精华内容
下载资源
问答
  • PythonOpenCV.zip循环读取指定文件夹内的虹膜图片并显示pycharm工程
  • OpenCV中为我们提供了四种按位运算,分别是按位与、按位或、按位非和按位异或。图像的按位运算本质上就是对像素点值的按位运算,接触过计算机知识的人应该知道,按位运算是针对二进制数而言的,也就是说只有0和1两个...

    OpenCV中为我们提供了四种按位运算,分别是按位与、按位或、按位非和按位异或。图像的按位运算本质上就是对像素点值的按位运算,接触过计算机知识的人应该知道,按位运算是针对二进制数而言的,也就是说只有0和1两个值,因此,我们在对图像进行按位运算时,需要将图像转化成灰度图。

    假设现在我们有一张五环图像,我们要用它给其他图像做水印,但是它的底色是纯白色的,我们首先需要处理底色。

    ·阈值二值化

    灰度图共分256(0~255)阶,从按位运算的角度出发,纯黑色为0,不是纯黑色为1。因此当碰到纯白色或者纯黑色的背景时,我们可以先将其转为灰度图,再利用阈值将非背景色的内容抠出来作为模板,再与原图做位操作,进行枢图

    在OpenCV中,我们使用threshold(src,thresh,maxval,type,dst=None)函数来实现图像的固定阈值二值化,即将图像中阈值内的图形抠出

    importcv2

    logo= cv2.imread("wuhuan.jpg",1)

    height,width=logo.shape[0], logo.shape[1]gray=cv2.cvtColor(logo,cv2.COLOR_BGR2GRAY) #将logo转为灰度

    cv2.imshow('gray', gray)

    ret, mask=cv2.threshold(gray,240,255, cv2.THRESH_BINARY)'''参数1 必选参数。表示输入图像,注意只能是灰度图

    参数2 必选参数。表示要设置的阈值,也是整个函数最关键的参数。

    参数3 必选参数。当像素值超过阈值或小于阈值(具体根据type来决定)时所赋予的值。

    参数4 必选参数。二值化操作的类型:

    THRESH_BINARY(超过阈值时的像素值为maxval(参数3),否则为0)

    THRESH_BINARY_INV(小于阈值的像素值为maxval(参数3),否则为0)

    函数有两个返回值,其中ret就是我们设置的阈值,mask为经过阈值二值化处理后的图像'''cv2.imshow('dst', mask)

    cv2.waitKey()

    效果图:

    按位非:

    importcv2

    logo= cv2.imread("wuhuan.jpg",1)

    height,width=logo.shape[0], logo.shape[1]

    gray=cv2.cvtColor(logo,cv2.COLOR_BGR2GRAY)

    ret, mask=cv2.threshold(gray,240,255, cv2.THRESH_BINARY)

    cv2.imshow('yuan', mask)

    mask_inv= cv2.bitwise_not(mask) #图像按位非操作#按位非操作其实就是对像素值取反,原来是1的变为0,原来是0的变为1。

    cv2. imshow('dst', mask_inv)

    cv2.waitKey()

    效果图:

    按位与:

    importcv2

    logo= cv2.imread("wuhuan.jpg",1)

    cv2.imshow('wuhuan', logo)

    height,width=logo.shape[0], logo.shape[1]

    gray=cv2.cvtColor(logo,cv2.COLOR_BGR2GRAY)

    ret, mask=cv2.threshold(gray,240,255, cv2.THRESH_BINARY)

    mask_inv=cv2.bitwise_not(mask)

    logo_bg=cv2.bitwise_and(logo,logo,mask=mask_inv) #按位与--带掩码#mask起掩码作用,当mask像素不为0时,做正常与操作,当mask像素为0时直接做0处理#【mask为黑白图像时:纯白色部分进行正常的按位操作,mask为非纯白色部分设置为0即黑色】

    cv2. imshow('mask_inv', mask_inv)

    cv2.imshow('dsy', logo_bg)

    cv2.waitKey()

    按位与运算法则如下(&为按位与运算符):1&1=1,1&0=0,0&1=0,0&0=0

    效果图:

    展开全文
  • 相当之麻烦~而现在运用调用pythonOpenCV库Adaboost算法,无需知道算法逻辑,无需进行模型训练,人脸识别变得相当之简单了。需要用到的库是opencv(open source computer vision),下载安装方式请参照python_OpenCV...

