OpenCV快速入门:像素操作和图像变换

Opencv 基础(四):使用OpenCV进行图像旋转和平移 如今,图像编辑变得越来越流行,因为手机有内置的功能,可以让你裁剪、旋转和更多的操作你的图像。 这篇文章中,我们将探索和学习这些图像编辑技术。具体来说,我们将学习如何: 旋转图像 移动图像 基本图像变换操作 图像旋转和平移是图像编辑中最基本的操作之一。两者都属于广义的仿射变换。因此,在学习更复杂的转换之前,你应该首先学习旋转和平移图像,使用OpenCV中可用的函数。看看下面的图片,我们将在这里的所有转换示例中使用它。 让我们先看看下面的代码,它将用于使用OpenCV执行图像旋转。 Python imp. 阅读详情

前言

图像处理是计算机视觉领域中的核心内容之一,而像素操作和图像变换则是图像处理中不可或缺的基本操作。通过对像素的统计、加法操作、混合以及查找表等处理,我们能够灵活地调整图像的外观和内容。同时,图像变换则为我们提供了改变图像几何结构的手段,包括旋转、缩放、平移、翻转、仿射变换等多种操作。本篇博客将快速了解这些基础操作,并通过OpenCV展示它们的实际应用。


通过学习这些基础操作,读者将更好地理解图像处理的核心概念,为进一步深入学习计算机视觉和图像处理领域奠定坚实基础。

1. 像素操作

在图像处理中,像素是不可或缺的基本单元。OpenCV提供了丰富的像素操作函数,让我们能够灵活地访问和修改图像的像素值。

1.1 像素统计

像素统计是图像处理中常见的操作,可以帮助我们了解图像的整体特征。通过OpenCV,我们可以使用直方图来进行像素值的统计,进而分析图像的亮度分布。

以下面的郁金香为例。
原图

import cv2
import numpy as np

# 读取图像
img = cv2.imread('tulips.jpg', 0)  # 以灰度模式读取图像

# 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 创建一个画布,大小为 200x256,背景色为白色
hist_img = np.full((200, 256), 255, dtype=np.uint8)

# 归一化直方图,使其适应画布的高度
hist = cv2.normalize(hist, hist, 0, 200, cv2.NORM_MINMAX)

# 绘制直方图
for i in range(256):
    cv2.line(hist_img, (i, 200), (i, 200 - int(hist[i][0])), 0)

# 调整图像大小以匹配直方图
img_resized = cv2.resize(img, (256, 200))
# 将图像与直方图横向拼接
result = cv2.hconcat([img_resized, hist_img])
# 显示结果
cv2.imshow('Image and Histogram', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

灰度统计

直方图是对图像中像素值分布的图形化表示。通过直方图,我们可以了解图像中像素值的分布情况,从而揭示图像的亮度、对比度等特征。以下是直方图中一些常见的解释要点:

  1. X轴和Y轴:

    • X轴(横轴): 表示图像的像素值。通常,0代表黑色,255代表白色。
    • Y轴(纵轴): 表示对应像素值的像素数量或频率。
  2. 峰值和谷值:

    • 峰值: 直方图中的高峰表示图像中有大量具有相同像素值的区域。这可能对应于图像中的主要物体或背景。
    • 谷值: 直方图中的低谷表示图像中像素值稀疏的区域,可能是物体的边缘或其他低纹理区域。
  3. 分布形状:

    • 对称分布: 如果直方图在中间值附近对称,则图像可能具有均匀的亮度分布。
    • 偏斜分布: 如果直方图在一个方向上延伸,则图像可能具有明显的亮度或对比度偏移。
  4. 峰的位置和宽度:

    • 峰的位置: 峰值的位置表示图像中主要的亮度级别。例如,峰值在低像素值端,可能表示图像主要是暗的。
    • 峰的宽度: 宽峰可能表示亮度分布较为均匀,而窄峰可能表示亮度分布集中在某一范围内。
  5. 直方图均衡化的效果:

    • 直方图均衡化是一种通过调整图像的像素值分布来增强对比度的方法。均衡化后的直方图应该更加平均,使得图像更具有视觉吸引力。

在直方图中,可以看到高峰和低谷,以及整体的分布形状。这有助于更好地理解图像的特性,为进一步的图像处理提供了重要的信息。

1.2 两个图像之间的操作

在图像处理中,对两个图像进行操作是一种常见的需求,这可以包括加法、减法、混合等。OpenCV提供了一系列的函数来执行这些操作,其中 cv2.add() 是用于执行图像加法的函数。

1.2.1 图像加法操作

图像加法是将两幅图像的对应像素值相加,得到一个新的图像。这种操作常用于图像的亮度调整和合成。具体而言,对于两个图像 A 和 B,其加法操作可以表示为:

result ( x , y ) = clip ( A ( x , y ) + B ( x , y ) ) \text{result} (x, y) = \text{clip}(\text{A} (x, y) + \text{B} (x, y)) result(x,y)=clip(A(x,y)+B(x,y))

其中,clip 表示将结果限制在合理的范围内(通常是 0 到 255,对于8位图像而言)。

OpenCV中的图像加法

使用 cv2.add() 函数,我们可以轻松地执行图像加法。以下是一个简单的例子:
tulips1.jpg
tulips1
tulips2.jpg
在这里插入图片描述

import cv2

# 读取两张图像
img1 = cv2.imread('tulips1.jpg')
img2 = cv2.imread('tulips2.jpg')

# 确保两张图像具有相同的尺寸
img2_resized = cv2.resize(img2, (img1.shape[1], img1.shape[0]))

# 图像加法
result = cv2.add(img1, img2_resized)

# 显示结果
cv2.imshow('Image Addition', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个例子中,cv2.add() 函数将两张图像的对应像素值相加,生成了一个新的图像 result。通过这个操作,图像的亮度得到了增强。
Image Addition

1.2.3 图像加权混合

除了简单的图像加法,OpenCV还支持图像的加权混合。这种混合是通过为每个图像分配一个权重,然后将它们相加得到的。具体而言,对于两个图像 A 和 B,其加权混合操作可以表示为:

result = A ⋅ α + B ⋅ β + gamma \text{result} = \text{A} \cdot \alpha + \text{B} \cdot \beta + \text{gamma} result=A⋅α+B⋅β+gamma

