10 2021 档案
摘要：chardet 模块 使用通用编码检测器库的最简单方法是使用detect函数， detect函数有一个参数, 即非 unicode 字符串。 它返回一个字典, 其中包含自动检测的字符编码和从0到1的置信度。 import chardet def char_det(det_str: str)->str
阅读全文
摘要：几何变换 目标： 了解图片的几何转换，eg:平移，旋转，仿射变换 etc 转换 opencv 提供了2种转换函数 cv.warpAffine 和 cv.warpPerspective cv.warpAffine 需要 2x3 转换矩阵，而 cv.warpPerspective 需要 3x3 转换矩阵
阅读全文
摘要：图像处理 颜色转换 颜色转换一般有150多种，常用的有2种BGR ↔ Gray, BGR ↔ HSV 注意 HSV 色调范围[0,179], 饱和度范围[0,255], 值得范围[0,255] 应用场景 目标跟踪 我们可以利用颜色特征，颜色对象，利用HSV更加容易得到，步骤如下： 抽取视频得每一帧
阅读全文
摘要：定义： 简单来说就是把存在的目标从图片中找到并识别出来。 方法： 传统目标检测 传统目标检测 流程： 区域的选择 特征的提取 分类器 区域的选择 对目标位置进行定位。 方法： 滑动窗口对整幅图像遍历的策略 原因： 目标可能出现在任何位置 目标的尺寸不定（目标大小，长宽比例） 缺点： 需要设置不同的尺
阅读全文
摘要：角点检测 原理： 特性：向任何方向移动变化都很大 Harris 角点检测 将窗口向各个方向移动（u，v）然后计算所有差异的总和，窗口函数可以是正常的矩形窗口也可以是对每一个像素给予不同权重的高斯窗口。 角点检测中要使E (u; v) 的值最大。这就是说必须使方程右侧的第二项的取值最大。 详情参考：h
阅读全文
摘要：######概念 交叉验证，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。 ######使用场景 数据不是很充足
阅读全文
摘要：提取照片中军旗棋子，供文本识别使用 **本质：**提取矩形四个角落，并进行透视变换； 检测矩形步骤： 图像预处理 边缘检测 提取轮廓 检测凸包 角点检测 实例： 原始图像 """ #!/usr/bin/env python # -*- coding:utf-8 -*- @desc: 用手机拍摄军旗棋
阅读全文
摘要：图像分割 基于阈值 优点：灰度阈值化，简单，快速，广泛用于硬件处理图像，如：FPGA实时图像处理 场景：各个物体不接触，物体和背景灰度值差别较明显，阈值处理效果好 基于边缘 返回结果：边缘检测的结果是点，不能作为图像分割的点，需要进一步处理，将边缘点沿着图形边界连接，形成边缘链。 检测算子： Sob
阅读全文
摘要：代码示例： import cv2 as cv import numpy as np # 读取图片 img_path = r"D:\workplace\data\opencv\football.jpg" img = cv.imread(img_path) # 转灰度 gray = cv.cvtColo
阅读全文
