opencv 图像预处理

图像预处理

​ 在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。OpenCV 提供了许多图像预处理的函数和方法，以下是一些常见的图像预处理操作：

  1. 图像空间转换
  2. 图像大小调整
  3. 图像仿射变换
  4. 图像翻转
  5. 图像裁剪
  6. 图像二值化处理
  7. 图像去噪
  8. 边缘检测
  9. 图像平滑处理
  10. 图像形态学

图像翻转

cv2.flip 是 OpenCV 库中的一个函数，用于翻转图像。翻转可以是水平翻转、垂直翻转或同时水平和垂直翻转。这个函数接受两个参数：要翻转的图像和一个指定翻转类型的标志。

函数签名

cv2.flip(src, flipCode[, dst]) -> dst

参数说明

  • src：输入图像，可以是任意类型和深度的多通道图像。

  • flipCode

    ：指定翻转类型的整数标志：

    • 0：沿 X 轴翻转（垂直翻转）
    • 1：沿 Y 轴翻转（水平翻转）
    • -1：沿 X 轴和 Y 轴翻转（同时水平和垂直翻转）

  • dst：可选参数，输出图像。如果未提供，输出图像将与输入图像具有相同的尺寸和类型。

示例

以下是一些使用 cv2.flip 的示例代码：

import cv2

img = cv2.imread('../images/car.png')

# 翻转
# 0:垂直翻转
# 1:水平翻转
# -1:水平垂直翻转
flip_img = cv2.flip(img, -1)
cv2.imshow('img', img)
cv2.imshow('flip_img', flip_img)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

图像仿射变换

仿射变换（Affine Transformation）是一种线性变换，它保持了点之间的相对距离不变，即平行线在变换后仍然保持平行。在图像处理中，仿射变换常用于旋转、缩放、平移和剪切等操作。

图像旋转

旋转操作可以将图像绕着某个点旋转一定的角度

实例代码

def cv_affinetransformation():
    img = cv2.imread('../images/car.png')
    if img is None:
        print("Error: Image not found.")
        return

    # 获取图像大小
    (height, width) = img.shape[:2]

    # 定义旋转中心点
    center = (width // 2, height // 2)

    # 旋转角度
    angle = 60

    # 计算旋转矩阵
    m = cv2.getRotationMatrix2D(center, angle, 1.0)

    # 图像旋转
    affine = cv2.warpAffine(img, m, (width, height))

    cv2.imshow('Rotated Image', affine)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述

cv2.getRotationMatrix2D 是 OpenCV 库中的一个函数，用于获取旋转矩阵。这个函数主要用于图像的旋转变换。旋转矩阵是一个 2x3 的矩阵，可以用来将图像围绕指定的中心点旋转指定的角度，并且可以选择是否进行缩放。

函数签名

cv2.getRotationMatrix2D(center, angle, scale) -> M

参数说明

  • center：旋转中心点的坐标，格式为 (x, y)。
  • angle：旋转角度，单位为度。正角度表示逆时针旋转，负角度表示顺时针旋转。
  • scale：缩放比例。如果设置为 1，则不进行缩放。

返回值

  • M：2x3 的旋转矩阵。

示例

以下是一个使用 cv2.getRotationMatrix2D 的示例代码，

cv2.warpAffine 函数

仿射变换 函数

cv2.warpAffine(src, M, dsize, dst) →
  • src: 输入图像。
  • M: 2x3 的变换矩阵，类型为 np.float32。
  • dsize: 输出图像的尺寸，形式为 (width, height)。
  • dst (可选): 输出图像。如果未提供，则会自动创建一个新的图像。

图像平移

平移操作可以将图像中的每个点沿着某个方向移动一定的距离

def cv_warpaffine():
    img = cv2.imread('../images/car.png')
    if img is None:
        print("Error: Image not found.")
        return

