电商后台管理网站模板,哪里查询网站备案,网站原型设计流程,领动建站直方图 cv2.calcHist(images,channels,mask,histSize,ranges) images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的…直方图 cv2.calcHist(images,channels,mask,histSize,ranges) images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。histSize:BIN 的数目。也应用中括号括来ranges: 像素值范围常为 [0256] import cv2 #opencv读取的格式是BGR import numpy as np import matplotlib.pyplot as plt#Matplotlib是RGB def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey()cv2.destroyAllWindows() img cv2.imread(cat.jpg,0) #0表示灰度图 hist cv2.calcHist([img],[0],None,[256],[0,256]) hist.shapeplt.hist(img.ravel(),256); plt.show()bgr三分量显示 img cv2.imread(cat.jpg) color (b,g,r) for i,col in enumerate(color): histr cv2.calcHist([img],[i],None,[256],[0,256]) plt.plot(histr,color col) plt.xlim([0,256]) mask 操作 # 创建mast mask np.zeros(img.shape[:2], np.uint8) print (mask.shape) mask[100:300, 100:400] 255 cv_show(mask,mask)img cv2.imread(cat.jpg, 0) cv_show(img,img)masked_img cv2.bitwise_and(img, img, maskmask)#与操作 cv_show(masked_img,masked_img)plt.subplot(221), plt.imshow(img, gray) plt.subplot(222), plt.imshow(mask, gray) plt.subplot(223), plt.imshow(masked_img, gray) plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask) plt.xlim([0, 256]) plt.show()直方图均衡化 img cv2.imread(clahe.jpg,0) #0表示灰度图 #clahe plt.hist(img.ravel(),256); plt.show()equ cv2.equalizeHist(img) plt.hist(equ.ravel(),256) plt.show() 自适应直方图均衡化 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) res_clahe clahe.apply(img) res np.hstack((img,equ,res_clahe)) cv_show(res,res)模版匹配 模板匹配和卷积原理很像模板在原图像上从原点开始滑动计算模板与图像被模板覆盖的地方的差别程度这个差别程度的计算方法在opencv里有6种然后将每次计算的结果放入一个矩阵里作为结果输出。假如原图形是AxB大小而模板是axb大小则输出结果的矩阵是(A-a1)x(B-b1) # 模板匹配 img cv2.imread(lena.jpg, 0) template cv2.imread(face.jpg, 0) h, w template.shape[:2] TM_SQDIFF计算平方不同计算出来的值越小越相关TM_CCORR计算相关性计算出来的值越大越相关TM_CCOEFF计算相关系数计算出来的值越大越相关TM_SQDIFF_NORMED计算归一化平方不同计算出来的值越接近0越相关TM_CCORR_NORMED计算归一化相关性计算出来的值越接近1越相关TM_CCOEFF_NORMED计算归一化相关系数计算出来的值越接近1越相关 methods [cv2.TM_CCOEFF, cv2.TM_CCOEFF_NORMED, cv2.TM_CCORR,cv2.TM_CCORR_NORMED, cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]res cv2.matchTemplate(img, template, cv2.TM_SQDIFF) min_val, max_val, min_loc, max_loc cv2.minMaxLoc(res)for meth in methods:img2 img.copy()# 匹配方法的真值method eval(meth)print (method)res cv2.matchTemplate(img, template, method)min_val, max_val, min_loc, max_loc cv2.minMaxLoc(res)# 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED取最小值if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:top_left min_lo celse:top_left max_locbottom_right (top_left[0] w, top_left[1] h)# 画矩形cv2.rectangle(img2, top_left, bottom_right, 255, 2)plt.subplot(121), plt.imshow(res, cmapgray)plt.xticks([]), plt.yticks([]) # 隐藏坐标轴plt.subplot(122), plt.imshow(img2, cmapgray)plt.xticks([]), plt.yticks([])plt.suptitle(meth)plt.show()匹配多个对象 img_rgb cv2.imread(mario.jpg) img_gray cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY) template cv2.imread(mario_coin.jpg, 0) h, w template.shape[:2]res cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED) threshold 0.8 # 取匹配程度大于%80的坐标 loc np.where(res threshold) for pt in zip(*loc[::-1]): # *号表示可选参数bottom_right (pt[0] w, pt[1] h)cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)cv2.imshow(img_rgb, img_rgb) cv2.waitKey(0)