基于OpenCV的图形分析辨认02

news2025/1/21 7:17:10

目录

一、前言

二、实验目的

三、实验内容

四、实验过程

一、前言

编程语言：Python，编程软件：vscode或pycharm，必备的第三方库：OpenCV，numpy，matplotlib，os等等。

关于OpenCV，numpy，matplotlib，os等第三方库的下载方式如下：

第一步，按住【Windows】和【R】调出运行界面，输入【cmd】，回车打开命令行。

第二步，输入以下安装命令（可以先升级一下pip指令）。

pip升级指令：

python -m pip install --upgrade pip

 opencv库的清华源下载：

pip install opencv-python  -i https://pypi.tuna.tsinghua.edu.cn/simple

numpy库的清华源下载：

 pip install numpy  -i https://pypi.tuna.tsinghua.edu.cn/simple

matplotlib库的清华源下载：

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

os库的清华源下载：

pip install os  -i https://pypi.tuna.tsinghua.edu.cn/simple 

二、实验目的

1.了解不同图像缩放算法；

2.基于公用图像处理函式库完成图片、视频缩小及放大；

3.根据图像缩放算法，自行撰写代码完成图像及视频数据的缩小及放大；

4.比较及分析公用函式库及自行撰写函式的效能。

三、实验内容

1.任选彩色图片、视频，进行缩小及放大

（1）使用OpenCV函数

（2）不使用OpenCV函数

  1. Nearest-Neighbor interpolation
  2. Bi-linear interpolation

2.在彩色图、视频上任意选取区域執行不同的放大方式，结果如下图

（1）使用OpenCV函数

（2）不使用OpenCV函数

  1. Nearest-Neighbor interpolation
  2. Bi-linear interpolation

四、实验过程

（1）基于OpenCV的图像和视频缩放：

图像代码如下：

import cv2
import matplotlib.pyplot as plt

# 读取原始图像
img_origin = cv2.imread(r"D:\Image\img1.jpg")
# 获取图像的高度和宽度
height, width = img_origin.shape[:2]
# 放大图像
img_amplify = cv2.resize(img_origin, None, fx = 1.25, fy = 1.0, interpolation = cv2.INTER_AREA)
# 缩小图像
img_reduce = cv2.resize(img_origin, None, fx = 0.75, fy = 1.0, interpolation = cv2.INTER_AREA)

# 创建一个大小为(10, 10)的图形
plt.figure(figsize=(10, 10))
# 在第1行第1列的位置创建子图，设置坐标轴可见，设置标题为"origin" 
plt.subplot(1, 3, 1), plt.axis('on'), plt.title("origin")
# 显示原始图像
plt.imshow(cv2.cvtColor(img_origin, cv2.COLOR_BGR2RGB))

# 在第1行第2列的位置创建子图，设置坐标轴可见，设置标题为"amplify: fx = 1.25, fy = 1.0"
plt.subplot(1, 3, 2), plt.axis('on'), plt.title("amplify: fx = 1.25, fy = 1.0")
# 显示放大后的图像
plt.imshow(cv2.cvtColor(img_amplify, cv2.COLOR_BGR2RGB))

# 在第1行第3列的位置创建子图，设置坐标轴可见，设置标题为"reduce: fx = 0.75, fy = 1.0"
plt.subplot(1, 3, 3), plt.axis('on'), plt.title("reduce: fx = 0.75, fy = 1.0")
# 显示缩小后的图像
plt.imshow(cv2.cvtColor(img_reduce, cv2.COLOR_BGR2RGB))

# 调整子图布局
plt.tight_layout()
# 显示图形
plt.show()
# 保存图像
retval = cv2.imwrite(r"D:\Image\image_lab2\img_amplify.jpg", img_amplify)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_reduce.jpg", img_reduce)

代码运行结果：

视频代码如下：

import cv2
import os

cap = cv2.VideoCapture(r"D:\Image\video1.mp4")
currentframe = 0

# 循环读取视频帧并保存为图片
while (True):
    ret, frame = cap.read()
    if ret:
        name = str(currentframe)
        cv2.imwrite(r"D:\Image\image_lab2\video_img\%s.jpg"%name, frame)
        currentframe += 1
    else:
        break