    # 获取图像大小
    (height, width) = img.shape[:2]

    # 定义水平和垂直移动的距离
    tx, ty = 50, 100

    # 定义平移矩阵
    t_img = np.float32([[1, 0, tx], [0, 1, ty]])

    # 应用平移变换
    w_img = cv2.warpAffine(img, t_img, (width, height))

    cv2.imshow('Translated Image', w_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

其中，tx 和 ty 分别表示在x轴和y轴方向上的平移距离。
在这里插入图片描述

图像缩放

缩放操作可以改变图像的大小

import cv2
import numpy as np

# 读取图像
img = cv2.imread("images/car5.png")
h, w, channels = img.shape
# 定义缩放因子
sx, sy = 1.5, 1.5
M = np.float32([[sx, 0, 0], [0, sy, 0]])
# 应用缩放变换
scaled = cv2.warpAffine(img, M, (int(w * sx), int(h* sy)))
# 显示结果
cv2.imshow('Scaled Image', scaled)
cv2.waitKey(0)
cv2.destroyAllWindows()

sx 和 sy 分别表示在x轴和y轴方向上的缩放因子。
在这里插入图片描述

图像剪切

剪切操作可以改变图像的形状，使其在某个方向上倾斜

import cv2
import numpy as np

# 读取图像
img = cv2.imread("images/car5.png")
rows, cols, _ = img.shape
# 定义剪切因子
shx, shy = 0.2, 0.2
M = np.float32([[1, shx, 0], [shy, 1, 0]])
# 应用剪切变换
sheared = cv2.warpAffine(img, M, (cols, rows))

# 显示结果
cv2.imshow('Sheared Image', sheared)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像色彩空间转换

OpenCV中的色彩空间转换是将图像从一种颜色表示形式转换为另一种颜色表示形式的过程。常见的颜色空间包括RGB、HSV、YUV等。

色彩空间转换有几个重要的作用：

  1. 方便图像处理：在不同的颜色空间中，对应的通道代表了不同的属性，例如在RGB空间中，红、绿、蓝三个通道分别代表了颜色的强度，而在HSV空间中，H(色相)代表了颜色的种类，S(饱和度)代表了颜色的深浅，V(亮度)代表了颜色的明暗。因此，对于不同的处理需求，选择不同的颜色空间进行处理可以更加方便。
  2. 提高图像处理效果：在某些情况下，使用某些特定的颜色空间可以提高图像处理的效果。例如，在HSV空间中，可以通过调整S(饱和度)和V(亮度)来提高图像的对比度并去除噪点。
  3. 节省计算资源：在某些情况下，使用特定的颜色空间可以帮助我们节省计算资源。例如，在RGB空间中，每个像素需要3个通道来表示，而在灰度空间中，每个像素只需要一个通道就可以表示。因此，如果我们只需要处理亮度信息而不需要颜色信息时，将图像转换为灰度空间可以节省计算资源。

总之，色彩空间转换在图像处理中是一项非常重要的技术，它可以方便我们对图像进行处理，并提高图像处理的效果和节省计算资源。

cv2.cvtColor()是OpenCV中的一个函数，用于图像颜色空间的转换。它可以将一个图像从一个颜色空间转换为另一个颜色空间，比如从RGB到灰度图像的转换，或者从BGR到HSV的转换等。

函数的语法如下：

cv2.cvtColor(src, code)

参数说明：

  • src：输入图像，可以是一个NumPy数组或者一个OpenCV的Mat对象。
  • code：指定转换的类型，可以使用预定义的转换代码，例如cv2.COLOR_BGR2GRAY表示从BGR到灰度图像的转换。

RGB 转 Gray（灰度）

RGB 转 Gray（灰度），将彩色图像转换为灰度图像，可以减少数据量并简化算法。

def cv_color():
    img = cv2.imread('../images/p1.png')
    # 图像色彩空间转换
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 灰度图像
    # gray = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)  # HSV颜色空间

    cv2.imshow('img', img)
    cv2.imshow('gray', gray)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == '__main__':
    cv_color()

