汕头网站开发服务,温州苍南网站建设,电商网站开发多少钱,dedecms怎么做网站文章目录 OpenCV功能概要图像的算数运算性能测试和优化改变颜色空间对象追踪 OpenCV功能概要
OpenCV#xff08;Open Source Computer Vision Library#xff09;是一个开源的计算机视觉和机器学习库#xff0c;提供了丰富的图像处理和计算机视觉算法。它支持多种编程语言Open Source Computer Vision Library是一个开源的计算机视觉和机器学习库提供了丰富的图像处理和计算机视觉算法。它支持多种编程语言包括Python、C和Java。以下是OpenCV的主要功能概要 图像的算数运算 OpenCV提供了多种算数运算函数包括加法、减法、位运算等可以用来处理图像。这些函数能够执行图像间的像素级别操作例如图像加法和减法以及与常数的算数运算。 性能测试和优化 OpenCV提供了丰富的性能测试工具和优化技术可以帮助开发者评估和提高图像处理算法的性能。使用OpenCV的性能测试功能可以度量不同操作的执行时间从而找出性能瓶颈。优化技术包括使用OpenCV的内置函数以及利用硬件加速如CUDA和OpenCL来加速图像处理任务。 改变颜色空间 OpenCV支持多种颜色空间的转换例如RGB到灰度、RGB到HSV等。这些转换可以帮助开发者在不同颜色空间中进行图像处理从而更好地理解和操作图像的颜色信息。
图像的算数运算
一些图像上的运算操作就像加法减法位操作等等 函数cv.add()、cv.addWeighted()等等
1.图像添加 图像的添加是图像处理中常见的操作之一用于将两幅图像叠加在一起。在OpenCV中你可以使用cv2.add()函数来实现图像的添加。另外你也可以使用NumPy进行相似的操作但需要注意OpenCV和NumPy在处理饱和运算方面的差异。
使用OpenCV的cv2.add()函数时它会执行饱和运算saturate operation即当像素值超过255时会被截断到255不会溢出。这是因为图像的像素值通常是8位无符号整数0到255之间的值超出这个范围的值会被截断。
import cv2
import numpy as np# 读取两幅图像
img1 cv2.imread(img.png)
img2 cv2.imread(img_1.png)# 调整第二幅图像的尺寸与第一幅图像相同
img2_resized cv2.resize(img2, (img1.shape[1], img1.shape[0]))# 使用NumPy进行图像相加饱和运算
added_image_numpy np.clip(img1.astype(int) img2_resized.astype(int), 0, 255).astype(np.uint8)# 输出结果
print(NumPy添加结果饱和运算, added_image_numpy)
cv2.imshow(Blended Image, added_image_numpy)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.add()函数执行了饱和运算确保了结果图像的像素值不会超出255。而使用NumPy进行图像相加时需要使用np.clip()函数来进行饱和运算确保结果在合理范围内。
2.图片混合 这种图像叠加操作是通过赋予不同权重给两幅图像从而实现混合或透明效果的一种方法。具体地通过以下的线性组合公式
g(x)(1−α)f0(x)αf1(x)g(x)(1−α)f0(x)αf1(x)其中f0(x)f0(x)和f1(x)f1(x)分别代表两幅输入图像的像素值αα表示权重可以调整从0到1实现不同程度的混合。在OpenCV中这种混合效果可以通过cv2.addWeighted()函数实现其公式如下
dstα⋅img1β⋅img2γdstα⋅img1β⋅img2γ在这个公式中img1和img2分别是两幅输入图像αα和ββ是相应图像的权重而γγ通常被设置为0。
以下是一个使用OpenCV进行两幅图像混合的例子
import cv2# 读取两幅图像
img1 cv2.imread(img.png)
img2 cv2.imread(img_1.png)# 调整第二幅图像的尺寸与第一幅图像相同
img2_resized cv2.resize(img2, (img1.shape[1], img1.shape[0]))# 设置权重
alpha 0.7
beta 0.3# 图像混合
blended_img cv2.addWeighted(img1, alpha, img2_resized, beta, 0)# 显示混合结果
cv2.imshow(Blended Image, blended_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果
3.位操作 我想把OpenCV的图标放到一个图片上面。如果我直接相加两个图像图标的颜色就会被改变。如果是选择混合他们那么透明度就会受影响。但我希望它是不透明的。如果这是一个规则的区域我就可以用上一个章节使用的ROI来操作。但是OpenCV图标并不是一个规则的形状。所以你可以通过下面的例子进行位运算。
使用位运算来处理两幅图像将OpenCV的图标放置在另一幅图像的特定区域上并确保它是不透明的。以下是代码的详细解释
加载图片
img1 cv.imread(messi5.jpg)
img2 cv.imread(opencv-logo-white.png)2.创建ROI区域 我们希望将img2OpenCV的图标放在img1的左上角。因此我们创建一个ROI区域其大小与img2相同。