在OpenCV中,这可以通过 cv2.addWeighted() 函数实现:

import cv2

# 读取两张图像
img1 = cv2.imread('tulips1.jpg')
img2 = cv2.imread('tulips2.jpg')

# 确保两张图像具有相同的尺寸
img2_resized = cv2.resize(img2, (img1.shape[1], img1.shape[0]))

# 设置加权混合的权重
alpha = 0.7
beta = 0.3
gamma = 0

# 图像加权混合
result = cv2.addWeighted(img1, alpha, img2_resized, beta, gamma)

# 显示结果
cv2.imshow('Image Blend', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

Image Blend

在这个例子中,cv2.addWeighted() 函数接受五个参数:

  • img1:第一张图像
  • alpha:第一张图像的权重
  • img2:第二张图像
  • beta:第二张图像的权重
  • gamma:加法的常数项

通过调整 alpha 和 beta 的值,可以控制两张图像在混合中的权重。通常情况下,alpha + beta 应该等于 1。
gamma 用于调整亮度。

通过这种方式,可以在图像中进行平滑的混合,从而创造出一些特殊的效果。

1.3 二值化

在图像处理中,二值化是一种常见的操作,其目的是将图像转换为只包含两种像素值的形式,通常是黑和白。这种操作可以用于物体检测、图像分割、文本识别等应用场景。

OpenCV提供了多种二值化方法,其中最简单的是使用 cv2.threshold() 函数。

import cv2

# 读取图像
img = cv2.imread('tulips1.jpg', 0)  # 以灰度模式读取图像

# 二值化
ret, binary_img = cv2.threshold(img, 60, 255, cv2.THRESH_BINARY)

# 显示结果
cv2.imshow('Binary Image', binary_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

cv2.threshold() 函数用于对输入图像进行阈值处理。该函数有四个主要的参数:

  • 输入图像 (img): 要进行二值化处理的图像。
  • 阈值 (thresh): 阈值是一个用于将像素分为两类的数值。超过阈值的像素被置为一个值,未超过的像素被置为另一个值。
  • 最大值 (maxval): 超过阈值的像素被赋予的值。在二值化中,通常将其设为最大像素值。
  • 二值化类型 (type): 二值化的类型,常见的有 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV 等。

代码中,cv2.threshold(img, 60, 255, cv2.THRESH_BINARY): 对灰度图像进行阈值处理。像素值大于60的被置为255(白色),小于等于60的被置为0(黑色)。这里使用的是二进制阈值化,即 cv2.THRESH_BINARY。

通过这个简单的二值化操作,图像中的信息被转换成了黑白两种像素值,使得后续的处理更加方便。

1.4 LUT(查找表)

在图像处理中,查找表(Look-Up Table,LUT)是一种通过预先定义的映射关系对图像进行像素值映射的方法。OpenCV提供了 cv2.LUT() 函数,使得对图像的像素值进行非常灵活的映射成为可能。

1.4.1 查找表原理

查找表的原理是通过预先定义好的映射表,将输入图像的每个像素值映射到输出图像的对应像素值。这种操作常常用于对图像进行颜色校正、增强对比度、调整亮度等。

在OpenCV中,查找表是一个三维数组,其中每个通道都有一个单独的映射表。通过对查找表的预处理,可以实现各种各样的图像处理效果。

1.4.2 代码演示

以下是OpenCV的代码演示:

import cv2
import numpy as np

# 读取彩色图像
img = cv2.imread('tulips1.jpg')

# 获取图像的高度和宽度
height, width, channels = img.shape

# 创建查找表
lut = np.zeros((256, 1, 3), dtype=np.uint8)

# 处理红色通道
for i in range(256):
    # 小于100的值设为100,大于200的值设为200,其余的设为150
    lut[i, 0, 0] = max(min(200, i), 100)

# 处理绿色通道
for i in range(256):
    # 翻转颜色
    lut[i, 0, 1] = 255 - i

# 处理蓝色通道,保持不变
for i in range(256):
    lut[i, 0, 2] = i

# 应用查找表
result = cv2.LUT(img, lut)

# 显示原始图像和处理后的图像
cv2.imshow('Color Transformation', np.hstack([img, result]))
cv2.waitKey(0)
cv2.destroyAllWindows()

lut

  • cv2.LUT(img, lut): 使用 cv2.LUT() 函数应用查找表,将输入图像 img 的每个像素值通过查找表进行映射,生成处理后的图像 result。

  • np.hstack([img, result]): 使用 np.hstack() 函数将原始图像和处理后的图像水平拼接,以便更直观地比较两者的效果。

通过定义不同的查找表,可以实现对图像的多种处理效果,使图像处理更加灵活和可控。

2 图像变换

通过对图像进行变换,我们可以实现图像的旋转、缩放、平移等操作,从而达到不同的视觉效果和分析目的。在OpenCV中,图像变换操作具有灵活性和高效性,本章节将介绍一些基础的图像变换操作。

2.1 旋转操作

2.1.1 旋转的基本原理

旋转操作是将图像绕着其中心点旋转一定的角度。这个旋转的过程可以通过一个矩阵来表示,即旋转矩阵。对于2D图像,旋转矩阵的表达式为:

R = [ cos ⁡ ( θ ) − sin ⁡ ( θ ) sin ⁡ ( θ ) cos ⁡ ( θ ) ] R = \begin{bmatrix} \cos(\theta) & -\sin(\theta) \\ \sin(\theta) & \cos(\theta) \end{bmatrix} R=[cos(θ)sin(θ)​−sin(θ)cos(θ)​]

其中, θ \theta θ 是旋转的角度。对于图像旋转,我们通常使用 cv2.getRotationMatrix2D 函数来获取旋转矩阵。
在常规的坐标系中,逆时针旋转被认为是正方向。因此,正的旋转角度 θ \theta θ 表示逆时针旋转,而负的旋转角度表示顺时针旋转。

2.1.2 代码实现

import cv2

# 读取图像
img = cv2.imread('tulips1.jpg')

# 获取图像的高度和宽度
height, width = img.shape[:2]

# 定义旋转角度
angle = 45

# 计算旋转矩阵
rotation_matrix = cv2.getRotationMatrix2D((width/2, height/2), angle, 1)

# 进行图像旋转
rotated_img = cv2.warpAffine(img, rotation_matrix, (width, height))

# 显示旋转后的图像
cv2.imshow('Rotated Image', rotated_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这段代码中,cv2.getRotationMatrix2D 函数计算了一个旋转矩阵,然后通过 cv2.warpAffine 函数进行了图像的实际旋转操作。通过改变 angle 的值,我们可以实现不同角度的图像旋转,从而达到不同的视觉效果。
Rotated Image
cv2.getRotationMatrix2D 函数中的 angle 参数表示逆时针旋转的角度。如果希望进行顺时针旋转,只需将 angle 设为负值即可。例如,若要顺时针旋转 45 度,可以将 angle = -45。

cv2.getRotationMatrix2D
是OpenCV中用于获取旋转矩阵的函数,它用于构建一个二维旋转变换矩阵。该函数的语法如下:

python cv2.getRotationMatrix2D(center, angle, scale)