# 释放视频对象
cap.release()

video_path = r"D:\Image\image_lab2\video_img"
# 获取视频文件夹中的所有文件
img_files = os.listdir(video_path)
# 统计图片文件数量
img_count = len(img_files)
# 设定视频编解码器
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 设定图片大小放大后的目标尺寸
img_size_amplify = (1280, 1280)
# 设定图片大小缩小后的目标尺寸
img_size_reduce = (720, 720)
# 视频保存路径（放大版本）
video_save_amplify = r"D:\Image\image_lab2\video_amplify.mp4"
# 视频保存路径（缩小版本）
video_save_reduce = r"D:\Image\image_lab2\video_reduce.mp4"
# 创建放大版本的视频写入对象
video_writer_amplify = cv2.VideoWriter(video_save_amplify, fourcc, 60, img_size_amplify)
# 创建缩小版本的视频写入对象
video_writer_reduce = cv2.VideoWriter(video_save_reduce, fourcc, 60, img_size_reduce)
print("视频放大及缩小开始")

for i in range(0, img_count):
    # 设定图片文件路径
    img_path = video_path + "/" + str(i) + ".jpg"
    # 读取图片
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    # 若读取失败则跳过本次循环
    if img is None:
        continue
    # 图片放大
    img_amplify = cv2.resize(img, img_size_amplify)
    # 图片缩小
    img_reduce = cv2.resize(img, img_size_reduce)
    # 将放大后的图片写入放大版本的视频
    video_writer_amplify.write(img_amplify)
    # 将缩小后的图片写入缩小版本的视频
    video_writer_reduce.write(img_reduce)
    print(f"第{i}张图片合成完成")

print("视频放大及缩小完成")

基于最近邻插值和双线性插值的图像和视频缩放：

将最近邻插值和双线性插值编写成函数文件，命名为【Nearest_Bilinear】，代码如下：

import numpy as np

def Nearest(img, height, width, channels):
    # 创建一个与给定高度、宽度和通道数相同的零数组
    img_nearest = np.zeros(shape=(height, width, channels), dtype=np.uint8)
    
    # 遍历每个像素点
    for i in range(height):
        for j in range(width):
            # 计算在给定高度和宽度下对应的img的行和列
            row = (i / height) * img.shape[0]
            col = (j / width) * img.shape[1]
            # 取最近的整数行和列
            row_near = round(row)
            col_near = round(col)
            # 如果行或列到达img的边界，则向前取整
            if row_near == img.shape[0] or col_near == img.shape[1]:
                row_near -= 1
                col_near -= 1
            
            # 将最近的像素赋值给img_nearest
            img_nearest[i][j] = img[row_near][col_near]
            
    # 返回最近映射后的图像
    return img_nearest

def Bilinear(img, height, width, channels):
    # 生成一个用于存储bilinear插值结果的零矩阵
    img_bilinear = np.zeros(shape=(height, width, channels), dtype=np.uint8)

    # 对矩阵的每一个元素进行插值计算
    for i in range(0, height):
        for j in range(0, width):
            # 计算当前元素所在的行和列的相对位置
            row = (i / height) * img.shape[0]
            col = (j / width) * img.shape[1]
            row_int = int(row)
            col_int = int(col)
            # 计算当前元素所在点的权重
            u = row - row_int
            v = col - col_int
            # 判断当前元素是否越界，若是则调整相对位置
            if row_int == img.shape[0] - 1 or col_int == img.shape[1] - 1:
                row_int -= 1
                col_int -= 1
            # 根据权重进行插值计算
            img_bilinear[i][j] = (1 - u) * (1 - v) * img[row_int][col_int] + (1 - u) * v * img[row_int][col_int + 1] + u * (1 - v) * img[row_int + 1][col_int] + u * v * img[row_int + 1][col_int + 1]
            
    # 返回bilinear插值结果
    return img_bilinear

 后续在实现图像放缩时导入该函数即可，图像放缩代码如下：

import cv2
import matplotlib.pyplot as plt
from Nearest_Bilinear import *

# 读取图像
img = cv2.imread(r"D:\Image\img1.jpg", cv2.IMREAD_COLOR)
# 获取图像的高度、宽度和通道数
height, width, channels = img.shape
print(height, width, channels)

# 对图像进行放大操作，增加200个像素的高度
img_nearest_amplify = Nearest(img, height + 200, width, channels)
# 对图像进行缩小操作，减少200个像素的高度
img_nearest_reduce = Nearest(img, height - 200, width, channels)