    以前用Matlab写神经网络的面部眼镜识别算法,研究算法逻辑,采集大量训练数据,迭代,计算各感知器的系数。。。相当之麻烦~而现在运用调用pythonOpenCV库Adaboost算法,无需知道算法逻辑,无需进行模型训练,人脸识别变得相当之简单了。

    需要用到的库是opencv(open source computer vision),下载安装方式请参照python_OpenCV安装

    首先讲讲需要用到的新函数:

    CascadeClassifier()函数,导入分类器

    cv2.CascadeClassifier('xxxxx.xml')

    #haarcascade_frontalface_alt.xml脸部识别文件

    #haarcascade_eye.xml眼部识别文件

    函数的参数是xml完整路径(具体看你的opencv安装在哪里的,在opencv\sources\data\haarcascades下面),xml文件中是封装好的算法

    detectMultiScale()函数,进行识别

    detectMultiScale(image,scaleFactor,minNeighbors,flags,minSize,maxSize)

    最终返回值为识别出的矩阵框[x, y, w, h],(x,y)左上角起始坐标,w宽,h高

    image:用于检测的图像

    scaleFactor:前后两次相继的扫描中,搜索窗口的比例系数.例如1.1指将搜索窗口依次扩大10%。图片小的时候,比例系数尽量小能提高准确率

    minNeighbors:构成检测目标的相邻矩形的最小个数。一般使用2or3,为0时返回所有的被检候选矩形框。

    rectangle()函数,在图片上画矩阵

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

    image是原始图片

    (x,y)是矩形左上角

    (x+w,y+h)是矩形右下角

    (0,255,0)是矩形的BGR颜色, 为红色

    2, 是绘制矩形的线宽

    程序逻辑:

    导入Haar级联分类器算法,读入要处理图片,将图片变成时候的大小,用detectMultiScale()函数先识别出人脸,在原图上框出,然后提取出识别出的人脸矩形框,在人脸矩形框内识别出眼睛,在原图上框出,展示出识别完的图像。

    完整程序及注解:

    import cv2

    face_cascade = cv2.CascadeClassifier('D:\opencv\sources\data\haarcascades/haarcascade_frontalface_alt.xml')

    eye_cascade = cv2.CascadeClassifier('D:\opencv\sources\data\haarcascades/haarcascade_eye.xml')

    img1 = cv2.imread('face1.png')

    img = cv2.resize(img1,(240,320),interpolation=cv2.INTER_LINEAR)

    faces = face_cascade.detectMultiScale(img,1.2,2)

    for (x,y,w,h) in faces:

    cv2.rectangle(img,(x,y),(x+w,x+h),(255,0,0),2)#用颜色为BGR(255,0,0)粗度为2的线条在img画出识别出的矩型

    face_re = img[y:y+h,x:x+w]#抽取出框出的脸部部分,注意顺序y在前

    eyes = eye_cascade.detectMultiScale(face_re)#在框出的脸部部分识别眼睛

    for (ex,ey,ew,eh) in eyes:

    cv2.rectangle(face_re,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)

    cv2.imshow('img',img)

    key = cv2.waitKey(0)

    if key==27:

    cv2.destoryWindow('img')

    最后po个自己的照骗,展示一下最终的识别效果:

    1--识别前

    1——识别后

    2——识别前

    2——识别后

    问题:

    1.斜的脸识别率不高

    2.大小不同的图片识别率不同,所有最好把图片处理成差不多大小的图片

    3.眼部有遮挡物时,眼睛识别率底,比如:有眼睛,有头发

    希望有能解决上面问题的朋友能够交流一下~

    展开全文
  • pythonopencv配置文件.rar

    2020-04-11 19:30:21
    适用于python3.7的opencv配置whl文件,包括opencv_python-3.4.2.16-cp37-cp37m-win_amd64.whl和opencv_contrib_python-3.4.2.16-cp37-cp37m-win_amd64.whl两个文件
  • PythonOpenCV开发 前言

    2020-02-14 22:44:02
    前言 这里介绍本专栏博客的目的, 内容, 项目环境, 用到的第三方库, 项目目录树等 同专栏博客 Python3.6.7+OpenCV3.4.2.16+OpenCV-contrib-Python3.4.2.16环境配置 目的 本专栏为个人学习之余, 整理的OpenCV-Python的...

