耐心的小黑的博客

之前我们说过使用全局阈值来对图像进行二值化，整幅图像采用同一个数作为阈值。但是这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。dst = cv2.adaptiveThreshold(src, maxval, thresh_type, type, Block Size, C)src： 输入图，只

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst 参数说明：src ：需要改变尺寸的图像dsize：目标图像大小dst：目标图像fx：w方向上的缩放比例fy：h方向上的缩放比例interpolation - 插值方法。共有5种：value含义cv2.INTER_NEAR...

一、图像叠加：cv2.add res=cv2.add(img1, img2) 或者res=cv2.add(img1, 标量值)参数说明： cv2.add将两个图片对应位置的像素的值相加，或者将每个像素的值加上一个标量值，大于255的像素值就设置成255。有一点需要注意的是，如果是两张图片相加，那么一定要注意两者的尺寸和通道数必须是一样的；如果是标量值，这个值既可以是整数也可以是浮点...

一、颜色空间介绍       RGB 颜色空间是大家最熟悉的颜色空间，即三基色空间，任何一种颜色都可以由该三种 颜色混合而成。然而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，HSV(色 调 Hue,饱和度 Saturation,亮度 Value)是根据颜色的直观特性创建的一种颜色空间, 也称六角 锥体模型。&...

下面是两个转载的Link一、什么是sift特征？如何计算？二、利用sift特征进行特征匹配

cv2.cornerHarris()函数cv2.cornerHarris(src, blockSize, ksize, k, dst=None, borderType=None)src：数据类型为 float32 的输入图像blockSize：角点检测中考虑的区域大小ksize：Sobel求导中使用的窗口大小k：Harris 角点检测方程中的自由参数，取值参数为 [0.04 0.06]...

1、目标匹配函数：cv2.matchTemplate()res=cv2.matchTemplate(image, templ, method, result=None, mask=None)image：待搜索图像templ：模板图像result：匹配结果method：计算匹配程度的方法,主要有以下几种method含义CV_TM_SQDIFF平方差匹配法：该方法采...

一、计算图像直方图的函数：cv2.calcHist()cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) ->histimaes:输入的图像channels:选择图像的通道mask:掩膜，是一个大小和image一样的np数组，其中把需要处理的部分指定为1，不需要处理的部分指定为0...

我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。但是在频域中一切都是静止的！高频：变化剧烈的灰度分量，例如边界低频：变化缓慢的灰度分量，例如一片大海低通滤波器：只保留低频，会使得图像模糊高通滤波器：只保留高频，会使得图像细节增强opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.flo...

上一个博客讲了如何查找和绘制一个图像中的轮廓；现在再来说一说这些轮廓的常见特征。1. cv2.contourArea(cnt， oriented = False) # 计算轮廓的面积参数说明：cnt为输入的单个轮廓值;oriented:默认值false，面向区域标识符，如果为true，该函数返回一个带符号的面积，其正负取决于轮廓的方向(顺时针还是逆时针)。根据这个特性可以根据面积的符号来确...

cv2.findContours()函数cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])返回两个值：contours：hierarchy。参数1、image：寻找轮廓的图像；2、mode：表示轮廓的检索模式，有四种：cv2.RETR_EXTERNAL:表示只检测外轮廓，包含在外围轮廓内的...

图像金字塔1、高斯金字塔2、拉普拉斯金字塔高斯金字塔：向下采样方法（缩小）高斯金字塔：向上采样方法（放大）img=cv2.imread("AM.png")cv_show(img,'img')print(img.shape)#(442, 340, 3)up=cv2.pyrUp(img)cv_show(up,'up')print (up.shape)#(884, 68...

Candy边缘检测的一般步骤使用高斯滤波器，以平滑图像，滤除噪声。计算图像中每个像素点的梯度强度和方向。应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。通过抑制孤立的弱边缘最终完成边缘检测。1、高斯滤波器2、梯度和方向3、非极大值抑...

