python怎么做图像处理_使用Python+OpenCV进行图像处理之入门教程

简介人脸识别和目标检测这样的术语听起来觉得很酷,但是当涉及到从头开始实现它们时,每个初学者都会觉得困难,这些技术实际上并没有那么难实现,一旦你掌握了其基本原理,那么实现它们就相当简单了。图像处理有很多种应用,包括用于解析文档和生成相应文本的光学字符识别(OCR)、图像增强与重建、物体识别、人体运动识别、手势识别、人脸识别等。在学习的过程中,你会遇到过奇形怪状的各种图像滤波器,那有没有去思考如何实现它吗,在本文中,我们将通过实现一个简单的滤波器来开始我们的图像处理之旅!什么是OpenCVOpenCV是一个开源库,包含了许多计算机视觉算法。它在计算机视觉和图像处理中起着重要作用,用于实时操作,其效率足以满足工业上的要求。OpenCV可以与其他库一起使用,比如Numpy,这使得Python能够处理OpenCV数组结构。实现我们的第一个滤波器检测逻辑计算机不能像人类一样识别物体,为了能让计算机达到这个目的,我们可以使用各种技术来让计算机理解图像,我们会将颜色作为检测物体的主要依据。我们使用HSV颜色空间作为检测特征。什么是HSVHSV是Hue, Saturation 和Value(色调、饱和度和值)。色调:根据光谱,物体的颜色可分为红、蓝、绿、黄四种颜色。饱和度:它定义了颜色的强度。值:定义颜色的亮度。OpenCV中有150多种颜色空间转换方法,其中一种是彩色图像到HSV图像的转换。我们来看看代码我们需要导入我们要使用的库-OpenCV(cv2)和Numpy。import cv2

import numpy as np

Numpy是一个python库,用于处理数组,它比传统的python列表快50倍,这对我们来说非常重要,因为我们要处理很多图像。Numpy给了我们在线性代数、傅立叶变换、矩阵等领域工作的函数。import cv2

import numpy as np

def nothing():

pass

cap=cv2.VideoCapture(0)

while(1):

_, img = cap.read()

k=cv2.waitkey(1)&0xFF

if k==27:

break

cap.release()

cv2.destroyAllWindows()

我们创建了一个回调函数,它什么也不做,让我们看看为什么。我们使用一个窗口来控制HSV,因为我们不知道要检测的对象的HSV,因此我们用它来调整HSV的上下限。因为当我们使用创建trackbar的方法时,我们需要传递一个必要的回调函数,在我们的例子中,这个回调函数什么也不做(但是它的使用会根据父函数的需要而改变);然后我们使用了一个方法cv2.videocapture(0),它是一个内置函数,用来从默认摄像机捕捉视频(0表示选择默认摄像机);最后,我们删除了所有的窗口,并在一个点击事件(这里我们设置为ESC键)后释放捕获。我们可以用下面的函数命名一个窗口。cv2.namedWindow(<window name>)

让我们继续敲代码…import cv2

import numpy as np

def nothing(x):

pass

cap=cv2.VideoCapture(0)

cv2.namedWindow('tracking')

cv2.createTrackbar('LH','tracking',0,255,nothing)

cv2.createTrackbar('LS','tracking',0,255,nothing)

cv2.createTrackbar('LV','tracking',0,255,nothing)

cv2.createTrackbar('UH','tracking',255,255,nothing)

cv2.createTrackbar('US','tracking',255,255,nothing)

cv2.createTrackbar('UV','tracking',255,255,nothing)

因此,在设置检测条件后,我们需要将原始数据(即彩色图像)转换为HSV图像。为了将基本彩色图像转换为HSV图像,我们使用<variableName> = cv2.cvtColor(<frameName>,cv2.COLOR_BGR2HSV)

然后利用Numpy数组方法设置trackbar中数据的上下界。<variableName> = np.array(<array_Of_Parameters>)

使用这个,我们会得到上面设置的所有轨迹条值。接下来我们主要做两件事:1.创建掩码掩码是一种二进制图像,它指示要在其中执行操作的像素。2.我们将使用位和逻辑来屏蔽原始图像。我们使用名为“bitwise_and”的cv2方法,它执行逻辑与运算。<maskName> = cv2.inRange(hav, l_b, u_b)

res = cv2.bitwise_and(<frameName>, <frameName>, mask = <maskName>)

import cv2

import numpy as np

def nothing(x):

pass

cap=cv2.VideoCapture(0)

cv2.namedWindow('tracking')

cv2.createTrackbar('LH','tracking',0,255,nothing)

cv2.createTrackbar('LS','tracking',0,255,nothing)

cv2.createTrackbar('LV','tracking',0,255,nothing)

cv2.createTrackbar('UH','tracking',255,255,nothing)

cv2.createTrackbar('US','tracking',255,255,nothing)

cv2.createTrackbar('UV','tracking',255,255,nothing)

while (1):

