- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章opencv python简易文档之图片基本操作指南由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
前言 。
最近在学习opencv,使用的是python接口。于是想着写些相关的笔记供以后参考,有不足之处希望大家指出。 使用python学习opencv需要下载opencv第三方库.
使用pip安装即可.
安装命令:
pip install opencv-python pip install opencv-contrib-python(opencv的贡献库) 。
引入opencv 。
1
|
import
cv2
|
读取图片:
1
2
3
|
img
=
cv2.imread(
'cat.jpg'
)
# cat.jpg路径为相对路径
# 读取图片转换为灰度图片
img
=
cv2.imread(
'cat.jpg'
,cv2.IMREAD_GRAYSCALE)
|
展示图片:
1
2
3
4
5
6
7
|
# 图像的显示,也可以创建多个窗口
cv2.imshow(
'image'
,img)
# 等待时间,毫秒级,0表示任意键终止
cv2.waitKey(
0
)
# 开启另一个窗口,图片显示10000毫秒后自动退出窗口
cv2.waitKey(
10000
)
cv2.destroyAllWindows()
|
读取图片的规格:
1
|
img.shape
|
该属性返回的结果为hwc(h:height长度,w:weight宽度,c:channel通道)如rgb图像为三通道图像c值为3.
保存图片:
#保存 。
1
2
|
# mycat为自定义名称,.png为图片保存格式
cv2.imwrite(
'mycat.png'
,img)
|
显示读取图片读取格式:
1
|
type
(img)
|
图片size属性:
1
2
|
# h*w
img.size
|
图片dtype属性:
1
2
|
# 查看数据类型
img.dtype
|
视频读取:
1
2
3
4
5
6
|
vc
=
cv2.VideoCapture(
'test.mp4'
)
# 检查是否打开正确
if
vc.isOpened():
oepn, frame
=
vc.read()
else
:
open
=
False
|
对读取视频中的帧进行相应处理:
下面代码为将所有帧转换为灰度图形式.
1
2
3
4
5
6
7
8
9
10
11
|
while
open
:
ret, frame
=
vc.read()
if
frame
is
None
:
break
if
ret
=
=
True
:
gray
=
cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
cv2.imshow(
'result'
, gray)
if
cv2.waitKey(
100
) &
0xFF
=
=
27
:
break
vc.release()
cv2.destroyAllWindows()
|
截取图像部分:
1
2
3
4
|
img
=
cv2.imread(
'cat.jpg'
)
# 截取指定位置像素点
cat
=
img[
0
:
50
,
0
:
200
]
cv_show(
'cat'
,cat)
|
颜色通道提取 。
将其他通道置零的方式实现颜色通道提取:
1
2
|
# 切分颜色通道
b,g,r
=
cv2.split(img)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 只保留R
cur_img
=
img.copy()
cur_img[:,:,
0
]
=
0
cur_img[:,:,
1
]
=
0
cv_show(
'R'
,cur_img)
# 只保留G
cur_img
=
img.copy()
cur_img[:,:,
0
]
=
0
cur_img[:,:,
2
]
=
0
cv_show(
'G'
,cur_img)
# 只保留B
cur_img
=
img.copy()
cur_img[:,:,
1
]
=
0
cur_img[:,:,
2
]
=
0
cv_show(
'B'
,cur_img)
|
颜色通道融合 。
1
2
|
# 颜色通道融合
img
=
cv2.merge((b,g,r))
|
边界填充:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# 设定上下左右需要填充像素个数
top_size,bottom_size,left_size,right_size
=
(
50
,
50
,
50
,
50
)
# 下面最后一个参数为图像填充边界类型
# BORDER_REPLICATE复制原图边缘进行填充
replicate
=
cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType
=
cv2.BORDER_REPLICATE)
# BORDER_REFLECT反射法
reflect
=
cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT)
# BORDER_REFLECT_101相对对称的反射法
reflect101
=
cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101)
# BORDER_WRAP 外包装法
wrap
=
cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP)
# BORDER_CONSTANT使用常数值进行填充
constant
=
cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value
=
0
)
|
1
2
3
4
5
6
7
8
9
10
|
# 显示上述处理结果代码
import
matplotlib.pyplot as plt
plt.subplot(
231
), plt.imshow(img,
'gray'
), plt.title(
'ORIGINAL'
)
plt.subplot(
232
), plt.imshow(replicate,
'gray'
), plt.title(
'REPLICATE'
)
plt.subplot(
233
), plt.imshow(reflect,
'gray'
), plt.title(
'REFLECT'
)
plt.subplot(
234
), plt.imshow(reflect101,
'gray'
), plt.title(
'REFLECT_101'
)
plt.subplot(
235
), plt.imshow(wrap,
'gray'
), plt.title(
'WRAP'
)
plt.subplot(
236
), plt.imshow(constant,
'gray'
), plt.title(
'CONSTANT'
)
plt.show()
|
对图片进行算数运算:
1
2
3
4
5
|
# 表示所有像素点对应值都加10,用于调节图片亮度
# 若数值超过255将会进行 % 255操作
img_cat2
=
img_cat
+
10
# 显示图片前5行,所有列,0表示单通道形式图片展示结果为灰色
img_cat[:
5
,:,
0
]
|
1
2
|
# 数值超过255,值等于255
cv2.add(img_cat,img_cat2)[:
5
,:,
0
]
|
图像融合 。
两张图片要进行融合需要图片规格一致,对于规格不一致的图片需要用resize()方法调节规格.
