Mat Train_Data, Train_Label; for (int cnt = 0; cnt < contours.size(); cnt++) { if (contourArea(contours[cnt]) > 10) { Rect rect = boundingRect(contours[cnt]); rectangle(Train_Chars, rect, Scalar(0, 255, 0), 2); Mat ROI = binImg(rect); imshow("ROI", ROI); imshow("Training_Chars", Train_Chars); int charVal = waitKey(0); //将字符通过键盘输入给予标签 if (find(ValidChars.begin(), ValidChars.end(), charVal) != ValidChars.end()) { //如果输入的字符在字符匹配表中,则进行存储 //由于我们在识别字符时,会遇到各种尺寸的字符,故将所有的字符固定同一尺寸 Mat resizeRoi; resize(ROI, resizeRoi, Size(ImgWidth, ImgHeight)); //将图像转成浮点型,因为KNN训练数据集读取的是浮点型数据 Mat RoiFloat; resizeRoi.convertTo(RoiFloat, CV_32FC1); Train_Data.push_back(RoiFloat.reshape(0,1)); Train_Label.push_back(charVal); cout << charVal << endl; } } } 用PYTHON重写一下

时间: 2024-01-31 15:04:39 浏览: 27
以下是将上述代码翻译为 Python 代码的示例: ```python import cv2 import numpy as np # 定义字符匹配表 valid_chars = [ord('0'), ord('1'), ord('2'), ord('3'), ord('4'), ord('5'), ord('6'), ord('7'), ord('8'), ord('9')] # 定义图像宽度和高度 img_width = 20 img_height = 30 # 读取图像 img = cv2.imread('image.jpg') # 转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化图像 _, bin_img = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 查找轮廓 contours, _ = cv2.findContours(bin_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 创建训练数据集和标签 train_data = np.empty((0, img_width * img_height), dtype=np.float32) train_label = np.empty((0, 1), dtype=np.int32) # 循环遍历每个轮廓 for cnt in contours: # 计算轮廓面积 area = cv2.contourArea(cnt) if area > 10: # 获取轮廓的边界矩形 x, y, w, h = cv2.boundingRect(cnt) rect = (x, y, w, h) # 在 Train_Chars 图像上绘制矩形 train_chars = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 提取ROI roi = bin_img[y:y + h, x:x + w] # 显示ROI图像 cv2.imshow('ROI', roi) cv2.imshow('Training_Chars', train_chars) # 通过键盘输入为字符打标签 char_val = cv2.waitKey(0) # 如果输入的字符在字符匹配表中,则进行存储 if char_val in valid_chars: # 将ROI图像固定尺寸 resize_roi = cv2.resize(roi, (img_width, img_height)) # 转换为浮点型数据 roi_float = resize_roi.astype(np.float32) # 将图像数据添加到训练数据集中 train_data = np.append(train_data, roi_float.reshape(1, -1), axis=0) # 将标签添加到训练标签中 train_label = np.append(train_label, char_val) # 输出标签值 print(char_val) # 显示结果图像 cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上述代码中,我们首先读取了一张图像,然后将其转换为灰度图像,并进行二值化。接着,我们使用 `findContours` 函数找到了图像中的轮廓,并循环遍历每个轮廓。在每个轮廓上,我们通过键盘输入为字符打标签,并将其添加到训练数据集和标签中。最后,我们显示了结果图像。

