【python】OpenCV——Color Correction

news2024/11/22 22:44:19

在这里插入图片描述

文章目录

  • cv2.aruco 介绍
  • imutils.perspective.four_point_transform 介绍
  • skimage.exposure.match_histograms 介绍
  • 牛刀小试
  • 遇到的问题

参考学习来自 OpenCV基础（18）使用 OpenCV 和 Python 进行自动色彩校正

cv2.aruco 介绍

在这里插入图片描述

一、cv2.aruco模块概述

cv2.aruco 是 OpenCV 库中用于 ArUco 标记检测和识别的模块。ArUco 是一种基于 OpenCV 的二进制标记系统，用于多种计算机视觉应用，如姿态估计、相机校准、机器人导航和增强现实等。

以下是关于 cv2.aruco 的中文文档概要，按照参考文章中的信息进行整理和归纳：

一、ArUco 标记概述

ArUco 标记是带有黑色边框的二进制正方形图像，内部主体为白色，标记根据特定的编码变化。
ArUco 标记由 ArUco 字典、标记大小和标记 ID 组成。例如，一个 4x4_100 字典由 100 个标记组成，4x4 标记大小意味着标记由 25 位组成，每个标记将有一个唯一的 ID。

二、主要函数与参数

（1）cv2.aruco.detectMarkers()

  • 功能：检测图像中的 ArUco 标记。
  • 参数：
    • 输入图像：包含 ArUco 标记的图像。
    • 字典：用于搜索的 ArUco 字典。
    • 参数（可选）：检测参数，如 cv2.aruco.DetectorParameters()。
  • 返回值：
    • 标记角：检测到的标记的四个角的位置坐标。
    • 标记 ID：检测到的标记的 ID。
    • 拒绝标记（可选）：未满足检测条件的标记信息。

（2）cv2.aruco.drawDetectedMarkers()

  • 功能：在图像上绘制检测到的 ArUco 标记。

  • 参数：

    • 输入图像：包含 ArUco 标记的图像。
    • 标记角：检测到的标记的四个角的位置坐标。
    • 边界颜色（可选）：绘制标记边界的颜色。

  • 返回值：绘制了标记的图像。

（3）cv2.aruco.getPredefinedDictionary()

  • 功能：获取预定义的 ArUco 字典。

  • 参数：字典类型（如 aruco.DICT_ARUCO_ORIGINAL）。

  • 返回值：预定义的 ArUco 字典。

三、检测过程与参数调整

阈值化：检测的第一步是对输入图像进行阈值化。这可以通过调整 cv2.aruco.DetectorParameters() 中的相关参数来完成，如 adaptiveThreshWinSizeMin、adaptiveThreshWinSizeMax 和 adaptiveThreshWinSizeStep。

角点细化：为了提高角点检测的精度，可以使用 cornerRefinementMethod 和 cornerRefinementWinSize 参数进行角点细化。

四、使用示例

以下是一个简单的示例，演示了如何使用 cv2.aruco 检测和可视化 ArUco 标记：

import cv2  
import cv2.aruco as aruco  
  
# 读取图片  
img = cv2.imread("marker.jpg")  
  
# 创建字典  
dictionary = aruco.getPredefinedDictionary(aruco.DICT_ARUCO_ORIGINAL)  
  
# 检测标记  
corners, ids, _ = aruco.detectMarkers(img, dictionary)  
  
# 可视化标记  
img_with_markers = aruco.drawDetectedMarkers(img, corners)  
  
# 显示结果  
cv2.imshow("ArUco detection", img_with_markers)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

五、注意事项

  • 确保已正确安装 OpenCV，并包含 cv2.aruco 模块。

  • 根据具体应用需求选择合适的 ArUco 字典和标记大小。

  • 调整检测参数以优化标记检测性能。

imutils.perspective.four_point_transform 介绍

使用前先安装 pip install imutils

imutils.perspective.four_point_transform 是 OpenCV 图像处理库的一个辅助工具，用于实现透视变换（Perspective Transformation）。透视变换可以将一个图像从一个视角转换到另一个视角，这在图像校正、文档扫描、车牌识别等任务中非常有用。

