pythonopencv直方圖
① python opencv怎麼對彩圖進行直方圖均衡化
在某些情況下，一副圖像中大部分像素的強度都集中在某一區域，而質量較高的圖像中，像素的強度應該均衡的分布。為此，可將表示像素強度的直方圖進行拉伸，將其平坦化
② opencv的直方圖問題
可以生成 矩陣的直方圖。
用法跟圖片一樣。
應為圖片在OpenCV中，就是使用矩陣來存儲的。
在OpenCV2.l 之後，已經徹底的從IplImage變成了 Mat 矩陣對象。
以下是使用 圖片生成直方圖的例子。
把imread函數的地方改成 對函數
//使用 OpenCV 2.1
#include <cv.h>
#include <highgui.h>
using namespace cv;
int main( int argc, char** argv )
{
Mat hsv;
// 初始化
在此處加入代碼， 初始化 hsv對象。
// 初始化
// let's quantize the hue to 30 levels
// and the saturation to 32 levels
int hbins = 30, sbins = 32;
int histSize[] = {hbins, sbins};
// hue varies from 0 to 179, see cvtColor
float hranges[] = { 0, 180 };
// saturation varies from 0 (black-gray-white) to
// 255 (pure spectrum color)
float sranges[] = { 0, 256 };
const float* ranges[] = { hranges, sranges };
MatND hist;
// we compute the histogram from the 0-th and 1-st channels
int channels[] = {0, 1};
calcHist( &hsv, 1, channels, Mat(), // do not use mask
hist, 2, histSize, ranges,
true, // the histogram is uniform
false );
double maxVal=0;
minMaxLoc(hist, 0, &maxVal, 0, 0);
int scale = 10;
Mat histImg = Mat::zeros(sbins*scale, hbins*10, CV_8UC3);
for( int h = 0; h < hbins; h++ )
for( int s = 0; s < sbins; s++ )
{
float binVal = hist.at<float>(h, s);
int intensity = cvRound(binVal*255/maxValue);
cvRectangle( histImg, Point(h*scale, s*scale),
Point( (h+1)*scale - 1, (s+1)*scale - 1),
Scalar::all(intensity),
CV_FILLED );
}
namedWindow( "Source", 1 );
imshow( "Source", src );
namedWindow( "H-S Histogram", 1 );
imshow( "H-S Histogram", histImg );
waitKey();
}
③ 怎麼用python opencv連線畫圖
import cv2
import numpy as np
img_size = (210,210)
image = np.ones(img_size) * 255
x1 = 10
y1 =10
x2 = 200
y2 = 200
lineThickness = 2
cv2.line(image, (x1, y1), (x1, y2), (0,255,0), lineThickness)
cv2.line(image, (x1, y1), (x2, y1), (0,255,0), lineThickness)
cv2.line(image, (x1, y2), (x2, y2), (0,255,0), lineThickness)
cv2.line(image, (x2, y1), (x2, y2), (0,255,0), lineThickness)
cv2.imshow('oo',image)
cv2.waitKey()
④ python opencv 怎麼利用csv文件訓練人臉識別模型代碼
1.1.介紹Introction
從OpenCV2.4開始，加入了新的類FaceRecognizer，我們可以使用它便捷地進行人臉識別實驗。本文既介紹代碼使用，又介紹演算法原理。(他寫的源代碼，我們可以在OpenCV的opencv\moles\contrib\doc\facerec\src下找到，當然也可以在他的github中找到，如果你想研究源碼，自然可以去看看，不復雜)
目前支持的演算法有
Eigenfaces特徵臉createEigenFaceRecognizer()
Fisherfaces createFisherFaceRecognizer()
LocalBinary Patterns Histograms局部二值直方圖 createLBPHFaceRecognizer()
下面所有的例子中的代碼在OpenCV安裝目錄下的samples/cpp下面都能找到，所有的代碼商用或者學習都是免費的。
1.2.人臉識別Face Recognition
對人類來說，人臉識別很容易。文獻[Tu06]告訴我們，僅僅是才三天的嬰兒已經可以區分周圍熟悉的人臉了。那麼對於計算機來說，到底有多難？其實，迄今為止，我們對於人類自己為何可以區分不同的人所知甚少。是人臉內部特徵(眼睛、鼻子、嘴巴)還是外部特徵(頭型、發際線)對於人類識別更有效?我們怎麼分析一張圖像，大腦是如何對它編碼的？David Hubel和TorstenWiesel向我們展示，我們的大腦針對不同的場景，如線、邊、角或者運動這些局部特徵有專門的神經細胞作出反應。顯然我們沒有把世界看成零散的塊塊，我們的視覺皮層必須以某種方式把不同的信息來源轉化成有用的模式。自動人臉識別就是如何從一幅圖像中提取有意義的特徵，把它們放入一種有用的表示方式，然後對他們進行一些分類。基於幾何特徵的人臉的人臉識別可能是最直觀的方法來識別人臉。第一個自動人臉識別系統在[Kanade73]中又描述：標記點(眼睛、耳朵、鼻子等的位置)用來構造一個特徵向量(點與點之間的距離、角度等)。通過計算測試和訓練圖像的特徵向量的歐氏距離來進行識別。這樣的方法對於光照變化很穩健，但也有巨大的缺點：標記點的確定是很復雜的，即使是使用最先進的演算法。一些幾何特徵人臉識別近期工作在文獻[Bru92]中有描述。一個22維的特徵向量被用在一個大資料庫上，單靠幾何特徵不能提供足夠的信息用於人臉識別。
