基于python+pyqt的opencv汽车分割系统

news2025/1/24 1:22:28

目录

一、实现和完整UI视频效果展示

主界面:

识别结果界面:

查看分割处理过程图片界面:

二、原理介绍:

加权灰度化

​编辑

二值化

滤波降噪处理

锐化处理

 边缘特征提取

图像分割

完整演示视频:

完整代码链接


一、实现和完整UI视频效果展示

主界面:

识别结果界面:

查看分割处理过程图片界面:

二、原理介绍:

加权灰度化

图像灰度化的目的是为了简化矩阵,提高运算速度。彩色图片的信息含量过大,而进行图片识别时,其实只需要使用灰度图像里的信息就足够了,所以图像灰度化的目的就是为了提高运算速度

        # 创建一个与图像大小相同的灰度图像数组
        weight_gray = np.zeros(image.shape[0:2], dtype='uint8')

        # 使用加权平均法将彩色图像转换为灰度图像
        for ii in range(image.shape[0]):
            for jj in range(image.shape[1]):
                r, g, b = image[ii, jj, :]
                weight_gray[ii, jj] = 0.3 * r + 0.59 * g + 0.11 * b

二值化

将图像的像素点和灰度值设置为0或255,将图像呈现出黑白的效果,图像二值化可以使图像中的数据量大大减少,从而凸显出目标的轮廓,也同时方便提取图像中的信息,增加识别的效率

# 对灰度图像进行二值化处理
T = 30
for y in range(image.shape[1]):
    for x in range(image.shape[0]):
        if weight_gray[x][y] < T:
            weight_gray[x][y] = 0
        else:
            weight_gray[x][y] = 255

 

滤波降噪处理

图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求,消除图像数字化时所混入的噪声。调高提高图像的信噪比,使图像的应用特征突出。采用最小值滤波对图像进行降噪处理

# 对二值化图像进行滤波降噪
n = 3
salt_weight_gray = util.random_noise(weight_gray, mode='salt', rng=None, clip=True)
min_weight_gray = ndimage.minimum_filter(salt_weight_gray, (n, n))

锐化处理

锐化处理的目的是增强图像中目标的细节、边缘、轮廓和其他灰度突变,削弱了灰度变化缓慢的区域。对图像使用拉普拉斯算子进行空间滤波得到拉普拉斯图像,将拉普拉斯图像以一定比例叠加到原始图像,可对原始图像进行拉普拉斯锐化增强,更加突出图像的纹理结构

# 对灰度图像进行锐化处理
img_laplace = filters.laplace(weight_gray, ksize=3, mask=None)
img_enhance = weight_gray + img_laplace

 

 边缘特征提取

采用LoG边缘检测算子:首先利用二维高斯函数对图像进行低通滤波(先平滑掉噪声),再用Laplace算子进行二阶导数运算进行边缘检测。目的就是找到图像中亮度变化剧烈的像素点构成的集合,表现出来往往是轮廓

# 对灰度图像进行高斯平滑和LoG边缘检测
gaussian_weight_gray = gaussian(weight_gray)
edge_LoG = laplace(gaussian_weight_gray)

图像分割

  对灰度车辆图像进行了闻值处理,得到二值化车辆图像。然后对二值化车辆图像进行了标记,获取到车辆的连通区域,并计算了它们的面积。在所有连通区域中选取面积最大的,创建一个与二值化车辆图像相同大小的遮罩数组,将面积等于largest area 的连通区域像素置为 1,其余部分为0,最后复制原始图

# 分割汽车图像
threshold = filters.threshold_otsu(gaussian_weight_gray)
car_binary = gaussian_weight_gray > threshold
car_labels = measure.label(car_binary)
properties = measure.regionprops(car_labels)
areas = [prop.area for prop in properties]

完整演示视频:

无法粘贴视频........