在这里插入图片描述

RGB 转 HSV

RGB 转 HSV，HSV（Hue, Saturation, Value）色彩空间在颜色分割和颜色识别中非常有用。

def cv_color():
    img = cv2.imread('../images/p1.png')
    # 图像色彩空间转换
    # gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)  # HSV颜色空间

    cv2.imshow('img', img)
    cv2.imshow('gray', gray)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述

图像二值化处理

案例：

def binaryzation():
    img = cv2.imread('../images/p1.png')
    g_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化
    # ret:实际应用阈值
    # binary:二值化后的图像
    ret, binary = cv2.threshold(g_img, 150, 230, cv2.THRESH_BINARY)
    cv2.imshow('binary', binary)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == '__main__':
    binaryzation()

在这里插入图片描述

cv2.threshold 是 OpenCV 中用于图像二值化的函数。它通过设置阈值将图像分为前景和背景，常用于图像处理和分析。以下是该函数的主要功能和用法简介：

功能

cv2.threshold 将灰度图像转换为二值图像，根据指定的阈值将像素值分为两类：高于阈值的像素设为一个值（通常是255），低于阈值的像素设为另一个值（通常是0）。

语法

retval, dst = cv2.threshold(src, thresh, maxval, type)

参数

  1. src: 输入的灰度图像。

  2. thresh: 阈值，决定分割的界限。

  3. maxval: 当像素值超过阈值时，赋予的最大值（通常为255）。

  4. type
    阈值类型，常用的有：
    • cv2.THRESH_BINARY: 超过阈值的像素设为最大值，其余设为0。
    • cv2.THRESH_BINARY_INV: 超过阈值的像素设为0，其余设为最大值。
    • cv2.THRESH_TRUNC: 超过阈值的像素设为阈值，其余不变。
    • cv2.THRESH_TOZERO: 超过阈值的像素不变，其余设为0。
    • cv2.THRESH_TOZERO_INV: 超过阈值的像素设为0，其余不变。

返回值

  • retval: 实际使用的阈值（可能与输入值不同）。
  • dst: 输出的二值图像。

图像掩模

它通常用于创建掩模，以便从图像中提取特定颜色的区域。

函数原型

cv2.inRange(src, lowerb, upperb)

参数

  • src: 输入的图像，可以是彩色图像或灰度图像。
  • lowerb: 颜色范围的下界（数组或元组），指定了要提取的颜色的最小值。
  • upperb: 颜色范围的上界（数组或元组），指定了要提取的颜色的最大值。

返回值

  • 返回一个二值图像，白色部分表示在指定颜色范围内的区域，黑色部分表示不在范围内的区域

图像位与操作

cv2.bitwise_and() 是 OpenCV 库中的一个函数，用于对两个图像进行按位与操作。这个操作会逐个像素地对两个输入图像进行比较，只有在两个像素均为 255（白色）时，输出的像素才会为 255（白色），否则输出为 0（黑色）。这个函数在图像处理中的应用非常广泛，尤其是在掩膜和图像分割等任务中

函数原型

dst = cv2.bitwise_and(src1, src2, mask=None)

参数说明

  • src1: 第一个输入图像。
  • src2: 第二个输入图像。两幅图像应具有相同的尺寸和类型。
  • mask: 可选参数，用于指定一个掩膜。如果提供，只有在掩膜的相应位置为非零时，才会计算输出。

返回值

  • 返回按位与操作后的图像（dst）。

图像检测轮廓

cv2.findContours 函数可以在二值图像中找到轮廓，并返回轮廓的点集。轮廓可以用来表示物体的边界，常用于物体检测、分割和形状分析。

语法

contours, hierarchy = cv2.findContours(image, mode, method)

