素质云笔记

视频人物图像分割

按帧拆解视频以及按帧合并视频

本文来自于段力辉 译《OpenCV-Python 中文教程》一、图片 + 读入、显示、写出opencv中读入、显示、写出图片：cv2.imread()， cv2.imshow()， cv2.imwrite()1、cv2.imread()import numpy as npimport cv2 # Load an color image in grayscaleimg = cv2.imread(

opencv和matplotlib是比较常用的图像分析模块。在Ipython里面，opencv不能直接显示出来，所以有些时候会借助matplotlib来显示。%matplotlib inline .1、matplotlib的读入与显示import matplotlib.pyplot as plt import numpy as np from PIL import ...

数据量大了，什么情况都有可能会发生。 .一、遍历操作文件1、文件名字获取相关帖子： 一句python，一句R︱模块导入与查看、数据读写出入、数据查看函数、数据类型、遍历文件 os.listdir：返回的是该文件夹下的所有文件名称； os.walk：可以返回父文件夹路径+文件夹下路径，貌似比较给力。网上有帮他们打包成函数的博客：Python遍历目录的4种方法实例介绍#!/usr/b

这是一个利用dlib进行关键点定位 + opencv处理的人脸对齐、换脸、关键点识别的小demo。原文来自于《Switching Eds: Face swapping with Python, dlib, and OpenCV》 该博文的github地址中有所有的code。这边我将我抽取的code放在自己的github之中，可以来这下载: https://github.com/mattzhen...

一、色彩空间理论几种色彩空间：1、RGBRed 红色，0-255 Green 绿色，0-255 Blue 蓝色，0-255 2、HSIHSI色彩空间可以用一个圆锥空间模型来描述。用这种 描述HIS色彩空间的圆锥模型相当复杂，但确能把色调、亮度和色饱和度的变化情形表现得很清楚。 通常把色调和饱和度通称为色度，用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感 程度远强于对颜色浓淡的敏感

本文来自于段力辉 译《OpenCV-Python 中文教程》.一、基础以 Haar 特征分类器为基础的对象检测技术是一种非常有效的对象检测技术（2001 年 Paul_Viola 和 Michael_Jones 提出）。它是基于机器学习的，通过使用大量的正负样本图像训练得到一个 ascade_function，最后再用它来做对象检测。 现在我们来学习面部检测。开始时，算法需要大量的正样本图像（面

接：opencv︱HOG描述符介绍+opencv中HOG函数介绍（一） 相关博文：Recorder︱图像特征检测及提取算法、基本属性、匹配方法 转载于：Opencv HOG行人检测 源码分析(一)和HOG：从理论到OpenCV实践 HOG+SVM是传统计算机视觉中的经典组合模型。零、行人检测综述来源于：行人检测、跟踪与检索领域年度进展报告 行人检测，就是将一张图片中

本文来自于段力辉 译《OpenCV-Python 中文教程》 边缘检测是图像处理和计算机视觉中的基本问题，通过标识数字图像中亮度变化明显的点，来捕捉图像属性中的显著变化，包括深度上的不连续、表面方向的不连续、物质属性变化、和场景照明变化。.零、边缘检测年度进展由南开大学的程明明副教授所述，所做摘录。 .1、传统的边缘检测的进展图像边缘检测能够大幅减少数据量，在保留重要的结构属性的同时，剔除

1、HOG与SIFT的区别 HOG和SIFT都是描述子，以及由于在具体操作上有很多相似的步骤，所以致使很多人误认为HOG是SIFT的一种，其实两者在使用目的和具体处理细节上是有很大的区别的。HOG与SIFT的主要区别如下： (1)SIFT是基于关键点特征向量的描述。 (2)HOG是将图像均匀的分成相邻的小块，然后在所有的小块内统计梯度直方图。 (3)SIFT需要对图像尺度空