两鬓已不能斑白的专栏

yolo3 + python 识别二维码中的汉字源码下载地址https://github.com/lijialinneu/keras-yolo3-master/准备环境（1）python环境，安装anaconda3，我装的是python3.6版本（2）安装tensorflow（cpu版）、keras，直接用pip install 命令下载，或conda install命令（3）下载...

OpenCV Canny 源码注释与分析      1986年，John F.Canny 完善了边缘检测理论，Canny算法以此命名。    Canny 算法的步骤：    1. 使用滤波器卷积降噪          2. 使用Sobel导数计算梯度幅值和方向          3. 非极大值抑制 + 滞后阈值       在正式处理前，用高斯滤平滑波器对图像做滤波

Raspberry pi +OpenCV 读取摄像头在Raspberry pi上调用摄像头，读取视频流中的每一帧，并利用Canny边缘检测，提取每一帧中的边缘，最终效果如下：ReadVideo.cpp#include "opencv2/opencv.hpp"using namespace cv;int main(int, char**){ VideoCapture cap(0); // o

识别图像中的红色圆形本小节用到的图像为：思路：解决这个问题的思路如下：Step1. 首先，将图片由 RGB 颜色空间转换为 HSV 颜色空间，HSV颜色空间可以更直观地反映物体的颜色，便于利用颜色进行分割。有关HSV的相关内容，见以下文章： http://blog.youkuaiyun.com/viewcode/article/details/8203728 http://blog.youkuaiyun.com/q

Canny边缘检测引言 OpenCV提供了Canny边缘检测函数，只用一行代码就能实现图像的边缘检测，看到这里你是不是很激动呢？—————————————————————————-Canny边缘检测实例# -*- coding:utf-8 -*-import cv2image = cv2.imread('images/test.jpg')cv2.namedWindow("Image")# Can

访问图像数据引言： 由于图像在计算机中的表示是一个矩阵，因此我们时不时需要访问或修改矩阵中的数据，实现基本的图像处理。同时Python提供了一个开源计算库：numpy，可以非常方便地用于矩阵计算。# -*- coding:utf-8 -*-import cv2# imread函数用于读入一幅图像，该函数的返回值是一个矩阵image = cv2.imread('images/test.jpg')#

Pycharm + OpenCV3 + Python3 配置记录引言：OpenCV + Python是开发计算机视觉的利器，由于项目的需要，最近在Windows系统上配置了OpenCV + Python，同时使用Pycharm作为开发工具，现记录如下。 Step1. 下载并安装anaconda3Step2. 安装PycharmStep3. 根据自己的电脑版本下载opencv_python

轮廓检测引言 在计算机视觉中，轮廓检测是一个十分重要的任务。与边缘不同，图像中的轮廓包含更多的实际意义。OpenCV提供了 findContours() 函数和 drawContours() 函数实现轮廓的检测和绘制————————————————————OpenCV轮廓检测的例子# -*- coding:utf-8 -*-import cv2# Step1. 读入图像image = cv2.i

Hough变换检测直线和圆引言： Hough变换被常用于检测图像中的直线和圆。其本质是将直角坐标系映射到极坐标系，有关Hough变换的原理请见这篇博文。————————————————————-Hough变换检测直线OpenCV中提供了HoughLines 和 HoughLinesP来检测直线。第一个函数使用标准的Hough变换，第二个函数使用概率Hough变换，通过计算点属于直线的概率，提高了算

图像分割引言： 图像分割是图像预处理的重要步骤之一，它的主要目标是将图像划分为不同的区域，这些区域与真实世界中的物体具有一定的关联成分。图像分割的方法大体分为以下三种：基于阈值的分割、基于边缘的分割和基于区域的分割。其中基于区域的分割较为常用。OpenCV提供了 分水岭算法 和 GrabCut算法，可以快速实现图像的分割。本小节使用的测试图像为：————————————————————————–使

原链接：http://blog.youkuaiyun.com/niuwei22007/article/details/48969709可以查看更多文章卷积操作是对图像处理时，经常用到的一种操作。它具有增强原信号特征，并且能降低噪音的作用。 那么具体是如何计算的呢？且看下文。待处理图像数据(5*5)：         卷积核：(3*3)A = [17 24  01  08 15            H =

以图搜图，感知Hash的原理与实现 以下内容引自百度百科： 感知哈希算法（Perceptual hash algorithm）是哈希算法的一类，主要用来做相似图片的搜索工作。图片所包含的特征被用来生成一组指纹（不过它不是唯一的）, 而这些指纹是可以进行比较的。概括地讲，感知哈希算法一共分两步： 1、把图片转化为字符串 ，这个字符串就是图片的hash值，又称指纹 2、求两个字符串

OpenCV自学笔记目录引言：计算机视觉近年来飞速发展，出现了以OpenCV为代表的计算机视觉开源库。OpenCV为我们提供了很多图像和视频处理操作：如图像分割、人脸识别等。这一系列博文以《Learning OpenCV 3 Computer Vision with Python》、《深入理解OpenCV实用计算机视觉项目解析》、《图像处理、分析与机器视觉》等书籍为参考，记录了我在学习OpenCV

