cv2中没有resize没有copyMakeBorder怎么回事

时间: 2023-06-29 16:08:39 浏览: 75
RAR

cv2的处理后的图片

如果你使用的是 OpenCV 2 版本，那么确实没有 `resize` 和 `copyMakeBorder` 函数。这些函数是在 OpenCV 3 版本中引入的。如果你需要使用这些函数，你需要升级到 OpenCV 3 或更高的版本。 另外，如果你想要在 OpenCV 2 中实现类似 `resize` 和 `copyMakeBorder` 的功能，你可以使用 `cv2.warpAffine` 和 `cv2.copyMakeBorder` 函数来替代。具体的实现方法可以参考 OpenCV 官方文档中的例子。
阅读全文

相关推荐

pdf

opencv resize图片为正方形尺寸的实现方法

在深度学习中,模型的输入size通常是正方形尺寸的,比如300 x 300这样．直接resize的话，会把图像拉的变形．通常我们希望resize以后仍然保持图片的宽高比． 例如： 如果直接resize到的话: 而我们希望得到: 可以...
zip

computer-vision:我在python中的OpenCV测试代码

在Python中，OpenCV（Open Source Computer Vision Library）是广泛使用的库，为开发者提供了丰富的工具来实现各种计算机视觉任务，如图像处理、特征检测、物体识别、人脸识别、视频分析等。 在"computer-vision:我...

import cv2 img =cv2.imread('1.jpg') img = cv2.resize(img , (640,480)) img = cv2.copyMakeBorder(img,240,240,320,320,cv2.BORDER_CONSTANT,value=(255,255,255)) print(img.shape) cv2.imwrite('2.jpg',img) 添入os文件路径代码，并批量处理文件

img = cv2.copyMakeBorder(img, 240, 240, 320, 320, cv2.BORDER_CONSTANT, value=(255, 255, 255)) # 写入输出文件夹 output_path = os.path.join(output_dir, file_name) cv2.imwrite(output_path, img) ...

下面这段代码的作用是什么：def resize_img(img, img_size=600, value=[255, 255, 255], inter=cv2.INTER_AREA): old_shape = img.shape[:2] ratio = img_size / max(old_shape) new_shape = [int(s * ratio) for s in old_shape[:2]] img = cv2.resize(img, (new_shape[1], new_shape[0]), interpolation=inter) delta_h, delta_w = img_size - new_shape[0], img_size - new_shape[1] top, bottom = delta_h // 2, delta_h - delta_h // 2 left, right = delta_w // 2, delta_w - delta_w // 2 img = cv2.copyMakeBorder(img, int(top), int(bottom), int(left), int(right), borderType=cv2.BORDER_CONSTANT, value=value) return img

该函数为调整图像大小并添加边框的函数，主要使用OpenCV中的resize()函数将图像调整为指定大小，再使用copyMakeBorder()函数为图像添加边框以符合指定大小。其中，img表示输入的图像，img_size表示调整后的大小，...

在有import cv2 的情况下if shape[::-1] != new_unpad: img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR) top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) return img, ratio, (dw, dh)警告：Cannot find reference 'resize' in '__init__.py'Cannot find reference 'INTER_LINEAR' in '__init__.py'Cannot find reference 'copyMakeBorder' in '__init__.py'Cannot find reference 'BORDER_CONSTANT' in '__init__.py'

这个警告信息的意思是无法在当前的代码文件中找到cv2.resize、cv2.INTER_LINEAR、cv2.copyMakeBorder和cv2.BORDER_CONSTANT这些函数或常量的定义。这通常是由于缺少必要的库文件或者没有正确安装OpenCV库导致的。你...

cv2.resize 填充短边

上述代码中，首先读入原始图像，然后根据图像长宽比例和目标大小计算出新的长宽大小，使用cv2.resize函数进行缩放。接着根据新的长宽大小和目标大小的关系，计算出需要填充的边界大小，使用cv2.copyMakeBorder函数...

