图像梯度处理
图像梯度处理
什么是图像梯度
- 图像梯度计算的是图像变化的速度。对于图像的边缘部分,其灰度值变化较大,梯度值也较大;相反,对于图像中比较平滑的部分,其灰度值变化较小,相应的梯度值也较小。一般情况下,图像梯度计算的是图像的边缘信息。
模板运算
- 模板(滤波器)是一个尺寸为n*n的小图像W(n一般取奇数,称为模板尺寸),每个位置上的值w被称为权重。在进行计算时,将模板的中心和像素P对齐,选取原始图像中和模板相同范围的邻域N的像素值作为输入。
- 模板卷积的计算是将对齐后的对应位置像素相乘,再进行累加作为像素P位置的输出值。记原始图像的像素灰度值为s, 计算后的值为d, 则P点的输出值\(d=\frac{\sum{w_is_i}}{\sum{w_i}}\)
- 模板排序的计算时将邻域N的像素值进行排序,选择特定次序的灰度值,作为像素P位置的输出值,如最大值、最小值、中位数等。
均值滤波
- 均值滤波指模板权重都为1的滤波器。它将像素的邻域平均值作为输出结果,均值滤波可以起到图像平滑的效果,可以去除噪声,但随着模板尺寸的增加图像会变得更为模糊。经常被作为模糊化使用。
高斯滤波
- 为了减少模板尺寸增加对图像的模糊化,可以使用高斯滤波器,高斯滤波的模板根据高斯分布来确定模板系数,接近中心的权重比边缘的大。5的高斯滤波器如下所示:
中值滤波
- 中值滤波属于模板排序运算的滤波器。中值滤波器将邻域内像素排序后的中位数值输出代替原像素值。它在实现降噪操作的同时,保留了原始图像的锐度,不会修改原始图像的灰度值。
- 中值滤波的使用非常普遍,它对椒盐噪声的抑制效果很好,在抑制随机噪声的同时能有效保护边缘少受模糊。但中值滤波是一种非线性变化,它可能会破坏图像中线性关系,对于点、线等细节较多的图像和高精度的图像处理任务中并不太合适。
边沿检测
- 通过梯度计算可以获取图像中细节的边缘。为在锐化边缘的同时减少噪声的影响,通过改进梯度法发展出了不同的边缘检测算子:
- 一阶梯度:Prewitt梯度算子、Sobel梯度算子
- 二阶梯度:Laplacian梯度算子。
- 边沿检测效果
锐化
- 图像锐化与图像平滑是相反的操作,锐化是通过增强高频分量来减少图像中的模糊,增强图像细节边缘和轮廓,增强灰度反差,便于后期对目标的识别和处理。锐化处理在增强图像边缘的同时也增加了图像的噪声。
- 将求取的边缘按照一定系数比例叠加到原始图像上,即可实现对图像的锐化操作。例如使用Laplacian梯度算子进行锐化操作的模板,其中A是大于等于1的系数:
模糊处理代码实现
# 图像模糊处理示例
import cv2
import numpy as np
## 中值滤波
im = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("orig", im)
# 调用medianBlur中值模糊
# 第二个参数为滤波模板的尺寸大小,必须是大于1的奇数,如3、5、7
im_median_blur = cv2.medianBlur(im, 5)
cv2.imshow('median_blur', im_median_blur)
# 均值滤波
# 第二个参数为滤波模板的尺寸大小
im_mean_blur = cv2.blur(im, (3, 3))
cv2.imshow("mean_blur", im_mean_blur)
# 高斯滤波
# 第三个参数为高斯核在X方向的标准差
im_gaussian_blur = cv2.GaussianBlur(im, (5, 5), 3)
cv2.imshow("gaussian_blur", im_gaussian_blur)
# 使用高斯算子和filter2D自定义滤波操作
gaussan_blur = np.array([
[1, 4, 7, 4, 1],
[4, 16, 26, 16, 4],
[7, 26, 41, 26, 7],
[4, 16, 26, 16, 4],
[1, 4, 7, 4, 1]], np.float32) / 273
# 使用filter2D, 第二个参数为目标图像的所需深度, -1表示和原图像相同
im_gaussian_blur2 = cv2.filter2D(im, -1, gaussan_blur)
cv2.imshow("gaussian_blur2", im_gaussian_blur2)
cv2.waitKey()
cv2.destroyAllWindows()
图像锐化处理代码实现
# 图像锐化示例
import cv2
import numpy as np
im = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("orig", im)
# 锐化算子1
sharpen_1 = np.array([[-1, -1, -1],
[-1, 9, -1],
[-1, -1, -1]])
# 使用filter2D进行滤波操作
im_sharpen1 = cv2.filter2D(im, -1, sharpen_1)
cv2.imshow("sharpen_1", im_sharpen1)
# 锐化算子2
sharpen_2 = np.array([[0, -1, 0],
[-1, 8, -1],
