我们可以使用 cv2.distanceTransform() 方法执行距离变换。以下是此方法的语法。语法 cv2.distanceTransform(src, distanceType, maskSize) 此方法接受以下参数 - src - 8 位，单通道（二值）源图像。distanceType - 距离的类型。maskSize - 距离变换掩码的大小。步骤 要对图像执行距离变换，我们可以按照以下步骤操作 - 导入所需的库。在以下所有示例中，所需的 Python 库是 OpenCV。确保您已安装它。使用 cv2.imread() 读取输入图像。使用 ... 阅读更多

概率霍夫变换是对霍夫变换的优化。即使对于具有两个参数的直线，霍夫变换也需要大量的计算。概率霍夫变换不会考虑所有点，它只考虑点的随机子集，这对于直线检测就足够了。我们可以按照以下步骤在图像上实现概率霍夫变换 - 导入所需的库。在以下所有示例中，所需的 Python 库是 OpenCV。确保您已安装它。使用 cv2.imread() 读取输入图像。使用 ... 阅读更多

我们应用傅里叶变换来分析各种滤波器的频率特性。我们可以使用 np.fft.fft2() 对高斯滤波器和拉普拉斯滤波器应用傅里叶变换。我们使用 np.fft.fftshift() 将零频率分量移到频谱的中心。步骤 要找到高斯或拉普拉斯滤波器的傅里叶变换，可以按照以下步骤操作 - 导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 OpenCV、Numpy 和 Matplotlib。确保您已安装它们。定义高斯或拉普拉斯滤波器。对上述定义的 ... 阅读更多

离散傅里叶变换 (DFT) 和逆离散傅里叶变换 (IDFT) 应用于图像以查找频域。要查找图像的傅里叶变换，我们使用函数 cv2.dft() 和 cv2.idft()。我们可以应用傅里叶变换来分析各种滤波器的频率特性。步骤 要找到输入图像的傅里叶变换，可以按照以下步骤操作 - 导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 OpenCV、Numpy 和 Matplotlib。确保您已安装它们。将输入图像加载为灰度图像 ... 阅读更多

在 OpenCV 中，我们使用 cv2.calcHist() 函数计算图像的直方图。我们可以使用此函数计算图像区域的直方图。要计算图像中某个区域的直方图，首先我们定义一个掩码。掩码中的白色表示要检查原始输入图像中的区域，掩码图像中的黑色表示要忽略的区域。现在我们计算直方图，将此掩码作为参数传递给该函数。步骤 要计算和绘制图像区域的直方图，可以 ... 阅读更多

我们可以应用 cv2.calcHist() 函数计算图像的二维直方图。彩色图像有三个通道 - 红色、绿色和蓝色。我们可以一次计算两个颜色通道的二维直方图。因此，我们有三种颜色通道组合，每次取两个 - 红色和绿色（或绿色和红色）、绿色和蓝色（或蓝色和绿色）以及蓝色和红色（或红色和蓝色）。步骤 要计算和绘制输入图像的二维直方图，可以按照以下步骤操作 - 导入所需的库 OpenCV 和 matplotlib。 ... 阅读更多

我们使用 cv2.threshold() 将灰度图像转换为二值图像。要将彩色图像转换为二值图像，我们首先使用 cv2.cvtColor() 将彩色图像转换为灰度图像，然后对灰度图像应用 cv2.threshold()。步骤 可以按照以下步骤将彩色图像转换为二值图像 - 导入所需的库。在以下所有示例中，所需的 Python 库是 OpenCV。确保您已安装它。使用 cv2.imread() 读取输入图像。使用此方法读取的 RGB 图像是 BGR 格式。可以选择分配读取的 ... 阅读更多

我们可以使用 cv2.pointPolygonTest() 计算点到图像上轮廓的最短距离，将轮廓点坐标和点坐标作为参数传递。在应用 cv2.pointPolygonTest() 之前，我们需要计算图像中的轮廓。我们可以按照以下步骤查找图像中对象轮廓的给定点到轮廓的最短距离 - 导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 OpenCV。确保您已安装它。使用 cv2.imread() 读取输入图像。使用 ... 阅读更多

我们可以使用 cv2.bitwise_not() 对图像执行按位非运算。以下是对图像执行按位非运算的语法 - cv2.bitwise_not(img) 步骤 要对图像计算按位非，您可以按照以下步骤操作 - 导入所需的库。在以下所有示例中，所需的 Python 库是 OpenCV。确保您已安装它。使用 cv2.imread() 方法将输入图像读取为灰度图像。使用图像类型（即 png 或 jpg）指定图像的完整路径。使用 ... 阅读更多

我们使用函数 cv2.normalize() 在 OpenCV 中归一化图像。此函数接受参数 - src、dst、alpha、beta、norm_type、dtype 和 mask。src 和 dst 是输入图像和与输入大小相同的输出，alpha 是范围归一化的较低范数值，beta 是范围归一化的较高范数值，norm_type 是归一化类型，dtype 是输出的数据类型，mask 是可选的操作掩码。步骤 要归一化图像，我们可以按照以下步骤操作 - 导入所需的库。在以下所有示例中，所需的 Python 库是 OpenCV。 ... 阅读更多