def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)): # Resize and pad image while meeting stride-multiple constraints shape = im.shape[:2] # current shape [height, width] if isinstance(new_shape, int): new_shape = (new_shape, new_shape) # Scale ratio (new / old) r = min(new_shape[0] / shape[0], new_shape[1] / shape[1]) # Compute padding ratio = r, r # width, height ratios new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r)) dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding dw /= 2 # divide padding into 2 sides dh /= 2 if shape[::-1] != new_unpad: # resize im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR) top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add border return im, ratio, (dw, dh)

然而，错误信息是在除法运算中出现的，因此问题可能出现在其他地方。 根据代码，除法运算的操作数是 new_shape[0] / shape[0] 和 new_shape[1] / shape[1]。这意味着 new_shape 和 shape 的元素应该是整数...

def img_cut_roi_resize_to_target_black(img_txt_path,result_path): img_total = [] txt_total = [] file = os.listdir(img_txt_path) for filename in file: first, last = os.path.splitext(filename) if last == ".bmp": # 图片的后缀名 img_total.append(first) # print(img_total) else: txt_total.append(first) for img_ in img_total: if img_ in txt_total: filename_img = img_ + ".bmp" # 图片的后缀名 # print('filename_img:', filename_img) path1 = os.path.join(img_txt_path, filename_img) img = cv2.imread(path1) h, w = img.shape[0], img.shape[1] # 直接读取原图的长宽不会失真 img = cv2.resize(img, (w, h), interpolation=cv2.INTER_CUBIC) # resize 图像大小，否则roi区域可能会报错 # plt.imshow('resized_img',img) # 会报错，之后再次查看resize后的图片（已解决） # plt.show() filename_txt = img_ + ".txt" # print('filename_txt:', filename_txt) n = 1 with open(os.path.join(img_txt_path, filename_txt), "r+", encoding="utf-8", errors="ignore") as f: for line in f: aa = line.split(" ") x_center = w * float(aa[1]) # aa[1]左上点的x坐标 y_center = h * float(aa[2]) # aa[2]左上点的y坐标 width = int(w * float(aa[3])) # aa[3]图片width height = int(h * float(aa[4])) # aa[4]图片height lefttopx = int(x_center - width / 2.0) lefttopy = int(y_center - height / 2.0) # roi = img[lefttopy+1:lefttopy+height+3,lefttopx+1:lefttopx+width+1] # [左上y:右下y,左上x:右下x] (y1:y2,x1:x2)需要调参，否则裁剪出来的小图可能不太好 roi = img[lefttopy:lefttopy + height, lefttopx:lefttopx + width] # 目前没有看出差距 roi = img_resize_to_target_black(roi) # roi = cv2.copyMakeBorder(roi, 50, 50, 50, 50, cv2.BORDER_CONSTANT, value=[255, 255, 255]) # 是将原图长宽各个

方向上添加50个像素的白边，但是这里注释掉了，可能是因为不需要这个步骤了。... cv2.imwrite(os.path.join(result_path, img_ + "_" + str(n) + ".bmp"), roi) n += 1 最后，该函数返回一个空值。

解释一段python代码 def letterbox(img, new_shape=(640, 640), color=(114, 114, 114), scaleup=True, stride=32): shape = img.shape[:2] # current shape [height, width] if isinstance(new_shape, int): new_shape = (new_shape, new_shape) r = min(new_shape[0] / shape[0], new_shape[1] / shape[1]) if not scaleup: # only scale down, do not scale up (for better test mAP) r = min(r, 1.0) ratio = r # width, height ratios new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r)) dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding dw /= 2 dh /= 2 if shape[::-1] != new_unpad: # resize img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR) top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add border return img,ratio,(dw,dh)

这段代码实现的是一个图像处理函数，它将...如果当前图像尺寸不等于新图像尺寸，则调用cv2.resize函数进行缩放操作。最后，函数使用cv2.copyMakeBorder函数对图像进行填充，返回填充后的图像、缩放比例和填充行列数。
rar

