gray | 易学教程

OpenCV图像处理

阅读更多关于 OpenCV图像处理

图像处理-形态学腐蚀 python的opencv库提供了强大的图像处理功能，比如图像反转，图像色彩变换以及图像的边缘提取等便捷方法。本次分享内容包括opencv形态学腐蚀，图像高斯处理用到的库有opencv库以及提供科学计算的numpy包处理图像需要将此图像的的圆圈部分去除，保留文字不变对于少量的图片，我们可以借助其他工具可以很轻松的解决，但是对于大量如此的图像来说，ps等工具显得力不从心，可以考虑借助程序的方式来解决。形态学腐蚀含义：可以理解为，移动结构B，如果结构B与结构A的交集完全属于结构A的区域内，则保存该位置点，所有满足条件的点构成结构A被结构B腐蚀的结果。其实也可以简单理解为在一定半径范围内，两根粗细不同的线，在同等情况下，细的会被腐蚀去除。使用形态学腐蚀后效果如下处理代码如下： src = cv.imread("img.jpg") cv.namedWindow("input", cv.WINDOW_AUTOSIZE) #gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) #gray = cv.GaussianBlur(gray, (9, 9), 2, 2) # 二值化图像 gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) gray = cv.GaussianBlur(gray, (9

css颜色判断深浅颜色人工智能

阅读更多关于 css颜色判断深浅颜色人工智能

/ 计算是不是灰度阈值越高越亮 true 暗色 false 亮色 checkGray(color){ let r =parseInt(color.substring(1,3),16)* 0.299 let g =parseInt(color.substring(3,5),16)* 0.587 let b =parseInt(color.substring(5,7),16)* 0.114 let gray = r+g+b console.log(color.substring(1,3)+"|"+color.substring(3,5)+"|"+color.substring(5,7)) console.log(parseInt(color.substring(1,3),16)+"|"+parseInt(color.substring(3,5),16)+"|"+parseInt(color.substring(5,7),16)) console.log(gray) if(gray>100){ return true }else{ return false } } // 获取颜色样式 getColorStyle(color){ let styleString = `width: 80px;height: 20px;margin: 0 auto;background-color:$

opencv-python 获取 sift 特征值

阅读更多关于 opencv-python 获取 sift 特征值

# -*- coding: utf-8 -*- import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2 . imread ( "./img/person.jpg" ) img1 = img . copy ( ) img1 = cv2 . cvtColor ( img1 , cv2 . COLOR_BGR2RGB ) gray = cv2 . cvtColor ( img , cv2 . COLOR_BGR2GRAY ) sift = cv2 . xfeatures2d . SIFT_create ( nfeatures = 10 ) kp = sift . detect ( gray , None ) des = sift . compute ( gray , kp ) # 计算所有特征点的特征值 feature_value = des [ 1 ] # 拿到所有特征点的特征值 cv2 . drawKeypoints ( img1 , kp , img ) cv2 . drawKeypoints ( img1 , kp , img1 , flags = cv2 . DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS ) plt . subplot ( 121 )

leetcode89

阅读更多关于 leetcode89

1 class Solution: 2 def grayCode(self, n: int) -> 'List[int]': 3 gray = [0] 4 for i in range(n): 5 # reflect, add leading 1, and concatenate 6 gray.extend([(1 << i) + x for x in gray[::-1]]) 7 return gray 这是一道数学题，参考： https://leetcode.com/problems/gray-code/discuss/445279/Python-solution 不了解这个数学原理的，面试时很难做出来。来源： https://www.cnblogs.com/asenyang/p/12020811.html

Javaweb 学习2

阅读更多关于 Javaweb 学习2

今天先汇报一下进度，js 实现表单的校验，以及轮播图的放映。 js的简单语法规范，表单校验的代码： <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title></title> <script type="text/javascript"> function checkForm(){ //校验用户名 //1、获取用户输入的数据 var uValue = document.getElementById("username").value;//这句话意思是获取id .value的意思是获取id 对应的内容 if(nValue==""){//若为空 alert("用户名不能为空！"); return false; } var pValue = document.getElementById("pwd").value; if(pValue==""){ alert("密码不能为空！"); return false; } var rpValue = document.getElementById("repwd").value; if(rpValue!=pValue){ alert("两次输入的密码不一致！"); return false; } //校验邮箱 var eValue = document.getElementById(

灰度图

阅读更多关于灰度图

除了常见的卫星图像、航空照片外，许多地球物理观测数据也以灰度表示。以位场图像为例，把位场表示为灰度图，需要将位场观测值灰度量化，即将场的变化范围转换成256阶的灰度范围。由于位场的动态变化范围非常大，磁场可达数万个纳特，重力场也可能在数百个重力单位内变化，所以在显示为图像前通常需要对位场观测值进行拉伸或压缩。什么叫灰度图？任何颜色都有红、绿、蓝三原色组成，假如原来某点的颜色为RGB(R，G，B)，那么，我们可以通过下面几种方法，将其转换为灰度： 1.浮点算法：Gray=R 0.3+G 0.59+B 0.11 2.整数方法：Gray=(R 30+G 59+B 11)/100 3.移位方法：Gray =(R 76+G 151+B*28)>>8; 4.平均值法：Gray=（R+G+B）/3; 5.仅取绿色：Gray=G；通过上述任一种方法求得Gray后，将原来的RGB(R,G,B)中的R,G,B统一用Gray替换，形成新的颜色RGB(Gray,Gray,Gray)，用它替换原来的RGB(R,G,B)就是灰度图了来源： CSDN 作者：理想丶链接： https://blog.csdn.net/weixin_43838785/article/details/103463917

