本博客主要探讨基于传统方法的验证码识别，更多的是做粘连扭曲的验证码识别的各种分割技术，其实在验证码识别这一块，深度学习做的已经非常好了，识别效率与速度都是不错的。【验证码识别】，我这里只是做一些技术探讨，关于【 基于投影的字符分割】 请查看。一、基于连通域的字符分割import queuefrom PIL import Imagedef cfs(img): """传入二值化后的图片
原创
2022-09-05 14:53:38
282阅读
文章目录引言透视变换（projective transform）单应性（Homography）opencv代码仿射变换相关函数投影变换相关的函数鸟瞰图代码示例小结 引言图像的几何变换通常包括拉伸、缩放、扭曲和旋转等操作。对于平面区域来说，分为两类几何转换：1⭐️仿射变换（affine transform），基于2x3矩阵进行变换。指图像可以通过一系列的几何变换来实现平移、旋转等多种操作。该变换能
转载
2024-04-09 09:11:04
180阅读
1. 引言本文重点介绍如何利用传统的图像处理的方法来进行OCR字符切分，进而可以用分割后的单个字符做相应的后续任务，虽然现在计算机视觉依然是卷积神经网络的天下，但是对于一些相对简单的落地场景传统方案还是很有效的。
闲话少说，我们直接开始吧！2. 基本概念OCR: 全称 Optical Character Recognition ， 光学字符识别Segmentation: 是指在图像处理领域中将整
原创
2023-06-22 09:05:21
851阅读
OpenCV杂谈_05一. 需要做的前期准备环境配置： Python版本：3.9.0 功能包：opencv-python（4.5.2.52） 提前安装Tesseract_OCR工具，下载地址：http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe（切记：记录好Tesseract_OCR文件夹所安装的位
转载
2024-01-08 18:13:09
101阅读
最近需要做一个图像分割的程序，查了opencv的源代码，发现opencv里实现的图像分割一共有两个方法，watershed和mean-shift算法。这两个算法的具体实现都在segmentation.cpp文件内。watershed（分水岭算法）方法是一种基于边界点的分割算法。我想好好的研究一下， 网上找了一些博客和教程，感觉也就泛泛的解释了一下实验的流程，具体算法的运行过程并不清楚，又把原始论文
转载
2024-03-31 11:04:06
57阅读
最简单的图像分割的方法。应用举例：从一副图像中利用阈值分割出我们需要的物体部分（当然这里的物体可以是一部分或者整体）。这样的图像分割方法是基于图像中物体与背景之间的灰度差异，而且此分割属于像素级的分割。为了从一副图像中提取出我们需要的部分，应该用图像中的每一个像素点的灰度值与选取的阈值进行比较，并作出相应的判断。（注意：阈值的选取依赖于具体的问题。即：物体在不同的图像中有可能会有不同的灰度值。一旦
转载
2024-07-10 18:27:36
56阅读
把图像分成若干个特定的、具有独特性质的区域，每一个区域代表一个像素的集合，每一个集合代表一个物体，而完成该过程的技术通常称为图像分割。图像分割方法主要分为：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法，以及基于特定理论的分割方法等。 阈值分割实现简单、计算量小、性能稳定。 阈值分割处理又称为图像的二值化处理。 文章目录1 全局阈值分割APIOTSU优化TRIANGLE优化直方图技术法
转载
2024-05-10 13:59:35
52阅读
YOLACT，全称为：You Only Look At CoefficienTs，从标题可以看出这个模型的名称有些致敬YOLO的意思。YOLACT是2019年ICCV会议论文，它是在现有的一阶段（one-stage）目标检测模型里添加掩模分支。而经典的mask-rcnn是两阶段实例分割模型是在faster-rcnn(两阶段目标检测模型)添加掩模分支，但是在YOLACT里没有feature roi
转载
2024-03-25 13:46:52
42阅读
Python基础学习教程：Python基础之基本数据类型（一）序言python学习之路记录点部分方法bin() //把任意的进制转换为二进制
int() //把任意的进制转换为十进制
hex() //把任意的进制转换为十六进制
oct() //把任意的进制转换为八进制
bool() //把任意的进制转换为boolean类型 除去空值
len() //长度
max() //最大 max(
首先通过摄像头采集图像，用Otsu方法进行二值化处理，然后找出最大两个连通区域，此处默认有手和脸，最后通过指尖检测算法，将脸部排除。
#include "cxcore.h"
#include "math.h"
#include <cmath>
#include <vector>
#include <stdio.h>
#include <string.h&g
转载
2024-04-07 10:29:31
123阅读
最近我发现，在很多特定问题上传统的分割方法挺方便的，比如分割打印字体文件，网站爬下来的表格图像，pdf中的特定格式文件等。在实战中，我总结了几点记录一下。主要采用opencv-python来应用这些算法。 大体来分,传统的分割算法可分为三类: 基于阈值的分割方法基于区域的分割方法基于边缘的分割方法以及基于特定理论的分割方法 从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的
转载
2023-08-07 15:24:10
228阅读
一、前言字符分割有很多方法，根据自己的需要l_img.png', 0)...
