- 综合排序
- 最热优先
- 最新优先
- 来自专栏python开发者
【CCD图像检测】4：图像的简单校正
CCD图像检测<四> 作者：一点一滴的Beer 指导教师：Chen Zheng 单位：WHU 五、 图像的校正。 5.1.纵向校正 5.1.1纵向理论校正。 如果采用等间距采样，则在2m的前瞻视野时，会出现近处20cm就占了40行图像数据中的绝大部分，近处AD行极度稠密，而远处两个AD行之间又极为稀疏。 采用校正后的结果进行采样，在对用黑线贴成的由一定大小的正方形组成的网格板进行拍摄，还原的数字图片因镜头有一定程度上的球面失真，仍会造成近处的图像密度更大，这个基本无法利用现有的技术进行理论分析。 图29：图像的横向校正原理图 5.2.2横向实际校正。 图30：实际校正辅助工具——网格板 5.3校正结果示例分析 图像没有进行校正如右图左，很容易判断成直道，从而小车没能来得及调整速度和转角，无法实现稳定快速进入弯道，甚至会因为误判采取直冲的策略
1.2K30编辑于 2022-05-10 《数字图像处理》实验4-图像复原
可视化所有结果 figure('Name', '多种模糊退化对比', 'NumberTitle', 'off'); subplot(1,4,1); imshow(I_gray); title('原图') ; subplot(1,4,2); imshow(I_motion); title('运动模糊（motion）'); subplot(1,4,3); imshow(I_disk); title('圆盘状模糊 (disk)'); subplot(1,4,4); imshow(I_unsharp); title('钝化模糊(unsharp)'); % 5. 噪声均值 noise_var = 0.001; % 噪声方差 I_noisy = imnoise(I_blurred, 'gaussian', noise_mean, noise_var); % 4. '); subplot(2,2,3); imshow(I_noisy); title('加噪图像'); subplot(2,2,4); imshow(I_restored); title('逆滤波复原'
13310编辑于 2026-01-21- 来自专栏机器学习实践二三事
数字图像学习4(图像的浮雕效果)
https://blog.csdn.net/Gavin__Zhou/article/details/47379563 图像的浮雕效果根据生成的算法不一样，效果也不太一样，作为练习程序，自己写了两个 )= 0.25*img(x-2,y-2)+0.25*img(x-1,y-1)+0.25*img(x,y)+0.25*img(x+1,y+1)+0.25*img(x+2,y+1)+128 源码： %实现图像的浮雕效果
81750发布于 2019-05-26 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】分割图像——Grabcut图像分割
Grabcut算法是重要的图像分割算法，其使用高斯混合模型估计目标区域的背景和前景。该算法通过迭代的方法解决了能量函数最小化的问题，使得结果具有更高的可靠性。 OpenCV 4提供了利用Grabcut算法分割图像的grabCut()函数，该函数的函数原型在代码清单8-21中给出。 int iterCount, int mode = GC_EVAL ) img：输入的待分割图像 ，数据类型为CV_8U的三通道图像。 mask：用于输入、输出的CV_8U单通道掩码图像，图像中像素值的取值范围以及含义在表8-4给出。
1.3K40发布于 2020-03-03 - 来自专栏深度学习和计算机视觉
【OpenCV 4开发详解】图像腐蚀
点击上方“小白学视觉”，选择“星标”公众号 重磅干货，第一时间送达 经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 图像腐蚀过程中使用的结构元素可以根据需求自己生成，但是为了研究人员的使用方便，OpenCV 4提供了getStructuringElement()函数用于生成常用的矩形结构元素、十字结构元素和椭圆结构元素 MORPH_RECT 0 矩形结构元素，所有元素都为1 MORPH_CROSS 1 十字结构元素，中间的列和行元素为1 MORPH_ELLIPSE 2 椭圆结构元素，矩形的椭圆内接元素为1 OpenCV 4提供了用于图像腐蚀的 #include <vector> 4. 5.using namespace cv; 6.using namespace std; 7.