参数

  1. image: 输入的二值图像。通常在调用该函数之前需要将图像转换为灰度图像并进行二值化处理（如使用 cv2.threshold 或 cv2.Canny）。

  2. mode
    轮廓检索模式：
    • cv2.RETR_EXTERNAL: 只检索外部轮廓。
    • cv2.RETR_LIST: 检索所有轮廓，并将其放入列表中。
    • cv2.RETR_TREE: 检索所有轮廓，并建立层级关系。
  3. method
    轮廓逼近方法：
    • cv2.CHAIN_APPROX_SIMPLE: 压缩轮廓，仅保留端点。
    • cv2.CHAIN_APPROX_NONE: 保留所有轮廓点。

返回值

  • contours: 一个 Python 列表，其中每个元素是一个轮廓（即一组点），轮廓的点以 NumPy 数组的形式存储。
  • hierarchy: 轮廓的层级信息，包含轮廓之间的关系。

cv2.boundingRect 函数介绍

cv2.boundingRect 是 OpenCV 中用于计算轮廓的最小外接矩形的函数。这个函数可以返回一个包含轮廓的最小矩形的边界框，通常用于对象检测、图像分割等任务中。最小外接矩形是一个完全包围轮廓的矩形，其边与图像的坐标轴平行。

案例

import cv2
import numpy as np
import paddlehub as hub

qie_img = None


def find_contours():
    global qie_img
    img = cv2.imread("../images/car.png")
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    # HSV颜色空间中，蓝色对应的颜色范围
    lower_blue = np.array([100, 100, 100])
    upper_blue = np.array([140, 255, 255])
    # 创建掩膜
    # 在HSV空间中，将颜色范围限定在lower_blue和upper_blue之间
    mask = cv2.inRange(hsv, lower_blue, upper_blue)
    # # 转换成灰度图像
    # gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    ret, binary = cv2.threshold(mask, 120, 255, cv2.THRESH_BINARY)
    # 获取图片轮廓
    contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    # num = len(contours)
    # print("轮廓数量：", num)
    for i in contours:
        x, y, w, h = cv2.boundingRect(i)
        # 画矩形
        if w > 100 and h > 45:
            cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
            qie_img = img[y:y + h, x:x + w]
    cv2.imshow("qie_img", qie_img)
    # 识别车牌信息

    # 加载模型
    ocr = hub.Module(name="chinese_ocr_db_crnn_server")
    # 识别文本
    result = ocr.recognize_text(images=[qie_img])
    for i in result:
        data = i['data']
        for j in data:
            print('车牌号是：', j['text'])

    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == '__main__':
    find_contours()

"""
根据识别到的车牌，将车牌识别出来
"""
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/63219135bd104048b45b580fafab37bf.png)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/906915.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

初始JavaEE篇——多线程（4）：wait、notify，饿汉模式，懒汉模式，指令重排序

初始JavaEE篇——多线程（4）：wait、notify，饿汉模式，懒汉模式，指令重排序

找往期文章包括但不限于本期文章中不懂的知识点： 个人主页：我要学编程(ಥ_ಥ)-CSDN博客 所属专栏：JavaEE 目录 wait、notify 方法 多线程练习 单例模式 饿汉模式 懒汉模式 指令重排序 wait、notify 方法 wait 和 我们前面学习的sleep…
阅读更多...
新工具可绕过 Google Chrome 的新 Cookie 加密系统

新工具可绕过 Google Chrome 的新 Cookie 加密系统

一位研究人员发布了一款工具，用于绕过 Google 新推出的 App-Bound 加密 cookie 盗窃防御措施并从 Chrome 网络浏览器中提取已保存的凭据。 这款工具名为“Chrome-App-Bound-Encryption-Decryption”，由网络安全研究员亚历山大哈格纳 (Alexander Hagenah…
阅读更多...
JavaSE笔记4】API、包、String类、Object类