OpenCV 自学笔记33. 计算图像的均值、标准差和平均梯度均值、标准差和平均梯度是验证图像质量的常用指标。其中：均值反映了图像的亮度，均值越大说明图像亮度越大，反之越小；标准差反映了图像像素值与均值的离散程度，标准差越大说明图像的质量越好；平均梯度反映了图像的清晰度和纹理变化，平均梯度越大说明图像越清晰；那么，如何使用OpenCV计算图像的均值、标准差和平均梯度呢？OpenCV提供了几个

Android 上使用jni和opencv 实现边缘检测首先来看实验效果这是在android上运行的一个小demo，使用真机调试，运行在红米Note3上。上面是原始图片，下面是边缘检测的结果图。这里的边缘检测使用OpenCV中的canny算法。下面说明如何创建这样一个项目分为以下几步：1、配置ndk开发环境2、写好make文件：Android.mk和Application.mk3、写好cann

OpenCV自学笔记32. ubuntu 安装python3+opencv3的过程记录1、安装numpysudo apt-get install python3-numpy2、安装其他依赖sudo apt-get install build-essential cmake libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswsca

简单轮廓匹配的小例子OpenCV中提供了几个与轮廓相关的函数：findContours()：从二值图像中寻找轮廓drawContours()：绘制轮廓matchShape()：使用Hu矩进行轮廓匹配下面是一个使用这些函数的小例子，测试图片为：test3_c.jpg如下：test4_c.jpg如下：测试代码main.cpp如下：#include <opencv2/opencv.hpp>#in

Hough变换：检测直线和圆 前言：Hough变换是一种在图像中寻找直线和圆的方法。我在实际的项目中，使用到了Hough变换检测圆，效果不错，所以写一篇文章，学习Hough变换的原理，并阅读Hough变换的源码，看看OpenCV是如何实现Hough变换的。Hough变换比较难理解，尤其是圆变换的部分，另外我写的也未必清楚，所以记录下来仅做学习、参考之用。本文的结构如下：1、Hough变换如

lsd直线检测算法参考：http://blog.youkuaiyun.com/lien0906/article/details/384171911、lsd算法的步骤 LSD是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测结果。该算法被设计成可以在任何数字图像上都无需参数调节。LSD算法的步骤如下：1、图像缩放2、梯度计算3、梯度排序4、阈值检测5、区域增长6、矩形近似1、图像

人脸检测 之 静态图像中的人脸检测OpenCV为我们提供了Harr分类器。我们使用预先训练好的人脸检测器haarcascade_frontalface_default.xml就可以运行人脸检测程序。haarcascade_frontalface_default.xml是一个xml格式的文件，在文件中包括人脸各个部位的Harr特征值，如图：OpenCV已经为我们训练好了分类器，可以直接使用。# -*-

读取视频文件OpenCV提供了VideoCapture类来支持视频读/写。VideoCapture类通过read()函数来获取每一帧，即一个RGB图像。本文用到的视频traffic.flv，来源于原作者Github，地址为： https://github.com/techfort/pycv/tree/master/chapter8/surveillance_demo——————————————–O

视频的背景分割本文用到的视频traffic.flv，来源于原作者Github，地址为： https://github.com/techfort/pycv/tree/master/chapter8/surveillance_demo OpenCV中有几种背景分割器(Background Subtractor)，这里使用最常用的两种: K-Nearest (KNN) Mixture of Ga

基于SVM和神经网络的车牌识别（一） 本系列文章参考自《深入理解OpenCV实用计算机视觉项目解析》仅作学习用途图像预处理 本篇用到的测试图片为： Step1. 首先，读入并显示图像，代码如下：string in = "images/2715DTZ.jpg"; Mat image = imread(in, IMREAD_GRAYSCALE); // IMREAD_GRAYSCAL

原文地址：http://blog.youkuaiyun.com/shaoxiaohu1/article/details/24308335我在raspberry pi下安装OpenCV，想查看版本。使用下面的命令：pkg-config --modversion opencv

Harris角点检测实例本节使用到的图片：# -*- coding:utf-8 -*-import cv2import numpy as np# Step1. 加载图像、转化为灰度图img = cv2.imread('images/checkerboard.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)gray = np.float32(g

Raspberry Pi 安装OpenCV(C++) 注：以下只是记录我在RaspberryPi 安装OpenCV的过程，不同人的环境不一样，所以安装的依赖包也可能不一样，（另外我是菜鸟，有的问题暂时也理解不了，可能有错误，望勘误）～1、安装依赖包sudo apt-get install build-essentialsudo apt-get install cmake libgtk2.0-

来自：http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htmCVonline: Image DatabasesIndex by TopicAction Databases Attribute recognitionAutonomous DrivingBiological/MedicalCamera calibrationFace and

