数据要素产业
每个cver都应该知道的十大OpenCV函数
现在计算机视觉和计算机图形学非常流行,这是因为它们与人工智能有着广泛的联系,它们的主要共同点是使用OpenCV库,以便像人类一样对数字图像或视频(CV)或生成图像(CG)有高层次理解。
这就是为什么今天我们要来看一看在计算机科学领域里,对于同样的库,有哪些函数是你最能从中受益的!
在讨论OpenCV的强大功能之前,让我们先看看计算机视觉、计算机图形学和OpenCV的定义,以便更好地理解我们在这里所做的工作。计算机视觉计算机视觉是一个跨学科的领域,涉及如何使计算机获得对数字图像或视频的高层次理解。从工程的角度来看,它试图使人类视觉系统能够完成任务的自动化,也就是说,它希望像人类一样“看懂”世界。计算机图形学计算机图形学是计算机科学中的一个分支,它研究如何借助计算机生成图像。如今,计算机图形学是数字摄影、电影、视频游戏、手机和计算机显示等许多专业应用领域的核心技术。OpenCVOpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库。OpenCV的建立是为了为计算机视觉应用提供一个通用的基础设施,并加速机器感知在商业产品中的应用。该库提供了处理和分析图像内容的工具,包括识别数字照片中的对象(如人的脸和图形、文本等)、跟踪对象的运动、转换图像、应用机器学习方法以及识别各种图像中的公共元素。好了,现在我们可以从我个人选择的十大函数开始学习。(使用Python编写函数)
imread/imshow这个函数必须放在首位,因为要用一张图片来开始你的项目,此函数是必不可少的。从函数名可以猜到,它加载了BGR(Blue-Green-Red)格式的图像。
import cv2
import matplotlib.pyplot as plot
image = cv2.imread('data.png') #load image
plot.imshow(image) #show image
cvtColor加载图像后,还可以使用cvtColor中的不同标志将其转换为不同的配色方案。cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
下面是cvtColor的一些其他标志:COLOR_BGR2GRAY、COLOR_BGR2HSV和COLOR_BGR2YUV等。这是双向的,例如,COLOR_YUV2BGR也是可能的。
resize有时你只需要一个不同于原来大小的图像,所以resize就是你需要的函数。cv2.resize(image, dimension, interpolation = cv2.INTER_AREA)
它获取原始图像,并按尺寸创建一个新图像。尺寸定义为:dimension = (width, height)
插值是一种重采样图片的方法,在我的例子中,它使用基于INTER_AREA的区域间重采样,还有更多类似的方法INTER_NEAREST: 最近邻插值INTER_LINEAR: 双线性插值INTER_CUBIC: 4×4像素邻域上的双三次插值INTER_LANCZOS4: 8×8邻域上的Lanczos插值https://scc.ustc.edu.cn/zlsc/sugon/intel/ipp/ipp_manual/IPPI/ippi_appendices/ippi_appB_LanczosInterpolation.htm
split/merge每张图片有3个通道,如果我们想把它们分割成不同的图片,我们可以使用分割函数来实现。(channel_b, channel_g, channel_r) = cv2.split(img)
如果图像是BGR格式,它会将每个通道分成你定义的三个变量。如果你已经分割通道,但希望将它们合并到一起,你可以使用merge。cv2.merge(channel_b, channel_g, channel_r)
vconcat / hconcat使用vconcat(),hconcat()可以垂直和水平连接(合并)图像。v表示垂直,h表示水平。cv2.vconcat([image1, image2])
cv2.hconcat([image1, image2])
ones/zeros如果要在三维图像(矩阵)中都填充1或0(因为矩阵要求彩色图像具有3个维度)。size = 200, 200, 3
m = np.zeros(size, dtype=np.uint8)
n = np.ones(size, dtype=np.uint8)
作为一个附加函数,我想在这里添加一个东西,那就是转置函数。transpose如果我们有一个要转置的已定义矩阵mat,我们所要做的就是直接对mat使用这个函数:
import numpy as np
mat = np.array([[1, 2, 3], [4, 5, 6]])
mat_transpose = mat.transpose()
print(mat_tranpose)
得到输出:[[1 4]
[2 5]
[3 6]]
#original input
[[1, 2, 3]
[4, 5, 6]]