Javaweb学习 1

阅读更多关于 Javaweb学习 1

首先请老师原谅，我今天没有写那个公文案例，因为我以前学习不精，然后就算写了，也是在有模板的情况下写的。我现在每天在刻苦学，通过案例在一点一点的学每一块知识。今天先报告进度：html+css 学完，是通过一个主界面以及注册页面来学。先给大家看下结果：用两种方法 1、table 表格便签来实现 2、div+css 实现分别贴上代码：1、table <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title></title> </head> <body> <table width="1300px" align="center"> <tr> <td> <table width="100%"> <tr height="50px"> <td width="33.3%"> <img src="../img/logo2.png" height="47px" alt="" /> </td> <td width="33.3%"> <img src="../img/header.png" height="47px" /> </td> <td width="33.3%"> <a href="#">登录</a> <a href="#">注册</a> <a href="#">购物车</a> </td> </tr> </table>

机器学习与计算机视觉入门项目——视频投篮检测（一）

阅读更多关于机器学习与计算机视觉入门项目——视频投篮检测（一）

机器学习与计算机视觉入门项目——视频投篮检测（一）随着机器学习、深度学习技术的迅猛发展，计算机视觉无疑是近年来发展最快的AI领域之一。正因如此，互联网上有关计算机视觉和机器学习、深度学习的社区、博文、论文、代码、算法框架等极大地丰富起来，给初入该领域的新人丰富的参考资料。同时计算机视觉比较易于理解，适合新手入门，培养最基本的工程素养和代码项目经验，从而了解处理具体计算机科学相关领域的基本流程。 ——浙江大学教授王跃明该博客是由我2018年8月1日至22日在浙江大学玉泉校区参加计算机学院保研夏令营时所做的项目整理而来。在此，向培训期间授课和指导的王跃明老师、潘纲老师、祁玉老师表示感谢！向与我同组的西北工业大学祝同学表示感谢，她负责了项目的绝大部分实验和PPT，她的认真态度和拼搏精神永远值得我学习，祝她前程似锦！感谢一直陪伴我们的姜学长，整个过程中，姜学长给了我很多启发和指导，祝他在浙大求得真理！正式开始 Getting Started:Practice Machine Learning Algorithms in Computer Vision 计算机视觉和机器学习的关系 Machine learning focuses more than a model itself , has more mathematics, emphasizes the understanding

opencv形状识别学习总结

阅读更多关于 opencv形状识别学习总结

OpenCV基元检测 Primitive Detection 目录基元的概念基元泛指图像中有特点的单元。常说的基元有：边缘、角点、斑点、直线段、圆、等基元检测是图像分析的基础边缘（Edge）检测边缘是图像中像素灰度值发生剧烈变化而不连续的结果边缘是赋予单个像素的一种性质，与图像函数在该像素的一个邻域内的梯度特性相关边缘幅值：梯度的幅值边缘方向：梯度方向旋转-90度边缘检测既是常见基元检测的基础，也是基于边界的图像分割的第一步。边缘检测算法 OpenCV边缘检测：Sobel、拉普拉斯算子 OpenCV边缘检测：坎尼算子算子斑点（Blob）检测斑点：与周围灰度有一定差别的区域面部的雀斑卫星照片中的一棵数钢材X光照片中的杂质或气泡医学图像中的细微肿块斑点检测算法 OpenCV LoG算子：SIFT算法 OpenCV Blob特征检测算子角点（Conner）检测角点：物体的拐角、交叉点、曲线上曲率最大的点等角点的邻域是图像中信息比较丰富的区域角点检测方法基于边缘的方法：在小邻域内有两个不同的主边缘方向，实际图像中，孤立点、线段端点也会有类似特性。缺点是：1)需要先提取边缘并编码，计算量大；2)局部变化对稳定性影响大。基于灰度的方法：计算点的曲率和梯度，目前的主流角点检测算法： OpenCV 角点检测：Harris算子哈夫变换

matplotlib实战绘制各种图形

阅读更多关于 matplotlib实战绘制各种图形

plt.imshow(face_image.mean(axis=2),cmap='gray') 图片灰度处理 ¶ size = (m,n,3) 图片的一般形式就是这样的 rgb 0-255 jpg图片 166,255,89 0.0-1.0 png图片 0.1，0.2，0.6 灰度处理以后 rgb---->gray 166,255,89 ---> 190 0.1，0.2，0.6 -- > 0.4 size = (m,n) import scipy.misc as misc import numpy as np import pandas as pd from pandas import Series,DataFrame import matplotlib.pyplot as plt %matplotlib inline face_image = misc.face() plt.imshow(face_image) face_gray = misc.face(gray=True) plt.imshow(face_gray,cmap='gray') 三种方法最大值法平均值法 RGB权重法[0.299,0.587,0.114] plt.imshow(face_image.max(axis=2),cmap='gray') plt.imshow(face_image.mean(axis=2

订阅 gray