OpenCV基础

目录

  • 图像基本操作
    • 数据读取——图像
    • 数据读取——视频
    • 截取部分图像数据 ROI——Region of Interest
    • 颜色通道提取
    • 边界填充
    • 数值计算
    • 图像融合
  • 图像处理
    • 灰度图
    • HSV
    • 图像阈值
    • 图像平滑(滤波)
    • 形态学-腐蚀操作
    • 形态学-膨胀操作
    • 开运算与闭运算
    • 梯度运算
    • 礼帽与黑帽
  • 图像梯度——Sobel算子
    • 看看Lena
  • 图像梯度-Scharr算子
  • 图像梯度-laplacian算子
  • Canny边缘检测
    • 1:高斯滤波器
    • 2:梯度和方向
    • 3：非极大值抑制
    • 4：双阈值检测(确定最终边缘)
  • 图像金字塔
  • 图像轮廓
    • 绘制轮廓
    • 轮廓特征
    • 轮廓近似
    • 边界矩形
    • 外接圆

图像基本操作

数据读取——图像

在这里插入图片描述
注意：opencv默认读取格式是bgr而不是rgb，与matplotlib有一些冲突

import cv2
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inlineimg=cv2.imread('./汪学长的随堂资料/4/图像操作/cat.jpg')

img

在这里插入图片描述

#图像的显示,也可以创建多个窗口
cv2.imshow('image',img) 
# 等待时间，毫秒级，0表示任意键终止
cv2.waitKey(0) 
cv2.destroyAllWindows()
cv2.waitKey(1) # MacOS 如果出现内核卡住，写上这样代码；Windows可不用写这行代码
"""
在调用cv2.destroyAllWindows()关闭窗口后使用cv2.waitKey(1)的常见原因是，有时cv2.destroyAllWindows()可能不会立即关闭窗口，
而cv2.waitKey(1)会给它时间来处理窗口关闭的事件。这种情况下cv2.waitKey(1)不是用于检测键盘输入，而是用于提供时间来处理窗口事件。
"""

在这里插入图片描述

def cv_show(name,img):cv2.imshow(name,img) cv2.waitKey(0)cv2.destroyAllWindows()

img.shape

(414, 500, 3)

img=cv2.imread('cat.jpg',cv2.IMREAD_GRAYSCALE)
img

img=cv2.imread('./汪学长的随堂资料/4/图像操作/cat.jpg',cv2.IMREAD_GRAYSCALE)
img

在这里插入图片描述

img.shape

(414, 500)

#图像的显示,也可以创建多个窗口
cv2.imshow('image',img) 
# 等待时间，毫秒级，0表示任意键终止
cv2.waitKey(0) 
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

#保存
cv2.imwrite('mycat.png',img)

数据读取——视频

在这里插入图片描述

vc = cv2.VideoCapture('./汪学长的随堂资料/4/图像操作/test.mp4')

# 检查是否打开正确
if vc.isOpened(): open, frame = vc.read()
else:open = False

while open:ret, frame = vc.read()if frame is None:breakif ret == True:gray = cv2.cvtColor(frame,  cv2.COLOR_BGR2GRAY)cv2.imshow('result', gray)if cv2.waitKey(100) & 0xFF == 27:breakvc.release()
cv2.destroyAllWindows()
cv2.waitKey(1) # MacOS 如果出现内核卡住，写上这样代码；Windows可不用写这行代码

在这里插入图片描述

截取部分图像数据 ROI——Region of Interest

img=cv2.imread('./汪学长的随堂资料/4/图像操作/cat.jpg') # ndarray
cat=img[0:50,0:200] 
cv_show('cat',cat)

在这里插入图片描述

颜色通道提取

b,g,r=cv2.split(img)

g

在这里插入图片描述

img=cv2.merge((b,g,r))
img.shape

(414, 500, 3)

# 只保留R
cur_img = img.copy()
cur_img[:,:,0] = 0
cur_img[:,:,1] = 0
cv_show('R',cur_img)

在这里插入图片描述

# 只保留G
cur_img = img.copy()
cur_img[:,:,0] = 0
cur_img[:,:,2] = 0
cv_show('G',cur_img)

# 只保留B
cur_img = img.copy()
cur_img[:,:,1] = 0
cur_img[:,:,2] = 0
cv_show('B',cur_img)

边界填充

top_size,bottom_size,left_size,right_size = (50,50,50,50)replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value=0)

import matplotlib.pyplot as plt
plt.subplot(231), plt.imshow(img, 'gray'), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT_101')
plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP')
plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT')plt.show()