相关推荐

def SegMentLWelder(mask_k, mask_box, img_show, contours_info, box, k_class): imgL = cv2.copyTo(mask_k, mask_box) contours_mask_k, _ = cv2.findContours( imgL, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE) (x, y), radius = cv2.minEnclosingCircle(contours_mask_k[0]) center = [int(x), int(y)] area, trg1 = cv2.minEnclosingTriangle(contours_mask_k[0]) triange_P1 = trg1[0][0] triange_P2 = trg1[1][0] triange_P3 = trg1[2][0] areaL = len(np.where(imgL == 255)[0]) triangle_cnt1 = np.array([triange_P1, center, triange_P2]) mask_triange = np.zeros_like(imgL) mask_triange = cv2.drawContours( mask_triange, [triangle_cnt1.astype(int)], 0, 255, -1) img_triange1 = cv2.copyTo(imgL, mask_triange) triangle_cnt2 = np.array([triange_P2, center, triange_P3]) mask_triange = np.zeros_like(imgL) mask_triange = cv2.drawContours( mask_triange, [triangle_cnt2.astype(int)], 0, 255, -1) img_triange2 = cv2.copyTo(imgL, mask_triange) area1 = len(np.where(img_triange1 == 255)[0]) if area1 < 0.25*areaL or area1 > 0.75*areaL: triangle_cnt1 = np.array([triange_P1, center, triange_P3]) mask_triange = np.zeros_like(imgL) mask_triange = cv2.drawContours( mask_triange, [triangle_cnt1.astype(int)], 0, 255, -1) img_triange1 = cv2.copyTo(imgL, mask_triange) else: area2 = len(np.where(img_triange2 == 255)[0]) if area2 < 0.25*areaL or area2 > 0.75*areaL: triangle_cnt2 = np.array([triange_P1, center, triange_P3]) mask_triange = np.zeros_like(imgL) mask_triange = cv2.drawContours( mask_triange, [triangle_cnt2.astype(int)], 0, 255, -1) img_triange2 = cv2.copyTo(imgL, mask_triange) FindContourSinge(k_class, img_triange1, contours_info, img_show, times=1) FindContourSinge(k_class, img_triange2, contours_info, img_show, times=1)

回答一下代码:import numpy as np import cv2 import Products as product # 加载视频 cap = cv2.VideoCapture("../sample/1.mp4") # 变量 font = cv2.FONT_HERSHEY_SIMPLEX products = [] pid = 1 areaTh = 18000 # 获取图像width, height width = cap.get(3) height = cap.get(3) while cap.isOpened(): ret, frame = cap.read() try: # 复制图片,用于绘制 img = frame.copy() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)[1] except: print("EOF") break # 边缘检测,识别工件 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) for cnt in contours: area = cv2.contourArea(cnt) if area > areaTh: M = cv2.moments(cnt) cx = int(M['m10'] / M['m00']) cy = int(M['m01'] / M['m00']) x, y, w, h = cv2.boundingRect(cnt) new = True if cx > 100: for i in products: if abs(cx - i.getX()) <= 25 and abs(cy - i.getY()) <= 25: new = False i.updateCoords(cx, cy, x, y, w, h) if new: p = product.Product(pid, cx, cy, x, y, w, h) p.save_pic(frame) products.append(p) product.count = pid defects = p.defect_detect() pid += 1 cv2.circle(img, (cx, cy), 5, (0, 0, 255), -1) img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) for i in products: # 标记ID if i.getX() <= 600: cv2.putText(img, str(i.getId()), (i.getX(), i.getY()), font, 1.0, i.getRGB(), 1, cv2.LINE_AA) # 绘制缺陷 for j in i.defects: if j.getState() == 1: img = cv2.rectangle(img, (i.getBoundX() + j.getX(), i.getBoundY() + j.getY()), (i.getBoundX() + j.getX() + j.getW() + 5, i.getBoundY() + j.getY() + j.getH() + 5), (0, 255, 255), 1) elif j.getState() == 2: img = cv2.rectangle(img, (i.getBoundX() + j.getX(), i.getBoundY() + j.getY()), (i.getBoundX() + j.getX() + j.getW() + 5, i.getBoundY() + j.getY() + j.getH() + 5), (255, 255, 0), 1) # 绘制sum cv2.putText(img, "sum:" + str(product.count), (10, 30), font, 0.7, (255, 255, 255), 1, cv2.LINE_AA) cv2.putText(img, "scratch_sum:" + str(product.Product.scratch_sum), (10, 50), font, 0.7, (0, 255, 255), 1, cv2.LINE_AA) cv2.putText(img, "blot_sum:" + str(product.Product.blot_sum), (10, 70), font, 0.7, (255, 255, 0), 1, cv2.LINE_AA) cv2.imshow("test", img) k = cv2.waitKey(10) & 0xff if k == 27: break cv2.destroyAllWindows()