以下是关于 imutils.perspective.four_point_transform 函数的详细解释和用法：

一、函数定义

imutils.perspective.four_point_transform 函数需要两个主要参数：

  • image：要进行透视变换的原始图像。

  • pts：包含图像中感兴趣区域（ROI）四个顶点的坐标列表。这四个点定义了原始图像中的一个四边形区域，该区域将被变换成一个矩形区域。

二、使用步骤

a. 读取图像
首先，使用 OpenCV 的 cv2.imread() 函数读取要进行透视变换的图像。

b. 确定变换点
然后，需要确定要进行透视变换的 ROI 的四个顶点。这可以通过各种方法实现，如边缘检测、轮廓查找、角点检测等。

c. 调用 four_point_transform 函数
将原始图像和四个顶点的坐标列表传递给 imutils.perspective.four_point_transform 函数。函数将返回一个经过透视变换后的新图像。

d. 显示或保存变换后的图像
使用 OpenCV 的 cv2.imshow() 函数显示变换后的图像，或者使用 cv2.imwrite() 函数将其保存为文件。

三、示例代码

以下是一个简单的示例代码，展示了如何使用 imutils.perspective.four_point_transform 函数进行透视变换：

import cv2  
import numpy as np  
import imutils  
 
# 读取图像  
image = cv2.imread('input.jpg')  
  
# 假设我们已经通过某种方法找到了 ROI 的四个顶点，这里我们直接给出坐标  
pts = np.array([[100, 100], [300, 100], [300, 300], [100, 300]], dtype="float32")  
  
# 进行透视变换  
warped = imutils.perspective.four_point_transform(image, pts)  
  
# 显示变换后的图像  
cv2.imshow("Warped", warped)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

四、注意事项

  • 确保 pts 列表中的坐标点按照正确的顺序排列（通常是左上角、右上角、右下角、左下角）。

  • 透视变换的结果可能会受到原始图像中 ROI 的形状和大小的影响。因此，在实际应用中，可能需要通过调整 ROI 的位置和大小来优化变换结果。

skimage.exposure.match_histograms 介绍

在这里插入图片描述

可参考 【python】OpenCV—Histogram Matching（9.2）

牛刀小试

素材来自于

链接：https://pan.baidu.com/s/1ja5RZUiV5Hyu-Z65JEJWzg 
提取码：123a

# -----------------------------
#   USAGE
# -----------------------------
# python color_correction.py
# -----------------------------
#   IMPORTS
# -----------------------------
# Import the necessary packages
from imutils.perspective import four_point_transform
from skimage import exposure
import numpy as np
import argparse
import imutils
import cv2
import sys


# -----------------------------
#   FUNCTIONS
# -----------------------------
def find_color_card(image, colors, savename=None):
    # Load the ArUCo dictionary, grab the ArUCo parameters and detect the markers in the input image
    arucoDict = cv2.aruco.Dictionary_get(cv2.aruco.DICT_ARUCO_ORIGINAL)
    arucoParams = cv2.aruco.DetectorParameters_create()
    (corners, ids, rejected) = cv2.aruco.detectMarkers(image, arucoDict, parameters=arucoParams)

    # Plot corners
    if savename:
        image_copy = image.copy()
        for i in range(len(corners)):  # traverse corners
            for j in range(4):  # traverse coordinates
                cv2.circle(image_copy, center=(int(corners[i][0][j][0]), int(corners[i][0][j][1])),
                           radius=10, color=colors[i], thickness=-1)
                cv2.imwrite(savename, image_copy)

    # Try to extract the coordinates of the color correction card
    try:
        # Otherwise, this means that the four ArUCo markers have been found and
        # so continue by flattening the ArUCo IDs list
        ids = ids.flatten()
        # Extract the top-left marker
        i = np.squeeze(np.where(ids == 923))  # 3
        topLeft = np.squeeze(corners[i])[0]  # array([111., 123.], dtype=float32)
        # Extract the top-right marker
        i = np.squeeze(np.where(ids == 1001))  # 2
        topRight = np.squeeze(corners[i])[1]  # array([430., 124.], dtype=float32)
        # Extract the bottom-right marker
        i = np.squeeze(np.where(ids == 241))  # 1
        bottomRight = np.squeeze(corners[i])[2]  # array([427., 516.], dtype=float32)
        # Extract the bottom left marker
        i = np.squeeze(np.where(ids == 1007))  # 0
        bottomLeft = np.squeeze(corners[i])[3]  # array([121., 520.], dtype=float32)
    # The color correction card could not be found, so gracefully return
    except:
        return None
    # Build the list of reference points and apply a perspective transform to obtain a top-down,
    # birds-eye-view of the color matching card
    cardCoords = np.array([topLeft, topRight, bottomRight, bottomLeft])
    """ for reference
    array([[111., 123.],
       [430., 124.],
       [427., 516.],
       [121., 520.]], dtype=float32)
    """
    card = four_point_transform(image, cardCoords)
    # Return the color matching card to the calling function
    return card


