边缘与轮廓基于图像边缘提取或二值化的基础寻找对象轮廓边缘提取的阈值会最终影响轮廓发现的结果主要API要有以下俩个findContours发现轮廓drawContours绘制轮廓查找轮廓处理的图像,轮廓列表,继承关系 = cv.findContours(图像,轮廓检索模式,检索的方法)# hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号轮廓检索模

识别红绿颜色识别车道线车道线检测使用opencv来完成一个车道线检测的案例完成这样的案例我们需要经历哪些步骤呢 ? 我们先来思考一下解决问题的思路.当前情况下,摄像头拍出了很多的东西,例如路边的杂草远方的山.但是在我们自动驾驶的过程中,我们并不需要这么多东西,所以我们要考虑提取感兴趣的区域.有了感兴趣的区域之后,我们接下来就需要来识别道路.大家可能会想道路可能会有弯道,但是在小范围内,它还是直线,

形态学变换膨胀与腐蚀形态学变化是基于图像形状的一些简单操作。操作对象一般是二值图像，需要两个输入，一个是我们的原图，另一个是3x3的结构元素(内核)，决定了膨胀操作的本质。常见的操作是图像的膨胀和腐蚀。以及他们的进阶操作注入Opening、Closing、Gradient等等。结构元素的形状MORPH_RECT矩形MORPH_ELLIPSE椭圆形MORPH_CROSS十字型...

Opencv入门案例读取图片如何使用opencv显示一张图片出来,我们首先需要掌握一条图片读取的apicv.imread("图片路径","读取的方式")# 图片路径: 需要在工程目录中,或者一个文件的绝对路径# 读取方式: 分别有如下三种:cv.IMREAD_COLOR : 以彩图的方式加载,会忽略透明度(默认方式)cv.IMREAD_GRAYSCALE: 以灰色图片方式加载cv.IMREAD_U

图片操作原理之前描述过一张图片,在计算机程序中,其实是用矩阵来进行描述的,如果我们想对这张图片进行操作,其实就是要对矩阵进行运算.

图像二值化图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。所使用的阈值,结果图片 = cv.threshold(img,阈值,最大值,类型)THRESH_BINARY高于阈值改为255,低于阈值改为0

图像特效## 图像融合图像融合，即按照一定的比例将俩张图片融合在一起。执行这样的融合需要用到opencv提供的如下api：cv.addWeighted(图像1,权重1,图像2,权重2,叠加之后的像素偏移值)注意:进行叠加的两张图片宽高应该相同叠加之后的像素偏移值如果填的话不要填太大,超过255会导致图像偏白示例代码：import cv2itheima = cv2.imread("./img/qq.

HSV颜色模型HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°

机器学习近十年来人工智能越来越热门了，在我们的日常学习中，我们经常听到一大堆专有名词，像**人工智能**，**机器学习**，**监督学习**，**非监督学习**，**深度学习**，**强化学习**这些，那它们之间存在什么样的关系呢？通过上图，我们可以看到其实都是学习，那么什么是学习？学习的整个过程应该包含输入，处理，输出，反思。比如说，读书，思考，做笔记，应用到实际，再反思。学：输入。习：输出实践