图像梯度-Sobel算子dst = cv2.Sobel(src, ddepth, dx, dy, ksize)ddepth:图像的深度,也即存储的数据类型，-1表示和原来的数据类型一样，是int8类型；一般不这么使用，下面会做解释dx和dy分别表示是否计算此轴的梯度ksize是Sobel算子的大小图像梯度-Scharr算子dst = cv2.Scharr(src, ddepth,...

openvc中morphologyEx()函数是一种形态学变化函数。数学形态学可以理解为一种滤波行为，因此也称为形态学滤波。滤波中用到的滤波器(kernal)，在形态学中称为结构元素。结构元素往往是由一个特殊的形状构成,如线条、矩形、圆等。基本使用方式如下：cv2.morphologyEx(img, op, kernel)参数op的取值含义cv2.MORPH_OPEN...

腐蚀与膨胀属于形态学操作，所谓的形态学，就是改变物体的形状，形象理解一些：腐蚀=变瘦 膨胀=变胖主要是采用 cv2.erode() 和 cv2.dilate()，需要注意一点的是，腐蚀和膨胀主要针对二值化图像的白色部分腐蚀：在原图的每一个小区域里取最小值，由于是二值化图像，只要有一个点为0，则都为0，来达到瘦身的目的。因此在下面的例子中，我们就可以使用腐蚀来将图片中的一些毛刺或者说很...

在图像的读取中，会存在一些躁声点，如一些白噪声，因此我们需要进行去噪操作；比如均值滤波、方框滤波、高斯滤波以及中值滤波。下面就以这四种滤波方式展示一下具体如何操作以及滤波后的效果import cv2import numpy as np# 1.图片中存在一些噪音点img = cv2.imread('lenaNoise.png')cv2.imshow('original', img)cv...

首先介绍一下函数：ret, dst = cv2.threshold(src, thresh, maxval, type)的各参数含义src： 输入图，只能输入单通道图像，通常来说为灰度图thresh： 阈值maxval： 当像素值超过了阈值或者小于阈值，根据type所决定的要赋予像素点的值type含义cv2.THRESH_BINARY超过阈值部分取maxval（最...

此篇文章的主要目的是展示cv2.warpAffine()函数基本的使用方法，我们自己设置M变换矩阵实现平移，因为实现平移的M矩阵比较简单，所以我们可以自己设置import cv2import numpy as npimg = cv2.imread('aier.jpg')rows,cols = img.shape[:2]# 定义平移矩阵，需要是numpy的float32类型# x轴平...

cv2.warpAffine()函数主要是利用变换矩阵M对图像进行如旋转、仿射、平移等变换，只需要我们提供一个2*3的变换矩阵M，就可以对图像进行变换。它一般是和cv2.getRotationMatrix2D和cv.GetAffineTransform两个函数在一起使用，这两个函数是用来获取变换矩阵M,这样就不需要我们自己设置Mcv2.warpAffine(src, M, dsize,dst,f...

M=cv2.getRotationMatrix2D(center, angle, scale)函数有三个参数：center：图片的旋转中心angle：旋转角度scale：旋转后图像相比原来的缩放比例M:计算得到的旋转矩阵from matplotlib import pyplot as pltimport cv2import numpy as npimg = cv2.imrea...

仿射变换，又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。仿射变换需要一个M矩阵,但是由于仿射变换比较复杂，一般直接找很难找到这个矩阵，opencv提供了根据变换前后三个点的对应关系来自动求解M的函数，这个函数就是：M=cv2.GetAffineTransform(src, dst)src：原始图像中的三个点的坐标dst：变换后的这三个点对应...

cv2.flip(src, flipCode[, dst]) → dstsrc: 原始图像矩阵；dst: 变换后的矩阵；flipMode: 翻转模式，有三种模式；0 — ---垂直方向翻转；1----- -水平方向翻转；-1------水平、垂直方向同时翻转from matplotlib import pyplot as pltimport numpy as npimpor...

这是一个我觉得比较有用的小脚本，可以将我们的彩色图片转换成素描图，并且转换的效果我们还可以通过cv2.divide(img_gray, img_blur, scale=225)中的scale参数去调整，这个不妨自己尝试一下，不同的图像可能需要不同的数值下面先来看一下效果如何from cv2 import cv2import myutilsimport osdef rgb_to_ske...