import cv2 import numpy as np # 创建混合高斯模型 fgbg = cv2.createBackgroundSubtractorMOG2(history=500, varThreshold=50, detectShadows=False) # 打开视频文件 cap = cv2.VideoCapture('t1.mp4') # 获取视频帧率、宽度和高度 fps = int(cap.get(cv2.CAP_PROP_FPS)) width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 创建前景视频对象 fg_out = cv2.VideoWriter('foreground_video.avi', cv2.VideoWriter_fourcc(*'XVID'), fps, (width, height)) # 初始化上一帧 prev_frame = None # 循环遍历视频帧 while True: ret, frame = cap.read() if not ret: break # 高斯模型背景减除法 fgmask = fgbg.apply(frame) # 缩放比例 scale_percent = 50 # 计算缩放后的新尺寸 width = int(frame.shape[1] * scale_percent / 100) height = int(frame.shape[0] * scale_percent / 100) dim = (width, height) # 缩放图像 frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA) fgmask = cv2.resize(fgmask, dim, interpolation=cv2.INTER_AREA) # 形态学开运算去除噪点 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) opening = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel) # 寻找轮廓并计算周长 contours, hierarchy = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: perimeter = cv2.arcLength(cnt, True) if perimeter > 500: # 画出矩形框 x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) # 视频稳定 if prev_frame is not None: # 计算帧间差分 diff = cv2.absdiff(frame, prev_frame) # 计算运动向量 _, motion = cv2.optflow.calcOpticalFlowFarneback(prev_frame, frame, None, 0.5, 3, 15, 3, 5, 1.2, 0) # 平移每一帧 M = np.float32([[1, 0, motion[:,:,0].mean()], [0, 1, motion[:,:,1].mean()]]) frame = cv2.warpAffine(frame, M, (frame.shape[1], frame.shape[0])) diff = cv2.warpAffine(diff, M, (diff.shape[1], diff.shape[0])) # 显示帧间差分 cv2.imshow('diff', diff) # 更新上一帧 prev_frame = frame.copy() cv2.imshow('frame', frame) cv2.imshow('fgmask', fgmask) if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放对象 cap.release() fg_out.release() cv2.destroyAllWindows()改为4.5.3版本的opencv能用的程序

最新推荐

recommend-type

chromedriver-win64_116.0.5840.0.zip

chromedriver-win64_116.0.5840.0.zip
recommend-type

基于Java Servlet实现的灾情控制系统.zip

该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 该资源内项目源码是个人的课程设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
recommend-type

保险服务门店新年工作计划PPT.pptx

在保险服务门店新年工作计划PPT中,包含了五个核心模块:市场调研与目标设定、服务策略制定、营销与推广策略、门店形象与环境优化以及服务质量监控与提升。以下是每个模块的关键知识点: 1. **市场调研与目标设定** - **了解市场**:通过收集和分析当地保险市场的数据,包括产品种类、价格、市场需求趋势等,以便准确把握市场动态。 - **竞争对手分析**:研究竞争对手的产品特性、优势和劣势,以及市场份额,以进行精准定位和制定有针对性的竞争策略。 - **目标客户群体定义**:根据市场需求和竞争情况,明确服务对象,设定明确的服务目标,如销售额和客户满意度指标。 2. **服务策略制定** - **服务计划制定**:基于市场需求定制服务内容,如咨询、报价、理赔协助等,并规划服务时间表,保证服务流程的有序执行。 - **员工素质提升**:通过专业培训提升员工业务能力和服务意识,优化服务流程,提高服务效率。 - **服务环节管理**:细化服务流程,明确责任,确保服务质量和效率,强化各环节之间的衔接。 3. **营销与推广策略** - **节日营销活动**:根据节庆制定吸引人的活动方案,如新春送福、夏日促销,增加销售机会。 - **会员营销**:针对会员客户实施积分兑换、优惠券等策略,增强客户忠诚度。 4. **门店形象与环境优化** - **环境设计**:优化门店外观和内部布局,营造舒适、专业的服务氛围。 - **客户服务便利性**:简化服务手续和所需材料,提升客户的体验感。 5. **服务质量监控与提升** - **定期评估**:持续监控服务质量,发现问题后及时调整和改进,确保服务质量的持续提升。 - **流程改进**:根据评估结果不断优化服务流程,减少等待时间,提高客户满意度。 这份PPT旨在帮助保险服务门店在新的一年里制定出有针对性的工作计划,通过科学的策略和细致的执行,实现业绩增长和客户满意度的双重提升。
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

MATLAB图像去噪最佳实践总结:经验分享与实用建议,提升去噪效果

![MATLAB图像去噪最佳实践总结:经验分享与实用建议,提升去噪效果](https://img-blog.csdnimg.cn/d3bd9b393741416db31ac80314e6292a.png) # 1. 图像去噪基础 图像去噪旨在从图像中去除噪声,提升图像质量。图像噪声通常由传感器、传输或处理过程中的干扰引起。了解图像噪声的类型和特性对于选择合适的去噪算法至关重要。 **1.1 噪声类型** * **高斯噪声:**具有正态分布的加性噪声,通常由传感器热噪声引起。 * **椒盐噪声:**随机分布的孤立像素,值要么为最大值(白色噪声),要么为最小值(黑色噪声)。 * **脉冲噪声
recommend-type