其中:

  • center 是旋转的中心点坐标,通常为图像的中心 (width/2, height/2)。
  • angle 是旋转角度,以逆时针方向为正。
  • scale 是可选的缩放因子,默认为1。

该函数返回一个2x3的矩阵,即旋转矩阵。这个矩阵可以用于后续的图像旋转操作。

在旋转矩阵中,前两列是旋转的两个基向量,第三列是中心点的坐标。形式如下:

R = [ α β ( 1 − α ) ⋅ center x − β ⋅ center y − β α β ⋅ center x + ( 1 − α ) ⋅ center y ] R = \begin{bmatrix} \alpha & \beta & (1-\alpha) \cdot \text{center}_x - \beta \cdot \text{center}_y \\ -\beta & \alpha & \beta \cdot \text{center}_x + (1-\alpha) \cdot \text{center}_y \end{bmatrix} R=[α−β​βα​(1−α)⋅centerx​−β⋅centery​β⋅centerx​+(1−α)⋅centery​​]

其中, α = scale ⋅ cos ⁡ ( angle ) \alpha = \text{scale} \cdot \cos(\text{angle}) α=scale⋅cos(angle)且 β = scale ⋅ sin ⁡ ( angle ) \beta =\text{scale} \cdot \sin(\text{angle}) β=scale⋅sin(angle)。

这个矩阵表示了旋转和缩放的组合变换。这个变换可以通过 cv2.warpAffine 函数应用到图像上,实现旋转和缩放的效果。

2.2 缩放操作

缩放是调整图像大小的基本操作,通过改变图像的宽度和高度,我们可以实现图像的缩小或放大。在图像处理中,缩放操作经常用于调整图像大小以适应不同的显示需求或分析环境。

缩放操作的基本原理是通过对图像的像素进行重新排列,从而改变图像的尺寸。对于缩小操作,通常使用图像插值技术来估算新的像素值;而对于放大操作,则使用插值来填充新的像素。

2.2.1 缩放操作原理

  • 插值:在缩放过程中,为了得到新的像素位置和值,需要使用插值方法。插值是一种估算未知数据点的方法,基于已知数据点的值。

    • 最邻近插值:选择最近的像素值作为新像素的值。
    • 双线性插值:考虑周围四个像素值,通过线性插值计算新像素的值。
    • 双三次插值:使用周围16个像素的值,通过三次插值计算新像素值。
  • 缩放公式:设原图像尺寸为 W × H W \times H W×H(宽度 × \times × 高度),缩放后的尺寸为 W ′ × H ′ W' \times H' W′×H′,则新的像素位置 ( x ′ , y ′ ) (x', y') (x′,y′) 可以通过以下公式确定:
    x ′ = x × W ′ W x' = x \times \frac{W'}{W} x′=x×WW′​
    y ′ = y × H ′ H y' = y \times \frac{H'}{H} y′=y×HH′​
    其中 x , y x, y x,y 是原始像素位置。

2.2.2 代码实现

在OpenCV中,可以使用 cv2.resize 函数实现图像的缩放。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('tulips1.jpg')

# 定义缩放比例
scale_percent = 30

# 计算缩放后的宽度和高度
width = int(img.shape[1] * scale_percent / 100)
height = int(img.shape[0] * scale_percent / 100)

# 进行图像缩放
resized_img = cv2.resize(img, (width, height))

# 使用不同的插值方法放大图像
resized_nearest = cv2.resize(resized_img, (img.shape[1], img.shape[0]), interpolation=cv2.INTER_NEAREST)
resized_linear = cv2.resize(resized_img, (img.shape[1], img.shape[0]), interpolation=cv2.INTER_LINEAR)
resized_cubic = cv2.resize(resized_img, (img.shape[1], img.shape[0]), interpolation=cv2.INTER_CUBIC)

# 创建黑色背景图像
black_background = np.zeros((max(height, img.shape[0]), max(width, img.shape[1]), 3), dtype=np.uint8)
# 将缩放后的图像放置在黑色背景上
resized_img_bg = black_background.copy()
resized_img_bg[:resized_img.shape[0], :resized_img.shape[1], :] = resized_img

# 水平拼接原图和缩小的图像
hconcat_img = cv2.hconcat([img, resized_img_bg, black_background])

# 垂直拼接不同放大方法的图像
vconcat_img = cv2.hconcat([resized_nearest, resized_linear, resized_cubic])

# 最终水平拼接
final_result = cv2.vconcat([hconcat_img, vconcat_img])

# 显示图像
cv2.imshow('Resized Image', final_result)
cv2.waitKey(0)
cv2.destroyAllWindows()

Resized Image

cv2.resize函数有以下参数:

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])

  • src: 原始图像。
  • dsize: 输出图像的大小,可以是元组 (width, height) 或者单个值。
  • dst: 可选参数,输出图像。
  • fx: 沿水平轴的缩放比例。
  • fy: 沿垂直轴的缩放比例。
  • interpolation: 插值方法,用于确定新像素值。默认为 cv2.INTER_LINEAR。

在上面的示例代码中,我们使用了 cv2.resize(img, (width, height)),其中 img 是原始图像,(width, height) 是输出图像的大小。我们没有显式设置 fx 和 fy,因此默认情况下它们都为1,表示沿着水平和垂直方向上的缩放因子都为1。这样的设置等效于等比例缩放。

cv2.resize 函数中的 interpolation 参数用于指定图像缩放时的插值方法。以下是常用的插值方法选项:

  1. cv2.INTER_NEAREST: 最近邻插值。计算新像素值时,选择最近的已知像素值。

  2. cv2.INTER_LINEAR: 线性插值。计算新像素值时,使用相邻的4个像素的加权平均。

  3. cv2.INTER_CUBIC: 三次样条插值。计算新像素值时,使用相邻的16个像素的加权平均,产生更平滑的效果。

  4. cv2.INTER_AREA: 区域插值。计算新像素值时,使用像素区域的像素值的平均。

  5. cv2.INTER_LANCZOS4: Lanczos窗口插值。计算新像素值时,使用Lanczos窗口函数的加权平均。

在实际应用中,选择合适的插值方法取决于图像的内容和应用场景。例如,对于图像放大,通常使用 cv2.INTER_LINEAR 或
cv2.INTER_CUBIC 来保持图像质量。如果需要快速的缩小操作,可以考虑使用 cv2.INTER_NEAREST。