    前言

    这里介绍本专栏博客的目的, 内容, 项目环境, 用到的第三方库, 项目目录树等

    目的

    本专栏为个人学习之余, 整理的OpenCV-Python的学习笔记, 巩固自身知识的同时也用来和广大CV码农分享交流, 任何疑问, 建议或意见, 欢迎评论私信

    内容

    将详细介绍大部分的OpenCV API, 以及各主流算法的原理及自定义实现. 具体内容如下图
    在这里插入图片描述

    项目环境

    win10 64bit

    Python3.6.7

    Pycharm 201903 professional

    OpenCV3.4.2.16

    OpenCV-contrib-Python3.4.2.16

    涉及的其他第三方库(包括但不限于)

    numpy1.16.4

    matplotlib3.1.0

    pillow6.0.0

    scipy1.3.0

    项目文件树

    OpenCV
    │  list.txt
    │  
    ├─.idea
    │  │  encodings.xml
    │  │  misc.xml
    │  │  modules.xml
    │  │  OpenCV.iml
    │  │  workspace.xml
    │  │  
    │  ├─dictionaries
    │  │      user.xml
    │  │      
    │  └─inspectionProfiles
    │          Project_Default.xml
    │
    ├─charCodes
    │      char1_1.py
    │      
    ├─demos
    │      demo1.py
    │      
    ├─processed_images
    └─source_images
            buythebank.jpg
            code.png
            crowd1.jpg
            crowd2.jpg
            flower.jpg
            flower1.png
            home.png
            hzz.jpg
            kurakimai.jpg
            lena.png
            op.jpg
            op2.png
            php.png
            re.jpg
            sg.png
            test1.png
            woman.png
    

    在这里插入图片描述

    展开全文
  • 目录这个项目是我在GitHub上看到的,和我之前的Python+OpenCV实时图像处理,异曲同工,只不过是我对实时视频的处理,这个是图像处理,功能上感觉这个项目更加全面一些,特学习并分享~该项目可实现图像的多样化处理,...

    目录

    这个项目是我在GitHub上看到的,和我之前的

    Python+OpenCV实时图像处理

    ,异曲同工,只不过是我对实时视频的处理,这个是图像处理,功能上感觉这个项目更加全面一些,特学习并分享~

    该项目可实现图像的多样化处理,基本上包含了OpenCV模块常用的图像处理功能,非常适合初学者理解和应用,包括:灰度化功能、反转功能、通道分离功能、噪音滤波功能、高斯双边滤波功能、均值偏移滤波功能、图像二值化功能、Canny边缘检测功能、直线检测功能、圆形检测功能、轮廓发现功能和人脸检测功能。

    1、灰度化功能

    灰度化功能,效果如下所示:

    192e049a2bb3e4183440a8a08d5512ee.png

    实现代码如下所示:

    # 灰度化

    def to_gray(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

    # print("类型", type(gray))

    # get_image_info(gray)

    self.decode_and_show_dst(gray)

    2、反转功能

    反转功能,按位取反,白变黑,黑变白,效果如下所示:

    0553d320ee2f9d33a5fe7969c5397b5b.png

    实现代码如下所示:

    # 反转

    def bitwise_not(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    dst = cv.bitwise_not(src)

    self.decode_and_show_dst(dst)

    3、通道分离功能

    通道分离功能,效果如下所示:

    f62f9cdc2370b3c99698add124098207.png

    实现代码如下所示:

    # 通道分离

    def channels_split(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    b, g, r = cv.split(src)

    merge_image = cv.merge([b, g, r])

    """创建三维数组,0维为B,1维为G,2维为R"""

    height, width, channels = src.shape

    img = np.zeros([height*2, width*2, channels], np.uint8)

    img[0:height, 0:width] = np.expand_dims(b, axis=2)

    img[0:height, width:width*2] = np.expand_dims(g, axis=2)

    img[height:height*2, 0:width] = np.expand_dims(r, axis=2)

    img[height:height*2, width:width*2] = merge_image

    self.decode_and_show_dst(img)

    4、噪音、滤波功能

    图像处理中噪声:主要有三种:

    椒盐噪声(Salt & Pepper):含有随机出现的黑白亮度值。

    脉冲噪声:只含有随机的正脉冲和负脉冲噪声。

    高斯噪声:含有亮度服从高斯或正态分布的噪声。高斯噪声是很多传感器噪声的模型,如摄像机的电子干扰噪声。

    滤波器主要两类:线性和非线性

    线性滤波器:使用连续窗函数内像素加权和来实现滤波,同一模式的权重因子可以作用在每一个窗口内,即线性滤波器是空间不变的。

    如果图像的不同部分使用不同的滤波权重因子,线性滤波器是空间可变的。因此可以使用卷积模板来实现滤波。线性滤波器对去除高斯噪声有很好的效果。常用的线性滤波器有均值滤波器和高斯平滑滤波器。