1.1K10发布于 2020-01-16 - 来自专栏风吹杨柳
opencv 4 -- 图像平滑与滤波
一、blur—图像均值平滑滤波 简称 平均滤波 这是由一个归一化卷积框完成的。 numpy as np from matplotlib import pyplot as plt img = cv2.imread('person_454.bmp',0) # 第二个参数的-1表示输出图像使用的深度与输入图像相同 result1),plt.title('bilateralFilter') plt.xticks([]), plt.yticks([]) plt.show() 结果跟上面的一样 二、GaussianBlur—图像高斯平滑滤波 高斯滤波可以有效的从 图像中去除高斯噪音 你也可以使用函数 cv2.getGaussianKernel() 自己 构建一个高斯核 import cv2 import numpy as np from matplotlib 高斯模糊简单点说： 在某些情况下，需要对一个像素的周围的像素给予更多的重视 三、medianBlur—图像中值滤波 简称：中值模糊 顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。
91710发布于 2019-07-08 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像膨胀
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 OpenCV 4提供了用于图像膨胀的dilate()函数，该函数的函数原型在代码清单6-13中给出。 InputArray kernel, 4. Point anchor = Point(-1,-1), 5. #include <vector> 4. 5.using namespace cv; 6.using namespace std; 7. 8.int main() 9.{ 10.
84020发布于 2020-02-13 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像修复
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 图像修复不仅可以去除图像中得“划痕”，还可以去除图像中得水印、日期等。 OpenCV 4提供了能够对含有较少污染或者水印的图像进行修复的inpaint()函数，该函数的函数原型在代码清单8-26中给出。 函数的第一个参数是需要修复的图像，该函数可以对灰度图像和彩色图像进行修复。修复灰度图像时，图像的数据类型可以为CV_8U、CV_16U或者CV_32F；修复彩色图像时，图像的数据类型只能为CV_8U。
78300发布于 2020-03-05 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像卷积
过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 Step4：将计算结果存放在原图像中与卷积模板中心点像对应的像素处，即图5-1里待卷积矩阵中的黄色像素处，结果如图5-2所示。 ? 图5-2 图像卷积步骤Step4 Step5：将卷积模板在图像中从左至右从上到下移动，重复以上3个步骤，直到处理完所有的像素值，每一次循环的处理结果如图5-3所示。 ? 图5-3 图像卷积步骤Step5 通过前面的4个步骤已经完成了图像卷积的主要部分，不过从图5-3中的结果可以发现这种方法只能对图像中心区域进行卷积，而由于卷积模板中心无法放置在图像的边缘像素处，因此图像边缘区域没有进行卷积运算 图5-4 myFillter.cpp程序中矩阵卷积结果 ? 图5-5 myFillter.cpp程序中图像结果
93710发布于 2019-12-24 - 来自专栏石开之旅
图像处理笔记（4）----OpenCV对象追踪
hsv, lower_red, upper_red) mask_green = cv.inRange(hsv, lower_green, upper_green) #将掩膜和图像逐像素相加
58721发布于 2020-09-11 - 来自专栏计算摄影学
4. 数码相机内的图像处理-更多图像滤波
先看看最基本的方案，直接用眼睛局部图像作为模板来卷积源图像： ? 方案一 这会得到什么结果呢？ 非线性移不变滤波器 非线性但移不变的滤波器代表：形态学操作 形态学操作的基本版本是用于处理二值图像的，当然其衍生版本可以用于处理灰度图像甚至彩色图像。 要理解形态学操作，首先需要对图像的逻辑操作及图像的集合有基本的概念，见下图： ? 基本图像逻辑操作 可以看到，利用逻辑操作可以组合出很多图像。 腐蚀 从视觉上，膨胀使得图像的“1”的部分扩张，腐蚀使得图像的"1"的部分收缩。 ? yourwanghao/获取 参考资料： 这一篇文章的绝大部分素材来自于 [1] CMU 2017 Fall Computational Photography Course 15-463, Lecture 4
95840发布于 2020-04-17 - 来自专栏全栈程序员必看
图像文字识别（四）：java调用tess4j识别图像文字
而Tess4J则是Tesseract在Java PC上的应用。如果使用Tess4J只需要下载相关Jar包，导入项目，再把项目封装好就可以处处运行了，可移植性比较好。 步骤： （1）下载tess4j源码包：https://sourceforge.net/projects/tess4j/ tessdata下默认为英语库，中文库下载地址：https://github.com <dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> （4）编写测试类： import java.io.File; import net.sourceforge.tess4j.ITesseract; import net.sourceforge.tess4j.Tesseract ; import net.sourceforge.tess4j.TesseractException; /** * 类说明 ： tess4j测试类 */ public class OCRDemo {
6.3K40编辑于 2022-06-29 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像直方图绘制
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 在OpenCV 4中只提供了图像直方图的统计函数calcHist()，该函数能够统计出图像中每个灰度值的个数，但是对于直方图的绘制需要使用者自行绘制。 为了使读者更加了解函数的使用方法，我们在代码清单4-2中提供了绘制灰度图像的图像直方图的示例程序。 由于图像中部分灰度值像素数目较多，因此我们将每个灰度值数目缩小了20倍后再进行绘制，绘制的直方图在图4-1中所示。 代码清单4-2 myCalHist.cpp绘制图像直方图 1. #include <opencv2\opencv.hpp> 2. #include <iostream> 3. 4.
