openCV 3计算机视觉 Python语言实现 笔记 第三章 使用OpenCV 3处理图像

简介: openCV 3计算机视觉 Python语言实现 笔记 第三章 使用OpenCV 3处理图像

第3章 使用OpenCV 3处理图像

3.1 不同彩色空间的转换

当前计算机视觉中有三种常用的色彩空间:灰度、BGR以及HSV

灰度:去除彩色信息,变成灰阶。灰度色彩对中间处理特别有效,如人脸检测。

BGR,即蓝-绿-红色彩空间,每一个像素点用一个三元数组(B,G,R)表示。

HSV,H(Hue)是色调,S(Saturation)是饱和度,V(Value)表示黑暗的程度。

3.2 傅里叶变换

一切波形都可以由一系列正弦曲线叠加得到。

 

3.2.1 高通滤波器(HPF)

检测图像某个区域,根据像素和周围像素的亮度差值来提升该像素亮度的滤波器。

核(Kernel),滤波器矩阵

核是一组权重的集合,它会与应用在原图像的每一个区域,由此生成目标区域的一个像素。

在计算中央像素和周围像素的亮度差值之和后,如果亮度变化变化很大。中央像素的亮度会增加。

这在边缘检测上尤其有效,它采用一种称为高频提升滤波器的高通滤波器。

 

3.2.2 低通滤波器(LPF)

像素和周围像素亮度差值小于一个特定值时,平滑该像素的亮度,用于去燥和模糊化。

3.3 创建模块

为了滤波器能够重用。

创建模块filter.py

utils.py

 

3.4边缘检测 ~3.6 修改应用

~~

书中代码不全。

3.7 Canny边缘检测

import cv2

import numpy as np
img = cv2.imread(
"statue_small.jpg",0)

cv2.imwrite("canny.jpg",cv2.Canny(img,200,300))
cv2.imshow(
"statue_small.jpg",cv2.imread("statue_small.jpg"))cv2.imshow("canny",cv2.imread("canny.jpg"))

cv2.waitKey()

cv2.destroyAllWindows()


3.8 轮廓检测

import cv2

import numpy as np

img = np.zeros((200,200),dtype=np.uint8)

img[50:150, 50:150] = 255

ret , thresh = cv2.threshold(img,127,255,0)

img,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

color = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)

img = cv2.drawContours(color,contours,-1,(0,255,0),2)

cv2.imshow("contours",color)

cv2.waitKey()

cv2.destroyAllWindows()


3.9 边界框、最小矩形区域和最小闭圆的轮廓

import cv2

import numpy as np



img = cv2.pyrDown(cv2.imread("hammer.jpg",cv2.IMREAD_UNCHANGED))



ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(),

               cv2.COLOR_BGR2GRAY),127,255,cv2.THRESH_BINARY)

image,contours,hier = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

for c in contours:

   x,y,w,h = cv2.boundingRect(c)

   cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

   rect = cv2.minAreaRect(c)

   box = cv2.boxPoints(rect)

   box = np.int0(box)

   cv2.drawContours(img,[box],0,(0,0,255),3)

   (x,y),radius = cv2.minEnclosingCircle(c)

   center = (int(x),int(y))

   radius = int(radius)

   img = cv2.circle(img,center,radius,(0,255,0),2)

cv2.drawContours(img,contours,-1,(255,0,0),1)

cv2.imshow("contours",img)

cv2.waitKey()

cv2.destroyAllWindows()

3.10凸轮廓与Douglas-peucker算法 *并没有看懂,有种书缺页的感觉。

凸边形内部任意两点连续都在其内部。

cv2.approxPloyDP是一个OpenCV函数,它用来计算近似的多边形框。

有3个参数:

1,轮廓

2.ε

,最大差值(越小则越近似)近似多边形周长与实际周长之间的最大差值。

3.布尔标记,表示多边形是否闭合。

轮廓的周长arcLength(cnt,True)通常作为ε

的参考值。

为了计算凸形状,需要用OpenCV的cv2.convexHull函数来获取处理过的轮廓信息,

hull = cv2.convexHull(cnt)


3.11 直线和圆检测

Hough变换是直线和和形状检测背后的理论基础。

下面是OpenCV中hough变换的函数。

3.11.1 直线检测

HoughLines和HoughLinesP

区别在于第一个函数是标准Hough变换,第二个函数使用概率Hough变换(P即概率)

3.11.2 圆检测

HoughCircles函数可用来检测圆,与HoughLines类似,

3.12 检测其他形状

approxPloyDP提供多边形的近似。

结合cv2.findCoutours函数和cv2.approxDP函数就可以检测多边形。


相关文章
|
13天前
|
机器学习/深度学习 人工智能 算法
Python在计算机视觉(CV)中扮演重要角色,得益于其丰富的库如OpenCV、Pillow和Scikit-image。
【7月更文挑战第5天】Python在计算机视觉(CV)中扮演重要角色,得益于其丰富的库如OpenCV、Pillow和Scikit-image。CV涉及图像处理、模式识别和机器学习,用于图像理解和生成。Python的跨平台特性和活跃社区使其成为CV的理想工具。基本流程包括图像获取、预处理、特征提取、分类识别及图像生成。例如,面部识别通过预处理图像,使用如`cv2.CascadeClassifier`进行检测;物体检测类似,但需适应不同目标;图像生成则利用GAN创造新图像。
31 4
|
8天前
|
数据采集 机器学习/深度学习 算法
Python基于决策树多分类模型实现水色图像的水质评价
Python基于决策树多分类模型实现水色图像的水质评价
|
1天前
|
机器学习/深度学习 编解码 算法框架/工具
使用Python实现深度学习模型:图像超分辨率与去噪
【7月更文挑战第17天】 使用Python实现深度学习模型:图像超分辨率与去噪
13 4
|
3天前
|
机器学习/深度学习 数据可视化 TensorFlow
使用Python实现深度学习模型:图像语义分割与对象检测
【7月更文挑战第15天】 使用Python实现深度学习模型:图像语义分割与对象检测
10 2
|
5天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:图像风格迁移与生成
【7月更文挑战第13天】 使用Python实现深度学习模型:图像风格迁移与生成
10 2
|
22天前
|
机器学习/深度学习 算法 Java
计算机视觉——opencv快速入门(一) opencv的介绍与安装
OpenCV是开源计算机视觉库,支持C++, Python, Java等,用于图像处理、视频分析等。建议使用较早版本如3.4.3,因高版本部分算法需付费。通过Anaconda创建Python虚拟环境来安装,选择合适的Python和OpenCV版本。激活环境后,用`pip`安装`opencv-python`。基本环境配置完成后,通过显示图像的Python代码测试安装是否成功。
计算机视觉——opencv快速入门(一) opencv的介绍与安装
|
4天前
|
资源调度 计算机视觉 Python
`scipy.ndimage`是SciPy库中的一个子模块,它提供了许多用于处理n维数组(通常是图像)的函数。
`scipy.ndimage`是SciPy库中的一个子模块,它提供了许多用于处理n维数组(通常是图像)的函数。
|
4天前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
|
4天前
|
机器学习/深度学习 XML 计算机视觉
OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习库,它提供了大量的函数和工具,用于处理图像和视频数据。
OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习库,它提供了大量的函数和工具,用于处理图像和视频数据。
|
20天前
|
存储 缓存 网络协议
技术笔记:python使用memcached
技术笔记:python使用memcached
15 0