    (1) 均值滤波器:最简单均值滤波器是局部均值运算,即每一个像素只用其局部邻域内所有值的平均值来置换。

    (2) 高斯平滑滤波器是一类根据高斯函数的形状来选择权值的线性滤波器。 高斯平滑滤波器对去除服从正态分布的噪声是很有效的。

    非线性滤波器:

    (1) 中值滤波器:均值滤波和高斯滤波运算主要问题是有可能模糊图像中尖锐不连续的部分。中值滤波器的基本思想使用像素点邻域灰度值的中值来代替该像素点的灰度值,它可以去除脉冲噪声、椒盐噪声同时保留图像边缘细节。中值滤波不依赖于邻域内与典型值差别很大的值,处理过程不进行加权运算。中值滤波在一定条件下可以克服线性滤波器所造成的图像细节模糊,而对滤除脉冲干扰很有效。

    (2) 边缘保持滤波器:由于均值滤波:平滑图像外还可能导致图像边缘模糊和中值滤波:去除脉冲噪声的同时可能将图像中的线条细节滤除。边缘保持滤波器是在综合考虑了均值滤波器和中值滤波器的优缺点后发展起来的,它的特点是:滤波器在除噪声脉冲的同时,又不至于使图像边缘十分模糊。

    过程:分别计算[i,j]的左上角子邻域、左下角子邻域、右上角子邻域、右下角子邻域的灰度分布均匀度V;然后取最小均匀度对应区域的均值作为该像素点的新灰度值。分布越均匀,均匀度V值越小。v=

    噪音、滤波功能,效果如下所示:

    dc45bdba491852a2cf3dbc157557d9a9.png

    实现代码如下所示:

    def noise_and_blur(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    # 加高斯噪声

    h, w, c = src.shape

    for row in range(h):

    for col in range(w):

    s = np.random.normal(0, 20, 3) # normal(loc=0.0, scale=1.0, size=None),均值,标准差,大小

    b = src[row, col, 0]

    g = src[row, col, 1]

    r = src[row, col, 2]

    src[row, col, 0] = clamp(b + s[0])

    src[row, col, 1] = clamp(g + s[1])

    src[row, col, 2] = clamp(r + s[2])

    img = np.zeros([h * 2, w * 2, c], np.uint8)

    img[0:h, 0:w] = src

    # GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

    # ksize表示卷积核大小,sigmaX,Y表示x,y方向上的标准差,这两者只需一个即可,并且ksize为大于0的奇数

    dst = cv.GaussianBlur(src, (5, 5), 0) # 高斯模糊,sigmaX与ksize一个为0

    img[0:h, w:w*2] = dst

    self.decode_and_show_dst(img)

    5、高斯双边滤波功能

    高斯双边滤波功能,同时考虑空间与信息和灰度相似性,达到保边去噪的目的。双边滤波的核函数是空间域核与像素范围域核的综合结果:在图像的平坦区域,像素值变化很小,对应的像素范围域权重接近于1,此时空间域权重起主要作用,相当于进行高斯模糊;在图像的边缘区域,像素值变化很大,像素范围域权重变大,从而保持了边缘的信息。效果如下所示:

    746fefe653f939b936fb93609f2d6fee.png

    实现代码如下所示:

    # 高斯双边滤波

    def bilateral_filter(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    dst = cv.bilateralFilter(src, 0, 100, 15)

    self.decode_and_show_dst(dst)

    6、均值偏移滤波功能

    均值偏移滤波功能,效果如下所示:

    f0bb71c63eddbe90f421cea1bcbe7d82.png

    实现代码如下所示:

    # 均值偏移滤波

    def mean_shift_filter(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    dst = cv.pyrMeanShiftFiltering(src, 10, 50) # 均值偏移滤波

    self.decode_and_show_dst(dst)

    7、图像二值化功能

    图像二值化功能,效果如下所示:

    a57923c045c1c1bc31bc8413a2a7e976.png

    实现代码如下所示:

    # 图像二值化

    def threshold(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

    # 这个函数的第一个参数就是原图像,原图像应该是灰度图。

    # 第二个参数就是用来对像素值进行分类的阈值。

    # 第三个参数就是当像素值高于(有时是小于)阈值时应该被赋予的新的像素值

    # 第四个参数来决定阈值方法,见threshold_simple()

    # ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

    ret, dst = cv.threshold(gray, 127, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)

    self.decode_and_show_dst(dst)