2.3 平移操作

平移是将图像沿着x和y轴移动的操作,通过改变图像的位置,我们可以实现图像的平移。在图像处理中,平移操作常用于调整图像在画布上的位置,以便进一步的处理或显示。在OpenCV中,可以使用 cv2.warpAffine 函数实现图像的平移。

2.3.1 平移操作原理

平移操作的原理是通过构建一个平移矩阵,将图像中的每个像素移动到新的位置。平移矩阵的形式如下:

M = [ 1 0 tx 0 1 ty ] M = \begin{bmatrix} 1 & 0 & \text{tx} \\ 0 & 1 & \text{ty} \end{bmatrix} M=[10​01​txty​]

其中, tx \text{tx} tx 是沿x轴的平移量, ty \text{ty} ty 是沿y轴的平移量。通过 cv2.warpAffine 函数应用这个平移矩阵,即可完成图像的平移操作。

2.3.2 代码实现

以下是一个平移操作的示例代码,通过构建平移矩阵将原始图像沿x轴平移50个像素,沿y轴平移30个像素:

import cv2
import numpy as np

# 读取图像
img = cv2.imread('tulips1.jpg')

# 定义平移矩阵
translation_matrix = np.float32([[1, 0, 50], [0, 1, 30]])  # 沿x轴平移50个像素,沿y轴平移30个像素

# 进行图像平移
translated_img = cv2.warpAffine(img, translation_matrix, (img.shape[1], img.shape[0]))

# 显示平移后的图像
cv2.imshow('Translated Image', translated_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Translated Image
在这个例子中,我们通过 np.float32 创建了一个平移矩阵 translation_matrix,然后使用 cv2.warpAffine 函数将原始图像进行平移。最终,我们显示了原始图像和平移后的图像,通过调整平移矩阵中的参数,可以实现不同方向和距离的平移效果。

2.4 翻转操作

翻转操作通过改变图像的方向,我们可以获得不同的视觉效果。本章将介绍如何使用OpenCV进行图像的水平翻转、垂直翻转以及同时进行水平和垂直翻转的操作。

2.4.1 水平翻转

水平翻转是将图像沿着垂直中轴线进行翻转,即左侧变为右侧,右侧变为左侧。在OpenCV中,可以使用 cv2.flip 函数来实现水平翻转。

import cv2

# 读取图像
img = cv2.imread('tulips1.jpg')

# 进行水平翻转
horizontal_flip = cv2.flip(img, 1)

# 显示原始图像和水平翻转后的图像
cv2.imshow('Horizontal Flip', cv2.hconcat([img, horizontal_flip]))
cv2.waitKey(0)
cv2.destroyAllWindows()

Horizontal Flip

2.4.2 垂直翻转

垂直翻转是将图像沿着水平中轴线进行翻转,即上方变为下方,下方变为上方。同样地,在OpenCV中,可以使用 cv2.flip 函数来实现垂直翻转。

import cv2

# 读取图像
img = cv2.imread('tulips1.jpg')

# 进行垂直翻转
vertical_flip = cv2.flip(img, 0)

# 显示原始图像和垂直翻转后的图像
cv2.imshow('Vertical Flip', cv2.vconcat([img, vertical_flip]))
cv2.waitKey(0)
cv2.destroyAllWindows()

Vertical Flip

2.4.3 同时进行水平和垂直翻转

同时进行水平和垂直翻转是将图像在水平和垂直方向上同时进行翻转,即左上角变为右下角,右下角变为左上角。在OpenCV中,可以使用 cv2.flip 函数的参数来实现同时进行水平和垂直翻转。

import cv2

# 读取图像
img = cv2.imread('tulips1.jpg')

# 同时进行水平和垂直翻转
both_flip = cv2.flip(img, -1)

# 显示原始图像和同时进行水平和垂直翻转后的图像
cv2.imshow('Both Flip', cv2.hconcat([img, both_flip]))
cv2.waitKey(0)
cv2.destroyAllWindows()

Both Flip

通过这三种翻转操作,我们可以轻松地改变图像的方向,适应不同的显示或处理需求。在实际应用中,翻转操作经常用于数据增强、图像处理等场景,为图像处理任务提供更多的变化和选择。

2.5 仿射变换

通过仿射变换,我们可以实现图像的平移、旋转、缩放和剪裁等操作。在OpenCV中,仿射变换是一项强大而灵活的图像处理技术,本章将介绍如何使用OpenCV进行仿射变换。

2.5.1 仿射变换原理

仿射变换是通过线性变换和平移组合而成的一种几何变换。在二维图像中,仿射变换可以表示为:

[ x ′ y ′ ] = [ a b c d ] [ x y ] + [ t x t y ] \begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} + \begin{bmatrix} tx \\ ty \end{bmatrix} [x′y′​]=[ac​bd​][xy​]+[txty​]

其中, [ x y ] \begin{bmatrix} x \\ y \end{bmatrix} [xy​] 是原始图像上的坐标, [ x ′ y ′ ] \begin{bmatrix} x' \\ y' \end{bmatrix} [x′y′​] 是变换后图像上的坐标, [ a b c d ] \begin{bmatrix} a & b \\ c & d \end{bmatrix} [ac​bd​] 是线性变换矩阵, [ t x t y ] \begin{bmatrix} tx \\ ty \end{bmatrix} [txty​] 是平移向量。