[0, 1, 0]]) / 4.0
# 使用filter2D进行滤波操作
im_sharpen2 = cv2.filter2D(im, -1, sharpen_2)
cv2.imshow("sharpen_2", im_sharpen2)
cv2.waitKey()
cv2.destroyAllWindows()
图像轮廓
图像轮廓
什么是图像轮廓
- 边缘检测虽然能够检测出边缘,但边缘是不连续的,检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体,用于后续的计算。
- 图像轮廓是图像中非常重要的一个特征信息,通过对图像轮廓的操作,我们能够获取目标图像的大小、位置、方向等信息。
- 图像轮廓操作包括:查找轮廓、绘制轮廓、轮廓拟合等
查找和绘制轮廓
- 一个轮廓对应着一系列的点,这些点以某种方式表示图像中的一条曲线,将这些点绘制成不同样式的线条,就是轮廓查找与绘制
轮廓拟合
- 在计算轮廓时,可能并不需要实际的轮廓,而仅需要一个接近于轮廓的近似多边形,绘制这个近似多边形称之为轮廓拟合
矩形包围框
最小包围圆形
最优拟合椭圆
逼近多边形
图像处理应用
综合案例
利用OpenCV实现图像校正
- 任务描述:我们对图像中的目标进行分析和检测时,目标往往具有一定的倾斜角度,自然条件下拍摄的图像,完全平正是很少的。因此,需要将倾斜的目标“扶正”的过程就就叫做图像矫正。该案例中使用的原始图像如右图所示。
import cv2
import math
import numpy as np
img = cv2.imread('../data/paper.jpg')
# cv2.imshow('img',img)
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化
# t,binary = cv2.threshold(img_gray,190,255,cv2.THRESH_BINARY)
# cv2.imshow('binary',binary)
#Sobel
# sobel = cv2.Sobel(img_gray,cv2.CV_64F,1,1)
# cv2.imshow('sobel',sobel)
#Lap
# lap = cv2.Laplacian(img_gray,cv2.CV_64F)
# cv2.imshow('lap',lap)
#模糊
blured = cv2.GaussianBlur(img_gray,(5,5),0)
#膨胀
dilate = cv2.dilate(blured,(3,3))
#Canny
canny = cv2.Canny(dilate,30,120)
#查找轮廓
image,cnts,hie = cv2.findContours(canny,
cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,cnts,-1,(0,0,255))
# img = cv2.resize(img,(300,300))
# cv2.imshow('img_cnt',img)
# for cnt in cnts:
# print(cnt.shape)
#根据面积对轮廓进行排序
docCnt = None #保存轮廓的四个顶点
if len(cnts) > 0:
cnts = sorted(cnts,
key=cv2.contourArea, #面积
reverse=True)#降序
for c in cnts: #遍历排序之后的轮廓
eps = 0.02 * cv2.arcLength(c,True)
approx = cv2.approxPolyDP(c,eps,True)
if len(approx) == 4:
docCnt = approx
break
# print(docCnt)
#绘制四个角的顶点
points = []
for peak in docCnt:
peak = peak[0]
cv2.circle(img,
tuple(peak),
10,
(0,0,255))
points.append(peak)
# img = cv2.resize(img,(300,300))
# cv2.imshow('point',img)
#左上角,左下角,右下角,右上角
h = int(math.sqrt((points[0][0] - points[1][0])**2 + (points[0][1] - points[1][1])**2))
w = int(math.sqrt((points[0][0] - points[3][0])**2 + (points[0][1] - points[3][1])**2))
#构建透视变换矩阵需要的两组坐标
src = np.float32([points[0],
points[1],
points[2],
points[3]])
dst = np.float32([[0,0],
[0,h],
[w,h],
[w,0]])
#生成透视变换矩阵
M = cv2.getPerspectiveTransform(src,dst)
result = cv2.warpPerspective(img_gray,
M,
(w,h))