# 创建一个大小为10x10的图像窗口
plt.figure(figsize=(10, 10))
# 在第一个子图中显示原始图像
plt.subplot(1, 3, 1), plt.axis('on'), plt.title("origin")
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
# 在第二个子图中显示放大后的图像
plt.subplot(1, 3, 2), plt.axis('on'), plt.title("Nearest_amplify")
plt.imshow(cv2.cvtColor(img_nearest_amplify, cv2.COLOR_BGR2RGB))
# 在第三个子图中显示缩小后的图像
plt.subplot(1, 3, 3), plt.axis('on'), plt.title("Nearest_reduce")
plt.imshow(cv2.cvtColor(img_nearest_reduce, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()

# 对图像进行放大操作，增加200个像素的高度
img_bilinear_amplify = Bilinear(img, height + 200, width, channels)
# 对图像进行缩小操作，减少200个像素的高度
img_bilinear_reduce = Bilinear(img, height - 200, width, channels)

# 创建一个大小为10x10的图像窗口
plt.figure(figsize=(10, 10))
# 在第一个子图中显示原始图像
plt.subplot(1, 3, 1), plt.axis('on'), plt.title("origin")
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
# 在第二个子图中显示放大后的图像
plt.subplot(1, 3, 2), plt.axis('on'), plt.title("Bilinear_amplify")
plt.imshow(cv2.cvtColor(img_bilinear_amplify, cv2.COLOR_BGR2RGB))
# 在第三个子图中显示缩小后的图像
plt.subplot(1, 3, 3), plt.axis('on'), plt.title("Bilinear_reduce")
plt.imshow(cv2.cvtColor(img_bilinear_reduce, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()

# 保存图像
retval = cv2.imwrite(r"D:\Image\image_lab2\img_nearest_amplify.jpg", img_nearest_amplify)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_nearest_reduce.jpg", img_nearest_reduce)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_bilinear_amplify.jpg", img_bilinear_amplify)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_bilinear_reduce.jpg", img_bilinear_reduce)

代码运行结果如下：

 基于最近邻插值的视频缩放代码：

import cv2
import os
from Nearest_Bilinear import *

video_path = r"D:\Image\image_lab2\video_img"
# 获取视频文件夹中的所有文件
img_files = os.listdir(video_path)
# 统计图片文件数量
img_count = len(img_files)
# 设定视频编解码器
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 设定图片大小放大后的目标尺寸
img_size_amplify = (1280, 1280)
# 设定图片大小缩小后的目标尺寸
img_size_reduce = (720, 720)
# 视频保存路径（放大版本）
video_save_amplify = r"D:\Image\image_lab2\video_amplify_Nearest.mp4"
# 视频保存路径（缩小版本）
video_save_reduce = r"D:\Image\image_lab2\video_reduce_Nearest.mp4"
# 创建放大版本的视频写入对象
video_writer_amplify = cv2.VideoWriter(video_save_amplify, fourcc, 60, img_size_amplify)
# 创建缩小版本的视频写入对象
video_writer_reduce = cv2.VideoWriter(video_save_reduce, fourcc, 60, img_size_reduce)
print("视频放大及缩小开始")

for i in range(0, img_count):
    # 设定图片文件路径
    img_path = video_path + "/" + str(i) + ".jpg"
    # 读取图片
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    # 若读取失败则跳过本次循环
    if img is None:
        continue
    # 图片放大
    img_amplify = Nearest(img, img_size_amplify[0], img_size_amplify[1], 3)
    # 图片缩小
    img_reduce = Nearest(img, img_size_reduce[0], img_size_reduce[1], 3)
    # 将放大后的图片写入放大版本的视频
    video_writer_amplify.write(img_amplify)
    # 将缩小后的图片写入缩小版本的视频
    video_writer_reduce.write(img_reduce)
    print(f"第{i}张图片合成完成")

print("视频放大及缩小完成")