OpenCV 中 waitKey() 函数的作用转自：http://blog.youkuaiyun.com/Micheal_w/article/details/41276903 函数原型为： C++: int waitKey(int delay=0) Python: cv2.waitKey([delay]) → retval C: int cvWaitKey(int delay=0 ) Python:

import cv2import numpy as np"""Step1. read the video"""cap = cv2.VideoCapture('video/video.avi')low_range = np.array([0, 123, 100])high_range = np.array([5, 255, 255])lastX = 0lastY = 0deltaX =

“谨以此文献给大连海事大学的吴楠老师，柳晓鸣老师，王新年老师以及张晶泊老师。” 原文链接 http://blog.jobbole.com/70549/我保证这篇文章和你以前看过的所有文章都不同，这是 2012 年还在果壳的时候写的，但是当时没有来得及写完就出国了……于是拖了两年，嗯，我是拖延症患者……这篇文章的核心思想就是：要让读者在不看任何数学公式的情况下理解傅里叶分析。傅里叶分析不仅仅是一个数

写一个ROI叠加的小例子时间紧任务重，只能抽时间写一个ROI叠加的小例子了。主要用到了addWeight()方法，它的参数如下：Parameters：   src1 first input array.   alpha weight of the first array elements.   src2 second input array of the same size a

OpenCV自学笔记25. 直方图均衡化1、直方图均衡化的原理直方图均衡化往往能够使图像的对比度增强，它增强了靠近直方图极大值附近的对比度，减小了极小值附近的对比度。它的数学原理如下（摘自维基百科）：跳过数学原理，其实直方图均衡化的步骤非常简单，看一个例子很容易明白。下文引用自：http://www.cnblogs.com/tianyalu/p/5687782.html，原作者写得非常清楚，所以就直

把一张图片切割成多个小图片本小节的测试图片如下：import cv2"""把一个480 * 640的图片，按照32 * 32的大小，均分成300张小图片"""def make_neg(path): k = 0 # 图片计数用的变量 image = cv2.imread(path) # 读取图片 rows, cols, = image.shape[0:2] # 获得行数和

训练自己的分类器本小节使用的图片为： 最近在项目中遇到了一个问题，需要识别图像中的红色圆形。首先尝试了Hough圆形检测，详细请见这篇文章 http://blog.youkuaiyun.com/u010429424/article/details/72989870 Hough变换的效果还可以，但是存在计算量大等问题，因此，还需要一种更为准确的方法，识别图像中的圆形。 在此前提下，我

Harris角点检测实例本节使用到的图片：# -*- coding:utf-8 -*-import cv2import numpy as np# Step1. 加载图像、转化为灰度图img = cv2.imread('images/checkerboard.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)gray =

卡尔曼滤波器的小例子（未完）卡尔曼滤波器由Rudolf Kalman在20世纪50年代末提出的算法，在导航系统上得到了广泛的应用，据说在阿波罗登月的过程中，就使用了这种算法。对卡尔曼滤波原理的理解可见：如何通俗并尽可能详细解释卡尔曼滤波？本文不介绍卡尔曼滤波的原理，如果你想深入了解它的原理，可以参考这篇文章。本文仅介绍如何利用OpenCV中的卡尔曼滤波器，实现目标跟踪。———————————————

基于SVM和神经网络的车牌识别（二） 本系列文章参考自《深入理解OpenCV实用计算机视觉项目解析》仅作学习用途基于SVM的图像分类在上一篇中，我们最后得到的图像，有一定可能不是车牌，所以需要加入一个分类的程序，把车牌和非车牌分开。在书中，使用SVM实现分类的功能。 书上没有给出创建训练和测试图像数据的步骤，但是给了一个xml文件（见下图），文件中是用于训练和测试的文本数据，下面直接使用这

基于SVM和神经网络的车牌识别（三） 本系列文章参考自《深入理解OpenCV实用计算机视觉项目解析》仅作学习用途车牌号提取 本篇用到的原始图像为： 首先，对车牌图像用直方图均衡化处理，相当于提高了图像的对比度。// 车牌号识别Mat src = imread("2715DTZ.jpg", 0);// 直方图均衡化equalizeHist(src, src);imshow("【均

基于SVM和神经网络的车牌识别（四） 本系列文章参考自《深入理解OpenCV实用计算机视觉项目解析》仅作学习用途特征提取与识别 在上一篇中，我们得到了车牌的每一个数字，在本篇将对利用神经网络识别出每一个数字 Step1. 首先提取特征，特征主要包含几个部分：水平方向和竖直方向的累积直方图、以及低分辨率的图像样本 Step2. 提取特征后，我们将创建分类器，并开始训练

RGB色彩空间和HSV色彩空间的理解1、RGB色彩空间RGB色彩空间源于使用阴极射线管的彩色电视，RGB分别代表三个基色（R-红色、G-绿色、B-蓝色）。具体的色彩值由三个基色叠加而成，在图像处理中，我们往往使用向量表示色彩的值，如(0,0,0)表示黑色、(255, 255, 255)表示白色。255表示色彩空间被量化成255个数，最高亮度值为255（255 = 2^8 - 1，即每个色彩通道用8位