2.5.2 构建仿射矩阵

在OpenCV中,可以使用 cv2.getAffineTransform 函数根据三个对应的点构建仿射矩阵。假设有三个对应的点 ( x 1 , y 1 ) ↔ ( x 1 ′ , y 1 ′ ) (x_1, y_1) \leftrightarrow (x_1', y_1') (x1​,y1​)↔(x1′​,y1′​), ( x 2 , y 2 ) ↔ ( x 2 ′ , y 2 ′ ) (x_2, y_2) \leftrightarrow (x_2', y_2') (x2​,y2​)↔(x2′​,y2′​), ( x 3 , y 3 ) ↔ ( x 3 ′ , y 3 ′ ) (x_3, y_3) \leftrightarrow (x_3', y_3') (x3​,y3​)↔(x3′​,y3′​),则可以通过以下方式构建仿射矩阵:

import cv2
import numpy as np

# 原始图像上的三个对应点
pts_original = np.float32([[50, 50], [200, 50], [50, 200]])

# 变换后的图像上的三个对应点
pts_transformed = np.float32([[10, 100], [200, 50], [100, 250]])

# 构建仿射矩阵
affine_matrix = cv2.getAffineTransform(pts_original, pts_transformed)

2.5.3 进行仿射变换

使用得到的仿射矩阵,可以通过 cv2.warpAffine 函数进行仿射变换。以下是一个示例,将原始图像进行仿射变换:

import cv2
import numpy as np

# 读取图像
img = cv2.imread('tulips1.jpg')

# 原始图像上的三个对应点
pts_original = np.float32([[50, 50], [200, 50], [50, 200]])

# 变换后的图像上的三个对应点
pts_transformed = np.float32([[10, 100], [200, 50], [100, 250]])

# 构建仿射矩阵
affine_matrix = cv2.getAffineTransform(pts_original, pts_transformed)

# 进行仿射变换
affine_img = cv2.warpAffine(img, affine_matrix, (img.shape[1], img.shape[0]))

# 显示仿射变换后的图像
cv2.imshow('Affine Transformation', affine_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Affine Transformation
通过调整 pts_original 和 pts_transformed 中的对应点,可以实现不同的仿射变换效果。这为图像的几何调整提供了一种强大的工具。

2.6 投射变换

投射变换是图像处理中的一种重要技术,它涉及将三维场景映射到二维图像上。在OpenCV中,投射变换常用于摄像机标定、虚拟增强现实等应用中。本章将介绍投射变换的基本原理以及如何在OpenCV中实现投射变换。

2.6.1 投射变换基本原理

投射变换涉及将三维空间中的点映射到二维图像上。这一映射过程通常由一个投射矩阵来描述。对于透视投射,投射矩阵可以表示为:

s [ f x 0 c x 0 f y c y 0 0 1 ] [ r 11 r 12 r 13 t x r 21 r 22 r 23 t y r 31 r 32 r 33 t z ] s \begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} r_{11} & r_{12} & r_{13} & t_x \\ r_{21} & r_{22} & r_{23} & t_y \\ r_{31} & r_{32} & r_{33} & t_z \end{bmatrix} s ​fx​00​0fy​0​cx​cy​1​ ​ ​r11​r21​r31​​r12​r22​r32​​r13​r23​r33​​tx​ty​tz​​ ​

其中, s s s 是尺度因子, f x f_x fx​ 和 f y f_y fy​ 是焦距, ( c x , c y ) (c_x, c_y) (cx​,cy​) 是主点, ( t x , t y , t z ) (t_x, t_y, t_z) (tx​,ty​,tz​) 是平移向量, r i j r_{ij} rij​ 是旋转矩阵的元素。

2.6.2 透视投射变换代码实现

在OpenCV中,可以使用 cv2.getPerspectiveTransform 函数来获取透视投射变换矩阵。以下是一个简单的示例,实现透视投射变换:

import cv2
import numpy as np

# 读取图像
img = cv2.imread('tulips1.jpg')

# 原始图像上的四个对应点
pts_original = np.float32([[50, 50], [200, 50], [50, 200], [200, 200]])

# 变换后的图像上的四个对应点
pts_transformed = np.float32([[0, 0], [300, 100], [100, 300], [100, 100]])

# 获取透视投射变换矩阵
perspective_matrix = cv2.getPerspectiveTransform(pts_original, pts_transformed)

# 进行透视投射变换
perspective_img = cv2.warpPerspective(img, perspective_matrix, (img.shape[1], img.shape[0]))

# 显示原始图像和透视投射变换后的图像
cv2.imshow('Perspective Transformation', cv2.hconcat([img, perspective_img]))
cv2.waitKey(0)
cv2.destroyAllWindows()

Perspective Transformation
通过调整 pts_original 和 pts_transformed 中的对应点,可以实现不同的透视投射效果。这一技术在计算机视觉和图像处理中具有广泛的应用,尤其是在图像校正和三维场景还原中。

2.7 极坐标变换

极坐标变换是一种将笛卡尔坐标系下的图像转换为极坐标系的技术。这种变换方式在某些图像处理和计算机视觉任务中非常有用,例如在边缘检测、图像滤波和特征提取等方面。本章将介绍极坐标变换的基本原理以及在OpenCV中如何实现这种变换。

2.7.1 极坐标变换基本原理

极坐标变换将图像从直角坐标系转换为极坐标系。在直角坐标系中,以 O ( 0 , 0 ) O (0,0) O(0,0)为原点,像素点的坐标表示为 ( x , y ) (x, y) (x,y),而在极坐标系中,坐标表示为 ( ρ , θ ) (\rho, \theta) (ρ,θ),其中 ρ \rho ρ 是极径,表示点到原点的距离, θ \theta θ 是极角,表示点相对于正 x 轴的角度。

在这里插入图片描述

变换过程可以用以下公式表示:

  1. 已知 ( x , y ) (x, y) (x,y),则:
    { ρ = x 2 + y 2 θ = arctan ⁡ ( y x ) \left\{ \begin{aligned} \rho &= \sqrt{x^2 + y^2} \\ \theta &= \arctan\left(\frac{y}{x}\right) \\ \end{aligned} \right. ⎩ ⎨ ⎧​ρθ​=x2+y2 ​=arctan(xy​)​

  2. 已知 ( ρ , θ ) (\rho, \theta) (ρ,θ),则:
    { x = ρ ⋅ cos ⁡ ( θ ) y = ρ ⋅ sin ⁡ ( θ ) \left\{ \begin{aligned} x &= \rho \cdot \cos(\theta) \\ y &= \rho \cdot \sin(\theta) \\ \end{aligned} \right. {xy​=ρ⋅cos(θ)=ρ⋅sin(θ)​

2.7.2 极坐标变换代码实现

示例图片:color_plate.jpg
彩色板

以下是一个简单的代码示例:

import cv2
import numpy as np
import math
# 读取图像
img = cv2.imread('color_plate.jpg')

# 创建一个黑色的图像
image_size = img.shape[0]

# 圆心坐标
center = (image_size // 2, image_size // 2)
# 圆的半径
radius = image_size // 2

# PAI值
PI = math.pi
# 极坐标转换后的图像的宽(圆形的周长)
line_width = int(2 * radius * PI)

# 开始极坐标变换
# 建立展开后的图像
polar_image = np.zeros((radius, line_width, 3), dtype=np.uint8)
# 按照圆的极坐标赋值
for row in range(polar_image.shape[0]):
    for col in range(polar_image.shape[1]):
        # 逆时针转动theta角
        theta = - col / line_width * PI * 2
        # 数组下标都从0开始,因此计算结果都要-1,防止越界
        x = int(center[0] + row * math.cos(theta)) - 1
        y = int(center[1] + row * math.sin(theta)) - 1

