过好每一秒

python-...

Django系列(4) java那点事(1) LeetCode一天一题(12) Linux(5) PyQt小实例(2) python3爬虫系列(1) Python那点事(18) 未归档(1) 机器学习(8) 机器学习算法原理(1) 深度学习(12) 深度学习笔记(1) 自然语言处理(5) 设计模式(10)

/ 注册

全部文章 / python-opencv3学习教程（共9篇）

【1】python-opencv3教程：图像数字化（图像灰度化，彩色图像通道的提取等）

第一节：图像数字化 1：构造二维的ndarry，相当于就是构造灰度图像各个位置的像素值。 import numpy as np import cv2 # 构造二维的ndarry # 构造一个100*100的图像，像素值都是零，然后将其输出 z = np.zeros((100, 100...

2020-06-12

0 362

【2】python-opencv3教程：图像的几何变化（放射变化：平移，旋转，缩放等，投影变化，极坐标变化）

第二节：几何变化一：仿射变换（平移，缩放，旋转等） 1：缩放表示的(x, y)坐标通过那个矩阵变为 x波浪，y波浪。为什么每个坐标最下面还有一维是1，它是齐次的写法，这样的写法对将接下来的平移有些帮助。。首先把等号右边的两个矩...

2020-06-12

0 467

【3】python-opencv3教程：图像的对比度增强（线性变化，直方图正规化，伽马变化，全局直方图均衡化，限制对比度的自适应直方图均衡化）

第三节：对比度增强算法总结一：绘制直方图就是把各个像素值所含有的个数统计出来，然后画图表示。可以看到在当前图像中，哪个像素值的个数最多。同时，可以看当前图像总体的像素值大小在哪些范围。。靠近0的话，说明图像偏暗。靠近255，说明图像偏亮。 import cv2 i...

2020-06-12

0 3961

【4】python-opencv3教程：图像平滑1（高斯平滑，快速均值平滑，中值平滑，双边滤波平滑）

第四节：图像平滑1 一：高斯平滑通过以上步骤我们写一个构建高斯卷积算子的代码 def getGaussKernel(sigma, H, W): # 第一步:构建高斯矩阵 gaussMatrix = np.zeros([H, W], np.flo...

2020-06-12

0 521

【5】python-opencv3教程：图像平滑2（联合双边滤波平滑）

第五节：图像平滑2 一：联合双边滤波代码实现： import numpy as np import cv2 import math def getClosenessWeight(sigma_g, H, W): # 计算空间距离权重模板 r...

2020-06-12

0 603

【6】python-opencv3教程：阈值分割（全阈值分割，局部阈值分割，直方图技术法，熵算法，自适应算法，Otsu算法）

第六节：阈值分割一：全阈值分割实例代码： image = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE) the = 100 # 设置阈值为100 maxval = 255 dst, img = cv2.threshold(image,...

2020-06-12

0 1105

【7】python-opencv3教程：形态学处理（腐蚀，膨胀，开运算和闭运算等）

第七节：形态学处理简述形态学处理：一：腐蚀代码实现： import cv2 I = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE) # 创建矩形结构元 s =...

2020-06-12

0 504

【8】python-opencv3教程：边缘检测（Roberts算子边缘检测，Prewitt算子边缘检测，Sobel算子边缘检测）

第八节：边缘检测边缘检测：边缘检测指的是灰度值发生急剧变化的位置，边缘检测的目的是制作一个线图，在不会损害理解图像内容的情况下，有大大减少了图像的数据量，提供了对图像数据的合适概述。一：Roberts算子代码实现： import cv2 ...

2020-06-12

0 850

【9】python-opencv3教程：狂调各种opencv的API(图像裁剪，边缘检测，直方图均衡化，检测棱角，SIFT特征检测)

第九节：狂调各种API 一：图像裁剪原理：图像的各种几何变化 import cv2 import numpy as np image = cv2.imread('./data/forest.jpg', cv2.IMREAD_GRAYSCALE) # print(image...

2020-06-12

0 711