特徵臉方法在文獻[TP91]中有描述，他描述了一個全面的方法來識別人臉：面部圖像是一個點，這個點是從高維圖像空間找到它在低維空間的表示，這樣分類變得很簡單。低維子空間低維是使用主元分析(Principal Component Analysis,PCA)找到的，它可以找擁有最大方差的那個軸。雖然這樣的轉換是從最佳重建角度考慮的，但是他沒有把標簽問題考慮進去。[gm:讀懂這段需要一些機器學習知識]。想像一個情況，如果變化是基於外部來源，比如光照。軸的最大方差不一定包含任何有鑒別性的信息，因此此時的分類是不可能的。因此，一個使用線性鑒別(Linear Discriminant Analysis,LDA)的特定類投影方法被提出來解決人臉識別問題[BHK97]。其中一個基本的想法就是，使類內方差最小的同時，使類外方差最大。
近年來，各種局部特徵提取方法出現。為了避免輸入的圖像的高維數據，僅僅使用的局部特徵描述圖像的方法被提出，提取的特徵(很有希望的)對於局部遮擋、光照變化、小樣本等情況更強健。有關局部特徵提取的方法有蓋伯小波(Gabor Waelets)([Wiskott97])，離散傅立葉變換(DiscreteCosinus Transform,DCT)([Messer06])，局部二值模式(LocalBinary Patterns,LBP)([AHP04])。使用什麼方法來提取時域空間的局部特徵依舊是一個開放性的研究問題，因為空間信息是潛在有用的信息。
1.3.人臉庫Face Database
我們先獲取一些數據來進行實驗吧。我不想在這里做一個幼稚的例子。我們在研究人臉識別，所以我們需要一個真的人臉圖像！你可以自己創建自己的數據集，也可以從這里(http://face-rec.org/databases/)下載一個。
AT&TFacedatabase又稱ORL人臉資料庫，40個人，每人10張照片。照片在不同時間、不同光照、不同表情(睜眼閉眼、笑或者不笑)、不同人臉細節(戴眼鏡或者不戴眼鏡)下採集。所有的圖像都在一個黑暗均勻的背景下採集的，正面豎直人臉(有些有有輕微旋轉)。
⑤ Python和opencv怎麼用，求用圖解釋
opencv顯示圖像要把圖像放在工程文件的debug 目錄里； OpenCV的全稱是：Open Source Computer Vision Library。OpenCV是一個基於（開源）發行的跨平台計算機視覺庫，可以運行在linux、Windows和Mac OS操作系統上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的介面，實現了圖像處理和計算機視覺方面的很多通用演算法。 OpenCV用C++語言編寫，它的主要介面也是C++語言，但是依然保留了大量的C語言介面。該庫也有大量的Python, Java and MATLAB/OCTAVE (版本2.5)的介面。這些語言的API介面函數可以通過在線文檔獲得。如今也提供對於C#,Ch, Ruby的支持。
⑥ python圖像處理opencv cv.createimage怎麼用
Python:cv.CreateImage(size, depth, channels)
size– Image width and height
depth– Bit depth of image elements
channels– Number of channels per pixel
上面是opencv官方的文檔，三個參數：
新建圖像的長寬尺寸，像素數如：1920*1080
像素的位深，能夠描述圖像的色彩數量，一般是8位或者16位深，IPL_DEPTH_8U 或者IPL_DEPTH_16U
單像素的通道數量，opencv支持1~4通道，1通道就是黑白圖，由位深描述由黑到白的程度。3通道就是常規的RGB通道了
⑦ 使用opencv對直方圖可以做哪些處理
顏色直方圖特別適於描述那些難以進行自動分割的圖像。
⑧ opencv python 怎麼建立直方圖
Windows環境下把opencv中python的py文件復制到python安裝位置的package 里。linux下載opencv-python
⑨ 如何利用opencv創建空間直方圖
//rgb直方圖
void CalcHistRgb()
{
IplImage* img_source;
if (img_source = cvLoadImage("../data/1.bmp",1))
{
IplImage* RedChannel = cvCreateImage( cvGetSize(img_source), 8, 1);
IplImage* GreenChannel = cvCreateImage( cvGetSize(img_source), 8, 1);
IplImage* BlueChannel = cvCreateImage( cvGetSize(img_source), 8, 1);
IplImage* alphaChannel = cvCreateImage( cvGetSize(img_source), 8, 1);
IplImage* gray_plane = cvCreateImage(cvGetSize(img_source),8,1);
//分割為單通道圖像
cvCvtPixToPlane(img_source,BlueChannel,GreenChannel,RedChannel,0);
// 顯示圖像
cvNamedWindow( "RedChannel", 1 );
cvNamedWindow( "GreenChannel", 1 );
cvNamedWindow( "BlueChannel", 1 );
cvNamedWindow( "lphaChannel", 1 );
cvShowImage( "RedChannel", RedChannel );
cvShowImage( "GreenChannel", GreenChannel );
cvShowImage( "BlueChannel", BlueChannel );
cvShowImage( "lphaChannel", alphaChannel );
cvCvtColor(img_source,gray_plane,CV_BGR2GRAY);
cvNamedWindow("GrayPlane",1);
cvShowImage("GrayPlane",gray_plane);
//OpenCV中不管是Windows中Load的還是攝像頭取得的都是BGR順序排列的
//然後為這四幅圖創建對應的直方圖結構。
