一、导出帧图像 

将视频以帧图像的方式呈现,逐帧导出图片

import os
os.chdir("C:/Users/Administrator/AppData/Local/Programs/Python/Python37/Lib/site-packages")
import cv2
import subprocess

v_path="D:/Python/ghz.mp4"
image_save="./pic"

cap=cv2.VideoCapture(v_path)
frame_count=cap.get(cv2.CAP_PROP_FRAME_COUNT)

for i in range(int(frame_count)):
    _,img=cap.read()
    img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    cv2.imwrite("D:\Python\image{}.jpg".format(i),img)

运行结果示例:

二、判定相似度

对分帧结果判定相似度,并提取出相似度较大镜头作为分镜头。

1.均值哈希判定相似度

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
# 均值哈希算法
def aHash(img):
    # 缩放为8*8
    plt.imshow(img)
    plt.axis('off')  
    plt.show()
    img = cv2.resize(img, (8, 8))
    plt.imshow(img)
    plt.axis('off') 
    plt.show()
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # s为像素和初值为0,hash_str为hash值初值为''
    s = 0
    hash_str = ''
    # 遍历累加求像素和
    for i in range(8):
        for j in range(8):
            s = s + gray[i, j]
    # 求平均灰度
    avg = s / 64
    # 灰度大于平均值为1相反为0生成图片的hash值
    for i in range(8):
        for j in range(8):
            if gray[i, j] > avg:
                hash_str = hash_str + '1'
            else:
                hash_str = hash_str + '0'
    return hash_str
 
# Hash值对比
def cmpHash(hash1, hash2):
    n = 0
    print(hash1)
    print(hash2)
    # hash长度不同则返回-1代表传参出错
    if len(hash1)!=len(hash2):
        return -1
    # 遍历判断
    for i in range(len(hash1)):
        # 不相等则n计数+1,n最终为相似度
        if hash1[i] != hash2[i]:
            n = n + 1
    return n
 
for i in range(549):
    img1=cv2.imread('./pic2/image{}.jpg'.format(i)) 
    img2=cv2.imread('./pic2/image{}.jpg'.format(i+1)) 
    hash1 = aHash(img1)
    hash2 = aHash(img2)
    n = cmpHash(hash1, hash2)
    if(n>22):
        print('均值哈希算法相似度:', n/64)
        cv2.imwrite('./shot/image{}.jpg'.format(i+1),img2)

运行结果:

 (错误识别了3张)

2.基于直方图相似度

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
# 通过得到RGB每个通道的直方图来计算相似度
def classify_hist_with_split(image1, image2, size=(256, 256)):
    # 将图像resize后,分离为RGB三个通道,再计算每个通道的相似值
    image1 = cv2.resize(image1, size)
    image2 = cv2.resize(image2, size)
    plt.imshow(image1)
    plt.show()
    plt.axis('off')
    
    plt.imshow(image2)
    plt.show()
    plt.axis('off')
    
    sub_image1 = cv2.split(image1)    #cv2
### 自动驾驶技术中的图像处理算法与应用 #### 图像处理的重要性 在自动驾驶领域,感知系统作为核心技术之一,依赖于传感器收集的数据来进行环境理解。光学摄像头因成本低廉且能捕捉丰富的场景细节,在这一过程中扮演着重要角色[^2]。 #### 主要使用的图像处理技术 - **预处理阶段** 预处理旨在改善原始图片质量以便后续更高效地提取特征。常见的操作有去噪、增强对比度以及几何校正等。例如,针对鱼眼镜头产生的桶形失真现象,可以采用多项式模型进行矫正;而为了使不同光照条件下拍摄的照片保持一致性,则会运用直方图均衡化或者自适应伽马校正方法。 - **目标检测与分割** 基于卷积神经网络(CNNs)的目标检测框架如YOLOv3, SSD能够快速定位并分类出画面内的行人、机动车和其他障碍物。语义分割则进一步细化到像素级别,赋予每一点特定标签,有助于构建高精度地图或是辅助路径规划模块工作。Mask R-CNN就是一个典型例子,它不仅实现了实例级别的对象分离还提供了边界框位置信息[^1]。 - **车道线识别** 对于维持稳定行驶轨迹而言至关重要的是准确判断道路边缘及中心线的位置关系。传统方式依靠霍夫变换寻找直线段组合而成的最佳匹配曲线,现代解决方案更多倾向于端到端训练的深度学习架构——ResNet/U-net系列,它们可以直接从RGB影像中预测连续平滑的道路轮廓[^3]。 ```python import cv2 from matplotlib import pyplot as plt def hough_transform(image_path): img = cv2.imread(image_path,cv2.IMREAD_GRAYSCALE) edges = cv2.Canny(img,50,150,apertureSize = 3) lines = cv2.HoughLinesP(edges,rho=1,theta=np.pi/180,threshold=80,minLineLength=30,maxLineGap=10) result_img = np.zeros_like(img) if lines is not None: for line in lines: x1,y1,x2,y2 = line[0] cv2.line(result_img,(x1,y1),(x2,y2),(255),1) fig, axs = plt.subplots(1,2) axs[0].imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB)) axs[1].imshow(cv2.cvtColor(result_img,cv2.COLOR_BGR2RGB)) plt.show() ``` 上述代码展示了如何使用OpenCV库执行基于Hough变换的简单车道线探测任务。 #### 发展趋势 近年来随着计算资源的增长和技术进步,越来越多复杂精妙的方法被引入进来,比如融合多模态传感数据(LiDAR+Camera)、强化学习指导下的主动视觉探索策略等等。这些创新使得机器能够在更加恶劣天气状况下可靠运行,并具备更强泛化能力面对未曾见过的新路况[^4]。
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