完整代码链接

视频和代码都已上传百度网盘,放在主页置顶文章

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/924601.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

大数据课程K6——Spark的Shuffle详解

文章作者邮箱:yugongshiye@sina.cn 地址:广东惠州 ▲ 本章节目的 ⚪ 了解Spark的定义&&特点&&目的&&优缺点; ⚪ 掌握Spark的相关参数配置; ⚪ 掌握Hadoop的插件配置; 一、Spark Shuffle详解 1. 概述 Shuffle,就是洗牌。之所以…

QtC++ 设计模式(四)——策略模式

策略模式 序言理解源码 序言 还是参考的菜鸟教程&#xff0c;会C的还是看C的方式来得舒服。 . 理解 使用符合UML规范的便于理解和回忆&#xff0c;接口其实就是普通的基类 . 源码 strategy.h /// 策略 class Strategy { public:virtual ~Strategy();/*** brief 计算* p…

AIGC ChatGPT 完成多仪表盘完成率分析

各组完成率的统计与分析的这样一个综合案例 可以使用HTML &#xff0c;JS&#xff0c;Echarts 来完成制作 我们可以借助于AIGC&#xff0c;ChatGPT 人工智能来帮我们完成代码的输出。 在ChatGPT中我们只需要发送指令就可以了。 例如&#xff1a;请使用HTMl与JS&#xff0c;…

蝴蝶翻转

蝴蝶翻转 实现一 在计算机科学和数字信号处理中&#xff0c;蝴蝶操作是一种常用于快速傅里叶变换&#xff08;FFT&#xff09;的操作。在蝴蝶算法中&#xff0c;输入数据的一部分通过特定的运算结构进行重新排列和组合&#xff0c;以便在计算FFT时实现高效处理。 蝴蝶操作的…

【seaweedfs】3、f4: Facebook’s Warm BLOB Storage System 分布式对象存储的冷热数据

论文地址 Facebook的照片、视频和其他需要可靠存储和快速访问的二进制大型对象(BLOB)的语料库非常庞大&#xff0c;而且还在继续增长。随着BLOB占用空间的增加&#xff0c;将它们存储在我们传统的存储系统-- Haystack 中变得越来越低效。为了提高我们的存储效率(以Blob的有效复…

线程池的概念及实现原理

本篇是对前面线程池具体实现过程的补充&#xff0c;实现过程可参考 线程池的实现全过程v1.0版本&#xff08;手把手创建&#xff0c;看完必掌握&#xff01;&#xff01;&#xff01;&#xff09;_竹烟淮雨的博客-CSDN博客 线程池的实现v2.0&#xff08;可伸缩线程池&#xf…

04-Numpy基础-利用数组进行数据处理

NumPy数组使你可以将许多种数据处理任务表述为简洁的数组表达式&#xff08;否则需要编 写循环&#xff09;。用数组表达式代替循环的做法&#xff0c;通常被称为矢量化。一般来说&#xff0c;矢量化 数组运算要比等价的纯Python方式快上一两个数量级&#xff08;甚至更多&…

Python代理池健壮性测试 - 压力测试和异常处理

大家好&#xff01;在构建一个可靠的Python代理池时&#xff0c;除了实现基本功能外&#xff0c;我们还需要进行一系列健壮性测试来确保其能够稳定运行&#xff0c;并具备应对各种异常情况的能力。本文将介绍如何使用压力测试工具以及合适的异常处理机制来提升Python代理池的可…

vue+file-saver+xlsx+htmlToPdf+jspdf实现本地导出PDF和Excel

页面效果如下&#xff08;echarts图表按需添加&#xff0c;以下代码中没有&#xff09; 1、安装插件 npm install xlsx --save npm install file-saver --save npm install html2canvas --save npm install jspdf --save2、main.js引入html2canvas import htmlToPdf from …

Tomcat的安装与介绍

首先我们先了解一下什么是服务器&#xff1f;什么是服务器软件&#xff1f; 什么是服务器&#xff1f;安装了服务器软件的计算机。 什么是服务器软件&#xff1f; 服务器软件是一种运行在服务器操作系统上&#xff0c;用于接收和处理客户端请求&#xff0c;并提供相应服务和资…