        # 赋值
        polar_image[row, col, :] = img[y, x, :]
polar_image = cv2.rotate(polar_image, cv2.ROTATE_90_CLOCKWISE)
# 展示结果
cv2.imshow("Polar Image", polar_image)
cv2.waitKey()
cv2.destroyAllWindows()

Polar Image

极坐标变换的基本原理在上述代码中得到了清晰的体现。首先,通过极坐标到直角坐标的转换公式,计算了展开后每个像素点在原图中的坐标位置,然后将对应位置的像素值赋给展开后的图像。这样就完成了从圆形图像到线形图像的转换。

代码实现解读:

  1. 图像准备: 读取原始图像并创建一个黑色的图像用于存储极坐标变换后的结果。

  2. 参数设置: 定义圆心坐标、半径、以及一些常数如 π \pi π。

  3. 展开图像: 使用两层循环,对展开后的图像的每个像素点进行计算。逆时针旋转角度 θ \theta θ,然后计算对应的极坐标,并根据极坐标找到原图像中对应的像素位置。

  4. 图像赋值: 将原图像中对应位置的像素值赋给展开后的图像。

  5. 显示结果: 最后,通过旋转函数 cv2.rotate 将图像旋转90度方便显示。

2.7.3 极坐标逆变换

为了还原回圆形,我们需要反向操作,将极坐标图像重新映射到直角坐标系。
彩色板和极坐标转换全部代码演示:

import cv2
import numpy as np
import math

# 创建一个黑色的图像
image_size = 400
image = np.zeros((image_size, image_size, 3), dtype=np.uint8)

# 圆心坐标
center = (image_size // 2, image_size // 2)
# 圆的半径
radius = image_size // 2 - 5

# 分成八份
num_sectors = 8
angle_step = 360 // num_sectors

# 九种颜色(包括新颜色)
colors = [
    (0, 0, 255),  # 红
    (0, 165, 255),  # 橙
    (0, 255, 255),  # 黄
    (0, 255, 0),  # 绿
    (255, 255, 0),  # 青
    (255, 0, 0),  # 蓝
    (75, 0, 130),  # 靛
    (128, 0, 128),  # 紫
]

# 画扇形
for i in range(num_sectors):
    start_angle = i * angle_step
    end_angle = (i + 1) * angle_step
    color = colors[i]

    # 画白色扇形
    cv2.ellipse(image, center, (radius, radius), 0, start_angle, end_angle, (255, 255, 255), -1, lineType=cv2.LINE_AA)
    # 画彩色扇形
    cv2.ellipse(image, center, (radius - 3, radius - 3), 0, start_angle + 1, end_angle - 1, color, -1,
                lineType=cv2.LINE_AA)

    # 计算扇形中央坐标
    mid_angle = (start_angle + end_angle) // 2
    mid_x = int(center[0] + (radius - 60) * np.cos(np.radians(mid_angle)))
    mid_y = int(center[1] + (radius - 60) * np.sin(np.radians(mid_angle)))
    # 添加数字
    cv2.putText(image, str(i + 1), (mid_x, mid_y), cv2.FONT_HERSHEY_DUPLEX, 1, (255, 255, 255), 6, cv2.LINE_AA)
    cv2.putText(image, str(i + 1), (mid_x, mid_y), cv2.FONT_HERSHEY_DUPLEX, 1, (0, 0, 0), 2, cv2.LINE_AA)

# PAI值
PI = math.pi
# 极坐标转换后的图像的宽(圆形的周长)
line_width = int(2 * radius * PI)

# 开始极坐标变换
# 建立展开后的图像
polar_image = np.zeros((radius, line_width, 3), dtype=np.uint8)
# 按照圆的极坐标赋值
for row in range(polar_image.shape[0]):
    for col in range(polar_image.shape[1]):
        # 逆时针转动theta角
        theta = - col / line_width * PI * 2
        # 数组下标都从0开始,因此计算结果都要-1,防止越界
        x = int(center[0] + row * math.cos(theta)) - 1
        y = int(center[1] + row * math.sin(theta)) - 1

        # 赋值
        polar_image[row, col, :] = image[y, x, :]

# 还原极坐标图像
restored_image = np.zeros_like(image)
for row in range(polar_image.shape[0]):
    for col in range(polar_image.shape[1]):
        # 逆时针转动 theta 角
        theta = -col / polar_image.shape[1] * PI * 2
        # 计算在直角坐标系中的坐标
        x = int(center[0] + row * math.cos(theta))
        y = int(center[1] + row * math.sin(theta))
        # 赋值
        restored_image[y, x, :] = polar_image[row, col, :]

# 展示结果
polar_image = cv2.rotate(polar_image, cv2.ROTATE_90_CLOCKWISE)
polar_image = cv2.resize(polar_image, (int(2 * radius * image_size / line_width), image_size))
cv2.imshow("Polar and Restored Image", cv2.hconcat([image, polar_image, restored_image]))
cv2.waitKey()
cv2.destroyAllWindows()

Polar and Restored Image


总结

这篇博客中,我们了解了像素操作和图像变换的多个方面。

  • 首先,通过像素统计、图像加法、混合以及二值化等操作,我们展示了如何灵活处理图像像素以达到不同的效果。查找表作为一种高效的像素值映射方式,也为图像处理提供了便捷的工具。

  • 接着,我们深入学习了图像变换的多个方面,包括旋转、缩放、平移、翻转、仿射变换以及投射变换。每个操作都有其独特的原理和实现方式,而OpenCV提供的函数使得这些操作变得更加简单高效。

  • 特别地,我们探讨了极坐标变换,这是一种将图像从直角坐标系转换为极坐标系的技术。通过详细讲解基本原理和代码实现,我们展示了极坐标变换在图像处理中的潜在应用。

快速对图像的像素进行操作 opencv 实战 OpenCV 如何对图像的像素进行操作 2013年10月03日 ⁄ 综合⁄ 共 2952字 ⁄ 字号 小 中 大 ⁄ 评论关闭 对图像的像素进行操作,我们可以实现空间增强,反色等目的。让我们先来看一下内存空间中图像矩阵,也就是Mat的矩阵数值部分是怎么存储的: 如果图像是一幅灰度图像,他就像这样,从左到右,从上到下,依次是矩阵的每一行每一列,这时候矩阵M(i,j)的值自然就是当 阅读详情