基于双线性插值的视频放缩代码：

import cv2
import os
from Nearest_Bilinear import *

video_path = r"D:\Image\image_lab2\video_img"
# 获取视频文件夹中的所有文件
img_files = os.listdir(video_path)
# 统计图片文件数量
img_count = len(img_files)
# 设定视频编解码器
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 设定图片大小放大后的目标尺寸
img_size_amplify = (1280, 1280)
# 设定图片大小缩小后的目标尺寸
img_size_reduce = (720, 720)
# 视频保存路径（放大版本）
video_save_amplify = r"D:\Image\image_lab2\video_amplify_Bilinear.mp4"
# 视频保存路径（缩小版本）
video_save_reduce = r"D:\Image\image_lab2\video_reduce_Bilinear.mp4"
# 创建放大版本的视频写入对象
video_writer_amplify = cv2.VideoWriter(video_save_amplify, fourcc, 60, img_size_amplify)
# 创建缩小版本的视频写入对象
video_writer_reduce = cv2.VideoWriter(video_save_reduce, fourcc, 60, img_size_reduce)
print("视频放大及缩小开始")

for i in range(0, img_count):
    # 设定图片文件路径
    img_path = video_path + "/" + str(i) + ".jpg"
    # 读取图片
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    # 若读取失败则跳过本次循环
    if img is None:
        continue
    # 图片放大
    img_amplify = Bilinear(img, img_size_amplify[0], img_size_amplify[1], 3)
    # 图片缩小
    img_reduce = Bilinear(img, img_size_reduce[0], img_size_reduce[1], 3)
    # 将放大后的图片写入放大版本的视频
    video_writer_amplify.write(img_amplify)
    # 将缩小后的图片写入缩小版本的视频
    video_writer_reduce.write(img_reduce)
    print(f"第{i}张图片合成完成")

print("视频放大及缩小完成")

（2）基于OpenCV的局部图像和视频缩放

局部图像的缩放代码如下：

import cv2
import matplotlib.pyplot as plt

# 读取原始图像
img_origin = cv2.imread(r"D:\Image\img1.jpg", cv2.IMREAD_COLOR)
# 获取图像的高度和宽度
height, width = img_origin.shape[:2]
# 定义图像的一部分的坐标范围
y1, y2 = 100, 300
x1, x2 = 100, 300
# 获取图像的一部分
img_part = img_origin[y1:y2, x1:x2]
# 放大图像
img_amplify = cv2.resize(img_part, None, fx=1.25, fy=1.0, interpolation=cv2.INTER_NEAREST)
# 缩小图像
img_reduce = cv2.resize(img_part, None, fx=0.75, fy=1.0, interpolation=cv2.INTER_LINEAR)
# 创建绘图窗口
plt.figure(figsize=(10, 10))
# 绘制图像
plt.subplot(2, 2, 1), plt.axis('on'), plt.title("origin")
plt.imshow(cv2.cvtColor(img_origin, cv2.COLOR_BGR2RGB))
plt.subplot(2, 2, 2), plt.axis('on'), plt.title("part")
plt.imshow(cv2.cvtColor(img_part, cv2.COLOR_BGR2RGB))
plt.subplot(2, 2, 3), plt.axis('on'), plt.title("amplify: fx = 1.25, fy = 1.0")
plt.imshow(cv2.cvtColor(img_amplify, cv2.COLOR_BGR2RGB))
plt.subplot(2, 2, 4), plt.axis('on'), plt.title("reduce: fx = 0.75, fy = 1.0")
plt.imshow(cv2.cvtColor(img_reduce, cv2.COLOR_BGR2RGB))

# 调整子图布局
plt.tight_layout()
# 显示图形
plt.show()

# 保存图像
retval = cv2.imwrite(r"D:\Image\image_lab2\img_part.jpg", img_part)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_amplify_part.jpg", img_amplify)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_reduce_part.jpg", img_reduce)

局部视频的缩放代码如下：

import cv2
import os

video_path = r"D:\Image\image_lab2\video_img"
# 获取视频文件夹中的所有文件
img_files = os.listdir(video_path)
# 统计图片文件数量
img_count = len(img_files)
# 设定视频编解码器
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 设定图片大小放大后的目标尺寸
img_size_amplify = (720, 720)
# 设定图片大小缩小后的目标尺寸
img_size_reduce = (250, 250)
# 视频保存路径（放大版本）
video_save_amplify = r"D:\Image\image_lab2\video_amplify_part.mp4"
# 视频保存路径（缩小版本）
video_save_reduce = r"D:\Image\image_lab2\video_reduce_part.mp4"
# 创建放大版本的视频写入对象
video_writer_amplify = cv2.VideoWriter(video_save_amplify, fourcc, 60, img_size_amplify)
# 创建缩小版本的视频写入对象
video_writer_reduce = cv2.VideoWriter(video_save_reduce, fourcc, 60, img_size_reduce)
print("视频放大及缩小开始")