_, img=cap.read()

hav=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

l_h=cv2.getTrackbarPos('LH','tracking')

l_s=cv2.getTrackbarPos('LS', 'tracking')

l_v=cv2.getTrackbarPos('LV', 'tracking')

u_h=cv2.getTrackbarPos('UH', 'tracking')

u_s=cv2.getTrackbarPos('US', 'tracking')

u_v=cv2.getTrackbarPos('UV', 'tracking')

l_b=np.array([l_h,l_s,l_v])

u_b=np.array([u_h,u_s,u_v])

mask=cv2.inRange(hav, l_b, u_b)

res = cv2.bitwise_and(img, img, mask=mask)

cv2.imshow('image', img)

cv2.imshow('mask', mask)

cv2.imshow('res', res)

k=cv2.waitKey(1)&0xFF

if k==27:

break

cap.release()

cv2.destroyAllWindows()

这些帧使用名为“imshow”的方法显示。cv2.imshow(<name_of_Window>, <windowVariable>)

结果

结果只检测到粉红色的物体,这是因为我们只想选择粉红色的物体!实际上,我们已经使用轨迹条为特定的粉红色设置了HSV值,这就是输出只有特定粉红色的原因。您可以选择要检测的任何特定颜色值。

结论本文我们实现了一个滤波器,可以检测我们指定特定颜色的物体。我们所做的只是图像处理和目标检测的一个非常基本的介绍性任务。近年来,计算机视觉领域有了很大的发展,其中大部分都包含了机器学习和深度学习技术。在许多项目中,对象检测是首先执行的基本任务,因为它为我们提供了有关环境的信息,我们可以根据使用情况进行过滤。

参考引用Implementing colour and shape-based object detection and tracking with OpenCV.

GPU编程基础-CUDA实现图像处理 随着GPU芯片的不断更新换代,大规模并行计算正在信息时代逐渐普及,相比于CPU计算,GPU的并行计算到底有哪些特点和优势呢?本博客以图像处理为例子,深入浅出的说明了GPU并行计算在图像预处理等任务上的应用优势。 阅读详情

相关推荐

OpenCV4.x图像处理实例-Lucas–Kanade微分算法目标轨迹追踪

06-Lucas–Kanade微分算法目标轨迹追踪 06-Lucas–Kanade微分算法目标轨迹追踪 1. 前言 Lucas–Kanade微分算法目标追踪描述 3. 代码实现 1. 前言 光流的概念最早是由Gibson在1950年提出的。它是空间移动物体在像素观察平面中移动的瞬时速度。是一种计算物体在相邻帧间运动信息的方法。 一般来说,光流(Optical Flow)是物体在三维空间中的运动在二维像平面上的投影。它是由物体和相机的相对速度产生的,反映了物体在极小时间内对应的图像像素的运动方向

视觉与物联智能 761

CUDA 图像编程

CUDA 图像编程 一个 Grid 分成 按维度分成多个Block,个数为 GridDim.x * GridDim.y 遍历: blockIdx.x , blockIdx.y 一个Block 按维度分成多个Thread,个数为 BlockDim.x * BlockDim.y Thread 是最小的运行单元 遍历:threadIdx.x , threadIdx.y 图像处理中,一个像素对应到一个...

MAX的专栏 1562

Python图像处理入门教程:探索OpenCV

图像处理是计算机视觉领域中的重要组成部分,而Python是一种强大的编程语言,具备丰富的图像处理库。其中,OpenCV(Open Source Computer Vision Library)是一个广泛使用的开源库,提供了许多图像处理和计算机视觉算法。本文将介绍Python中使用OpenCV进行图像处理的基础知识,并提供相应的源代码示例。我们学习了如何读取和显示图像,以及如何使用OpenCV进行常见的图像处理操作。通过实践和进一步的学习,您可以进一步探索更高级的图像处理技术和算法。语句导入OpenCV库。

