直方图的反向投影 """ 直方图的反向投影 我的理解就是给一个sample 然后获取它的图像直方图 然后使用这个直方图在target里面寻找相似的特征 """ import cv2 as cv from matplotlib import pyplot as plt def back_projection_demo(): # 读取图片 sample = cv.imread("imgsample.jpg") target = cv.imread("img.jpg") ...

模板匹配 模板匹配是模式识别中最简单的一种识别方法。 对特定的场合比较有用，对随机的场合效率低。 在一整个大部分中寻找特定的小部分 相关代码 import cv2 as cv import numpy as np def template_demo(): # 输入模板图像 tpl = cv.imread("image5.1.jpg") # 输入目标图像 target = cv.imread("image5.jpg") # 显示图像 cv.imshow("template image&qu...

图像二值化 二值图像：只有黑和白 0 代表黑***r> 1 其实是255 代表白色 图像二值化的方法 全局阈值 局部阈值 OTSU Triangle 手动与自动 自适应阈值 相关代码 import cv2 as cv import numpy as np def threshold_demo(image): """ 全局阈值 :param image: :return: """ # 首先图像灰度化处理 gray = cv.cvtColor(image, cv.COLOR_BGR...

超大图像的二值化 分块 思路 将超大的图像使用切割划分成固定的大小的图片，然后对小图进行二值化处理，处理完之后再重新组合回。这样就实现了整个超大图像的二值化处理。 相关代码 import cv2 as cv import numpy as np def big_image_binary(image): """ 超大图像的二值化 :param image: :return: """ print(image.shape) cw = 256 ch = 256 # 获取整个图像的宽高...

图像金字塔 图像金字塔是图像多尺度表达的一种，是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低。百度百科 reduce= 高斯模糊+降采样 expand= 扩大＋卷积 相关代码 import cv2 as cv import numpy as np def pyramid_demo(image): # 定义金字塔层数 level = 3 #...

图像的梯度 一阶导数 二阶导数 —拉普拉斯算子系数和为0 一阶导数 import cv2 as cv import numpy as np def sobel_demo(image): # grad_x = cv.Scharr(image, cv.CV_32F, 1, 0) grad_y = cv.Scharr(image, cv.CV_32F, 0, 1) # gradx = cv.convertScaleAbs(grad_x) grady = cv.convertScaleAbs(grad_y) cv.imshow(&...

Canny边缘提取 入门级必备！！！ 高斯模糊 灰度转换 计算梯度 非最大梯度抑制 高低阈值输入二值化图像 相关代码 import cv2 as cv import numpy as np def edge_demo(image): # 高斯模糊 blurred = cv.GaussianBlur(image, (3, 3), 0) # 灰度化 gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY) # 求x和y方向的梯度 # X Gradient xgrad = cv.So...

直线检测 霍夫直线变换 百度百科 前提条件：边缘检测已经完成 平面空间→极坐标 相关代码 import cv2 as cv import numpy as np def line_detection(image): """ 自己写 :param image: :return: """ gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # apertureSize 梯度窗口大小 edges = cv.Canny(gray, 50, 150, apertu...

圆检测 使用霍夫圆检测的时候需要注意的是 霍夫圆检测对噪声特别敏感，需要对图像进行降噪处理。有时候出错可以是因为处理过度或者没有处理造成，我们可以通过显示处理之后的图像检查出错点。 相关代码 import cv2 as cv import numpy as np def detect_circles_demo(image): # 边缘保留滤波 dst = cv.pyrMeanShiftFiltering(image, 2, 100) # cv.imshow('dst', dst) 这里可以查看处理之后的图像,因为霍夫圆检测对噪声特别敏感 cimage ...

轮廓发现 是基于图像边缘提取的基础寻找对象轮廓的方法。所以边缘提取阈值的选定会影响最终轮廓发现的结果。 利用梯度来避免阈值的烦恼 相关代码 import cv2 as cv def edge_demo(image): """ 边缘处理 :param image: :return: """ blurred = cv.GaussianBlur(image, (3, 3), 0) gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY) # X Gradient ...

对象测量 弧长与面积 轮廓发现 多边形发现 approxPloyDP() 几何矩的计算 可以用来进行数字的边界查找，进行区域的划分 相关代码 import cv2 as cv import numpy as np def measure_object(image): # 灰度化 gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 二值化 ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU) ...

膨胀与腐蚀 图像形态学 是图像处理学科的一个单独分支学科 灰度与二值图像处理中重要手段 是由数学的集合论等相关理论发展起来的 膨胀 支持任意形状的结构元素 作用： 对象的大小增加了一个像素 平滑了对象的边缘 减小或者填充对象之间的距离 腐蚀 用最小值替换中心像素 相关代码 import cv2 as cv import numpy as np def erode_demo(image): # 腐蚀 # print(image.shape) gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) ...

开闭操作 开操作 图像形态学的重要操作之一，基于膨胀和腐蚀（背景黑色，前景白色）操作组合形成的。 主要是应用在二值图像的分析中，灰度图像也可以 开操作=先腐蚀+再膨胀 作用：消除图像中的小的干扰区域 去除噪点 闭操作 闭操作=先膨胀 +再腐蚀 作用：填充小的封闭区域 -----------提取水平或者垂直线------------ 相关代码 import cv2 as cv def open_demo(image): print(image.shape) gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) ret,...

顶帽 tophat 原图像与开操作之间的差值图像 黑帽blackhat 原图像与闭操作之间的差值图像 形态学梯度 内部梯度 原图像减去腐蚀之后的图像得到的差值图像 外部梯度 图像膨胀之后再减去原来图像得到的差值图像 相关代码 顶帽操作 import cv2 as cv def top_hat_demo(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3)) # 顶帽操作 d...