openCV教程(三)

news/2024/7/17 3:40:08

文章目录

  • 1 车辆统计项目
    • 1.1 背景减除
    • 1.2 车辆统计
  • 2 特征点检测和匹配
    • 2.1 harris角点检测
    • 2.2 shi-tomasi角点检测
    • 2.3 SIFT关键点检测
    • 2.4 SURF特征检测
    • 2.5 ORB特征检测
  • 3 特征匹配
    • 3.1 暴力特征匹配
    • 3.2 FLANN特征匹配
    • 3.3 图像查找
      • 3.3.1 单应性矩阵
  • 4 模版匹配
    • 4.1 模版匹配
    • 4.2 匹配多个对象
    • 4.3 处理模版图片
    • 4.4 数字模版处理和信用卡图片形态学操作
  • 5 图像分割
    • 5.1 分水岭法
    • 5.2 GrabCut
    • 5.3 MeanShift
  • 6 图像修复
  • 7 人脸检测

1 车辆统计项目

在这里插入图片描述

import cv2
import numpy as np# 读取视频
cap = cv2.VideoCapture('./video/car.mp4')# 循环读取视频每一帧
while True:ret, frame = cap.read()if ret:cv2.imshow('video',frame)key = cv2.waitKey(1)# 用户按esc推出if key == 27:break# 最后释放资源
cap.release()
# 关闭窗口
cv2.destroyAllWindows()

1.1 背景减除

在这里插入图片描述

import cv2
import numpy as npcap = cv2.VideoCapture(0)
bgs = cv2.bgsegm.createBackgroundSubtractorMOG()
while True:ret, frame = cap.read()if ret:fgmask = bgs.apply(frame)cv2.imshow('video', fgmask)key = cv2.waitKey(1)# ESC键if key == 27:break
cap.release()
cv2.destroyAllWindows()

1.2 车辆统计

import cv2
import numpy as np# 读取视频
cap = cv2.VideoCapture('./video/car.mp4')
# 创建mog对象
mog = cv2.bgsegm.createBackgroundSubtractorMOG()
# 获取腐蚀卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 最大外接矩形的宽
min_w = 40
# 最大外接矩形的高
min_h = 30
# 线高
line_high = 630
# 车辆集合
cars = []
# 阈值
offset = 6
# 计数
car_num = 0# 计算外接矩形的中心点
def center(x, y, w, h):x1 = int(w / 2)y1 = int(h / 2)cx = int(x) + x1cy = int(y) + y1return cx, cy# 循环读取视频每一帧
while True:ret, frame = cap.read()if ret:# 把原始帧进行灰度化,然后去噪# # 灰度gray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY)# # 去噪blur = cv2.GaussianBlur(gray, (3, 3), 5)# 去背景mask = mog.apply(blur)# 腐蚀erode = cv2.erode(mask, kernel, iterations=2)# 膨胀2次dialte = cv2.dilate(erode, kernel, iterations=2)# 消除内部的小块# 闭运算close = cv2.morphologyEx(dialte, cv2.MORPH_CLOSE, kernel)# cv2.imshow('video',dialte)# cv2.imshow('close',close)# 划线cv2.line(frame, [10, line_high], [1270, line_high], [255, 0, 0], 2)# 查找轮廓contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 画出所有检测出来的轮廓for contour in contours:# 最大外接矩形(x, y, w, h) = cv2.boundingRect(contour)is_valid = (w >= min_w) and (h >= min_h)if not is_valid:continue# 要求坐标点都是整数cv2.rectangle(frame, (int(x), int(y)), (int(x + w), int(y + h)), (0, 0, 255), 2)# 如何计数# 把车抽象为一点,即外接矩形的中心点# 通过外接矩形,计算车的中心点cpoint = center(x, y, w, h)# 将符合条件的车存入列表cars.append(cpoint)cv2.circle(frame, (cpoint), 5, (0, 0, 255), -1)# 判断汽车是否过检测线for (x, y) in cars:if (line_high - offset) < y < (line_high + offset):# 落入了有效区间# 计数加一car_num += 1# 然后remove掉cars.remove((x, y))print(car_num)# 添加字符串cv2.putText(frame, 'Vechicle Count:' + str(car_num), [500, 60], cv2.FONT_HERSHEY_SIMPLEX, 2, [0, 0, 255], 5)cv2.imshow('frame', frame)key = cv2.waitKey(3)# 用户按esc推出if key == 27:break# 最后释放资源
cap.release()
# 关闭窗口
cv2.destroyAllWindows()