1.3K20发布于 2019-12-13 - 来自专栏锦小年的博客
课程笔记4--图像K空间理解
K空间的数据分布实际上是图像空间中数据的二维傅立叶变换结果。 K空间中的数据点和图像空间中的数据点并不是一一对应的。一个K空间中的数据点对应了图像空间中所有数据点的一部分信息。 事实上，K空间中的数据正是图像空间中的数据作二维傅立叶变换的结果（图1），也就是说，我们的“大脑图像”可以被看作是由一系列频率、相位、方向各异的二维正弦波叠加而成的，而K空间的数据正表示了图像的正弦波组成 如图4，左上图为一次MRI实验中得到的K空间中表示的数据，对其做逆傅立叶变换即可得到右上图，也就是我们常常看到的大脑剖面图。 左上、左下两张图的叠加，可以恢复原来的K空间中的数据；而右上、右下图的叠加，则可以恢复原来的图像空间中的数据。 ? 由此我们可以看出，图像空间中的图像分辨率与K空间中的数据点数量密切相关。 K空间中有多少数据点，图像空间中也就能还原出多少个数据点；K空间中有越多的数据点，图像的空间分辨率也就越好。图6给出了几个K空间数据点个数语图像空间中图像分辨率的关系。
2.4K30发布于 2019-05-26 - 来自专栏风吹杨柳
opencv 4 -- 图像平滑与滤波--理论解释
一般可以对图像进行低通滤波、高通滤波 低通滤波：帮助我们去除噪音，模糊图像 高通滤波：帮助我们找到图像的边缘 每个输入的图片或者视频帧都会因自然震动、光照变化或者摄像头本身等原因而产生噪声 滤波，就是过滤波段或者频率的意思，是通过指定一个过滤器对图像的频率过滤，得到想得到的那部分，那就需要说说什么叫做图像的频率 过滤可以移除图像中的噪音、提取感兴趣的可视特征、允许图像重采样 图像在处理的时候都会进行灰度化 ，单通道的 灰度值就是颜色值，对灰度的处理方式能够是我们做图像处理，图像分类的基础 灰度分布区域的不同，可以作为图像分类的标准； 空间域 灰度变化率的不同，可以作为图像分类的标准 频域 对于灰度变化率 ，你可以用有蓝天背景的一幅图，灰度在大范围内都基本固定不变 对于人行街道上的一副图像，灰度变化率将是非常大的 因此，观察图像中这些变化的频率就构成了另一条分类图像的方法。 而通过观察图像灰度分布来分类图像称为空间域 频域分析将图像分成从低频到高频的不同部分。 低频对应图像强度变化小的区域，而高频是图像强度变化非常大的区域。
1.2K30发布于 2019-07-08 - 来自专栏Unity开发系列专栏
OpenCV 4基础篇| OpenCV图像的裁切
Pillow.crop 3.1 语法结构 3.2 注意事项 3.3 代码示例 4. 扩展示例：单张大图裁切成多张小图 5. 总结 1. crop()函数不会修改原始图像，而是返回一个新的裁剪后的图像对象。原始图像保持不变，如果需要保存裁剪后的图像，需要将其保存到文件或进行其他操作。 plt.subplot(221), plt.title("原图"), plt.axis('off') plt.imshow(img) img_c = img.crop([img.size[0] / 4, img.size[1] / 4, img.size[0] * 3 / 4, img.size[1] * 3 / 4]) plt.rcParams['font.sans-serif'] = ['FangSong '] # 支持中文标签 plt.subplot(222), plt.title("裁切之后"), plt.axis('off') plt.imshow(img_c) plt.show() 4.