相关推荐

OpenCV常见的图像变换

拉伸、收缩、扭曲和旋转 最简单的图像变换是调整图像大小,使其变大或变小。但实际操作时要比想象的复杂一些,因为调整大小带来了像素如何插值(放大)或合并(减少)的问题。 均匀调整 cv::resize() void cv::resize(InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int inte...

godadream的博客 6984

Opencv_09 图像的几何变换

文章目录一. 平移① 平移的原理② 平移实现 一. 平移 ① 平移的原理 平移就是将图像中的所有的点按照平移量水平或者垂直的移动. 假设要水平右侧移动100个像素,向下移动50个像素,则原图像和目标图像的对应关系为: dst(x,y) = src(x + 100,y + 50) 就是一个坐标变换,将原来的位置(0,0)的像素值,赋值给位置是(100,50)的位置,然后后面的像素都按照这种规则替换 可以转换为 dst(x,y) = src(x * 1 + y * 0 + 100,x * 0 + y

Fioman_GYM的博客 1448

图像预处理-图像亮度变换

像素强度整体变高或者变低。:暗处像素强度变低,亮处像素强度变高,从而中间某个的显示精度。:需要通过一起控制。:通过控制。比如,图像中一点的像素为160,一点为10,我想增强对比度,那就是让这两点更大。可以让为1.5,这样两点像素值就分别变成了240和15,然后为10,就变成了250和25,差异就更大了。

Clocky7 1287

Opencv的部分知识内容

• thresholdType:阈值类型,如下图THRESH_BINARY类型,修改后原图像像素小于127的值会会变成0,大于127的值会变成255。retval, dst = cv2.threshold(src, thresh, maxval, thresholdType)• dst:结果图像。img=cv2.imread("D:\\desk\\images\\lena02.png",0) #0:自动将图像转为灰度图。print(img.shape) #(高,宽,通道)

Caoyuanyang的博客 485

图像的傅里叶变换和逆变换C++版

首先把整体程序分段,每段都是单独的功能。最后再把完整代码给出: 头文件:包含OpenCV和标准库输出调试 #include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp> using namespace cv; #include <iostream> using std::cout; using std::

Dezeming的博客 7209

SpringBoot整合海康SDK实战:从设备初始化到PS流录像转MP4全流程(附避坑指南)

本文详细介绍了SpringBoot整合海康SDK的完整实战流程,涵盖设备初始化、通道管理、录像检索与下载。针对海康设备生成的PS流录像文件无法直接播放的痛点,重点解析了如何利用FFmpeg高效、无损地将其转换为通用的MP4格式,并提供了关键的避坑指南和性能优化建议。

chair的专栏 767

Python+opencv裁剪/截取图片的几种方式

文章目录前言一、手动单张裁剪/截取二、根据图片的位置坐标进行裁剪/截取三、opencv获取边缘并根据bounding box截取/裁剪目标四、用YOLO目标检测框裁剪并批量保存总结 前言 在计算机视觉任务中,如图像分类,图像数据集必不可少。自己采集的图片往往存在很多噪声或无用信息会影响模型训练。因此,需要对图片进行裁剪处理,以防止图片边缘无用信息对模型造成影响。本文介绍几种图片裁剪的方式,供大家参考。 一、手动单张裁剪/截取 selectROI:选择感兴趣区域,边界框框选x,y,w,h selectR

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 23万+

谈谈SAP顾问的几个发展趋势

大家新年好,今天想聊一下对SAP顾问发展趋势的一些个人见解。过去10多年得益于我国的经济发展,外资不断加大在中国的投资和中国企业的发展,SAP顾问行业得到了很大的发展和壮大。那么未来几年SAP顾问的职业发展到底怎么样呢?

syounger的专栏 2516

03:像素的基本操作

像素是图像的最小单位,每一幅图像都是由N行M列的像素组成的,其中每一个像素都存储一个像素值。以灰度图为例,计算机通常把灰度图像的像素处理为256个灰度级别,256个灰度级别分别使用区间[0,255]中的整数数值表示。其中“0”表示纯黑色,“255”表示纯白色图像是有许多小方块组成,通常把一个小方块称作一个像素,因此一个像素是具有一定面积的小块,而不是一个点。需要注意的是像素的形状是不固定的,大多数数况下,像素被认为是方形的,但有时也可能是圆形的或者其他形状的。

qq_63119830的博客 2879

【SWAT水文模型】SWAT-CUP参数率定与模型验证实战指南

本文提供了SWAT水文模型参数率定与模型验证的完整实战指南。详细介绍了如何使用SWAT-CUP工具,特别是SUFI-2算法,进行自动化参数校准,并阐述了模型验证的关键步骤以避免过度拟合。内容涵盖从工程搭建、核心参数选择、迭代优化到结果分析与常见问题排查的全流程,旨在帮助用户提升SWAT模型模拟的准确性与可靠性。

weixin_29072299的博客 506

基于PLC智能立体车库控制系统设计

摘要 本系统设计以三层立体车库为研究对象,通过对立体车库的原理分析、动作流程设计和一系列的软硬件设计,达到立体车库自动化控制的目的。系统采用可编程控制器作为立体车库控制系统的控制单元,实现该系统的工艺要求,通过程序仿真调试,完成系统的各种动作要求,达到自动控制的目的。系统设计分为总体设计、硬件设计以及软件设计。按照立体车库控制系统的控制策略进行图纸设计;重点分析工艺流程图,对立体车库控制系统进行程序编译和MCGS上位机调试,通过系统的调试和修改,达到了基本控制的要求。系统设计明确了工艺要求,确定

DX884164131的博客 3603

OpenCV4快速入门

OpenCV4快速入门001-图像读取与显示quickDemo类的定义(头文件)quickDemo类的函数实现002-色彩空间变换(cvtColor)003-图像对象的创建与赋值(m2=m1,clone,copyto)004-图像像素的读写操作(image.at(row, col),image.at(row, col)[0])005-图像像素的算术操作(+,-,multiply,divide)006-trackbar滚动条操作演示-调整图像亮度(add,subtract)007-trackbar滚动条操作演