if __name__ == "__main__":
    # colors for corners
    colors = [
        [0, 0, 255],
        [0, 125, 255],
        [0, 255, 255],
        [0, 255, 0]
    ]

    # Load the reference image and input images from disk
    print("[INFO] Loading images...")
    ref = cv2.imread("./reference.jpg")  # (4032, 3024, 3)
    image = cv2.imread("./examples/03.jpg")  # (4032, 3024, 3)

    # Resize the reference and input images
    ref = imutils.resize(ref, width=600)  # (800, 600, 3)
    image = imutils.resize(image, width=600)  # (800, 600, 3)

    # Display the reference and input images to the screen
    cv2.imshow("Reference", ref)
    cv2.imshow("Input", image)

    # Find the color matching card in each image
    print("[INFO] Finding color matching cards...")
    refCard = find_color_card(ref, colors, "refCardPlot.jpg")  # (397, 319, 3)
    imageCard = find_color_card(image, colors, "imageCardPlot.jpg")  # (385, 306, 3)

    # If the color matching card is not found in either the reference or the input image, gracefully exit the program
    if refCard is None or imageCard is None:
        print("[INFO] Could not find color matching cards in both images! Exiting...")
        sys.exit(0)

    # Show the color matching card in the reference image and the in the input image respectively
    cv2.imshow("Reference Color Card", refCard)
    cv2.imshow("Input Color Card", imageCard)

    # cv2.imwrite("reference_color_card.jpg", refCard)
    # cv2.imwrite("input_color_card.jpg", imageCard)

    # Apply histogram matching from the color matching card in the reference image
    # to the color matching card in the input image
    print("[INFO] Matching images...")
    # imageCard = exposure.match_histograms(imageCard, refCard, multichannel=True)
    imageCard = exposure.match_histograms(imageCard, refCard, channel_axis=-1)

    # Show the input color matching card after histogram matching
    cv2.imshow("Input Color Card After Matching", imageCard)
    # cv2.imwrite("input_color_card_after_matching.jpg", imageCard)
    cv2.waitKey(0)

reference.jpg

在这里插入图片描述
03.jpg

在这里插入图片描述
refCardPlot.jpg

在这里插入图片描述

reference 的 corners

(array([[[120., 486.],
        [155., 485.],
        [156., 519.],
        [121., 520.]]], dtype=float32), 
array([[[393., 482.],
        [427., 482.],
        [427., 516.],
        [393., 516.]]], dtype=float32), 
array([[[395., 124.],
        [430., 124.],
        [430., 161.],
        [395., 161.]]], dtype=float32), 
array([[[111., 123.],
        [147., 124.],
        [148., 160.],
        [111., 160.]]], dtype=float32))

reference 的 ids

array([[1007],
       [ 241],
       [1001],
       [ 923]], dtype=int32)

reference 的 rejected

len(rejected)
76

1007 左下角，红色

241 右下角，橙色

1001 右上角，黄色

923 右下角，绿色

imageCardPlot.jpg

在这里插入图片描述

透视变换 four_point_transform 后

reference_color_card.jpg

在这里插入图片描述

input_color_card.jpg

在这里插入图片描述

input_color_card_after_matching.jpg

在这里插入图片描述

遇到的问题

问题1：AttributeError: module ‘cv2.aruco’ has no attribute ‘Dictionary_get’

解决办法：pip install opencv-contrib-python==4.6.0.66

问题2：TypeError: rescale() got an unexpected keyword argument ‘multichannel‘

解决方法：TypeError: rescale() got an unexpected keyword argument ‘multichannel‘

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/1847593.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