rows, cols, channels img2.shape
roi img1[0:rows, 0:cols]3.创建徽标蒙版和反向蒙版 我们将img2转换为灰度图像然后使用阈值将其二值化变为黑白图像。接着我们通过cv.bitwise_not()函数创建反向蒙版。
img2gray cv.cvtColor(img2, cv.COLOR_BGR2GRAY)
ret, mask cv.threshold(img2gray, 10, 255, cv.THRESH_BINARY)
mask_inv cv.bitwise_not(mask)4.背景提取和前景提取 使用cv.bitwise_and()函数我们将ROI区域中的徽标区域涂黑得到背景提取的图像img1_bg。然后我们从徽标图像中提取徽标区域得到前景提取的图像img2_fg。
img1_bg cv.bitwise_and(roi, roi, maskmask_inv)
img2_fg cv.bitwise_and(img2, img2, maskmask)5.合并前景和背景 将前景和背景图像相加得到最终的结果图像。
dst cv.add(img1_bg, img2_fg)
img1[0:rows, 0:cols] dst6.显示结果 最终通过cv.imshow()函数显示结果图像你也可以在代码中插入其他步骤来查看中间结果。 cv.imshow(res, img1)cv.waitKey(0)cv.destroyAllWindows()这个例子中使用位运算将OpenCV的图标合并到了另一幅图像的特定区域上同时确保了不透明度。
性能测试和优化
函数cv.getTickCountcv.getTickFrequency 等等 在OpenCV中你可以使用cv.getTickCount()函数来获取一个时间戳该时间戳表示自系统启动以来的时钟周期数。你还可以使用cv.getTickFrequency()函数来获取时钟周期的频率即每秒的时钟周期数。通过这两个函数你可以计算函数的运行时间。
具体步骤如下
使用cv.getTickCount()获取函数开始时的时间戳。e1 cv.getTickCount()在你的代码执行完毕后再次调用cv.getTickCount()获取函数结束时的时间戳。# 你的代码
e2 cv.getTickCount()计算函数的运行时间以秒为单位。
time (e2 - e1) / cv.getTickFrequency()这样time变量将包含函数的运行时间以秒为单位。
OpenCV中默认的优化方法
OpenCV中的许多函数都利用了现代处理器的特殊指令集如SSE2、AVX等进行优化以提高性能。OpenCV同时也包含了未经过优化的代码。因此如果系统支持这些特殊指令集几乎所有现代处理器都支持应该充分利用它们。 在编译时OpenCV默认会启用这些优化因此在运行时OpenCV会尽量使用经过优化的代码。只有在不支持这些指令集的情况下OpenCV才会使用未优化的代码。可以使用cv.useOptimized()函数来检查优化是否启用以及使用cv.setUseOptimized()函数来手动启用或禁用优化。
# 检查是否启用优化
print(cv.useOptimized()) # 输出: True# 使用优化进行中值滤波循环10次计算平均每次循环的时间
%timeit res cv.medianBlur(img, 49)# 禁用优化
cv.setUseOptimized(False)# 检查是否禁用了优化
print(cv.useOptimized()) # 输出: False# 禁用优化后进行中值滤波循环10次计算平均每次循环的时间
%timeit res cv.medianBlur(img, 49)
在IPython中的测量方法 在IPython中你可以使用神奇的timeit命令来完成这个任务。timeit通过多次运行代码获取准确的结果同样也适用于单行代码。
比如你想知道以下几种操作哪个更快x 5; y x**2x 5; y x * xx np.uint8([5]); y x * x或者是 y np.square(x)。我们可以在IPython中找到答案。
x 5%timeit y x**2
# 输出结果10000000 loops, best of 3: 73 ns per loop%timeit y x * x
# 输出结果10000000 loops, best of 3: 58.3 ns per loopz np.uint8([5])%timeit y z * z
# 输出结果1000000 loops, best of 3: 1.25 us per loop%timeit y np.square(z)
# 输出结果1000000 loops, best of 3: 1.16 us per loop你会发现x 5; y x * x 的速度要比Numpy的快20倍。如果考虑到创建一个数组这个差距可能会更大这真的很酷实际上Numpy就是用来解决这类问题的。
需要注意的是Python的标量运算远比Numpy的快。所以如果你只是对一两个元素进行操作可能没有必要使用Numpy。Numpy的真正优势体现在大量数据的矩阵运算上。
接下来我们尝试比较cv.countNonZero()和np.count_nonzero()函数在操作同一张图片时的性能表现。
%timeit z cv.countNonZero(img)