OpenCV3计算机视觉 Python语言实现

3. 图像基本操作：缩放、裁剪、旋转、平移等，涉及cv2.resize()、cv2.copyMakeBorder()等函数。 三、滤波与边缘检测 1. 滤波器：高斯滤波、均值滤波、中值滤波等，通过cv2.GaussianBlur()、cv2.boxFilter()...
-

OpenCV resize函数在图像配准中的应用：对齐图像与消除失真

图像配准是计算机视觉中一项重要的任务，其目的是将两幅或多幅图像对齐到一个共同的参考框架中。OpenCV是一个流行的计算机视觉库，它提供了广泛的图像配准功能，包括图像缩放、对齐和失真消除。 # 2. OpenCV resize...
-

揭秘OpenCV resize函数：算法、参数详解与性能优化

![揭秘OpenCV resize函数...resize函数广泛应用于图像处理、计算机视觉和机器学习等领域。 在本章中，我们将介绍OpenCV resize函数的基本概念、理论基础和参数详解。通过理解这些基础知识，读者将能够有效地使用resize

def __call__(self): # 图像转换 data_transorform = torchvision.transforms.Compose([ torchvision.transforms.Resize((224, 224)), torchvision.transforms.CenterCrop((224, 224)), torchvision.transforms.ToTensor(), torchvision.transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) img_list = glob.glob(self.img_dir + os.sep + "*.png") for imgpath in img_list: img = cv2.imread(imgpath) new_img = self.expend_img(img) # 补边 img = Image.fromarray(new_img) img = data_transorform(img) # 转换 img = torch.reshape(img, (-1, 3, self.imgsz, self.imgsz)).to(device) # 维度转换[B,C,H,W] pred = self.model(img) _, pred = torch.max(pred, 1) outputs = self.class_name[pred] print("Image path:", imgpath, " pred:", outputs) # 补边为正方形 def expend_img(self, img, fill_pix=122): ''' :param img: 图片数据 :param fill_pix: 填充像素， 默认为灰色，自行更改 :return: ''' h, w = img.shape[:2] # 获取图像的宽高 if h >= w: # 左右填充 padd_width = int(h - w) // 2 padd_h, padd_b, padd_l, padd_r = 0, 0, padd_width, padd_width # 获取上下左右四个方向需要填充的像素 elif h < w: # 上下填充 padd_high = int(w - h) // 2 padd_h, padd_b, padd_l, padd_r = padd_high, padd_high, 0, 0 new_img = cv2.copyMakeBorder(img, padd_h, padd_b, padd_l, padd_r, borderType=cv2.BORDER_CONSTANT, value=[fill_pix, fill_pix, fill_pix]) return new_img if __name__ == '__main__': opt = parser_opt() test_img = Test_model(opt) test_img()

这段代码是一个使用PyTorch实现的图像分类模型的测试程序。...其中，模型的具体实现没有在这段代码中给出，可以通过调用Test_model类中的self.model属性来获取模型，该模型需要预先训练好并保存在文件中。

我有一张100乘100的彩色图像，使用Python和opencv用0填充的方式将该图像resize成200乘200

resized_img = cv2.copyMakeBorder(img, 0, new_height - orig_height, 0, new_width - orig_width, borderType=cv2.BORDER_CONSTANT, value=[0, 0, 0]) # 使用黑色填充边界 # 保存处理后的图像 cv2.imwrite('...

利用cv2将图片按照指定要求填充，然后裁剪并保存的代码

resized_image = cv2.resize(image, (new_width, new_height), interpolation=cv2.INTER_AREA) padded_image = cv2.copyMakeBorder(resized_image, (target_height - new_height) // 2, (target_height - new_...
whl

matplotlib-3.6.3-cp39-cp39-linux_armv7l.whl

matplotlib-3.6.3-cp39-cp39-linux_armv7l.whl
whl

numpy-2.0.1-cp39-cp39-linux_armv7l.whl

numpy-2.0.1-cp39-cp39-linux_armv7l.whl
zip

基于springboot个人公务员考试管理系统源码数据库文档.zip

基于springboot个人公务员考试管理系统源码数据库文档.zip
whl

onnxruntime-1.13.1-cp310-cp310-win_amd64.whl

onnxruntime-1.13.1-cp310-cp310-win_amd64.whl

最新推荐

recommend-type

python opencv 批量改变图片的尺寸大小的方法

在Python编程环境中，OpenCV库是一个强大的图像处理和计算机视觉工具。本文主要讲解如何使用OpenCV批量更改图片的尺寸大小。这个过程对于处理大量图片，如图像数据预处理，尤其有用。以下是一些关键知识点： 1. **...
recommend-type