    8、Canny边缘检测功能

    Canny边缘检测功能,效果如下所示:

    5b264ef499a210de968246816c82d48e.png

    实现代码如下所示:

    # Canny边缘检测

    def canny_edge(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    blurred = cv.GaussianBlur(src, (3, 3), 0)

    gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)

    grad_x = cv.Sobel(gray, cv.CV_16SC1, 1, 0)

    grad_y = cv.Sobel(gray, cv.CV_16SC1, 0, 1)

    dst = cv.Canny(grad_x, grad_y, 30, 150)

    # dst = cv.Canny(gray, 50, 150)

    self.decode_and_show_dst(dst)

    9、直线检测功能

    直线检测功能,效果如下所示:

    0937ebb02c46c39c555a6cfa7998a939.png

    实现代码如下所示:

    # 直线检测

    def hough_line(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

    edges = cv.Canny(gray, 50, 150, apertureSize=3)

    lines = cv.HoughLines(edges, 1, np.pi/180, 200)

    for line in lines:

    rho, theta = line[0]

    a = np.cos(theta)

    b = np.sin(theta)

    x0 = a * rho

    y0 = b * rho

    x1 = int(x0+1000*(-b))

    y1 = int(y0+1000*(a))

    x2 = int(x0-1000*(-b))

    y2 = int(y0-1000*(a))

    cv.line(src, (x1, y1), (x2, y2), (0, 0, 255), 2)

    self.decode_and_show_dst(src)

    10、圆形检测功能

    圆形检测功能,效果如下所示:

    7262418aa91c01c0d21874336921bbc3.png

    实现代码如下所示:

    # 圆检测

    def hough_circles(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    dst = cv.pyrMeanShiftFiltering(src, 10, 100)

    cimage = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)

    circles = cv.HoughCircles(cimage, cv.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0, maxRadius=0)

    circles = np.uint16(np.around(circles))

    for i in circles[0, :]:

    cv.circle(src, (i[0], i[1]), i[2], (0, 0, 255), 2)

    cv.circle(src, (i[0], i[1]), 2, (255, 0, 255), 2)

    self.decode_and_show_dst(src)

    11、轮廓发现功能

    轮廓发现功能,并进行覆盖,效果如下所示:

    bb82bcff3d264aa541841aebb9c2632e.png

    实现代码如下所示:

    # 轮廓发现

    def find_contours(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    dst = cv.GaussianBlur(src, (3, 3), 0)

    gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)

    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)

    contous, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

    for i,contou in enumerate(contous):

    cv.drawContours(src, contous, i, (0, 0, 255), 1)

    # 轮廓

    self.decode_and_show_dst(src)

    # 轮廓覆盖

    for i,contou in enumerate(contous):

    cv.drawContours(src, contous, i, (0, 0, 255), -1)

    self.decode_and_show_dst(src)

    12、人脸检测功能

    人脸检测功能,效果如下所示:

    d161fdf80711ddf54ee7e4d0c6286e87.png

    实现代码如下所示:

    #人脸识别 正脸 需要下载xml模型 haarcascade_frontalface_alt.xml

    def face_recognize(self):

    src = self.cv_read_img(self.src_file)

    if src is None:

    return

    gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

    face_cascade = cv.CascadeClassifier('haarcascade_frontalface_alt2.xml')

    faces = face_cascade.detectMultiScale(

    gray,

    scaleFactor=1.15,

    minNeighbors=3,

    minSize=(5, 5)

    )

    for (x, y, w, h) in faces:

    cv.rectangle(src, (x, y), (x + w, y + h), (0, 255, 0), 2)

    self.decode_and_show_dst(src)