在这里插入图片描述

数值计算

img_cat=cv2.imread('./汪学长的随堂资料/4/图像操作/cat.jpg')
img_dog=cv2.imread('./汪学长的随堂资料/4/图像操作/dog.jpg')

img_cat2= img_cat +10 
img_cat[:5,:,0]

在这里插入图片描述

img_cat2[:5,:,0]

在这里插入图片描述

#相当于% 256
(img_cat + img_cat2)[:5,:,0] # 142+152=294

在这里插入图片描述

cv2.add(img_cat,img_cat2)[:5,:,0]

在这里插入图片描述

图像融合

img_cat + img_dog

在这里插入图片描述

img_cat.shape

(414, 500, 3)

img_dog = cv2.resize(img_dog, (500, 414))
img_dog.shape

(414, 500, 3)

res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)

plt.imshow(res)

在这里插入图片描述

res = cv2.resize(img, (0, 0), fx=3, fy=1)
plt.imshow(res)

在这里插入图片描述

res = cv2.resize(img, (0, 0), fx=1, fy=3)
plt.imshow(res)

在这里插入图片描述

图像处理

灰度图

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline img=cv2.imread('./汪学长的随堂资料/4/图像操作/cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_gray.shape
import warnings
warnings.filterwarnings('ignore')
cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)    
cv2.destroyAllWindows() 
cv2.waitKey(1)

在这里插入图片描述

HSV

在这里插入图片描述

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)cv2.imshow("hsv", hsv)
cv2.waitKey(0)    
cv2.destroyAllWindows()
cv2.waitKey(1)

图像阈值

在这里插入图片描述

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]for i in range(6):plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

图像平滑(滤波)

其实就是平均卷积操作
在这里插入图片描述

img = cv2.imread('./汪学长的随堂资料/4/图像操作/lenaNoise.png')cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 方框滤波
# 基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 方框滤波
# 基本和均值一样，可以选择归一化,容易越界
box = cv2.boxFilter(img,-1,(3,3), normalize=False)  cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian = cv2.GaussianBlur(img, (5, 5), 1)  cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 中值滤波
# 相当于用中值代替
median = cv2.medianBlur(img, 5)  # 中值滤波cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 展示所有的
res = np.hstack((blur,aussian,median))
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

形态学-腐蚀操作

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
import warnings
warnings.filterwarnings('ignore')img = cv2.imread('./汪学长的随堂资料/4/图像操作/dige.png')cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

kernel = np.ones((5,5),np.uint8) 
erosion = cv2.erode(img,kernel,iterations = 1)cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

pie = cv2.imread('./汪学长的随堂资料/4/图像操作/pie.png')cv2.imshow('pie', pie)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

kernel = np.ones((30,30),np.uint8) 
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

形态学-膨胀操作

img = cv2.imread('./汪学长的随堂资料/4/图像操作/dige.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

kernel = np.ones((3,3),np.uint8) 
dige_erosion = cv2.erode(img,kernel,iterations = 1)cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

kernel = np.ones((3,3),np.uint8) 
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

pie = cv2.imread('./汪学长的随堂资料/4/图像操作/pie.png')kernel = np.ones((30,30),np.uint8) 
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
dilate_3 = cv2.dilate(pie,kernel,iterations = 3)
res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

开运算与闭运算

# 开：先腐蚀，再膨胀
img = cv2.imread('./汪学长的随堂资料/4/图像操作/dige.png')kernel = np.ones((5,5),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

# 闭：先膨胀，再腐蚀
img = cv2.imread('./汪学长的随堂资料/4/图像操作/dige.png')kernel = np.ones((5,5),np.uint8) 
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

梯度运算

# 梯度=膨胀-腐蚀
pie = cv2.imread('./汪学长的随堂资料/4/图像操作/pie.png')
kernel = np.ones((7,7),np.uint8) 
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)res = np.hstack((dilate,erosion))cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

礼帽与黑帽

在这里插入图片描述

#礼帽
img = cv2.imread('./汪学长的随堂资料/4/图像操作/dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

#黑帽
img = cv2.imread('./汪学长的随堂资料/4/图像操作/dige.png')
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述

