sazass的博客

以下是用opencv实现的一个简单的窗口截图程序：#include <iostream>#include <opencv2/opencv.hpp>using namespace cv;using namespace std;/*截图方式说明：1.鼠标左键按下则为截图起始点方法一：鼠标左键一直按下，直到鼠标移动到目标点再松开，即可完成一次截图；方法二：鼠...

#include <opencv2/opencv.hpp>#include <iostream>using namespace cv;using namespace std;int main(){ //打开视频路径 VideoCapture cap("G:\\video\\chan4 2020-01-08 11.50.00 - 12.09.26.asf")...

颜色的提取在HSV空间效果更好，然而我们的图像格式一般都是RGB格式的。因此我们首先需要用到将RGB图像格式转换为HSV格式。简单介绍一下HSV，H表示色彩、色调，S表示纯度，V表示色彩的明亮程度。值得一提的是，HSV各数据的取值范围根据各自的计算方法都没统一。公式：设 (r, g, b) 分别是一个颜色的红、绿和蓝坐标，它们的值是在 0 到 1 之间的实数设 max 等于 r, g, b 中的最大者设 min 等于 r, g, b 中的最小者代码：我们采用的方法，H取值范围[0,360]，

前言:这是数字图像课程的大作业,老师要求不可以采用深度学习的方法检测和识别特定的路标,只能采用传统的图像算法提取特征从而检测出特定的车牌.完整代码:#include <iostream>#include <opencv2/opencv.hpp>#include <math.h>using namespace std;using namespace cv;#define PI 3.1415926 struct BGR // 定义BGR结构体{

(h, w) = self.cv2_img.shape[:2](cX, cY) = (w // 2, h // 2)M = cv2.getRotationMatrix2D((cX, cY), -angle, 1.0) cos = np.abs(M[0, 0])sin = np.abs(M[0, 1])nW = int((h * sin) + (w * cos))nH = int((h * cos) + (w * sin))M[0, 2] += (nW / 2) - cXM[1, 2] +=

方法1：线性调整对比度与亮度如公式1所示，表示原先像素点的像素值，c表示的权重值，b表示加权和后的图像的偏移量，表示调整后改像素点的像素值。在该算法中，将对比度与亮度设计为线性关系。v’ = v*c+b代码：def Change_contrast_brightness(img, c, b): h, w, d = img.shape blank = np.zeros([h, w, d], dtype=np.uint8) dst = cv2.addWeighted(img, c,

之前路标匹配[opencv完整项目详解] 传统图像算法解决路标的检测和识别的一个改进版。之前路标匹配存在的一个问题：所有路标与模板的相似度都处于较高状态(基本都在50%以上)，其主要原因就是虽然我们通过中间的红圈内进行相似度比较，但是红环的部分是路标的共同部分，这样增加了匹配过程中所有路标的相似度，后果会导致匹配路标和不匹配路标的相似度差异不大，导致最后判断的阈值过高，推广后的鲁棒性较差。这路就是改进后的路标匹配相似度：可以看出，改进后所有路标的匹配相似度都有不同程度的下降，差异更加明显，其路标