for i in range(0, img_count):
    # 设定图片文件路径
    img_path = video_path + "/" + str(i) + ".jpg"
    # 读取图片
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    img = img[100:500, 100:500]
    # 若读取失败则跳过本次循环
    if img is None:
        continue
    # 图片放大
    img_amplify = cv2.resize(img, img_size_amplify)
    # 图片缩小
    img_reduce = cv2.resize(img, img_size_reduce)
    # 将放大后的图片写入放大版本的视频
    video_writer_amplify.write(img_amplify)
    # 将缩小后的图片写入缩小版本的视频
    video_writer_reduce.write(img_reduce)
    print(f"第{i}张图片合成完成")

print("视频放大及缩小完成")

基于最近邻插值和双线性插值的局部图像和视频缩放：

局部图像的缩放代码如下：

import cv2
import matplotlib.pyplot as plt
from Nearest_Bilinear import *

# 读取图像
img = cv2.imread(r"D:\Image\img1.jpg", cv2.IMREAD_COLOR)
# 获取图像的高度、宽度和通道数
height, width, channels = img.shape
# 定义图像的一部分的坐标范围
y1, y2 = 100, 300
x1, x2 = 100, 300
# 获取图像的一部分
img_part = img[y1:y2, x1:x2]

# 对图像进行放大操作，增加100个像素的高度
img_nearest_amplify_part = Nearest(img_part, height + 100, width, channels)
# 对图像进行缩小操作，减少100个像素的高度
img_nearest_reduce_part = Nearest(img_part, height - 100, width, channels)
# 创建一个大小为10x10的图像窗口
plt.figure(figsize=(10, 10))
# 在第一个子图中显示原始图像
plt.subplot(1, 3, 1), plt.axis('on'), plt.title("origin")
plt.imshow(cv2.cvtColor(img_part, cv2.COLOR_BGR2RGB))
# 在第二个子图中显示放大后的图像
plt.subplot(1, 3, 2), plt.axis('on'), plt.title("Nearest_amplify")
plt.imshow(cv2.cvtColor(img_nearest_amplify_part, cv2.COLOR_BGR2RGB))
# 在第三个子图中显示缩小后的图像
plt.subplot(1, 3, 3), plt.axis('on'), plt.title("Nearest_reduce")
plt.imshow(cv2.cvtColor(img_nearest_reduce_part, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()

# 对图像进行放大操作，增加100个像素的高度
img_bilinear_amplify_part = Bilinear(img_part, height + 100, width, channels)
# 对图像进行缩小操作，减少100个像素的高度
img_bilinear_reduce_part = Bilinear(img_part, height - 100, width, channels)
# 创建一个大小为10x10的图像窗口
plt.figure(figsize=(10, 10))
# 在第一个子图中显示原始图像
plt.subplot(1, 3, 1), plt.axis('on'), plt.title("origin")
plt.imshow(cv2.cvtColor(img_part, cv2.COLOR_BGR2RGB))
# 在第二个子图中显示放大后的图像
plt.subplot(1, 3, 2), plt.axis('on'), plt.title("Bilinear_amplify")
plt.imshow(cv2.cvtColor(img_bilinear_amplify_part, cv2.COLOR_BGR2RGB))
# 在第三个子图中显示缩小后的图像
plt.subplot(1, 3, 3), plt.axis('on'), plt.title("Bilinear_reduce")
plt.imshow(cv2.cvtColor(img_bilinear_reduce_part, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()

# 保存图像
retval = cv2.imwrite(r"D:\Image\image_lab2\img_nearest_amplify_part.jpg", img_nearest_amplify_part)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_nearest_reduce_part.jpg", img_nearest_reduce_part)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_bilinear_amplify_part.jpg", img_bilinear_amplify_part)
retval = cv2.imwrite(r"D:\Image\image_lab2\img_bilinear_reduce_part.jpg", img_bilinear_reduce_part)