图像梯度——Sobel算子

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np# 定义1D图像像素值
pixel_values = [50, 50, 50, 200, 200, 200] #[0, 0, 150, 0, 0]# 创建对应的x坐标
x = np.arange(len(pixel_values))# 创建图像
plt.figure(figsize=(8, 4))
plt.stem(x, pixel_values, use_line_collection=True)
plt.title('1D Image')
plt.xlabel('Pixel Position')
plt.ylabel('Pixel Intensity')# 显示图像
plt.show()

在这里插入图片描述
在这里插入图片描述
右减左，上减下

import cv2
img = cv2.imread('./汪学长的随堂资料/4/图像操作/pie.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.waitKey(1)

在这里插入图片描述
在这里插入图片描述

def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey()cv2.destroyAllWindows()cv2.waitKey(1)

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)cv_show(sobelx,'sobelx')

在这里插入图片描述
在这里插入图片描述

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

在这里插入图片描述

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')

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
见下

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

在这里插入图片描述

看看Lena

img = cv2.imread('./汪学长的随堂资料/4/图像操作/lena.jpg', cv2.IMREAD_GRAYSCALE)
cv_show(img,'img')

在这里插入图片描述

img = cv2.imread('./汪学长的随堂资料/4/图像操作/lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

在这里插入图片描述

img = cv2.imread('./汪学长的随堂资料/4/图像操作/lena.jpg',cv2.IMREAD_GRAYSCALE)sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

在这里插入图片描述

图像梯度-Scharr算子

在这里插入图片描述
权重更大一些

图像梯度-laplacian算子

在这里插入图片描述
相当于使用的是二阶导，也就是一阶导的变化率，对变化更加敏感，但是同时对噪音点也更敏感

import numpy as np
import cv2
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey()cv2.destroyAllWindows()cv2.waitKey(1)#不同算子的差异
img = cv2.imread('./汪学长的随堂资料/4/图像操作/lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)   
sobely = cv2.convertScaleAbs(sobely)  
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)   
scharry = cv2.convertScaleAbs(scharry)  
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)   color_img = cv2.imread('./汪学长的随堂资料/4/图像操作/lena.jpg')res = np.hstack((img, sobelxy,scharrxy,laplacian))
cv_show(res,'res')

在这里插入图片描述

Canny边缘检测

在这里插入图片描述

1:高斯滤波器

在这里插入图片描述

2:梯度和方向

在这里插入图片描述

3：非极大值抑制

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

4：双阈值检测(确定最终边缘)

在这里插入图片描述

img=cv2.imread("./汪学长的随堂资料/4/图像操作/lena.jpg",cv2.IMREAD_GRAYSCALE)v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)res = np.hstack((v1,v2))
cv_show(res,'res')

在这里插入图片描述

img=cv2.imread("./汪学长的随堂资料/4/图像操作/car.png",cv2.IMREAD_GRAYSCALE)v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)res = np.hstack((v1,v2))
cv_show(res,'res')

在这里插入图片描述

图像金字塔

link
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

img=cv2.imread("./汪学长的随堂资料/4/图像操作/AM.png")
cv_show(img,'img')
print(img.shape)

在这里插入图片描述
(442, 340, 3)

up=cv2.pyrUp(img)
cv_show(up,'up')
print(up.shape)

在这里插入图片描述
(884, 680, 3)

down=cv2.pyrDown(img)
cv_show(down,'down')
print(down.shape)

在这里插入图片描述
(221, 170, 3)

up2=cv2.pyrUp(up)
cv_show(up2,'up2')
print (up2.shape)

在这里插入图片描述
(1768, 1360, 3)

up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show(up_down,'up_down')

在这里插入图片描述

cv_show(np.hstack((img,up_down)),'up_down')

在这里插入图片描述
在这里插入图片描述

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')

在这里插入图片描述

图像轮廓

在这里插入图片描述
在这里插入图片描述

img = cv2.imread('./汪学长的随堂资料/4/图像操作/contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')

在这里插入图片描述

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

绘制轮廓

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy,要不原图会变。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')

在这里插入图片描述

draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
cv_show(res,'res')

在这里插入图片描述

轮廓特征

cnt = contours[0]

#面积
cv2.contourArea(cnt)

8500.5

#周长，True表示闭合的
cv2.arcLength(cnt,True)

437.9482651948929

轮廓近似

在这里插入图片描述

img = cv2.imread('./汪学长的随堂资料/4/图像操作/contours2.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')

在这里插入图片描述

epsilon = 0.15*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')

在这里插入图片描述

边界矩形

img = cv2.imread('./汪学长的随堂资料/4/图像操作/contours.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')

在这里插入图片描述

area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print ('轮廓面积与边界矩形比',extent)

