2. 程式人生 > >深入學習OpenCV檢測及分割影象的目標區域

深入學習OpenCV檢測及分割影象的目標區域

阿新 • • 發佈：2019-07-27

準備1：OpenCV常用圖片轉換技巧

　　在進行計算機視覺模型訓練前，我們經常會用到影象增強的技巧來獲取更多的樣本，但是有些深度學習框架中的方法對影象的變換方式可能並不滿足我們的需求，所以掌握OpenCV中一些常用的影象處理技巧對我們還是有很多幫助的。

影象通道分離

　　我們知道每個影象是由RGB三個顏色通道構成，所以我們可以使用split函式對原影象的三個通道進行分離：

B, G, R = cv2.split(img)

　　進行通道分離的後，我們就可以在每個通道上獨立的進行數值變換，變換完成後再來組合來生成新的影象，比如提升影象的亮度：

B,G,R = cv2.split(img)
for i in (B,G,R):
    randint = random.randint(50,100)
    limit = 255-randint
    i[i>limit]=255
    i[i<=limit]=randint+i[i<=limit]
img_merge = cv2.merge((B,G,R))
cv2.imshow("img_merge",img_merge)
key = cv2.waitKey()
if key==27:
    cv2.destroyAllWindows()

　　

影象旋轉

 　　還可以使用 warpAffine 函式根據我們的設定的角度完成影象的旋轉：

M = cv2.getRotationMatrix2D((img.shape[1] / 2, img.shape[0] / 2), 30, 1)
img_rotate = cv2.warpAffine(img, M, (img.shape[1], img.shape[0]))

cv2.imshow('img_rotate', img_rotate)
key = cv2.waitKey(0)
if key == 27:
    cv2.destroyAllWindows()

　　這裡我們不對影象進行縮放，旋轉角度為30度。

仿射變換

　　仿射變換允許影象傾斜並且可以在任意兩個方向上發生伸縮。程式碼如下：

def random_warp(img, row, col):
    height, width, channels = img.shape

    random_margin = 100
    x1 = random.randint(-random_margin, random_margin)
    y1 = random.randint(-random_margin, random_margin)
    x2 = random.randint(width - random_margin - 1, width - 1)
    y2 = random.randint(-random_margin, random_margin)
    x3 = random.randint(width - random_margin - 1, width - 1)
    y3 = random.randint(height - random_margin - 1, height - 1)
    x4 = random.randint(-random_margin, random_margin)
    y4 = random.randint(height - random_margin - 1, height - 1)

    dx1 = random.randint(-random_margin, random_margin)
    dy1 = random.randint(-random_margin, random_margin)
    dx2 = random.randint(width - random_margin - 1, width - 1)
    dy2 = random.randint(-random_margin, random_margin)
    dx3 = random.randint(width - random_margin - 1, width - 1)
    dy3 = random.randint(height - random_margin - 1, height - 1)
    dx4 = random.randint(-random_margin, random_margin)
    dy4 = random.randint(height - random_margin - 1, height - 1)

    pts1 = np.float32([[x1, y1], [x2, y2], [x3, y3], [x4, y4]])
    pts2 = np.float32([[dx1, dy1], [dx2, dy2], [dx3, dy3], [dx4, dy4]])
    
    
    M_warp = cv2.getPerspectiveTransform(pts1, pts2)
    img_warp = cv2.warpPerspective(img, M_warp, (width, height))
    return img_warp

img_warp = random_warp(img, img.shape[0], img.shape[1])

cv2.imshow('img_warp', img_warp)
key = cv2.waitKey(0)
if key == 27:
    cv2.destroyAllWindows()

　　

伽馬修正

　　伽馬修正提升影象的對比度，讓影象看起來更加的“明亮”。程式碼如下：

def adjust_gamma(image, gamma=1.0):
    invGamma = 1.0/gamma
    table = []
    for i in range(256):
        table.append(((i / 255.0) ** invGamma) * 255)
    table = np.array(table).astype("uint8")
    return cv2.LUT(image, table)

img_gamma = adjust_gamma(img, 2)
cv2.imshow("img",img)
cv2.imshow("img_gamma",img_gamma)

key = cv2.waitKey()
if key == 27:
    cv2.destroyAllWindows()

　　

準備2：下載並安裝cv2

　　下載輪子如下：

　　然後直接使用pip 命令即可：

pip  install  opencv_python-3.4.3-cp37-cp37m-win_amd64.whl

　　注意：現在OpenCV for Python 就是通過Numpy 進行繫結的。所以在使用時必須掌握一些Numpy的相關知識！影象就是一個矩陣，在OpenCV for Python 中，影象就是Numpy中的陣列！