matplotlib-3.6.3-cp39-cp39-linux_armv7l.whl

matplotlib-3.6.3-cp39-cp39-linux_armv7l.whl
recommend-type

numpy-2.0.1-cp39-cp39-linux_armv7l.whl

numpy-2.0.1-cp39-cp39-linux_armv7l.whl
recommend-type

基于springboot个人公务员考试管理系统源码数据库文档.zip

基于springboot个人公务员考试管理系统源码数据库文档.zip
recommend-type

onnxruntime-1.13.1-cp310-cp310-win_amd64.whl

onnxruntime-1.13.1-cp310-cp310-win_amd64.whl
recommend-type

基于Python和Opencv的车牌识别系统实现

资源摘要信息:"车牌识别项目系统基于python设计" 1. 车牌识别系统概述 车牌识别系统是一种利用计算机视觉技术、图像处理技术和模式识别技术自动识别车牌信息的系统。它广泛应用于交通管理、停车场管理、高速公路收费等多个领域。该系统的核心功能包括车牌定位、车牌字符分割和车牌字符识别。 2. Python在车牌识别中的应用 Python作为一种高级编程语言，因其简洁的语法和强大的库支持，非常适合进行车牌识别系统的开发。Python在图像处理和机器学习领域有丰富的第三方库，如OpenCV、PIL等，这些库提供了大量的图像处理和模式识别的函数和类，能够大大提高车牌识别系统的开发效率和准确性。 3. OpenCV库及其在车牌识别中的应用 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，提供了大量的图像处理和模式识别的接口。在车牌识别系统中，可以使用OpenCV进行图像预处理、边缘检测、颜色识别、特征提取以及字符分割等任务。同时，OpenCV中的机器学习模块提供了支持向量机（SVM）等分类器，可用于车牌字符的识别。 4. SVM（支持向量机）在字符识别中的应用 支持向量机（SVM）是一种二分类模型，其基本模型定义在特征空间上间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM算法的核心思想是找到一个分类超平面，使得不同类别的样本被正确分类，且距离超平面最近的样本之间的间隔（即“间隔”）最大。在车牌识别中，SVM用于字符的分类和识别，能够有效地处理手写字符和印刷字符的识别问题。 5. EasyPR在车牌识别中的应用 EasyPR是一个开源的车牌识别库，它的c++版本被广泛使用在车牌识别项目中。在Python版本的车牌识别项目中，虽然项目描述中提到了使用EasyPR的c++版本的训练样本，但实际上OpenCV的SVM在Python中被用作车牌字符识别的核心算法。 6. 版本信息 在项目中使用的软件环境信息如下： - Python版本：Python 3.7.3 - OpenCV版本：opencv*.*.*.** - Numpy版本：numpy1.16.2 - GUI库：tkinter和PIL（Pillow）5.4.1 以上版本信息对于搭建运行环境和解决可能出现的兼容性问题十分重要。 7. 毕业设计的意义 该项目对于计算机视觉和模式识别领域的初学者来说，是一个很好的实践案例。它不仅能够让学习者在实践中了解车牌识别的整个流程，而且能够锻炼学习者利用Python和OpenCV等工具解决问题的能力。此外，该项目还提供了一定量的车牌标注图片，这在数据不足的情况下尤其宝贵。 8. 文件信息 本项目是一个包含源代码的Python项目，项目代码文件位于一个名为"Python_VLPR-master"的压缩包子文件中。该文件中包含了项目的所有源代码文件，代码经过详细的注释，便于理解和学习。 9. 注意事项 尽管该项目为初学者提供了便利，但识别率受限于训练样本的数量和质量，因此在实际应用中可能存在一定的误差，特别是在处理复杂背景或模糊图片时。此外，对于中文字符的识别，第一个字符的识别误差概率较大，这也是未来可以改进和优化的方向。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