2 特征点检测和匹配

2.1 harris角点检测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

import cv2
import numpy as np
img = cv2.imread('./image/dog.png')# 变成灰度图片
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# harris角点检测
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
#返回的东西叫做角点响应.每一个像素点都能计算出一个角点响应来# 
print(dst)
print(dst.shape)#显示角点
#我们认为角点响应大于0.01倍的dst.max()就可以认为是角点了.
img[dst > 0.01* dst.max()]= [0,0,255]
cv2.imshow('img',img)cv2.waitKey(0)
cv2.destroyAllWindows()

2.2 shi-tomasi角点检测

在这里插入图片描述

import cv2
import numpy as np
#harris
# bLockSize = 2
# ksize = 3
# k = e.e4
# Shi-Tomasi
maxCorners = 1000
ql = 0.01
minDistance = 10img = cv2.imread('./image/dog.png')#灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray,maxCorners,ql, minDistance)
corners = np.int16(corners)
#Shi-Tomasi绘制角点
for i in corners:x,y = i.ravel()cv2.circle(img,(x,y), 3,(255,0,0

https://www.xjx100.cn/news/3091622.html

相关文章

windows远程时,关闭被远程端退出远程时的锁屏界面

Windows自带的远程桌面远程他人时&#xff0c;关闭后被远程端会锁屏&#xff0c;有时需要手动解锁比较麻烦 在被远程端桌面创建记事本&#xff0c;填写如下内容&#xff0c;将后缀名改为bat for /f "skip1 tokens3" %%s in (query user %USERNAME%) do (%windir%\S…

⑩⑧【MySQL】InnoDB架构、事务原理、MVCC多版本并发控制

个人简介&#xff1a;Java领域新星创作者&#xff1b;阿里云技术博主、星级博主、专家博主&#xff1b;正在Java学习的路上摸爬滚打&#xff0c;记录学习的过程~ 个人主页&#xff1a;.29.的博客 学习社区&#xff1a;进去逛一逛~ InnoDB存储引擎 ⑩⑧【MySQL】详解InnoDB存储引…

X12学习手册

EDI术语中的X12是指ANSI X12 报文标准&#xff08;EDI Document Standard&#xff09;&#xff0c;于 1979 年发布&#xff0c;由认证标准委员会维护&#xff0c;在过去的几十年中得到扩展&#xff0c;以满足全球业务流程的要求&#xff0c;包括汽车、物流、零售、医药、金融、…

1445 雉兔同笼

Tint(input()) for i in range(T):s input().split()head int(s[0])foot int(s[1])rabbitfoot/2-headchicken2*head-foot/2if rabbit>0 and chicken>0 and rabbit.is_integer():print(int(chicken),int(rabbit))else:print(-1)

用二维码进行人员管理,人员信息一目了然

对于人员实名管理、来访登记、安全教育等需求&#xff0c;可以在草料二维码上搭建人员信息管理系统。除了扫码查看个人信息、身份证件、资格证书、劳务合同等人员档案&#xff0c;还可以组合表单、状态等功能组件&#xff0c;在二维码上展示证件状态&#xff0c;更新人员的奖惩…

linux硬盘扩容

lsblk fdisk /dev/vda m n&#xff08;如果挂载不成功&#xff0c;则w&#xff09; p partprobe pvcreate /dev/vda3 vgscan vgextend centos /dev/vda3 (注意&#xff0c;centos-home需要根据实际情况进行调整) lvextend -L 99G /dev/mapper/centos-root xfs_growfs…

css中5种属性选择器

属性选择器 语法&#xff1a; [属性名]{} 选择含有指定属性的元素 [属性名属性值]{} 选择含有指定属性和属性值的元素 [属性名^属性值]{} 选择属性值以指定值开头的元素 [属性名$属性值]{} 选择属性值以指定值结尾的元素 [属性名*属性值]{} 选择属性值含有某值的元素 以下为演…

直播岗位认知篇

一、直播岗位概述 直播岗位&#xff0c;也称为直播主播或直播运营&#xff0c;是指在互联网直播平台上进行直播活动的工作岗位。该岗位的主要职责是通过直播形式&#xff0c;向观众展示自己的才艺、分享生活、销售产品或服务&#xff0c;并引导观众互动和参与。直播主播需要具…