1，影象的載入，顯示和儲存

　　如果讀取影象，只需要imread即可。

import cv2

# 獲取圖片
img_path = r'1.jpg'
img = cv2.imread(img_path)

　　OpenCV目前支援讀取bmp，jpg，png，tiff等常用格式。

　　我們還可以檢視影象的一些基本屬性：

print(img)
print(img.dtype)
print(img.shape)

　　

　　接著建立一個視窗

cv2.namedWindow("Image")

　　然後在視窗中顯示影象

cv2.imshow('Image', img)

　　最後還要新增一句：

cv2.waitKey(0)

　　如果不新增最後一句，在IDLE中執行視窗直接無響應。在命令列中執行的話，則是一閃而過。

　　儲存影象很簡單，直接cv.imwrite即可。

cv2.imwrite(save_path, crop_img)

　　第一個引數是儲存的路徑及檔名，第二個是影象矩陣。其中，imwrite()有個可選的第三個引數，如下：

cv2.imwrite("cat.jpg", img，[int(cv2.IMWRITE_JPEG_QUALITY), 5])

　　第三個引數針對特定的格式： 對於JPEG，其表示的是影象的質量，用0-100的整數表示，預設為95。 注意，cv2.IMWRITE_JPEG_QUALITY型別為Long，必須轉換成int。下面是以不同質量儲存的兩幅圖：

　　對於PNG，第三個引數表示的是壓縮級別。cv2.IMWRITE_PNG_COMPRESSION，從0到9,壓縮級別越高，影象尺寸越小。預設級別為3：

cv2.imwrite("./cat.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0])   

cv2.imwrite("./cat2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

　　儲存的影象尺寸如下：

　　還有一種支援的影象，一般不常用。

　　完整的程式為：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import cv2

# 獲取圖片
img_path = r'1.jpg'
img = cv2.imread(img_path)
cv2.namedWindow("Image")
cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

　　最後釋放視窗是個好習慣！，檢視圖片效果如下：

 

 2，轉換灰度並去噪聲

　　我們可以得到兩張圖片，第一張是灰度圖，第二章是去噪之後的。去噪有很多種方法，均值濾波法，高斯濾波法，中值濾波器，雙邊濾波器等。這裡展示灰度化，高斯去噪的程式碼：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

blurred = cv2.GaussianBlur(gray, (9, 9),0)

　　下圖展示效果，（這裡取高斯是因為高斯去噪效果是最好的）

 

3，提取影象的梯度

　　用Sobel運算元計算x，y方向上的梯度，之後在x方向上 minus y方向上的梯度，通過這個操作，會留下具有高水平梯度和低垂直梯度的影象區域。

　　程式碼入下：

# 提取影象的梯度
gradX = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=1, dy=0)
gradY = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=0, dy=1)

gradient = cv2.subtract(gradX, gradY)
gradient = cv2.convertScaleAbs(gradient)

　　此時我們會得到如下的影象：

 

4，繼續去噪聲

　　考慮到影象的孔隙，首先使用低通濾波器平滑影象，這將有助於平滑影象中的高頻噪聲。低通濾波器的目的是降低影象的變化率。

　　如果將每個畫素替換為該影象周圍畫素的均值，這樣就可以平滑並替代那些強度變化明顯的區域。

　　對模糊影象二值化，顧名思義就是把影象數值以某一邊界分成兩種數值：

blurred = cv2.GaussianBlur(gradient, (9, 9), 0)

(_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)

　　此時效果如下：

　　其實就算手動分割，我們也是需要找到一個邊界，可以看出輪廓出來了，但是我們最終要的是整個輪廓，所以內部小區域就不要了。

5，影象形態學

 　　在這裡我們選取ELLIPSE核，採用CLOSE操作。

# 影象形態學
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))

closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

　　此時，效果如下：

6，細節刻畫

　　 從上圖我們可以發現和原圖對比，發現有細節丟失，這會干擾之後的昆蟲輪廓的檢測，要把它們擴充，分別執行4次形態學腐蝕與膨脹，程式碼如下：

# 細節刻畫，分別執行四次形態學腐蝕與膨脹
closed = cv2.erode(closed, None, iterations=4)

closed = cv2.dilate(closed, None, iterations=4)