基于最近邻插值的局部视频缩放代码：

import cv2
import os
from Nearest_Bilinear import *

video_path = r"D:\Image\image_lab2\video_img"
# 获取视频文件夹中的所有文件
img_files = os.listdir(video_path)
# 统计图片文件数量
img_count = len(img_files)
# 设定视频编解码器
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 设定图片大小放大后的目标尺寸
img_size_amplify = (720, 720)
# 设定图片大小缩小后的目标尺寸
img_size_reduce = (250, 250)
# 视频保存路径（放大版本）
video_save_amplify = r"D:\Image\image_lab2\video_amplify_Nearest_part.mp4"
# 视频保存路径（缩小版本）
video_save_reduce = r"D:\Image\image_lab2\video_reduce_Nearest_part.mp4"
# 创建放大版本的视频写入对象
video_writer_amplify = cv2.VideoWriter(video_save_amplify, fourcc, 60, img_size_amplify)
# 创建缩小版本的视频写入对象
video_writer_reduce = cv2.VideoWriter(video_save_reduce, fourcc, 60, img_size_reduce)
print("视频放大及缩小开始")

for i in range(0, img_count):
    # 设定图片文件路径
    img_path = video_path + "/" + str(i) + ".jpg"
    # 读取图片
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    img = img[100:500, 100:500]
    # 若读取失败则跳过本次循环
    if img is None:
        continue
    # 图片放大
    img_amplify = Nearest(img, img_size_amplify[0], img_size_amplify[1], 3)
    # 图片缩小
    img_reduce = Nearest(img, img_size_reduce[0], img_size_reduce[1], 3)
    # 将放大后的图片写入放大版本的视频
    video_writer_amplify.write(img_amplify)
    # 将缩小后的图片写入缩小版本的视频
    video_writer_reduce.write(img_reduce)
    print(f"第{i}张图片合成完成")

print("视频放大及缩小完成")

基于双线性插值的局部视频缩放代码如下：

import cv2
import os
from Nearest_Bilinear import *

video_path = r"D:\Image\image_lab2\video_img"
# 获取视频文件夹中的所有文件
img_files = os.listdir(video_path)
# 统计图片文件数量
img_count = len(img_files)
# 设定视频编解码器
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 设定图片大小放大后的目标尺寸
img_size_amplify = (720, 720)
# 设定图片大小缩小后的目标尺寸
img_size_reduce = (250, 250)
# 视频保存路径（放大版本）
video_save_amplify = r"D:\Image\image_lab2\video_amplify_Bilinear_part.mp4"
# 视频保存路径（缩小版本）
video_save_reduce = r"D:\Image\image_lab2\video_reduce_Bilinear_part.mp4"
# 创建放大版本的视频写入对象
video_writer_amplify = cv2.VideoWriter(video_save_amplify, fourcc, 60, img_size_amplify)
# 创建缩小版本的视频写入对象
video_writer_reduce = cv2.VideoWriter(video_save_reduce, fourcc, 60, img_size_reduce)
print("视频放大及缩小开始")

for i in range(0, img_count):
    # 设定图片文件路径
    img_path = video_path + "/" + str(i) + ".jpg"
    # 读取图片
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    img = img[100:500, 100:500]
    # 若读取失败则跳过本次循环
    if img is None:
        continue
    # 图片放大
    img_amplify = Bilinear(img, img_size_amplify[0], img_size_amplify[1], 3)
    # 图片缩小
    img_reduce = Bilinear(img, img_size_reduce[0], img_size_reduce[1], 3)
    # 将放大后的图片写入放大版本的视频
    video_writer_amplify.write(img_amplify)
    # 将缩小后的图片写入缩小版本的视频
    video_writer_reduce.write(img_reduce)
    print(f"第{i}张图片合成完成")

print("视频放大及缩小完成")

都看到最后了，不点个赞吗？

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1495829.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Python编程作业五：面向对象编程

Python编程作业五：面向对象编程

目录 一、类的定义和方法 二、图书管理系统 一、类的定义和方法 定义一个学生类（Student），包括学号(id)、姓名(name)、出生日期(birthday)和分数(score)4个属性，其中出生日期是私有属性，不能被外界直接访问。该类应具…
阅读更多...
【论文阅读】Elucidating the Design Space of Diffusion-Based Generative Models

【论文阅读】Elucidating the Design Space of Diffusion-Based Generative Models

Elucidating the Design Space of Diffusion-Based Generative Models 引用： Karras T, Aittala M, Aila T, et al. Elucidating the design space of diffusion-based generative models[J]. Advances in Neural Information Processing Systems, 2022, 35: 26565…
阅读更多...
打破界限，释放创新：一键将HTML转化为PDF

