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
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
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(
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
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
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
原理任何一幅灰度图像都可以被看成拓扑平面，灰度值高的区域可以被看成是山峰，灰度值低的区域可以被看成是山谷。我们向每一个山谷中灌不同颜色的水，随着水的位的升高，不同山谷的水就会相遇汇合，为了防止不同山谷的水汇合，我们需要在水汇合的地方构建起堤坝。不停的灌水，不停的构建堤坝直到所有的山峰都被水淹没。我们构建好的堤坝就是对图像的分割。这就是分水岭算法的背后哲理。但是这种方法通常都会得到过度分
转载
2024-03-05 12:26:28
49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
作者丨nihate导读作为ncnn推理框架里唯一一款做实例分割的模型，yolact也展现出了它的魅力，实现端到端一阶段完成实例分割且运行速度快。本文为作者上手编写的一套使用opencv部署YOLACT做实例分割的程序，程序包含C++和Python两种版本，附相关代码地址。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
转载
2024-05-18 16:03:22
45阅读
一：Gabor滤波器介绍Gabor滤波器是OpenCV中非常强大一种滤波器，广泛应用在纹理分割、对象检测、图像分维、文档分析、边缘检测、生物特征识别、图像编码与内容描述等方面。Gabor在空间域可以看做是一个特定频率与方向的正弦平面加上一个应用在正弦平面波上的高斯核 在实际计算中，一般情况下会根据输入的theta与lambd的不同，得到一系列的Gabor的滤波器组合，然后把它们的结果相加输出，得到
转载
2024-08-12 17:20:16
120阅读
opencv4学习笔记（1）-阈值分割3种方法文章结构：1.三种分割方法：直接分割、自适应分割（平均值、高斯均值）
2.函数使用
3.程序例程 （C++）
4.效果展示
5.参数设置心得三种分割方法1.直接分割直接分割即最简单的分割方法，将图片转换为灰度图，设置一个灰度值界限，在界限内的像素点，我们就让他变为白色，否则就变成黑色。直接分割简单粗暴，但是缺点也很明显。如果一个
转载
2024-01-15 01:20:12
0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
Python版本是Python3.7.3，OpenCV版本OpenCV 3.4.1，开发环境为PyCharm17.2 相关函数介绍在OpenCV中，可以使用函数cv2.watershed()实现分水岭算法。在具体的实现过程中，还需要借助于形态学函数、距离变换函数cv2.distanceTransform()、cv2.connectedComponents()来完成图像分割。下面对分水岭算法中用到的
转载
2024-03-28 22:01:52
176阅读
1.图像分割概述图像分割指根据灰度、纹理、形状等特征把图像分割为若干个互不交叠的区域，并使图像在同一区域内呈现出相似性，在不同区域内呈现明显的差异性。基于阈值基于区域基于边缘基于小波变换基于神经网络基于能量基于概率统计基于特定理论1.基于阈值的分割 基本思想：给定合适的灰度阈值，将图像中各个像素的灰度值和阈值作比较，将每个像素划分到
转载
2023-08-17 19:24:58
307阅读
距离变换： distanceTransform方法用于计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。分水岭算法： 分水岭算法是一种图像区域分割法，在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近的像素点互相
转载
2023-10-19 14:45:39
134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
最近想要学习一下Opencv，打算以此来记录一下自己的学习生活。话不多说，我们直接开冲！！！（对了，我由于也在学习C++，说以全部都是用的C++编程的，有不对的，还请前辈们至正。） 1、首先是引入头文件（输入和输出流的头文件，以及opencv的头文件）和添加命名空间。//头文件
#include<opencv2/opencv.hpp>
#include<iostream>
转载
2023-09-24 20:14:44
141阅读
# Python OpenCV 实体分割
在计算机视觉中，**实体分割**（Instance Segmentation）是一项重要的任务，它不仅需要识别图像中的物体，还需要准确地分割出每个物体的区域。实现这一目标的技术在自动驾驶、医学影像分析以及智能监控等领域发挥着巨大作用。本文将介绍如何使用 Python 和 OpenCV 实现实体分割，包含相关代码示例和状态图，以帮助你更好地理解这一过程。
在图像处理领域，解决“python opencv 重叠分割”的问题常常需要深入理解图像的特征以及分割算法的应用。重叠分割的目标是将不同的目标区域分开，即使它们在图像中部分重叠。以下是关于如何处理这一问题的详细记录，从多个角度进行解析和展示。
## 协议背景
在图像处理的历史中，重叠分割技术经历了多个发展阶段。最初，基于阈值的方法被广泛使用，但随着计算机视觉和深度学习的发展，新的标准方法悉数出现