　　效果如下：

 7，找出昆蟲區域的輪廓，並畫出

　　此時用 cv2.findContours() 函式如下：

(_, cnts, _) = cv2.findContours(
   引數一： 二值化影象
   closed.copy(),
   引數二：輪廓型別
   #表示只檢測外輪廓
   # cv2.RETR_EXTERNAL,    
   #建立兩個等級的輪廓,上一層是邊界        
   # cv2.RETR_CCOMP,    
   #檢測的輪廓不建立等級關係            
   # cv2.RETR_LIST,          
   #建立一個等級樹結構的輪廓      
   # cv2.RETR_TREE,    
   #儲存所有的輪廓點，相鄰的兩個點的畫素位置差不超過1             
   # cv2.CHAIN_APPROX_NONE,         
   引數三：處理近似方法
   #例如一個矩形輪廓只需4個點來儲存輪廓資訊
   # cv2.CHAIN_APPROX_SIMPLE,         
   # cv2.CHAIN_APPROX_TC89_L1,
   # cv2.CHAIN_APPROX_TC89_KCOS
   )

　　第一個引數是要檢索的圖片，必須是二值圖，即黑白的（不是灰度圖）。

# 這裡opencv3返回的是三個引數
(_, cnts, _) = cv2.findContours(
    # 引數一：二值化影象
    closed.copy(),
    # 引數二：輪廓型別
    cv2.RETR_LIST,
    cv2.CHAIN_APPROX_SIMPLE
)
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
rect = cv2.minAreaRect(c)
box = np.int0(cv2.boxPoints(rect))

draw_img = cv2.drawContours(img.copy(), [box], -1, (0, 0, 255), 3)
cv2.imshow("draw_img", draw_img)

　　此時，會得到：

 

8，裁剪

　　影象的裁剪最簡單的方式就是獲取影象陣列的切片，如下：

img_crop = img[100:300,100:300]
cv2.imshow("img_crop", img_crop)
key = cv2.waitKey()
if key == 27:
    cv2.destroyAllWindows()

　　當然，這裡我們直接找到四個點，切出來就OK.

　　其實，box裡儲存的是綠色矩陣區域四個頂點的座標。我們按照下圖所示裁剪昆蟲影象。

　　方法是找到四個頂點的x，y座標的最大最小值。新影象的高等於 max(Y) - min(Y)，寬等於 max(X) - min(X)。

Xs = [i[0] for i in box]
Ys = [i[1] for i in box]
x1 = min(Xs)
x2 = max(Xs)
y1 = min(Ys)
y2 = max(Ys)
hight = y2 - y1
width = x2 - x1
crop_img= img[y1:y1+hight, x1:x1+width]
cv2.imshow('crop_img', crop_img)

　　

9，完整程式碼

#-*- coding: UTF-8 -*- 
import cv2
import numpy as np


def get_image(path):
   #獲取圖片
   img=cv2.imread(path)
   gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
   
   return img, gray
   
def Gaussian_Blur(gray):
   # 高斯去噪
   blurred = cv2.GaussianBlur(gray, (9, 9),0)
   
   return blurred
   
def Sobel_gradient(blurred):
   # 索比爾運算元來計算x、y方向梯度
   gradX = cv2.Sobel(blurred, ddepth=cv2.CV_32F, dx=1, dy=0)
   gradY = cv2.Sobel(blurred, ddepth=cv2.CV_32F, dx=0, dy=1)
   
   gradient = cv2.subtract(gradX, gradY)
   gradient = cv2.convertScaleAbs(gradient)
   
   return gradX, gradY, gradient

def Thresh_and_blur(gradient):
   
   blurred = cv2.GaussianBlur(gradient, (9, 9),0)
   (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)
   
   return thresh
   
def image_morphology(thresh):
   # 建立一個橢圓核函式
   kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))
   # 執行影象形態學, 細節直接查文件，很簡單
   closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
   closed = cv2.erode(closed, None, iterations=4)
   closed = cv2.dilate(closed, None, iterations=4)
   
   return closed
   
def findcnts_and_box_point(closed):
   # 這裡opencv3返回的是三個引數
   (_, cnts, _) = cv2.findContours(closed.copy(), 
       cv2.RETR_LIST, 
       cv2.CHAIN_APPROX_SIMPLE)
   c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
   # compute the rotated bounding box of the largest contour
   rect = cv2.minAreaRect(c)
   box = np.int0(cv2.boxPoints(rect))
   
   return box

def drawcnts_and_cut(original_img, box):
   # 因為這個函式有極強的破壞性，所有需要在img.copy()上畫
   # draw a bounding box arounded the detected barcode and display the image
   draw_img = cv2.drawContours(original_img.copy(), [box], -1, (0, 0, 255), 3)
   