打破界限，释放创新：一键将HTML转化为PDF

在互联网时代，HTML作为网页的标准语言，承载着无数的信息与创意。然而，有时我们需要将这些在线内容转化为可打印、可分享的PDF格式。这时，一款高效、便捷的转换工具就显得尤为重要。 首先，我们要进入首助编辑高手主页面…
阅读更多...
智能边缘计算网关实现工业自动化与数据处理的融合-天拓四方

智能边缘计算网关实现工业自动化与数据处理的融合-天拓四方

随着物联网（IoT）技术的迅速发展和普及，越来越多的设备被连接到互联网上，产生了海量的数据。如何有效地处理和分析这些数据，同时确保数据的安全性和实时性，成为了摆在企业面前的一大挑战。智能边缘计算网关作…
阅读更多...
文心一言 VS 讯飞星火 VS chatgpt （209）-- 算法导论15.4 6题

文心一言 VS 讯飞星火 VS chatgpt （209）-- 算法导论15.4 6题

六、设计一个 O(nlgn) 时间的算法，求一个 n 个数的序列的最长单调递增子序列。（提示：注意到，一个长度为 i 的候选子序列的尾元素至少不比一个长度为 i-1 候选子序列的尾元素小。因此，可以在输入序列中将候选子序列链接…
阅读更多...
8、JavaWeb-案例-部门管理-员工管理

8、JavaWeb-案例-部门管理-员工管理

P135 案例-准备工作 依据案例，学习根据接口文档开发接口的能力。 完成部门管理和员工管理两部分。可以分析这两部分，一个部门可以有多个员工，一个员工归属一个部门。 准备数据库表，创建一个springboot工程，引入web开…
阅读更多...
第五十一回 李逵打死殷天赐 柴进失陷高唐州-AI发展历程和常用框架

第五十一回 李逵打死殷天赐 柴进失陷高唐州-AI发展历程和常用框架

朱仝说只要杀了李逵就上梁山，柴进就劝李逵先在庄上住一段时间，先让朱仝、雷横和吴用回了梁山。 李逵在柴进庄上住了一个月，碰到柴进的叔叔柴皇城病重来信叫他去一趟，于是李逵就随着柴进去了高唐州。 柴皇城被殷天锡气死&#xf…
阅读更多...
微服务day05-Gateway网关

微服务day05-Gateway网关

Gateway网关 为了防止微服务能被任何身份的人访问，需要对访问微服务的人做身份认证和权限校验。网关的功能就是对访问用户进行身份认证和权限校验。网关具有3种功能： 身份验证和权限校验：网关作为微服务入口，需要校验用户是是否…
阅读更多...
自学高效备考2024年AMC10：2000-2023年1250道AMC10真题解析

自学高效备考2024年AMC10：2000-2023年1250道AMC10真题解析

我们今天继续来随机看5道AMC10真题，以及详细解析，这些题目来自1250道完整的官方历年AMC10真题库。通过系统研究和吃透AMC10的历年真题，参加AMC10的竞赛就能拿到好名次。 即使不参加AMC10竞赛，初中和高中数学一定会学得比较轻松、…
阅读更多...
Java线程状态解析：多线程编程指南

Java线程状态解析：多线程编程指南

&#x1f31f; 欢迎来到 我的博客&#xff01; &#x1f308; &#x1f4a1; 探索未知, 分享知识 !&#x1f4ab; 本文目录 &#x1f31f;1. 引言&#x1f31f;2. Java线程的生命周期&#x1f4a1;2.1 <font color "skyblue">新建&#xff08;New&#xff09;&…
阅读更多...
去除PDF论文行号的完美解决方案

去除PDF论文行号的完美解决方案

去除PDF论文行号的完美解决方案 1. 遇到的问题 我想去除论文的行号&#xff0c;但是使用网上的Adobe Acrobat裁剪保存后 如何去掉pdf的行编号&#xff1f; - 知乎 (zhihu.com) 翻译时依然会出现行号&#xff0c;或者是转成word&#xff0c;这样就大大损失了格式&#xff0c…
阅读更多...
Python之Web开发初学者教程—ubuntu下vi的使用