网络隔离与防火墙策略：防御网络威胁的终极指南

![网络隔离](https://www.cisco.com/c/dam/en/us/td/i/200001-300000/270001-280000/277001-278000/277760.tif/_jcr_content/renditions/277760.jpg) # 1. 网络隔离与防火墙策略概述 ## 网络隔离与防火墙的基本概念 网络隔离与防火墙是网络安全中的两个基本概念，它们都用于保护网络不受恶意攻击和非法入侵。网络隔离是通过物理或逻辑方式，将网络划分为几个互不干扰的部分，以防止攻击的蔓延和数据的泄露。防火墙则是设置在网络边界上的安全系统，它可以根据预定义的安全规则，对进出网络
recommend-type

在密码学中，对称加密和非对称加密有哪些关键区别，它们各自适用于哪些场景？

在密码学中，对称加密和非对称加密是两种主要的加密方法，它们在密钥管理、计算效率、安全性以及应用场景上有显著的不同。 参考资源链接：[数缘社区：密码学基础资源分享平台](https://wenku.csdn.net/doc/7qos28k05m?spm=1055.2569.3001.10343) 对称加密使用相同的密钥进行数据的加密和解密。这种方法的优点在于加密速度快，计算效率高，适合大量数据的实时加密。但由于加密和解密使用同一密钥，密钥的安全传输和管理就变得十分关键。常见的对称加密算法包括AES（高级加密标准）、DES（数据加密标准）、3DES（三重数据加密算法）等。它们通常适用于那些需要
recommend-type

我的代码小部件库：统计、MySQL操作与树结构功能

资源摘要信息:"leetcode用例构造-my-widgets是作者为练习、娱乐或实现某些项目功能而自行开发的一个代码小部件集合。这个集合中包含了作者使用Python语言编写的几个实用的小工具模块，每个模块都具有特定的功能和用途。以下是具体的小工具模块及其知识点的详细说明： 1. statistics_from_scratch.py 这个模块包含了一些基础的统计函数实现，包括但不限于均值、中位数、众数以及四分位距等。此外，它还实现了二项分布、正态分布和泊松分布的概率计算。作者强调了使用Python标准库（如math和collections模块）来实现这些功能，这不仅有助于巩固对统计学的理解，同时也锻炼了Python编程能力。这些统计函数的实现可能涉及到了算法设计和数学建模的知识。 2. mysql_io.py 这个模块是一个Python与MySQL数据库交互的接口，它能够自动化执行数据的导入导出任务。作者原本的目的是为了将Leetcode平台上的SQL测试用例以字典格式自动化地导入到本地MySQL数据库中，从而方便在本地测试SQL代码。这个模块中的MysqlIO类支持将MySQL表导出为pandas.DataFrame对象，也能够将pandas.DataFrame对象导入为MySQL表。这个工具的应用场景可能包括数据库管理和数据处理，其内部可能涉及到对数据库API的调用、pandas库的使用、以及数据格式的转换等编程知识点。 3. tree.py 这个模块包含了与树结构相关的一系列功能。它目前实现了二叉树节点BinaryTreeNode的构建，并且提供了从列表构建二叉树的功能。这可能涉及到数据结构和算法中的树形结构、节点遍历、树的构建和操作等。利用这些功能，开发者可以在实际项目中实现更高效的数据存储和检索机制。 以上三个模块构成了my-widgets库的核心内容，它们都以Python语言编写，并且都旨在帮助开发者在特定的编程场景中更加高效地完成任务。这些工具的开发和应用都凸显了作者通过实践提升编程技能的意图，并且强调了开源精神，即将这些工具共享给更广泛的开发者群体，以便他们也能够从中受益。 通过这些小工具的使用，开发者可以更好地理解编程在不同场景下的应用，并且通过观察和学习作者的代码实现，进一步提升自己的编码水平和问题解决能力。"