1.8K00编辑于 2024-05-24 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像模板匹配
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 图4-11 模板匹配示意图 在图4-11中，右侧4×4的图像是模板图像，每个像素中的数字是该像素的灰度值，左侧8×8图像是待匹配图像，模板匹配的流程如下： Step1：在待匹配图像中选取与模板尺寸大小相同的滑动窗口 OpenCV 4中提供了用于图像模板匹配的函数matchTemplate()，该函数能够实现模板匹配过程中图像与模板相似性的计算，在代码清单4-12中给出了函数原型。 如果image的尺寸为W×H，模板图像尺寸为w×h，则输出图像的尺寸为（W-w+1）×（H-h+1）。 method：模板匹配方法标志，可选择参数及含义在表4-3中给出。 为了了解图像模板匹配相关函数的使用方法，在代码清单4-13中给出了在彩色图像中进行模板匹配的示例程序。
1.5K10发布于 2019-12-24 - 来自专栏Unity开发系列专栏
OpenCV 4基础篇| OpenCV图像的拼接
扩展示例：多张小图合并成一张大图 4. 总结 1. np.hstack() 和 np.vstack() 只是简单地将几张图像直接堆叠而连成一张图像，并未对图像进行特征提取和边缘处理，因而并不能实现图像的全景拼接。 ), plt.axis('off') plt.imshow(img4) plt.show() 3. 3.jpg', '4.jpg'] # 假设这是你的分块图像列表 # 获取第一个图像的大小以确定整个大图的大小 first_image = cv2.imread(image_paths[0 del chunk # 保存最终合并的图像 cv2.imwrite('final_image.jpg', final_image) 4.
1.4K00编辑于 2024-05-24 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像像素统计
因此针对矩阵数据的统计工作在图像像素中同样具有一定的意义和作用。在OpenCV 4中集成了求取图像像素最大值、最小值、平均值、均方差等众多统计量的函数，接下来将详细介绍这些功能的相关函数。 1 01 寻找图像像素最大值与最小值 OpenCV 4提供了寻找图像像素最大值、最小值的函数minMaxLoc()，该函数的原型在代码清单3-7中给出。 OpenCV 4提供了mean()函数用于计算图像的平均值，提供了meanStdDev()函数用于同时计算图像的均值和标准方差。接下来将详细的介绍这两个函数的使用方法。 该函数用来求取图像矩阵的每个通道的平均值，函数的第一个参数用来输入待求平均值的图像矩阵，其通道数目可以在1到4之间。 需要注意的是，该函数的返回值是一个cv::Scalar类型的变量，函数的返回值有4位，分别表示输入图像4个通道的平均值，如果输入图像只有1个通道，那么返回值的后三位都为0，例如输入该函数一个单通道平均值为
2.1K10发布于 2019-11-22 - 来自专栏深度学习和计算机视觉
【OpenCV 4开发详解】图像连通域分析
图像中两个像素相邻有两种定义方式，分别是4-邻域和8-邻域，这两种领域的定义方式在图6-7给出。 OpenCV 4提供了用于提取图像中不同连通域的connectedComponents()函数，该函数有两个函数原型，第一种函数原型在代码清单6-4中给出。 labels：标记不同连通域后的输出图像，与输入图像具有相同的尺寸。 connectivity：标记连通域时使用的邻域种类，4表示4-邻域，8表示8-邻域。 labels：标记不同连通域后的输出图像，与输入图像具有相同的尺寸。 connectivity：标记连通域时使用的邻域种类，4表示4-邻域，8表示8-邻域，默认参数为8。 该函数原型只有四个参数，前两个参数分别表示输入图像和输出图像，第三个参数表示统计连通域时选择的邻域种类，分别用4表示4-邻域，8表示8-邻域，参数的默认值为8。
7.2K21发布于 2020-02-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号