Python之Web开发初学者教程—ubuntu下vi的使用

Python之Web开发初学者教程—ubuntu下vi的使用 vi\vim 文本编辑器 i 切换到输入模式&#xff0c;以输入字符。 x 删除当前光标所在处的字符。 : 切换到底线命令模式&#xff0c;以在最底一行输入命令。 vi 保存并退出&#xff1a;esc键退出编辑-…
阅读更多...
人工智能在信息系统安全中的运用

人工智能在信息系统安全中的运用

一、 概述 对于企业和消费者来讲&#xff0c;人工智能是非常有用的工具&#xff0c;那又该如何使用人工智能技术来保护敏感信息?通过快速处理数据并预测分析&#xff0c;AI可以完成从自动化系统到保护信息的所有工作。尽管有些黑客利用技术手段来达到自己的目的&#xff0c;但…
阅读更多...
JAVA语言类与对象的关系

JAVA语言类与对象的关系

在Java语言中&#xff0c;类与对象是面向对象编程的核心概念&#xff0c;它们之间存在着紧密的关系。以下是关于Java语言中类与对象的关系的要点&#xff1a; 1. 类&#xff08;Class&#xff09;&#xff1a; 类是Java程序的基本构造块&#xff0c;它是一种用户自定义的数据…
阅读更多...
OpenHarmony教程指南—Navigation开发 页面切换场景范例

OpenHarmony教程指南—Navigation开发 页面切换场景范例

简介 在应用开发时&#xff0c;我们常常遇到&#xff0c;需要在应用内多页面跳转场景时中使用Navigation导航组件做统一的页面跳转管理&#xff0c;它提供了一系列属性方法来设置页面的标题栏、工具栏以及菜单栏的各种展示样式。除此之外还拥有动态加载&#xff0c;navPathSta…
阅读更多...
【信息系统项目管理师】--【信息技术发展】--【新一代信息技术及应用】--【虚拟现实】

【信息系统项目管理师】--【信息技术发展】--【新一代信息技术及应用】--【虚拟现实】

文章目录 第二章 信息技术发展2.2 新一代信息技术及应用2.2.6 虚拟现实1.技术基础2.关键技术3.应用和发展 第二章 信息技术发展 信息技术是在信息科学的基本原理和方法下&#xff0c;获取信息、处理信息、传输信息和使用信息的应用技术总称。从信息技术的发展过程来看&#xff…
阅读更多...
Google Earth Engine（GEE）——CCNL：DMSP-OLS (1992-2013) 的校正的夜间灯光数据集（全球夜间灯光数据）

Google Earth Engine（GEE）——CCNL：DMSP-OLS (1992-2013) 的校正的夜间灯光数据集（全球夜间灯光数据）

CCNL: Consistent And Corrected Nighttime Light Dataset from DMSP-OLS (1992-2013) 描述 一致和校正的夜间灯光 (CCNL) 数据集是国防气象计划 (DMSP) 操作线扫描系统 (OLS) 第 4版的重新处理版本。采用一系列方法减轻年际不一致性、饱和度和开花效应的影响&#xff0c;提高数…
阅读更多...
js节点操作

js节点操作

js节点操作 一.DOM节点二.查找节点三.增加节点3.1.创建节点3.2.追加节点3.3.克隆节点 四. 删除节点 一.DOM节点 DOM树里每一个内容都称之为节点 节点类型&#xff1a;元素节点&#xff08;所有的标签 比如 body&#xff0c;div等&#xff0c;html 是根节点&#xff09; 属性节…
阅读更多...
C++STL【list链表】

C++STL【list链表】

list 1. list介绍 list文档&#xff08;非官方&#xff09; 官方文档list是双向带头循环链表&#xff0c;它可以在常数范围内的任意位置进行插入和删除操作。list的迭代器是双向迭代器(bidirectional iterator)&#xff0c;它可以前后双向迭代。 由容器的底层结构决定&#xf…
阅读更多...
redis 性能优化一

redis 性能优化一

目录 前言 尾延迟 前言 说到redis 性能优化&#xff0c;优化的目的是什么&#xff1f;提高响应&#xff0c;减少延迟。就要关注两点&#xff0c;一是尾延迟&#xff0c;二是Redis 的基线性能。只有指标&#xff0c;我们的优化&#xff0c;才有意义&#xff0c;才能做监控以及…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023