JavaSE笔记4】API、包、String类、Object类

目录 一、API 二、包 2.导入不同包下的同名程序 三、String 1. String类是什么？ 2. 如何创建String对象?(常用的四种方法） 3. String API a. 遍历字符串 b. 判断字符串内容是否相等： c. 截取子串 d. 替换部分内容 e. 匹配子串 f. 匹配开头字…
阅读更多...
【含文档】基于ssm+jsp的超市订单后台理系统（含源码+数据库+lw）

【含文档】基于ssm+jsp的超市订单后台理系统（含源码+数据库+lw）

1.开发环境 开发系统:Windows10/11 架构模式:MVC/前后端分离 JDK版本: Java JDK1.8 开发工具:IDEA 数据库版本: mysql5.7或8.0 数据库可视化工具: navicat 服务器: apache tomcat 主要技术: Java,Spring,SpringMvc,mybatis,mysql,vue 2.视频演示地址 3.功能 该系统有两个主…
阅读更多...
雷军救WPS“三次”，WPS注入新生力量，不再“抄袭”微软

雷军救WPS“三次”，WPS注入新生力量，不再“抄袭”微软

救WPS“三次” 1989年，求伯君用128万行代码编写出了WPS1.0，宣告了中国自主办公时代的开启。 那时候，雷军还在武汉大学深造，他早就把求伯君当成了自己的榜样，这一来二去的，雷军和WPS之间也就结下了不解之缘…
阅读更多...
MySQL中，如何定位慢查询？定位到的慢SQL如何分析？

MySQL中，如何定位慢查询？定位到的慢SQL如何分析？

目录 1. 慢查询发生的场景？ 2. MySQL中，如何定位慢查询？ 2.1 详细解释 3. 定位到的慢SQL如何分析？ 3.1 详细说明 1. 慢查询发生的场景？ 2. MySQL中，如何定位慢查询？ 介绍一下当时产生问题…
阅读更多...
Java基于微信小程序的私家车位共享系统(附源码，文档）

Java基于微信小程序的私家车位共享系统(附源码，文档）

博主介绍：✌stormjun、8年大厂程序员经历。全网粉丝15w、csdn博客专家、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和毕业项目实战✌ 🍅文末获取源码联系🍅 👇🏻 精彩专栏推荐订阅👇&…
阅读更多...
MiniPCIe 接口 CANFD卡

MiniPCIe 接口 CANFD卡

概述 基于MiniPCIe高性能接口CANFD卡采用标准MiniPCIe接口尺寸设计，方便PC机或嵌入式设备快速拓展出CANFD接口，实现数据采集与数据处理。 兼容高速CAN和CANFD两种通信需求、支持CAN2.0A、CAN2.0B协议，符合ISO11898-1规范。 规格 PC接口&…
阅读更多...
kafka实时返回浏览数据

kafka实时返回浏览数据

在安装完kafka(Docker安装kafka_docker 部署kafka-CSDN博客)，查看容器是否启动： docker ps | grep -E kafka|zookeeper 再用python开启服务 from fastapi import FastAPI, Request from kafka import KafkaProducer import kafka import json import …
阅读更多...
Docker Compose一键部署Spring Boot + Vue项目

Docker Compose一键部署Spring Boot + Vue项目

目录 前提条件 概述 Compose简介 Compose文件 Compose环境 Compose命令 帮助命令 关键命令 Compose部署项目 初始化环境 查看代码文件 sql数据准备 nginx配置文件准备 创建 compose.yaml 一键启动compose多个容器 浏览器访问虚拟机ip:80(可省略默认的80端口) …
阅读更多...
Android——横屏竖屏

Android——横屏竖屏

系统配置变更的处理机制 为了避免横竖屏切换时重新加载界面的情况，Android设计了一中配置变更机制，在指定的环境配置发生变更之时，无需重启活动页面，只需执行特定的变更行为。该机制的视线过程分为两步： 修改 Androi…
阅读更多...
【前端基础】CSS进阶