轮廓面积与边界矩形比 0.5154317244724715

外接圆

(x,y),radius = cv2.minEnclosingCircle(cnt) 
center = (int(x),int(y)) 
radius = int(radius) 
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')

在这里插入图片描述

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：http://www.rhkb.cn/news/77125.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Vue 2.x 项目升级到 Vue 3详细指南【总结版】

Vue 2.x 项目升级到 Vue 3详细指南【总结版】

文章目录 0.前言1.升级教程1.1. 升级 Vue CLI：1.2. 安装 Vue 3：1.3. 更新 Vue 组件：1.4. 迁移全局 API：1.5. 迁移路由和状态管理器：1.6. 迁移 TypeScript：1.7. 迁移测试代码： 2.迁移总结2.0. 这…
阅读更多...
深入学习 Redis - 谈谈你对 Redis 的 RDB、AOF、混合持久化的了解吧？

深入学习 Redis - 谈谈你对 Redis 的 RDB、AOF、混合持久化的了解吧？

目录 一、Redis 是怎么存储数据的？ 二、Redis 具体是按照什么样的策略来实现持久化的？ 2.1、RDB（Redis Database） 2.1.1、触发机制 2.1.2、bgsave 命令处理流程 2.1.3、RDB 文件的处理 2.1.4、演示效果 1）手动执…
阅读更多...
STL容器适配器 -- stack和queue（使用+实现）（C++）

STL容器适配器 -- stack和queue（使用+实现）（C++）

stack和queue stackstack的介绍stack的使用stack的实现 queuequeue的介绍queue的使用queue的实现 deque简单介绍deque（双端队列）双开口连续打引号的原因 deque底层结构deque的迭代器封装结构（复杂）deque的优缺点 栈和队列数据结构…
阅读更多...
Java版Spring Cloud+Spring Boot+Mybatis+uniapp知识付费平台讲解+免费搭建 qt

Java版Spring Cloud+Spring Boot+Mybatis+uniapp知识付费平台讲解+免费搭建 qt

Java版知识付费源码 Spring CloudSpring BootMybatisuniapp前后端分离实现知识付费平台 提供职业教育、企业培训、知识付费系统搭建服务。系统功能包含：录播课、直播课、题库、营销、公司组织架构、员工入职培训等。 提供私有化部署，免费售…
阅读更多...
《面试1v1》Kafka的ack机制

《面试1v1》Kafka的ack机制

🍅 作者简介：王哥，CSDN2022博客总榜Top100🏆、博客专家💪 🍅 技术交流：定期更新Java硬核干货，不定期送书活动 🍅 王哥多年工作总结：Java学习路线总结&#xf…
阅读更多...
P25透明屏：探究在商业广告领域的应用表现

P25透明屏：探究在商业广告领域的应用表现

P25透明屏是一种新型的显示屏技术，具有高透明度和高分辨率的特点。 它可以将图像或视频直接投影到透明的表面上，使得观众可以透过屏幕看到背后的景物，同时也能够看到屏幕上的内容。 P25透明屏广泛应用于商业展示、户外广告、产品展示等领域…
阅读更多...
年薪930万，谷歌薪资大揭秘

年薪930万，谷歌薪资大揭秘

硅谷大厂中，谷歌员工称得上是科技行业中收入最高的一些人。 据统计，谷歌工程师在2022年总薪酬中位数为279,802美元（约200万人民币），但这仅是基本工资。 如果计入股权和奖金，他们的收入甚至更高。 近来&am…
阅读更多...
PHP-Mysql好运图书管理系统--【白嫖项目】

PHP-Mysql好运图书管理系统--【白嫖项目】

强撸项目系列总目录在000集 PHP要怎么学–【思维导图知识范围】 文章目录 本系列校训本项目使用技术 首页必要的项目知识ThinkPHP的MVCThinkTemplateThinkPHP 6和ThinkPHP 5 phpStudy 设置导数据库前台展示页面后台的管理界面数据库表结构项目目录如图：代码部分&a…
阅读更多...
Mybatis引出的一系列问题-Spring事务的探究

Mybatis引出的一系列问题-Spring事务的探究

1 spring事务的传播特性 package com.zs.service;Service public class UserService {Autowiredprivate UserDao userDA0;Transactionalpublic void transfer(String fromName, String toName, Integer money) {userDA0.out(fromName, money);int a 1 / 0;userDA0.in(toName,…
阅读更多...
[CKA]考试之一个 Pod 封装多个容器