int hist_size = 200;
int hist_height = 200;
float range[] = {0,255};
float* ranges[]={range};
CvHistogram* r_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1);
CvHistogram* g_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1);
CvHistogram* b_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1);
CvHistogram* gray_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1);
//接下來計算直方圖，創建用於顯示直方圖的圖像，略去了一部分重復代碼，以下也是
cvCalcHist(&RedChannel,r_hist,0,0);
cvCalcHist(&GreenChannel,g_hist,0,0);
cvCalcHist(&BlueChannel,b_hist,0,0);
cvCalcHist(&gray_plane,gray_hist,0,0);
cvNormalizeHist(gray_hist,1.0);
cvNormalizeHist(r_hist,1.0);
cvNormalizeHist(g_hist,1.0);
cvNormalizeHist(b_hist,1.0);
int scale = 2;
IplImage* hist_image = cvCreateImage(cvSize(hist_size*scale,hist_height*4),8,3);
cvZero(hist_image);
//然後開始顯示，這里對直方圖進行了標准化處理，不然的話無法觀察到明顯的變化。
float r_max_value = 0;
float g_max_value = 0;
float b_max_value = 0;
float gray_max_value = 0;
cvGetMinMaxHistValue(r_hist, 0,&r_max_value,0,0);
cvGetMinMaxHistValue(g_hist, 0,&g_max_value,0,0);
cvGetMinMaxHistValue(b_hist, 0,&b_max_value,0,0);
cvGetMinMaxHistValue(b_hist, 0,&gray_max_value,0,0);
for(int i=0;i<hist_size;i++)
{
float r_bin_val = cvQueryHistValue_1D(r_hist,i);
int r_intensity = cvRound(r_bin_val*hist_height/r_max_value);
cvRectangle(
hist_image,
cvPoint(i*scale,hist_height-1),
cvPoint((i+1)*scale - 1, hist_height - r_intensity),
CV_RGB(255,0,0));
float g_bin_val=cvQueryHistValue_1D(g_hist,i);
int g_intensity = cvRound(g_bin_val*hist_height/g_max_value);
cvRectangle(
hist_image,
cvPoint(i*scale,2*hist_height-1),
cvPoint((i+1)*scale - 1, 2*hist_height - g_intensity),
CV_RGB(0,255,0));
float b_bin_val = cvQueryHistValue_1D(b_hist,i);
int b_intensity = cvRound(b_bin_val*hist_height/b_max_value);
cvRectangle(
hist_image,
cvPoint(i*scale,3*hist_height-1),
cvPoint((i+1)*scale - 1, 3*hist_height - b_intensity),
CV_RGB(0,0,255));
float gray_bin_val = cvQueryHistValue_1D(gray_hist,i);
int gray_intensity = cvRound(gray_bin_val*hist_height/gray_max_value);
cvRectangle(
hist_image,
cvPoint(i*scale,4*hist_height-1),
cvPoint((i+1)*scale - 1, 4*hist_height - gray_intensity),
CV_RGB(100,100,100));
}
cvNamedWindow( "Source", 1 );
cvShowImage( "Source", img_source );
cvNamedWindow( "RGB_Histogram", 1 );
cvShowImage( "RGB_Histogram", hist_image );
}
}
⑩ opencv對圖像的顏色識別問題，要用python2實現
我沒用過Python的Opencv的庫，只是用過Python的Image的庫；Image庫已經可以結果這個問題了
我試著做一下：你先得安裝PIL庫
得到rgb三個通道，然後轉到HSV通道，其中H表示0-255的顏色，V表示強度，你大概先知道紫色的范圍是多少
fromPILimportImage
importcolorsys
defCalculateH(img):
iflen(img.getbands())==4:
ir,ig,ib,ia=img.split()
else:
ir,ig,ib=img.split()
Hdat=[]
Sdat=[]
Vdat=[]
forrd,gn,blinzip(ir.getdata(),ig.getdata(),ib.getdata()):
h,l,s=colorsys.rgb_to_hsv(rd/255.,gn/255.,bl/255.)
Hdat.append(h)
Sdat.append(l)
Vdat.append(s)
meanV=mean(Vdat)
returnHdat,meanV
defmyreadim(filename):
im=Image.open(filename)
H,V=CalculateH(im)
後面我就懶得寫了，應該思路都清楚了吧，要轉到其他的顏色通道上，不要在rgb通道上