cv2.imshow('res',result)
cv2.waitKey()
cv2.destroyAllWindows()
利用OpenCV检测芯片瑕疵
- 利用图像技术,检测出芯片镀盘区域瑕疵。样本图像中,粉红色区域为镀盘区域,镀盘内部空洞为瑕疵区域,利用图像技术检测镀盘是否存在瑕疵,如果存在则将瑕疵区域标记出来。
import cv2
import numpy as np
#
# 1.加载图像
img = cv2.imread('../data/CPU3.png')
cv2.imshow('img',img)
# 2.灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('img_gray',img_gray)
# 3.二值化
t,binary = cv2.threshold(img_gray,160,255,cv2.THRESH_BINARY)
cv2.imshow('binary',binary)
# 4.查找轮廓(只去查找镀盘区域)
image,cnts,hie = cv2.findContours(binary,
cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_NONE)
# print(len(cnts))
# 5.构建一个数组,结构和二值化一样(shape),使用0去填充
mask = np.zeros_like(binary)
# 6.将镀盘区域轮廓,画在数组上 #(255,0,0) 白色
cv2.drawContours(mask,cnts,-1,(255,0,0),-1)
cv2.imshow('mask',mask)
# 7.利用图像的减法,得到瑕疵区域
img_sub = cv2.subtract(mask,binary)
cv2.imshow('img_sub',img_sub)
# 8.对瑕疵区域做闭运算
k = np.ones((7,7),np.uint8)
img_close = cv2.morphologyEx(img_sub,cv2.MORPH_CLOSE,k,iterations=3)
cv2.imshow('img_close',img_close)
# 9.查找瑕疵区域的轮廓,拟合最小外接圆
image,cnts,hie = cv2.findContours(img_close,
cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_NONE)
# print(len(cnts))
if len(cnts) > 0:
cnts = sorted(cnts,
key=cv2.contourArea, #面积
reverse=True)#降序
center,radius = cv2.minEnclosingCircle(cnts[0])
center = (int(center[0]),int(center[1]))
radius = int(radius)
# 10.将瑕疵区域外接圆,画在原始图像上
area = cv2.contourArea(cnts[0])
if area > 10:
print('有瑕疵')
cv2.circle(img,center,radius,(0,0,255),2)
cv2.imshow('res',img)
cv2.waitKey()
cv2.destroyAllWindows()
图像预处理在AI中的应用
- 图像预处理的目的,是让图像数据更适合AI模型进行处理,例如调整大小、颜色
- 通过图像预处理技术,实现数据集的扩充,这种方法称为数据增强。数据增强主要方法有:缩放,拉伸,加入噪点,翻转,旋转,平移,剪切,对比度调整,通道变化。
图像数据增强
纯图像技术的缺陷
- 到目前为止,我们使用的基本是纯图像技术,对图像大小、颜色、形状、轮廓、边沿进行变换和处理,但这些技术都有一个共同的缺点,即无法理解图像内容和场景,要实现这个目标,必须借助于深度学习技术。
边沿检测代码实现
# 边沿检测示例
import cv2 as cv
im = cv.imread('../data/lily.png', 0)
cv.imshow('Original', im)
# # 水平方向滤波
# hsobel = cv.Sobel(im, cv.CV_64F, 1, 0, ksize=5)
# cv.imshow('H-Sobel', hsobel)
# # 垂直方向滤波
# vsobel = cv.Sobel(im, cv.CV_64F, 0, 1, ksize=5)
# cv.imshow('V-Sobel', vsobel)
# 两个方向滤波
# cv2.CV_64F: 输出图像深度,本来应该设置为-1,但如果设成-1,可能会发生计算错误
# 所以通常先设置为精度更高的CV_64F
sobel = cv.Sobel(im, cv.CV_64F, 1, 1, ksize=5)
cv.imshow('Sobel', sobel)
# Laplacian滤波:对细节反映更明显
laplacian = cv.Laplacian(im, cv.CV_64F)
cv.imshow('Laplacian', laplacian)