吾名招财的博客 9928

QGIS中高效处理CAD数据的两种实用技巧

本文详细解析了在QGIS中高效处理CAD数据的两种核心方法。针对DWG/DXF文件在QGIS中直接打开失败的问题,介绍了使用QGIS内置数据导入管理器进行标准化转换的流程,并重点推荐了功能更强大的Another DXF Importer插件,以更好地保留文字、块属性等复杂信息。文章对比了两种方法的优劣与适用场景,并提供了坐标系设置、中文乱码等常见问题的避坑指南,帮助用户根据数据需求选择最佳导入策略。

weixin_28363123的博客 122

opencv学习之快速对图像的像素进行操作 opencv 实战

OpenCV 如何对图像的像素进行操作 转载自:http://blog.csdn.net/zwlq1314521/article/details/45038271 对图像的像素进行操作,我们可以实现空间增强,反色,大部分图像特效系列都是基于像素操作等目的。先来看一下内存空间中图像矩阵,也就是Mat的矩阵数值部分是怎么存储的: 如果图像是一幅灰度图像,他就像这样,从左到右,

qq_26460507的博客 762

Qt绘图库对决:QWT与QCustomPlot的实战选型指南

本文为Qt开发者提供了QWT与QCustomPlot两大绘图库的实战选型指南。文章从功能特性、性能资源、开发效率三大维度进行深度对比,并结合工业监控、科学计算、嵌入式设备等典型场景,给出了清晰的决策清单。对于需要专业科学图表(如极坐标、等高线图)的场景推荐QWT;对于追求高性能、实时性、快速开发及嵌入式部署的通用图表需求,QCustomPlot是更优选择。

alpha的博客 244

基于Simulink的四足机器人关节力矩优化仿真建模示例

高自由度:每个腿至少有3个自由度(DOF),增加了控制的复杂性。非线性动力学:涉及多体系统的相互作用,包括接触力、摩擦力等。能量消耗:减少不必要的能量消耗是提升续航能力和效率的关键。可以是最小化能量消耗或最大化稳定性等。matlab深色版本% 示例代码通过本指南,我们介绍了如何基于Simulink搭建一个四足机器人的关节力矩优化模型,并进行了仿真以验证其基本功能。

amy_mhd的博客 175

OpenCV快速入门:图像分析——傅里叶变换、积分图像

在当今数字时代,图像无处不在,而图像分析成为解读、理解和处理这些图像的关键技术之一。本文将介绍图像分析的基础知识,并结合OpenCV中的强大功能,深入探讨图像分析的几个重要方面:傅里叶变换、积分图像、图像分割和图像修复。

吾家有猫名探花的博客 2442

【运动规划算法项目实战】如何使用Pure Pursuit算法进行路径跟踪(附ROS C++代码)

在自动驾驶和机器人导航领域,路径跟踪是一项关键技术,它使车辆或机器人能够按照预定的路径规划进行移动。路径跟踪算法的选择对于系统性能和安全性至关重要。本文将介绍一种常用且有效的路径跟踪算法——Pure Pursuit算法。我们将详细讨论Pure Pursuit算法的原理、实现步骤以及如何在自动驾驶和机器人系统中应用该算法进行路径跟踪。Pure Pursuit是一种用于路径跟踪的控制算法。它通过计算角速度控制机器人从当前位置移到机器人前方的某个预瞄点。假定线速度是恒定的,当然可以随意更改机器人的线速度。

xiewf的博客 1万+

OpenCV学习 基础图像操作(十六):图像距离变换

距离变换(Distance Transforms)是计算机视觉和图像处理中的一种重要工具。其基本思想是将每个像素的值变换为其到最近的某一特定点集(如二值图像中的“on”像素)的距离。以下是关于距离变换的一般算法流程和相关公式。

fan1102958151的博客 1946

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

OpenCV 图像变换与处理实战

图像变换与处理实战

weixin_53223301的博客 1697

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

【OpenCV】图像傅里叶变换

傅里叶变换(Fourier Transform)是一种将时间域或空间域中的信号转换为频率域表示的数学工具。在图像处理中,二维离散傅里叶变换(2D-DFT, Two-Dimensional Discrete Fourier Transform)被广泛应用于频域滤波、图像压缩、特征提取等领域。OpenCV 提供了执行傅里叶变换的功能,使得开发者能够方便地对图像进行频域分析和操作。

专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发 3452

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

OpenCV —— 图像分割之基于距离变换的分水岭分割

图像分割处理流程 1. 原图像灰度化,二值化,开运算消除噪点 2. 距离变换,归一化 `distanceTransform` `normalize` 3. 再次二值化,得到确定的前景,即种子 4. 根据种子生成 Marker,可以通过以下两种方式生成: * 查找连通分量 `connectedComponents` * 查找轮廓,绘制轮廓 `findContours`, `drawContours` 5. 分水岭变换 `watershed` 6. 输出图像

学无止境 4224

OpenCV快速入门十:图像的基本变换

图像平移 旋转 缩放 仿射变换 透视变换 变换矩阵 翻转 resizze flip rotate getAffineTransform warpAffine getPerspectiveTransform cv2.warpPerspective opencv学习

小柒的博客 1433

opencv快速入门(二)——图像像素线性变换和非线性变换

opencv快速入门(二)——图像像素线性变换和非线性变换。

Recursions的博客 1066

【图像处理】——距离变换算法

通过本文可以了解到1.什么是图像的距离?2.什么是距离变换?3.距离变换的计算4.OpenCV中距离变换的实现距离(distance)是描述图像两点像素之间的远近关系的度量,常见的度量距离有欧式距离(Euchildean distance)、城市街区距离(City block distance)、棋盘距离(Chessboard distance)。欧式距离欧式距离的定义源于经典的几何学,与我们数学中所学的简单几何的两点之间的距离一致,为两个像素点坐标值得平方根。

m0_46376148的博客 1万+

OpenCV快速入门【完结】:总目录——初窥计算机视觉

在当今的计算机视觉领域,OpenCV(Open Source Computer Vision Library)作为一个功能强大、开源的计算机视觉库,在图像处理和计算机视觉方面发挥着重要作用。它提供了丰富的功能,包括图像处理、计算机视觉、机器学习等,是许多计算机视觉项目的首选工具。本系列文章旨在为初学者提供一个快速入门的指南,介绍OpenCV的基础知识和应用。本系列基于OpenCV 3.4版本,从基础的像素操作到复杂的图像分析技术,涵盖了广泛的主题。

吾家有猫名探花的博客 3048
上一篇: OpenCV快速入门:初探
下一篇: OpenCV快速入门:绘制图形、图像金字塔和感兴趣区域
吾家有猫名探花
博客等级 码龄11年 5776粉丝 65原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址