关于微信小程序取消获取用户昵称的一些思考

关于微信小程序取消获取用户昵称的一些思考

官方说明，有部分小程序乱用授权，强迫用户提交头像和昵称。 核心是微信担心用户信息被滥用。 其一 ，微信头像经常是本人真是照片，在现在人工智能算法的加持下，人脸数据太容易被套取。 其二，微信名称同理&…
阅读更多...
node版本过高出现ERR_OSSL_EVP_UNSUPPORTED错误

node版本过高出现ERR_OSSL_EVP_UNSUPPORTED错误

错误原因： 新版本的nodejs使用的openssl和旧版本不同，导致出错 解决方法： 1.将node版本重新换回16.x 2 windows 下 在package.json文件下添加set NODE_OPTIONS--openssl-legacy-provider && "scripts": {"dev"…
阅读更多...
手把手教你java CPU飙升300%如何优化

手把手教你java CPU飙升300%如何优化

背景 今天有个项目运行一段时间后，cpu老是不堪负载。 排查 top 命令 TOP 命令 top t 按cpu 排序 top m 按内存使用率排序 从上面看很快看出是 pid 4338 这个进程资源消耗很高。 top -Hp pid top -Hp 4338 找到对应线程消耗的资源shftp cpu占用进行排序&#xf…
阅读更多...
拒绝零散碎片， 一文理清MySQL的各种锁

拒绝零散碎片， 一文理清MySQL的各种锁

系列文章目录 学习MySQL先有全局观，细说其发展历程及特点 Mysql常用操作，谈谈排序与分页 拒绝零散碎片， 一文理清MySQL的各种锁（收藏向） 系列文章目录一、MySQL的锁指什么二、排他与共享三、全局锁（Global…
阅读更多...
数据仓库的实际应用示例-广告投放平台为例

数据仓库的实际应用示例-广告投放平台为例

数据仓库的数据分层通常包括以下几层： ODS层：存放原始数据，如日志数据和结构化数据。DWD层：进行数据清洗、脱敏、维度退化和格式转换。DWS层：用于宽表聚合值和主题加工。ADS层：面向业务定制的应用数据层。…
阅读更多...
从零入手人工智能（4）—— 逻辑回归

从零入手人工智能（4）—— 逻辑回归

1.小故事 一家金融科技公司，公司的首席执行官找到团队提出了一个紧迫的问题：“我们如何提前知道哪些客户可能会违约贷款？” 这让团队陷入了沉思，经过激烈讨论团队中的数据分析师提议：“我们可以尝试使用逻辑回归来预测…
阅读更多...
解决双击bootstrap.bat没有生成b2.exe文件

解决双击bootstrap.bat没有生成b2.exe文件

双击bootstrap.bat但是并没有没有生成b2.exe文件，会报如下错误： "cl" 不是内部或外部命令，也不是可运行的程序 或批处理文件。D:\cppsoft\boost_1_85_0\tools\build\src\engine>dir *.exe 驱动器 D 中的卷是 Data 卷的序列号是…
阅读更多...
六、在Qt下通过PCL在VTK9.3.0下显示自己的pcd点云文件

六、在Qt下通过PCL在VTK9.3.0下显示自己的pcd点云文件

前几天刚整理好VTK8.2.0，发现我们的项目使用的PCL自带的VTK是9.3.0的，脸黑了快 VTK8.2.0可参考该篇博文：五、在Qt下加载QVTKWidget控件（VTK8.2.0），生成Visual Studio项目，显示点云（C…
阅读更多...
如何基于项目人力和管线方案选择FGUI和UGUI

如何基于项目人力和管线方案选择FGUI和UGUI

1）如何基于项目人力和管线方案选择FGUI和UGUI 2）TMP字体出包丢失字体描边 3）如何将一张贴图经过Shader处理后的结果输出给另外一个Shader使用 4）为什么我的水这么干净，和UE教程里的有差别 这是第390篇UWA技术知识分享的…
阅读更多...
ECharts Y轴倒置，X轴顶部，图表反向

ECharts Y轴倒置，X轴顶部，图表反向

1.配置： xAxis:{position: ‘top’} //让x轴在顶部 yAxis: { inverse:true} //让Y轴坐标为反向坐标 2.将数据的只转换成负值（不建议），显示的时候formatter里面在显示正值（不建议）
阅读更多...
强化安全新篇章：韶关石油化工可燃气体报警器年检解析