   Xs = [i[0] for i in box]
   Ys = [i[1] for i in box]
   x1 = min(Xs)
   x2 = max(Xs)
   y1 = min(Ys)
   y2 = max(Ys)
   hight = y2 - y1
   width = x2 - x1
   crop_img = original_img[y1:y1+hight, x1:x1+width]
   
   return draw_img, crop_img
   
def walk():
   
   img_path = r'C:\Users\aixin\Desktop\chongzi.png'
   save_path = r'C:\Users\aixin\Desktop\chongzi_save.png'
   original_img, gray = get_image(img_path)
   blurred = Gaussian_Blur(gray)
   gradX, gradY, gradient = Sobel_gradient(blurred)
   thresh = Thresh_and_blur(gradient)
   closed = image_morphology(thresh)
   box = findcnts_and_box_point(closed)
   draw_img, crop_img = drawcnts_and_cut(original_img,box)
   
   # 暴力一點，把它們都顯示出來看看
   
   cv2.imshow('original_img', original_img)
   cv2.imshow('blurred', blurred)
   cv2.imshow('gradX', gradX)
   cv2.imshow('gradY', gradY)
   cv2.imshow('final', gradient)
   cv2.imshow('thresh', thresh)
   cv2.imshow('closed', closed)
   cv2.imshow('draw_img', draw_img)
   cv2.imshow('crop_img', crop_img)
   cv2.waitKey(20171219)
   cv2.imwrite(save_path, crop_img)

walk()

　　

附錄程式碼：

# 用來轉化影象格式的
img = cv2.cvtColor(src, 
   COLOR_BGR2HSV # BGR---->HSV
   COLOR_HSV2BGR # HSV---->BGR
   ...)
# For HSV, Hue range is [0,179], Saturation range is [0,255] and Value range is [0,255]


# 返回一個閾值，和二值化影象，第一個閾值是用來otsu方法時候用的
# 不過現在不用了，因為可以通過mahotas直接實現
T = ret = mahotas.threshold(blurred)
ret, thresh_img = cv2.threshold(src, # 一般是灰度影象
   num1, # 影象閾值
   num2, # 如果大於或者num1, 畫素值將會變成 num2
# 最後一個二值化引數
   cv2.THRESH_BINARY      # 將大於閾值的灰度值設為最大灰度值，小於閾值的值設為0
   cv2.THRESH_BINARY_INV  # 將大於閾值的灰度值設為0，大於閾值的值設為最大灰度值
   cv2.THRESH_TRUNC       # 將大於閾值的灰度值設為閾值，小於閾值的值保持不變
   cv2.THRESH_TOZERO      # 將小於閾值的灰度值設為0，大於閾值的值保持不變
   cv2.THRESH_TOZERO_INV  # 將大於閾值的灰度值設為0，小於閾值的值保持不變
)
thresh = cv2.AdaptiveThreshold(src, 
   dst, 
   maxValue, 
   # adaptive_method 
   ADAPTIVE_THRESH_MEAN_C,      
   ADAPTIVE_THRESH_GAUSSIAN_C,      
   # thresholdType
   THRESH_BINARY, 
   THRESH_BINARY_INV, 
   blockSize=3,
   param1=5
)


# 一般是在黑色背景中找白色物體，所以原始影象背景最好是黑色
# 在執行找邊緣的時候，一般是threshold 或者是canny 邊緣檢測後進行的。
# warning:此函式會修改原始影象、
# 返回：座標位置（x,y）, 
(_, cnts, _) = cv2.findContours(mask.copy(), 
   # cv2.RETR_EXTERNAL,             #表示只檢測外輪廓
   # cv2.RETR_CCOMP,                #建立兩個等級的輪廓,上一層是邊界
   cv2.RETR_LIST,                 #檢測的輪廓不建立等級關係
   # cv2.RETR_TREE,                   #建立一個等級樹結構的輪廓
   # cv2.CHAIN_APPROX_NONE,           #儲存所有的輪廓點，相鄰的兩個點的畫素位置差不超過1
   cv2.CHAIN_APPROX_SIMPLE,       #例如一個矩形輪廓只需4個點來儲存輪廓資訊
   # cv2.CHAIN_APPROX_TC89_L1,
   # cv2.CHAIN_APPROX_TC89_KCOS
  )
img = cv2.drawContours(src, cnts, whichToDraw(-1), color, line)


