使用 OpenCV 进行图像处理+使用深度学习框架完成计算机视觉任务

admin

以下是使用OpenCV进行图像处理及使用深度学习框架（如TensorFlow或PyTorch）完成计算机视觉任务的学习笔记。

---

使用OpenCV进行图像处理OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，提供了丰富的功能用于图像和视频的处理。
1. 安装OpenCV可以通过pip安装OpenCV：

1. pip install opencv-python

复制代码

2. 基本使用a. 导入OpenCV库

1. import cv2

复制代码

b. 读取和显示图像

1. # 读取图像
   
2. image = cv2.imread('image.jpg')
   
3. 
   
4. # 显示图像
   
5. cv2.imshow('Image', image)
   
6. cv2.waitKey(0)  # 等待按键
   
7. cv2.destroyAllWindows()  # 关闭图像窗口

复制代码

c. 保存图像

1. cv2.imwrite('output.jpg', image)

复制代码

3. 图像处理操作a. 图像转换（灰度、HSV）

1. # 转换为灰度图像
   
2. gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
   
3. 
   
4. # 转换为HSV
   
5. hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

复制代码

b. 图像缩放和调整大小

1. # 缩放
   
2. resized_image = cv2.resize(image, (100, 100))  # 新尺寸为100x100
   
3. 
   
4. # 等比例缩放
   
5. height, width = image.shape[:2]
   
6. scale = 0.5
   
7. resized_image = cv2.resize(image, (int(width * scale), int(height * scale)))

复制代码

c. 图像平滑（模糊）

1. # 均值模糊
   
2. blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

复制代码

d. 边缘检测

1. # 使用Canny边缘检测
   
2. edges = cv2.Canny(image, 100, 200)

复制代码

e. 图像绘制# 在图像上绘制矩形

1. cv2.rectangle(image, (50, 50), (150, 150), (0, 255, 0), 2)  # 矩形参数: (图像, 左上角, 右下角, 颜色, 线宽)

复制代码

# 在图像上绘制文本

1. cv2.putText(image, 'OpenCV Tutorial', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)

复制代码

4. 视频处理a. 打开视频

1. # 打开视频文件或摄像头
   
2. cap = cv2.VideoCapture('video.mp4')
   
3. 
   
4. while cap.isOpened():
   
5.     ret, frame = cap.read()  # 读取每一帧
   
6.     if not ret:
   
7.         break
   
8. 
   
9.     # 在每一帧上进行处理
   
10.     gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
11. 
    
12.     cv2.imshow('Frame', gray_frame)
    
13. 
    
14.     if cv2.waitKey(1) & 0xFF == ord('q'):
    
15.         break
    
16. 
    
17. cap.release()
    
18. cv2.destroyAllWindows()

复制代码

---

使用深度学习框架完成计算机视觉任务1. 使用TensorFlow/Kerasa. 安装TensorFlow可以通过pip安装TensorFlow：

1. pip install tensorflow

复制代码

b. 构建CNN进行图像分类

1. import tensorflow as tf
   
2. from tensorflow.keras import layers, models
   
3. 
   
4. # 构建CNN模型
   
5. model = models.Sequential([
   
6.     layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
   
7.     layers.MaxPooling2D((2, 2)),
   
8.     layers.Conv2D(64, (3, 3), activation='relu'),
   
9.     layers.MaxPooling2D((2, 2)),
   
10.     layers.Conv2D(64, (3, 3), activation='relu'),
    
11.     layers.Flatten(),
    
12.     layers.Dense(64, activation='relu'),
    
13.     layers.Dense(10, activation='softmax')  # 10类
    
14. ])
    
15. 
    
16. model.compile(optimizer='adam',
    
17.               loss='sparse_categorical_crossentropy',
    
18.               metrics=['accuracy'])

复制代码

c. 数据预处理与训练

1. from tensorflow.keras.preprocessing.image import ImageDataGenerator

复制代码

# 数据增强