强化安全新篇章：韶关石油化工可燃气体报警器年检解析

韶关，这座位于广东省北部的城市，近年来在石油化工行业取得了显著的发展。 随着一批批大型石化企业的进驻和投产，韶关不仅成为了区域性的石化产业基地，也为地方经济带来了强劲的增长动力。 然而，随着石化产业的快速发…
阅读更多...
使用asyncua模块的subscribe_data_change监控opcua的Server节点数据变化

使用asyncua模块的subscribe_data_change监控opcua的Server节点数据变化

报错信息如下； ERROR:asyncua.common.subscription:DataChange subscription created but handler has no datachange_notification method 上述报错原因在于创建监控句柄SubscriptionHandler类时，节点数据变化的函数名称有问题，不是默认的da…
阅读更多...
【NLP练习】Transformer实战-单词预测

【NLP练习】Transformer实战-单词预测

🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者：K同学啊 任务：自定义输入一段英文文本进行预测 一、定义模型 from tempfile import TemporaryDirectory from typing import Tuple from torch import nn…
阅读更多...
DVWA 靶场 Open HTTP Redirect 通关解析

DVWA 靶场 Open HTTP Redirect 通关解析

前言 DVWA代表Damn Vulnerable Web Application，是一个用于学习和练习Web应用程序漏洞的开源漏洞应用程序。它被设计成一个易于安装和配置的漏洞应用程序，旨在帮助安全专业人员和爱好者了解和熟悉不同类型的Web应用程序漏洞。 DVWA提供了一系列的漏洞场…
阅读更多...
Nuxt快速学习开发---Nuxt3视图Views

Nuxt快速学习开发---Nuxt3视图Views

Views Nuxt提供了几个组件层来实现应用程序的用户界面 默认情况下&#xff0c;Nuxt 会将app.vue文件视为入口点并为应用程序的每个路由呈现其内容 应用程序.vue <template> <div> <h1>Welcome to the homepage</h1> </div> </template> …
阅读更多...
湖南科技大学24计算机考研情况，软工学硕考数二，分数线290分，录取均分321分！

湖南科技大学24计算机考研情况，软工学硕考数二，分数线290分，录取均分321分！

湖南科技大学&#xff08;Hunan University of Science and Technology&#xff09;坐落在伟人故里、人文圣地湘潭&#xff0c;处于长株潭核心区域&#xff0c;比邻湘潭九华经济技术开发区&#xff08;国家级&#xff09;&#xff0c;是应急管理部、国家国防科技工业局与湖南省…
阅读更多...
复分析——第6章—— Γ 函数和 ζ 函数(E.M. Stein R. Shakarchi)

复分析——第6章—— Γ 函数和 ζ 函数(E.M. Stein R. Shakarchi)

第6章 Γ函数和Ζ函数(The Gamma and Zeta Functions) 毫不夸张地说&#xff0c;Γ函数和Ζ函数是数学中最重要的非初等函数之一。Γ函数在自然界中无处不在。它出现在大量计算中&#xff0c;并以分析中出现的大量恒等式为特征。对此的部分解释可能在于Γ函数的基本结构特性&…
阅读更多...
Nginx HTTPS（证书） 部署实战

Nginx HTTPS（证书） 部署实战

一、申请证书与认证 要搭建https服务首先需有SSL证书&#xff0c;证书通常是在第三方申请&#xff0c;在阿里云的安全服务中有SSL证书这一项&#xff0c;可以在里面申请免费的证书。也可以在自己电脑中生成&#xff0c;虽然也能完成加密&#xff0c;但是浏览器是不认可的&…
阅读更多...
编译 CanMV 固件

编译 CanMV 固件

前言 上一章节中已经搭建好了基于 CanMV 的 C 开发环境&#xff0c;这么一来便可以进行基于 C 语言和 FreeRTOS 的应用开发或者编译基于 MicroPython 语法的应用开发方式所需的 CanMV 固件&#xff0c;本 章就将带领读者体验一下 CanMV 固件的编译流程。 本章分为如下几个小节&…
阅读更多...
Java面试题:mysql执行速度慢的原因和优化

Java面试题:mysql执行速度慢的原因和优化

Sql语句执行速度慢 原因 聚合查询 多表查询 表数据量过大查询 深度分页查询 分析 sql的执行计划 可以使用EXPLAIN或者DESC获取Mysql如何执行SELECT语句的信息 直接在select语句前加关键字explain/desc 得到一个执行信息表 信息字段分析 possible_keys:可能使用到的索…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023