UaCode的博客 129

opencv 图像上画出目标运动的轨迹_开始图像处理

简介人脸识别和目标检测这样的术语听起来很酷,但是当涉及到从头开始创建它们时,初学者都会感到困惑。这些技术通常看起来很吓人,但一旦你掌握了基本原理,它们就相当简单了。图像处理有多种应用,如用于解析文档和生成相应文本的光学字符识别(OCR)、图像增强与恢复、事件识别、人体运动识别、手势识别、人脸识别等。你可能遇到过奇形怪状的滤波器,有没有想过那是怎么做的?在本文中,我们将通过制作一个简单的滤波器来开始...

weixin_39915721的博客 1666

opencv-python运动物体位置追踪实验1

opencv-python运动物体位置追踪实验一.预备知识介绍①此实验的代码与颜色轨迹描绘实验的代码非常类似,本质还是通过颜色识别追踪运动物体的实时位置②cnt

python+opencv实现动态物体追踪

主要为大家详细介绍了python+opencv实现动态物体的追踪,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

使用Python+OpenCV进行图像处理之入门教程

简介人脸识别和目标检测这样的术语听起来觉得很酷,但是当涉及到从头开始实现它们时,每个初学者都会觉得困难,这些技术实际上并没有那么难实现,一旦你掌握了其基本原理,那么实现它们就相当简单了。...

深度学习与计算机视觉 3769

Potplayer + LAVFilters + madVR 配置教程

文章目录Potplayer + LAVFilters + madVR 配置教程工具安装篇设置调教1.potplayer播放器设置加载LAVFilters和madVR1.选择“源滤镜/分离器”选项,选择“滤镜/解码器管理”2.“添加外部滤镜”3.浏览到刚才LAVFilters解压的文件夹,分别添加图示项。4.添加后回到管理界面设置,点击左边的”LAV AudioDecoder”,将右边”音频解码器”...

re 16万+

Python图像处理:OpenCV入门教程

所谓图像处理指利用计算机技术对图像进行处理和增强的过程。它是计算机视觉的组成部分,可应用于多个领域。OpenCV是一种计算机视觉开源库。它由英特尔公司研发,可支持多种编程语言,如C++、Python 和 Java 等。主要用于开发实时的计算机视觉应用程序。它具有强大的图像处理功能,支持多种图像格式和数学运算,使开发人员可以很容易地使用和定制这个库。另外,它还具有良好的跨平台性能,能够在Windows、Linux 和 macOS 等多个操作系统上运行。人脸识别是一种基于图像和视频的自动识别技术。

BXA 9621

3D医学影像分割新突破:手把手教你用MedSAM2快速标注CT/MRI数据(附3D Slicer插件配置)

本文详细介绍了如何利用MedSAM2模型进行3D医学影像分割,包括从环境准备到3D Slicer插件配置的全流程。通过实战案例和技巧分享,帮助医疗从业者快速掌握CT/MRI数据的高效标注方法,提升医学影像分析的准确性和效率。

ujm5678901的博客 304

用Python实现一个猜密码的程序

我们用Python实现猜密码

sk6584631_sz的博客 1263

图像处理入门教程:从Python到Opencv

通过本教程,应该对Python编程和Opencv的基础知识有了一定的了解。这些基础知识将为您后续的学习和开发提供坚实的基础。在学习过程中,不仅要掌握语法规则,还要注重实践和不断的练习,这样才能更好地运用Python来解决问题和开发应用。本次的教程就结束了,今后的学习中,如果遇到不会的问题,可以再去查找,在遇到问题时学会新的知识。

m0_62919535的博客 1795

用 RFC Destination 打通 VS Code 与 ABAP 后端,ABAP 开发连接不只是登录那么简单

本文重点介绍了在VS Code中配置ABAP开发环境时建立RFC destination连接的关键细节。文章指出:1. RFC destination是连接前端开发工具与ABAP后端的核心配置,包含系统类型、客户端、用户名等关键信息;2. 连接方式的选择(RFC/HTTP)由产品形态决定,On-Premise和Private Edition使用RFC,而BTP和Public Cloud使用HTTP;3. 连接创建后需要通过添加工作区文件夹来展示开发对象;4. RFC连接涉及网络可达性、身份认证和开发权限三个