img = cv2.imwrite(filename, dst,  # 檔案路徑，和目標影象檔案矩陣
   
   # 對於JPEG，其表示的是影象的質量，用0-100的整數表示，預設為95
   # 注意，cv2.IMWRITE_JPEG_QUALITY型別為Long，必須轉換成int
   [int(cv2.IMWRITE_JPEG_QUALITY), 5] 
   [int(cv2.IMWRITE_JPEG_QUALITY), 95]
   # 從0到9,壓縮級別越高，影象尺寸越小。預設級別為3
   [int(cv2.IMWRITE_PNG_COMPRESSION), 5])
   [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

# 如果你不知道用哪個flags，畢竟太多了哪能全記住，直接找找。
尋找某個函式或者變數
events = [i for i in dir(cv2) if 'PNG' in i]
print( events )

尋找某個變數開頭的flags
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print flags

批量讀取檔名字
import os
filename_rgb = r'C:\Users\aixin\Desktop\all_my_learning\colony\20170629'
for filename in os.listdir(filename_rgb):              #listdir的引數是資料夾的路徑
   print (filename)

　　

 參考文獻：

https://mp.weixin.qq.com/s?__biz=MzUyMjE2MTE0Mw==&mid=2247485167&idx=1&sn=dd124331da063dc5adf5a9d21c97cd5f&chksm=f9d15877cea6d161c55d7cd2969a0ed8f9275e2391ad36dfda0abc77752593afedbe9351c998&scene=21#wechat_redirect

https://blog.csdn.net/sunny2038/article/category/904451

https://www.cnblogs.com/zangyu/p/5802142.

相關推薦

深入學習OpenCV檢測及分割影象的目標區域

準備1：OpenCV常用圖片轉換技巧 　　在進行計算機視覺模型訓練前，我們經常會用到影象增強的技巧來獲取更多的樣本，但是有些深度學習框架中的方法對影象的變換方式可能並不滿足我們的需求，所以掌握OpenCV中一些常用的影象處理技巧對我們還是有很多幫助的。 影象通道分離 　　我們知道每個影象是由RGB三個顏

直接可以用的Python和OpenCV檢測及分割影象的目標區域例子

第一天 老師：你知道麼，今天有人問了我一個問題。 ~.我：什麼？ 老師：他說很難。 ~.我：關於什麼的？ 老師：影象處理。 ~.我：喔，你說說看，我確實做了不少影象處理的東西（心裡默唸，你不知知道你給過我多少影象嗎？） 老師：好嘞！在用深度學習的時

基於Python和OpenCV的影象目標檢測及分割

          基於Python和OpenCV的影象目標檢測及分割 本文在https://blog.csdn.net/sinat_36458870/article/details/78825571博主的部落格基礎上加了批處理部分，同時對多張圖

深入學習OpenCV文件掃描及OCR識別（文件掃描，影象矯正，透視變換，OCR識別）

如果需要處理的原圖及程式碼，請移步小編的GitHub地址 　　傳送門：請點選我 　　如果點選有誤：https://github.com/LeBron-Jian/ComputerVisionPractice 　　下面準備學習如何對文件掃描擺正及其OCR識別的案例，主要想法是對一張不規則的文件進行矯正，然後通過t

tensorflow檢測及分割任務筆記

準備相關環境。如tensorflow環境和object detection相關環境，可以參考上面的文章 tensorflow models 倉庫位置：在github上搜 tensorflow models 準備下載資料（可以使用下面的倉庫，根據readme來調整和

python3.6 windows安裝python-contrib-opencv安裝及提取影象的SIFT特徵

#前言 最近幾天在做水果分類的一個Project，看到有人說SIFT特徵比較有用。由於Project的其他部分都是在python中完成的，所以想在python中提取影象的SIFT特徵。上網上一查立馬就發現了很多程式碼，原來python的opencv庫就封裝後SI

目標分割——基於目標區域（一）

目標分割將感興趣的區域從影象中分離並提取出來，也可看做基元檢測的一種推廣。兩類方法可用於目標分割： 基於目標輪廓 考慮目標與影象中 其他部分的界限，如果能確定目標輪廓，就可將目標與影象的其他部分分割開。在這種方法中，除了檢測出輪廓點再連線起來，還可以邊檢測