[CKA]考试之一个 Pod 封装多个容器

由于最新的CKA考试改版，不允许存储书签，本博客致力怎么一步步从官网把答案找到，如何修改把题做对，下面开始我们的 CKA之旅 题目为： Task 创建一个Pod，名字为kucc1，这个Pod包含4容器&#xff…
阅读更多...
思科模拟器配置静态路由（下一跳使用IP）

思科模拟器配置静态路由（下一跳使用IP）

Router0配置代码：##端口配置 Router(config)#int fastEthernet 0/0 Router(config-if)#ip address 192.168.10.254 255.255.255.0 Router(config-if)#no shutdown Router(config-if)#int fastEthernet 0/1 Router(config-if)#ip address 192.168.20.1 255.255.255.2…
阅读更多...
pycharm——树状图

pycharm——树状图

from pyecharts import options as opts from pyecharts.charts import Treedata [{"children": [{"name": "计算机"},{"children": [{"children": [{"name": "主机"}], "name": "硬盘…
阅读更多...
真机搭建中小网络

真机搭建中小网络

这是b站上的一个视频，演示了如何搭建一个典型的中小网络，供企业使用 一、上行端口：上行端口就是连接汇聚或者核心层的口，或者是出广域网互联网的口。也可理解成上传数据的端口。 二、下行端口：连接数据线进行下载的端…
阅读更多...
一百四十二、Linux——查看Linux服务器架构的版本类型

一百四十二、Linux——查看Linux服务器架构的版本类型

一、目的 查看已经安装好的Linux服务器架构的版本类型，看服务器版本是32位还是64位 而且可以区分出是kettle的文件x86或x86_64，x86是32位，而x86_64是64位 注意： 32位的查询结果为i386、i686 64位的查询结果为x86_64 二、Linu…
阅读更多...
VBA技术资料1-146

VBA技术资料1-146

VBA技术资料本周更新较多：单值查找并提示结果；多值查找并提示结果；复制整个数据范围到PowerPoint；更改PowerPoint文本框字体大小；调整PowerPoint图像为整幻灯片；在PowerPoint中添加末尾幻灯片；在…
阅读更多...
Spring MVC应用的开发步骤

Spring MVC应用的开发步骤

Spring MVC应用的开发步骤 Spring MVC应用的开发步骤如果以异步方式提交请求利用XML配置文件配置控制器类 Spring MVC应用的开发步骤 下面简单介绍Spring MVC应用的开发步骤。 ① 在web.xml文件中配置核心控制器DispatcherServlet处理所有的HTTP请求。 由于Web应用是基于请求/…
阅读更多...
C语言基础知识点一

C语言基础知识点一

C语言基础知识点一&#xff1a; 1.数据类型 2.bool类型&#xff1a; 使用bool时时&#xff0c;需要增加<stdbool.h>头文件。 说明&#xff1a;bool 类型只有非零&#xff08;true&#xff09;和零&#xff08;false&#xff09;两种值。 如: if&#xff08;-1&#xf…
阅读更多...
【ARM Coresight 系列文章 2.3 - Coresight 寄存器】

【ARM Coresight 系列文章 2.3 - Coresight 寄存器】

文章目录 Coresight 寄存器介绍1.1 ITCTRL&#xff0c;integration mode control register1.2 CLAIM寄存器1.3 DEVAFF(Device Affinity Registers)1.4 LSR and LAR1.5 AUTHSTATUS(Authentication Status Register) Coresight 寄存器介绍 Coresight 对于每个 coresight 组件&am…
阅读更多...
EXCEL，vlookup以及数据去重

EXCEL，vlookup以及数据去重

1&#xff0c;新建一个work表格&#xff0c;将数据copy进来&#xff0c;并做简单处理&#xff0c;让看起来舒服 2&#xff0c;使用vlookup函数查找数据是否在库中 注意:上图中的Table_array A1:C152&#xff0c;这个值要加绝对引用&#xff0c;写成&#xff1a; $A$1:$C$15…
阅读更多...
Windows下安装Hive（包安装成功）

Windows下安装Hive（包安装成功）

Windows下安装Hive Hive与Hadoop的版本选择很关键&#xff0c;千万不能选错&#xff0c;否则各种报错。一、Hive下载1.1、官网下载Hive1.2、网盘下载Hive 二、解压安装包&#xff0c;配置Hive环境变量2.1、环境变量新增&#xff1a;HIVE_HOME2.2、修改Path环境变量&#xff0c;…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023