    展开全文
  • 这段代码是通过把图片转为hsv颜色空间进行颜色提取 可以改变lower_red和upper_red的第一个参数来改变要提取的颜色
  • gistfile1.txt# visualizecolors = [[255, 0, 0], [255, 85, 0], [255, 170, 0], [255, 255, 0], [170, 255, 0], [85, 255, 0], [0, 255, 0], \[0, 255, 85], [0, 255, 170], [0, 255, 255], [0, 170, 255], [0, 85,...
  • Python Opencv中对于图片的处理先看成效:处理前:处理后:再来一张:OK,现在来瞧一瞧如何使用超级简单的方法实现这一处理:首先,基本的导入模块:import cv2import numpy as np下一步,自然是载入图片:image = cv...
  • python利用opencv 实现运动目标的跟踪与阴影检测 import cv import cv2 import numpy as np import Image
  • 基于视频的车辆计数系统,使用Python / OpenCV构建
  • 360确实很个性,哈哈,你个貔貅,只吃不吐! Rtrees介绍!参考链接:... 原文链接:Python opencv实现的手写字符串识别--SVM 、神经网络、 K近邻、 Boosting、Rtrees 代码copy: ...
  • PySceneDetect - 基于Python/OpenCV实现的视频场景检测与分析
  • 这段代码是通过把图片转为hsv颜色空间进行颜色提取 可以改变lower_red和upper_red的第一个参数来改变要提取的颜色
  • {"moduleinfo":{"card_count":[{"count_phone":1,"count":1}],"search_count":[{"count_phone":4,"count":4}]},"card":[{"des":"阿里技术人对外发布原创技术内容的最大平台;社区覆盖了云计算、大数据、人工智能、...
  • OpenCV是Intel®开源计算机视觉库。它由一系列 C 函数和少量 C++ 类构成,实现了图像处理和计算机视觉方面的很多通用算法。在这篇文章(译自 ... 下面的代码打开磁盘中的图片,打印一...
  • 1.图片加载、显示和保存import cv2# 读取图片img = cv2.imread("img1.jpg")# 生成灰色图片imgGrey = cv2.imread("img1.jpg",0)# 展示原图cv2.imshow("img",img)# 展示灰色图片cv2.imshow("imgGrey",img)# 等待图片的...
  • 一、openCV介绍Open Source Computer Vision Library.OpenCV于1999年由Intel建立,如今由Willow Garage提供支持。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、MacOS操作...
  • 最近微信小游戏跳一跳大热,自己也是中毒颇久,无奈手残最高分只拿到200分。无意间看到教你用Python来玩微信跳一跳一文,在电脑上利用adb驱动工具操作手机。
  • 一:简单C++版本的链接: ... OpenCV的ml模块实现了人工神经网络(Artificial Neural Networks, ANN)最典型的多层感知器(multi-layer perceptrons, MLP)模型...
  • import numpy as npimport cv2yellow_lower=np.array([9,135,231])yellow_upper=np.array([31,255,255])//也可以cap = cv2.VideoCapture(“../test.avi”)cap=cv2.VideoCapture(0)//3:在视频流的帧的宽度 320:高度...
  • OpenCV全称:Open Source Computer Vision Library,是一个开源的跨平台计算机视觉库,github地址:https://github.com/opencv/opencv。OpecCV主要用c++语言编写,也提供了python等其他语言的,下面介绍下如何在MacOS...
  • 一、实验目的通过OpenCV第四次进行实验,对图片进行投影。二、实验内容对图片进行投影。三、实验过程我使用的是python语言+openCV来实现图片投影的功能。使用的测试图片如下:图3.1测试图片使用imread()函数读取图片...
  • 使用工具Python3.5使用包cv2,numpy1.获取并修改像素值读取一副图像,根据像素的行和列的坐标获取它的像素值,对于RGB图像而言,返回RGB的值,对于灰度图则返回灰度值~~~import cv2import numpyimg = cv2.imread('45...
  • Open Source Computer Vision Library.OpenCV于1999年由Intel建立,如今由Willow Garage提供支持。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、MacOS操作系统上。...
  • 图像读取显示以及保存cv2.imread()cv2.imshow()cv2.imwrite()视频操作cv2.VideoCapture()绘图函数cv2.line() , cv2.cicle() , cv2.rectangle() , cv2.ellipse() , cv2.putText()图像基本操作图像可以看作是numpy的一...
  • 理论我们知道SIFT使用128-dim向量作为描述符,由于它使用浮点数,因此基本上需要512个字节,类似地,SURF也至少需要256个字节(对于64-dim),为数千个特征创建这样的向量需要大量的内存,这对于资源约束应用程序尤其...
  • sift特征提取,是获取特征值的一种重要方法,目前在OpenCV3.4.3以上的版本中已经不能使用,因此,要使用本方法需要对OpenCV进行降级,并安装指定的版本: pip uninstall opencv-python pip install opencv-python ==...

空空如也

空空如也

1 2 3 4 5 ... 15
收藏数 285
精华内容 114
关键字:

pythonopencv

python 订阅