【Go 基础篇】Go语言闭包详解:共享状态与函数式编程

介绍 在Go语言中&#xff0c;闭包是一种强大的编程特性&#xff0c;它允许函数内部包含对外部作用域变量的引用。闭包使得函数可以捕获和共享外部作用域的状态&#xff0c;实现更加灵活和复杂的编程模式。本篇博客将深入探讨Go语言中闭包的概念、用法、实现原理以及在函数式编…

【Linux】冯诺依曼体系结构思想

冯诺依曼体系结构 冯诺依曼体系结构冯诺依曼体系结构的五大部分冯诺依曼体系结构的运行过程存储器中的木桶效应扩展&#xff1a;计算机存储设备金字塔实例&#xff1a;qq聊天数据传输过程 &#x1f340;小结&#x1f340; &#x1f389;博客主页&#xff1a;小智_x0___0x_ &…

【VMware】CentOS 设置静态IP(Windows 宿主机)

文章目录 1. 更改网络适配器设置2. 配置虚拟网络编辑器3. 修改 CentOS 网络配置文件4. ping 测试结果 宿主机&#xff1a;Win11 22H2 虚拟机&#xff1a;CentOS-Stream-9-20230612.0 (Minimal) 1. 更改网络适配器设置 Win R&#xff1a;control 打开控制面板 依次点击&#x…

婉约而深刻:二叉树的中序遍历之旅

力扣题目传送门https://leetcode.cn/problems/binary-tree-inorder-traversal/ 二叉树 在这篇文章中&#xff0c;我们将深入探讨题目 "94. 二叉树的中序遍历" 的内涵与解题方法。这个问题引导我们遍历一棵二叉树&#xff0c;以中序的方式呈现节点顺序&#xff0c;从…

windows安装新openssl后依然显示旧版本

1、Windows环境下升级openssl后&#xff0c;通过指令openssl version -a查看版本号&#xff1a; 这个版本号是以前的老版本&#xff0c;不知道在哪里 2、网上找了老半天也没找到答案&#xff0c;最后通过指令 where openssl 才找到原来的openssl在哪里&#xff0c;把老的卸载掉…

【安全】原型链污染 - Hackit2018

目录 准备工作 解题 代码审计 Payload 准备工作 将这道题所需依赖模块都安装好后 运行一下&#xff0c;然后可以试着访问一下&#xff0c;报错是因为里面没内容而已&#xff0c;不影响,准备工作就做好了 解题 代码审计 const express require(express) var hbs require…

aqs的今生

《AQS的前世&#xff0c;从1990年的论文说起》中我们已经对AQS做了简单的介绍&#xff0c;并学习了先于AQS出现的3种基于排队思想的自旋锁。今天我们深入到AQS的设计中&#xff0c;探究Doug Lea是如何构建JUC框架基础组件的。不过在正式开始前&#xff0c;我们先来回顾上一篇中…

Microsoft Excel整合Python:数据分析的新纪元

&#x1f337;&#x1f341; 博主猫头虎 带您 Go to New World.✨&#x1f341; &#x1f984; 博客首页——猫头虎的博客&#x1f390; &#x1f433;《面试题大全专栏》 文章图文并茂&#x1f995;生动形象&#x1f996;简单易学&#xff01;欢迎大家来踩踩~&#x1f33a; &a…

单片机UART一对多:同时读取多个传感器基于modbus协议

文章目录 背景MODBUS协议介绍UART接口改一对多参考链接 背景 很多传感器现在都做成了串口模块&#xff0c;如激光测距传感器TOF050&#xff0c;在开发时使用串口功能模块不仅大大加快了我们的开发进度&#xff0c;还能降低功能模块直接的耦合度&#xff0c;专业是功能交给专业…

postman访问ruoyi后台接口

打开若依页面&#xff0c;登录进去&#xff0c;F12打开控制台&#xff0c;选一个后台服务&#xff0c;把下图两个节点&#xff0c;补到postman请求header里面即可