InputStream in = Resources.getResourceAsStream

`Resources.getResourceAsStream`是MyBatis框架中的一个方法,用于获取资源文件的输入流。它通常用于加载MyBatis配置文件或映射文件。 以下是一个示例代码,演示如何使用`Resources.getResourceAsStream`方法获取资源文件的输入流: ```java import org.apache.ibatis.io.Resources; import java.io.InputStream; public class Example { public static void main(String[] args) {
recommend-type

车辆安全工作计划PPT.pptx

"车辆安全工作计划PPT.pptx" 这篇文档主要围绕车辆安全工作计划展开,涵盖了多个关键领域,旨在提升车辆安全性能,降低交通事故发生率,以及加强驾驶员的安全教育和交通设施的完善。 首先,工作目标是确保车辆结构安全。这涉及到车辆设计和材料选择,以增强车辆的结构强度和耐久性,从而减少因结构问题导致的损坏和事故。同时,通过采用先进的电子控制和安全技术,提升车辆的主动和被动安全性能,例如防抱死刹车系统(ABS)、电子稳定程序(ESP)等,可以显著提高行驶安全性。 其次,工作内容强调了建立和完善车辆安全管理体系。这包括制定车辆安全管理制度,明确各级安全管理责任,以及确立安全管理的指导思想和基本原则。同时,需要建立安全管理体系,涵盖安全组织、安全制度、安全培训和安全检查等,确保安全管理工作的系统性和规范性。 再者,加强驾驶员安全培训是另一项重要任务。通过培训提高驾驶员的安全意识和技能水平,使他们更加重视安全行车,了解并遵守交通规则。培训内容不仅包括交通法规,还涉及安全驾驶技能和应急处置能力,以应对可能发生的突发情况。 此外,文档还提到了严格遵守交通规则的重要性。这需要通过宣传和执法来强化,以降低由于违反交通规则造成的交通事故。同时,优化道路交通设施,如改善交通标志、标线和信号灯,可以提高道路通行效率,进一步增强道路安全性。 在实际操作层面,工作计划中提到了车辆定期检查的必要性,包括对刹车、转向、悬挂、灯光、燃油和电器系统的检查,以及根据车辆使用情况制定检查计划。每次检查后应记录问题并及时处理,以确保车辆始终处于良好状态。 最后,建立车辆安全信息管理系统也是关键。通过对车辆事故和故障情况进行记录和分析,可以为安全管理提供数据支持,以便及时发现问题,预防潜在风险,并对事故进行有效处理和责任追究。 这份车辆安全工作计划全面覆盖了从车辆本身到驾驶员行为,再到道路环境的诸多方面,旨在构建一个全方位、多层次的车辆安全管理体系,以降低交通事故风险,保障道路交通安全。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

MATLAB图像去噪行业应用:从医疗到遥感,解锁图像去噪的无限潜力

![MATLAB图像去噪行业应用:从医疗到遥感,解锁图像去噪的无限潜力](https://img-blog.csdnimg.cn/img_convert/3aa5d0402a313c17c3c9ffa85b40f683.png) # 1. MATLAB图像去噪概述 **1.1 图像去噪的重要性** 图像去噪是图像处理中一项至关重要的任务,它旨在从图像中去除不需要的噪声,从而提高图像的质量和可理解性。图像噪声可能来自各种来源,如传感器缺陷、环境干扰和数据传输错误。 **1.2 MATLAB图像去噪的优势** MATLAB是一个强大的技术计算环境,提供了一系列图像去噪算法和工具。MATLA
recommend-type

使用pyrhon编写mapreduce

MapReduce是一种用于处理大规模数据集的编程模型和算法。它通常用于分布式计算环境中,可以高效地处理大量数据并实现并行计算。在Python中,我们可以使用Hadoop Streaming来编写MapReduce程序。 下面是使用Python编写MapReduce的基本步骤: 1. Map阶段: - 编写一个mapper函数,该函数接收输入数据并将其转换为键值对的形式。 - 使用标准输入(sys.stdin)读取输入数据,并使用标准输出(sys.stdout)输出键值对。 2. Reduce阶段: - 编写一个reducer函数,该函数接收来自mapper函数输出的键