計算機視覺筆記及資料整理（含影象分割、目標檢測小方向學習）

前言 1、簡單聊聊： 在我腦海中我能通過這些年聽到的技術名詞來感受到技術的更新及趨勢，這種技術發展有時候我覺得連關注的腳步都趕不上。簡單回顧看看，從我能聽到的技術名詞來感受，最開始耳聞比較多「雲端計算」這玩意，後來聽到比較多的是「資料探勘」，當時想著等考上研也要

計算機視覺之目標檢測及影象分割方法

1.目標檢測 現在的目標檢測方法主要分為三類： （1）基於傳統手工特徵的目標檢測方法 （2）基於RCNN的目標檢測方法 代表演算法有RCNN，SPP-Net, Fast-RCNN，Faster-RCNN （3）基於CNN迴歸的目標檢測方法 代表演算法

cs231n學習筆記 CNN 目標檢測 定位 分割

分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！        

cs231n學習筆記-CNN-目標檢測 定位 分割

分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！        

OpenCv學習筆記(二)--Mat矩陣(影象容器)的建立及CV_8UC1,CV_8UC2等引數詳解

（一）Mat矩陣(影象容器)建立時CV_8UC1,CV_8UC2等引數詳解 1--Mat不但是一個非常有用的影象容器類,同時也是一個通用的矩陣類 2--建立一個Mat物件的方法很多,我們現在先看一下Mat矩陣/影象容器類在OpenCv中的有關原始碼: 1 2

影象標註工具彙總目標檢測標註工具影象分割標註工具

對於監督學習演算法而言，資料決定了任務的上限，而演算法只是在不斷逼近這個上限。世界上最遙遠的距離就是我們用同一個模型，但是卻有不同的任務。但是資料標註是個耗時耗力的工作，下面介紹幾個影象標註工具： Labelme Labelme適用於影象分割任務的資料集製作： 它來自下面的專案：https:

OpenCV—Python目標區域影象分割

使用OpenCV擷取目標區域 #encoding:utf-8 import cv2 import numpy as np def get_image(path): #獲取圖片 img=cv2.imread(path) gray=

影象邊緣檢測——幾種影象邊緣檢測運算元的學習及python 實現

　　本文學習利用python學習邊緣檢測的濾波器，首先讀入的圖片程式碼如下： import cv2 from pylab import * saber = cv2.imread("construction.jpg") saber = cv2.cvtColor(saber,cv2.COLOR_BGR2RG

opencv影象特徵檢測及匹配（harris，sift，surf，fast，breif，orb，BFmatch，FlannBasedMatcher）

本文簡單概括各種演算法的提出背景及opencv實現，對具體原理不做討論一般而言，一個物體的角點最能夠代表物體的特徵，所以所謂的特徵檢測又叫角點（Corner）檢測harris是最早提出的特徵提取演算法：opencv實現如下：dst=cv2.cornerHarris(gray,

深度學習經典目標檢測例項分割語義分割網路的理解之一 CNN

這一系列的深度學習網路還是放在一起學習會比較深刻。CNN, 只分類RCNN, 分類加標框FAST-RCNN, 快速分類加標框FASTER-RCNN, 更快地分類加標框MASK-RCNN 分類標框加上畫素級別分割另外網上已經有很多這系列的博文了，幫了我不少忙，但有些不乏沒有說清

影象目標檢測與跟蹤學習筆記（五）

        作者跟蹤的實現過程中，作者定義了兩個correlation filter，一個濾波器（translation filter）專門用於確定新的目標所處的位置，另一個濾波器（scale filter）專門用於尺度評估。在translation filter方面，作者的方法與MOSSE的方法是一樣的

影象目標檢測與跟蹤學習筆記（一）

一. 講座心得         劉洋師兄的講座深入淺出，用通俗的語言給我們介紹了Computer Vision這個領域的相關知識。         開篇先介紹了幾個很有意思的應用，印象最深刻的是速度與激情的視訊，能夠在如此快的速度下精確地識別到各個特徵目標，很強勢！

【OpenCV學習筆記】2.3影象的腐蝕、膨脹、模糊、邊緣檢測

一、腐蝕和膨脹： 膨脹演算法使影象擴大一圈 腐蝕演算法使二值影象減小一圈 1、演算法： 從影象處理角度看，二值影象的腐蝕和膨脹就是將一個小型二值圖（結構元素，一般為3*3大小）在一個大的二值圖上逐點移動並進行比較，根據比較的結果作出相應處理而已。