# 输出结果100000 loops, best of 3: 15.8 us per loop%timeit z np.count_nonzero(img)
# 输出结果1000 loops, best of 3: 370 us per loop可以看到OpenCV的函数比Numpy的快了大约25倍。
需要注意的是通常情况下OpenCV的函数比Numpy的函数更快。因此在进行相同操作时OpenCV的性能会更好。不过也有一些例外情况具体取决于操作的性质特别是当Numpy使用视图而不是副本时。
改变颜色空间
图像从一个颜色空间转换到另外一个就像 BGR ↔ Gray, BGR ↔ HSV 等等。 创建一个应用程序来提取视频中的色彩对象。 函数cv.cvtColor()cv.inRange()等等。 注意Note 对于 HSV色调范围为 [0,179]饱和度范围为 [0,255]值范围为 [0,255]。不同的软件使用不同的尺度。因此如果您将 OpenCV 值与它们进行比较则需要对这些范围进行归一化。
改变颜色空间
在OpenCV中有超过150种颜色空间转换方法但我们通常关注其中两种最常用的BGR到灰度BGR ↔ Gray和BGR到HSVBGR ↔ HSV的转换。
在颜色转换中我们使用cv.cvtColor(input_img, flag)函数其中flag参数用于确定转换的类型。
对于BGR到灰度的转换我们将cv.COLOR_BGR2GRAY传递给flag参数。类似地对于BGR到HSV的转换我们将cv.COLOR_BGR2HSV传递给flag参数。可以在Python中运行以下代码
import cv2 as cvflags [i for i in dir(cv) if i.startswith(COLOR_)]print(flags)需要注意的是在HSV颜色空间中色调范围是0,1790,179饱和度范围是0,2550,255值范围是0,2550,255。不同的软件使用不同的尺度。因此如果你想将OpenCV中的值与其他软件进行比较你需要对这些范围进行归一化处理。
对象追踪
现在我们已经学会如何将一幅BGR图像转换成HSV颜色空间。接下来我们可以利用这个知识来提取特定颜色的对象。在这个例子中我们将尝试提取蓝色对象的图像。
以下是具体的步骤
获取每一帧图像 从视频中捕获每一帧图像。颜色空间转换 将BGR图像转换为HSV颜色空间这样更容易提取特定颜色的对象。颜色阈值处理 在HSV颜色空间中指定蓝色的阈值范围lower_blue和upper_blue。这样我们可以定位在该范围内的蓝色像素。创建掩码 使用cv.inRange()函数创建一个掩码该掩码仅包含在指定蓝色范围内的像素。提取蓝色对象 将掩码应用到原始图像上使用cv.bitwise_and()函数这样就可以提取出蓝色对象的图像。显示图像 分别显示原始图像、掩码和提取出的蓝色对象的图像。等待用户操作 等待用户按下键盘上的ESC键ASCII码为27来退出循环。释放资源 当用户按下ESC键后释放所有窗口资源。import cv2 as cv
import numpy as npcap cv.VideoCapture(0)while True:# 获取每一帧_, frame cap.read()# 从BGR转换到HSVhsv cv.cvtColor(frame, cv.COLOR_BGR2HSV)# 在HSV中定位蓝色范围lower_blue np.array([110, 50, 50])upper_blue np.array([130, 255, 255])# 设置HSV图像仅获得蓝色图像mask cv.inRange(hsv, lower_blue, upper_blue)# 按位与掩码和原始图像res cv.bitwise_and(frame, frame, maskmask)# 显示图像cv.imshow(Original, frame)cv.imshow(Mask, mask)cv.imshow(Blue Object, res)# 等待用户按下ESC键退出k cv.waitKey(5) 0xFFif k 27:break# 释放资源
cap.release()
cv.destroyAllWindows() Note 图像中有些噪声。我们将在后面演示如何去除它。这个是一个简单的项目追踪方法。一旦你学会了轮廓的函数你就可以做一系列事情就像是找到一个物体的质心并用它去跟踪物体或者是只需要在相机前移动你的手就可以画出图表或者其他有趣的事情。
要找到需要跟踪的颜色的HSV值可以使用OpenCV中的cv.cvtColor()函数。不需要传递整个图像只需传递所需的BGR值即可。以下是一个示例假设想找到绿色的HSV值
import numpy as np
import cv2 as cv# 定义一个绿色的BGR值
green np.uint8([[[0, 255, 0]]])# 将BGR转换为HSV
hsv_green cv.cvtColor(green, cv.COLOR_BGR2HSV)print(hsv_green)运行这段代码会得到绿色的HSV值[[[60 255 255]]]。现在可以将这个HSV值作为跟踪绿色的下限Lower Bound[H-10, 100, 100]和上限Upper Bound[H10, 255, 255]。在这个例子中绿色的H值为60所以下限为50上限为70。这个范围可以根据实际情况微调。
另外除了使用代码计算HSV值外也可以使用图像编辑工具如GIMP或在线颜色转换器来找到这些值。但是请记住确保在使用这些工具时调整HSV范围因为不同的工具可能使用不同的HSV标准。