原创
2022-08-09 13:29:51
1991阅读
分割的结果中通常包含不想要的干扰，如我们感兴趣的物体被干扰了，如由于反射对分割结果造成的干扰，这时，形态学操作提供了特别有用的方法，让我们调整和描述物体的形状。 本文聚焦形态学操作的若干典型应用，不会对形态学操作的基本数学理论进行系统的阐述，也不会对Op
转载
2024-03-04 21:32:30
89阅读
图像分割之（四）OpenCV的GrabCut函数使用和源码解读zouxy09@.com GrabCut做了一个了解。OpenCV中的GrabCut算法是依据《"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts》这篇文章来实现的。现在我对源码做了些注释，以便我们更深入的了解该算法。一直觉得论文和
转载
2024-05-24 18:03:23
108阅读
目录0x01 FloodFill分割0x02 均值漂移MeanShift0x03 图割Grabcut0x04 奇异区域检测0x05 肤色检测0x01 FloodFill分割FloodFill泛洪填充算法是在很多图形绘制软件中常用的填充算法，通常来说是自动选中与种子像素相关的区域，利用指定的颜色进行区域颜色替换，可用于标记或分离图形的某些部分。比如windows系统中的图像编辑软件中的油漆桶这一功能
转载
2024-03-19 16:59:26
359阅读
文章目录前言一、二值化二、形态学去噪点三、创建maker四、应用分水岭五、完整代码 前言我们将展示一个如何使用距离变换和分水岭分割相互接触的物体的例子。 考虑一下下面的硬币图像，这些硬币相互接触。即使你去阈值化它，它也会互相碰触。一、二值化我们从找到硬币的大概估计值开始。为此，我们可以利用自适应的二值化。#include<iostream>
#include<opencv2\o
转载
2024-01-16 16:05:35
49阅读
1 基于阈值1.1 基本原理 灰度阈值化，是最简单也是速度最快的一种图像分割方法，广泛应用在硬件图像处理领域 (例如，基于 FPGA 的实时图像处理)。 假设输入图像为 f，输出图像为 g，则经过阈值化处理的公式如下： $\quad g(i, j) = \begin{cases} 1 & \text{当 f(i, j) ≥ T 时
转载
2024-01-09 20:03:03
92阅读
在这篇文章中，我们将展示如何使用一个名为Mask RCNN(基于区域的卷积神经网络)的卷积神经网络模型来进行目标检测和分割。使用mask - rcnn，我们不仅检测对象，我们还获得一个灰度或二进制mask对象。Mask rcnn最初是在2017年11月由facebook的人工智能研究团队使用Python和caffe2推出的。我们将在c++和Python中共享OpenCV代码来加载和使用模型。The
转载
2024-04-23 20:51:18
70阅读
介绍OpenCV是一个用于图像处理、分析、机器视觉方面的开源函数库。该库的所有代码都经过优化，计算效率很高，因为，它更专注于设计成为一种用于实时系统的开源库。opencv采用C语言进行优化，而且，在多核机器上面，其运行速度会更快。它的一个目标是提供友好的机器视觉接口函数，从而使得复杂的机器视觉产品可以加速面世。该库包含了横跨工业产品检测、医学图像处理、安防、用户界面、摄像头标定、三维成像、机器视觉
转载
2024-04-24 11:06:31
42阅读
一、基于阈值 灰度阈值化，是最简单，速度最快的图像分割方法，广泛用于实时图像处理领域 ，尤其是嵌入式系统中g(i,j)={10当 f(i, j) ≥ T 时当 f(i, j) < T 时g(i,j)={1当 f(i, j) ≥ T 时0当 f(i, j) < T 时f(i,j)≥Tf(i,j)≥T 时，分割后的图像元素&nbs
转载
2023-07-02 23:29:02
485阅读