【前端基础】CSS进阶

目标：掌握复合选择器作用和写法；使用background属性添加背景效果 01-复合选择器 定义：由两个或多个基础选择器，通过不同的方式组合而成。 作用：更准确、更高效的选择目标元素（标签）。 后代选…
阅读更多...
Chrome与火狐的安全功能全面评估

Chrome与火狐的安全功能全面评估

在当今数字化时代，网络安全已成为用户最为关注的问题之一。作为两款广受欢迎的浏览器，Chrome和火狐（Firefox）都提供了多种安全功能来保护用户的在线隐私和数据安全。本文将全面评估这两款浏览器的安全功能，帮助用户更好…
阅读更多...
动态代理：面向接口编程，屏蔽RPC处理过程

动态代理：面向接口编程，屏蔽RPC处理过程

RPC远程调用 使用 RPC 时，一般的做法是先找服务提供方要接口，通过 Maven把接口依赖到项目中。在编写业务逻辑的时候，如果要调用提供方的接口，只需要通过依赖注入的方式把接口注入到项目中，然后在代码里面直接调用接口…
阅读更多...
VsCode中搭建 Rt-Thread 开发环境（编译，调试，下载）

VsCode中搭建 Rt-Thread 开发环境（编译，调试，下载）

VsCode中搭建 Rt-Thread 开发环境（编译，调试，下载） 文章目录 VsCode中搭建 Rt-Thread 开发环境（编译，调试，下载）一 . 下载rt-thread源码二. 安装env脚本环境三 . 配置工具链3.1 使用…
阅读更多...
Node.js：Express 中间件 CORS 跨域资源共享

Node.js：Express 中间件 CORS 跨域资源共享

Node.js：Express 中间件 & CORS 中间件全局中间件局部中间件分类错误级中间件内置中间件 CORS原理预检请求 中间件 中间件是不直接接收请求，也不直接发送响应，而是在这之间处理一个中间过程的组件。 当一个请求到来，会经过多…
阅读更多...
OPENAI官方prompt文档解析

OPENAI官方prompt文档解析

官方文档地址:https://platform.openai.com/docs/guides/gpt-best-practices 文档中文版来源:OpenAI 官方提示工程指南 [译] | 宝玉的分享 (baoyu.io) 1.写清楚说明 如果prompt给的范围十分模糊或是过于宽泛,那么GPT就会开始猜测您想要的内容,从而导致生成的结果偏离预期. …
阅读更多...
ubuntu安装与配置Nginx（1）

ubuntu安装与配置Nginx（1）

在 Ubuntu 上安装和配置 Nginx 是相对简单的。以下是一个逐步指南： 1. 更新系统包 首先，确保你的系统是最新的。打开终端并运行： sudo apt update sudo apt upgrade2. 安装 Nginx 使用以下命令安装 Nginx： sudo apt install …
阅读更多...
NVR设备ONVIF接入平台EasyCVR视频分析设备平台视频质量诊断技术与能力

NVR设备ONVIF接入平台EasyCVR视频分析设备平台视频质量诊断技术与能力

视频诊断技术是一种智能化的视频故障分析与预警系统，NVR设备ONVIF接入平台EasyCVR通过对前端设备传回的码流进行解码以及图像质量评估，对视频图像中存在的质量问题进行智能分析、判断和预警。这项技术在安防监控领域尤为重要，因为它能够确保监…
阅读更多...
【机器学习】20. RNN - Recurrent Neural Networks 和 LSTM

【机器学习】20. RNN - Recurrent Neural Networks 和 LSTM

1. RNN定义 用于顺序数据 文本数据是序列数据的一个例子 句子是单词的序列——一个单词接另一个单词 每个句子可能有不同数量的单词（长度可变） 每个句子之间可能有长距离的依赖关系 rnn可以记住序列中较早的相关信息 RNN在每个时间点取序列中的1个…
阅读更多...
最新文章

Copyright @ 2022~2023