1
2
3
4
5
|
# 指定像素
img_dog
=
cv2.resize(img_dog, (
500
,
414
))
img_dog.shape
# x为以前的4倍,y为以前的4倍
res
=
cv2.resize(img, (
0
,
0
), fx
=
4
, fy
=
4
)
|
1
2
|
# 融合图片 猫的权重为0.4,狗的权重为0.6,0为偏执项
res
=
cv2.addWeighted(img_cat,
0.4
, img_dog,
0.6
,
0
)
|
下一节:opencv python简易文档之图像处理算法 。
总结 。
到此这篇关于opencv python简易文档之图片基本操作指南的文章就介绍到这了,更多相关opencv python图片基本操作内容请搜索我以前的文章或继续浏览下面的相关文章希望大家以后多多支持我! 。
原文链接:https://blog.csdn.net/Kyrie6c/article/details/119542415 。
最后此篇关于opencv python简易文档之图片基本操作指南的文章就讲到这里了,如果你想了解更多关于opencv python简易文档之图片基本操作指南的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我正在尝试从我的系统中完全删除 opencv。我试图学习 ROS,而在教程中我遇到了一个问题。创建空工作区后,我调用catkin_make 它给出了一个常见错误,我在 answers.ros 中搜索并
我在尝试逐步转移对warpAffine的调用时遇到崩溃(不是异常): void rotateImage( const Mat& source, double degree, Mat& output )
如何处理opencv gpu异常?是否有用于opencvgpu异常处理的特定错误代码集api? 我尝试了很多搜索,但只有1个错误代码,即CV_GpuNotSupported。 请帮帮我。 最佳答案 虽
笔记 我是 OpenCV(或计算机视觉)的新手,所以告诉我搜索查询会很有帮助! 我想问什么 我想编写一个从图片中提取名片的程序。 我能够提取粗略的轮廓,但反射光会变成噪点,我无法提取准确的轮廓。请告诉
我想根据像素的某个阈值将Mono16类型的Mat转换为二进制图像。我尝试使用以下内容: 阈值(img,ret,0.1,1,CV_THRESH_BINARY); 尝试编译时,出现make错误,提示: 错
我对使用GPU加速的OpenCV中的卷积函数有疑问。 使用GPU的卷积速度大约快3.5 运行时: convolve(src_32F, kernel, cresult, false, cbuffer);
我正在尝试使用非对称圆圈网格执行相机校准。 我通常找不到适合CirclesGridFinder的文档,尤其是findHoles()函数的文档。 如果您有关于此功能如何工作以及其参数含义的信息,将不胜感
在计算机上绘图和在 OpenCV 的投影仪上投影之间有什么区别吗? 一种选择是投影显示所有内容的计算机屏幕。但也许也有这样的选择,即在投影仪上精确地绘制和投影图像,仅使用计算机作为计算机器。如果我能做
我将Processing(processing.org)用于需要人脸跟踪的项目。现在的问题是由于for循环,程序将耗尽内存。我想停止循环或至少解决内存不足的问题。这是代码。 import hyperm
我有下面的代码: // Image Processing.cpp : Defines the entry point for the console application. // //Save
我正在为某些项目使用opencv。并有应解决的任务。 任务很简单。我有一张主图片,并且有一个模板,而不是将主图片与模板进行比较。我使用matchTemplate()函数。我只是好奇一下。 在文档中,我
我正在尝试使用以下命令创建级联分类器: haartraining -data haarcascade -vec samples.vec -bg negatives.dat -nstages 20 -n
我试图使用OpenCV检测黑色图像中一组形状的颜色,为此我使用了Canny检测。但是,颜色输出总是返回为黑色。 std::vector > Asteroids::DetectPoints(const
我正在尝试使用OpenCv 2.4.5从边缘查找渐变方向,但是我在使用cvSobel()时遇到问题,以下是错误消息和我的代码。我在某处读到它可能是由于浮点(??)之间的转换,但我不知道如何解决它。有帮
我正在尝试构建循环关闭算法,但是在开始开发之前,我想测试哪种功能描述符在真实数据集上效果更好。 我有两个在两个方向拍摄的走廊图像,一个进入房间,另一个离开同一个房间。因此它们代表相同的场景,但具有2个
有没有一种方法可以比较直方图,但例如要排除白色,因此白色不会影响比较。 最佳答案 白色像素有 饱和度 , S = 0 .因此,在创建直方图时很容易从计数中删除白色像素。请执行下列操作: 从 BGR 转
就像本主题的标题一样,如何在OpenCV中确定图像的特定像素(灰度或彩色)是否饱和(例如,亮度过高)? 先感谢您。 最佳答案 根据定义,饱和像素是指与强度(即灰度值或颜色分量之一)等于255相关联的像
我是OpenCV的新用户,正在从事大学项目。程序会获取输入图像,对其进行综合模糊处理,然后对其进行模糊处理。当对合成模糊图像进行反卷积时,会生成边界伪像,因为...好吧,到目前为止,我还没有实现边界条
我想知道OpenCV是haar特征还是lbp是在多尺度搜索过程中缩放图像还是像论文中提到的那样缩放特征本身? 编辑:事实证明,检测器可以缩放图像,而不是功能。有人知道为什么吗?通过缩放功能可以更快。
我在openCv中使用SVM.train命令(已定义了适当的参数)。接下来,我要使用我的算法进行分类,而不是使用svm.predict。 可能吗?我可以访问训练时生成的支持 vector 吗?如果是这
我是一名优秀的程序员,十分优秀!