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 216

python opencv图像处理入门教程_基于 opencv 的图像处理入门教程

前言虽然计算机视觉领域目前基本是以深度学习算法为主,但实际上很多时候对图片的很多处理方法,并不需要采用深度学习的网络模型,采用目前成熟的图像处理库即可实现,比如 OpenCV 和 PIL ,对图片进行简单的调整大小、裁剪、旋转,或者是对图片的模糊操作。所以本文主要是介绍用 OpenCV 实现一些基本的图像处理操作,本文的目录如下所示:安装旋转图片裁剪图片调整图片大小调整图片对比度模糊图片高斯模糊中...

weixin_39525812的博客 119

MATLAB与ROS联合仿真——控制类功能模块介绍

MATLAB与ROS联合仿真——控制类功能模块介绍

慕羽★的博客 2353

GEE:哨兵时间序列遥感数据和动态阈值方法计算物候时期EOS/SOS(2)

本文将分享和解释论文《Improved Estimates of Arctic Land Surface Phenology Using Sentinel-2 Time Series》中使用到的基于阈值估算北极地区的植被物候,特别是北极地区的植被季节开始和结束的日期(SoS和EoS)的方法和代码。该方法使用的是使用哨兵2数据,并实现了两种阈值方法( 无平滑的阈值方法、平滑后的阈值方法)。

养乐多的博客 2973

Python---Opencv图像处理入门教程 第一期

Opencv入门 第一期

shihuntz的博客 1842

2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)

2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)

前程算法屋的博客 5593

图像处理编程中的mask_使用Python+OpenCV进行图像处理之入门教程

简介人脸识别和目标检测这样的术语听起来觉得很酷,但是当涉及到从头开始实现它们时,每个初学者都会觉得困难,这些技术实际上并没有那么难实现,一旦你掌握了其基本原理,那么实现它们就相当简单了。图像处理有很多种应用,包括用于解析文档和生成相应文本的光学字符识别(OCR)、图像增强与重建、物体识别、人体运动识别、手势识别、人脸识别等。在学习的过程中,你会遇到过奇形怪状的各种图像滤波器,那有没有去思考如何实现...

weixin_36059638的博客 845

刷机维修进阶教程-----oppo机型 一加 7pro 修复基带 更改参数 实例详细步骤解析

通过课程基本可以了解 1-----oppo机型与一加7机型更改参数的具体步骤解析 2------了解oppo机型开启diag端口的具体步骤 3-----了解一加7这些机型改参数常识 。可以借鉴参考用于其他机型 4-----了解手机基带分区与基带辅助分区的作用 5-----机型参数能读取到 但不能写这种情况如何操作

小马哥的专栏 1486

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

cvtcolor python opencv_基于 opencv 的图像处理入门教程

前言虽然计算机视觉领域目前基本是以深度学习算法为主,但实际上很多时候对图片的很多处理方法,并不需要采用深度学习的网络模型,采用目前成熟的图像处理库即可实现,比如 OpenCV 和 PIL ,对图片进行简单的调整大小、裁剪、旋转,或者是对图片的模糊操作。所以本文主要是介绍用 OpenCV 实现一些基本的图像处理操作,本文的目录如下所示:安装旋转图片裁剪图片调整图片大小调整图片对比度模糊图片 高斯模糊...

weixin_39986178的博客 64

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

OpenCV Python图像处理 30分钟入门教程

本教程基于Python讲解OpenCV图像处理,涵盖环境安装(清华镜像)、图像读写、BGR通道、裁剪、绘图、高斯/中值滤波、角点检测、模板匹配、梯度算法、阈值分割、形态学操作及摄像头调用,适合初学者快速上手计算机视觉基础

2502_93655221的博客 182

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

【人工智能】从零开始掌握OpenCV:Python图像处理最详细入门教程(实战代码全解析)

OpenCV是由Intel公司于1999年发起的开源计算机视觉库,旨在提供一种通用的基础设施,以加速计算机视觉应用的研究与开发。它支持多种编程语言,包括C++、Python和Java,并可在多个平台上运行,如Windows、Linux、macOS、Android和iOS。本文详细介绍了OpenCV在Python中的应用,从基础操作到高级应用,涵盖了图像读取、显示、处理、视频处理、物体检测与追踪、人脸识别等多个方面。通过实战项目的指导,相信你已经掌握了使用OpenCV进行图像处理的基本技能。

万物皆有灵 2882
上一篇: 摄像头poe供电原理_安防必学知识:监控摄像头供电有的几种方式?
下一篇: 交换机接口用了那几根线_5分钟学懂交换机不同连接的方法
无法还原的象
博客等级 码龄6年 29粉丝 73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  | 博主筛选后可见
 
 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