# Canny边沿提取
canny = cv.Canny(im,
50, # 滞后阈值
240) # 模糊度
cv.imshow('Canny', canny)
cv.waitKey()
cv.destroyAllWindows()
轮廓处理代码实现
- 边缘检测虽然能够检测出边缘,但边缘是不连续的,检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体,用于后续的计算。
- OpenCV提供了查找图像轮廓的函数cv2.findContours(),该函数能够查找图像内的轮廓信息,而函数cv2.drawContours()能够将轮廓绘制出来。图像轮廓是图像中非常重要的一个特征信息,通过对图像轮廓的操作,我们能够获取目标图像的大小、位置、方向等信息。一个轮廓对应着一系列的点,这些点以某种方式表示图像中的一条曲线
查找并绘制轮廓
- 查找轮廓函数:cv2.findContours
- 语法格式:contours,hierarchy=cv2.findContours(image,mode,method)
返回值
- contours:返回的轮廓。该返回值返回的是一组轮廓信息,每个轮廓都是由若干个点所构成的(每个轮廓为一个三维array表示)。例如,contours[i]是第i个轮廓(下标从0开始),contours[i][j]是第i个轮廓内的第j个点
- hierarchy:图像的拓扑信息(反映轮廓层次)。图像内的轮廓可能位于不同的位置。比如,一个轮廓在另一个轮廓的内部。在这种情况下,我们将外部的轮廓称为父轮廓,内部的轮廓称为子轮廓。按照上述关系分类,一幅图像中所有轮廓之间就建立了父子关系。每个轮廓contours[i]对应4个元素来说明当前轮廓的层次关系。其形式为:[Next,Previous,First_Child,Parent],分别表示后一个轮廓的索引编号、前一个轮廓的索引编号、第1个子轮廓的索引编号、父轮廓的索引编号
参数
- image:原始图像。灰度图像会被自动处理为二值图像。在实际操作时,可以根据需要,预先使用阈值处理等函数将待查找轮廓的图像处理为二值图像。
- mode:轮廓检索模式,有以下取值和含义:
取值 | 含义 |
---|---|
cv2.RETR_EXTERNAL | 只检测外轮廓 |
cv2.RETR_LIST | 对检测到的轮廓不建立等级关系 |
cv2.RETR_CCOMP | 检索所有轮廓并将它们组织成两级层次结构,上面的一层为外边界,下面的一层为内孔的边界 |
cv2.RETR_TREE | 建立一个等级树结构的轮廓 |
- method:轮廓的近似方法,主要有如下取值:
取值 | 含义 |
---|---|
cv2.CHAIN_APPROX_NONE | 存储所有的轮廓点,相邻两个点的像素位置差不超过1,即max(abs(x1-x2),abs(y2-y1))=1 |
cv2.CHAIN_APPROX_SIMPLE | 压缩水平方向、垂直方向、对角线方向的元素,只保留该方向的终点坐标 |
cv2.CHAIN_APPROX_TC89_L1 | 使用teh-Chinl chain近似算法的一种风格 |
cv2.CHAIN_APPROX_TC89_KCOS | 使用teh-Chinl chain近似算法的一种风格 |
注意事项
- 待处理的源图像必须是灰度二值图
- 都是从黑色背景中查找白色对象。因此,对象必须是白色的,背景必须是黑色的
- 在OpenCV 4.x中,函数cv2.findContours()仅有两个返回值
- 绘制轮廓:drawContours函数
- 语法格式:image=cv2.drawContours(image, contours,contourIdx, color)
参数
- image:待绘制轮廓的图像
- contours:需要绘制的轮廓,该参数的类型与函数 cv2.findContours()的输出 contours 相同,都是list类型
- contourIdx:需要绘制的边缘索引,告诉函数cv2.drawContours()要绘制某一条轮廓还是全部轮廓。如果该参数是一个整数或者为零,则表示绘制对应索引号的轮廓;如果该值为负数(通常为“-1”),则表示绘制全部轮廓。
- color:绘制的颜色,用BGR格式表示
# 查找图像轮廓
import cv2
import numpy as np
im = cv2.imread("../data/3.png")
cv2.imshow("orig", im)
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 图像二值化处理,将大于阈值的设置为最大值,其它设置为0
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 查找图像边沿:cv2.findContours
img, contours, hierarchy = cv2.findContours(binary, # 二值化处理后的图像
cv2.RETR_EXTERNAL, # 只检测外轮廓
cv2.CHAIN_APPROX_NONE) # 存储所有的轮廓点
# 打印所有轮廓值
arr_cnt = np.array(contours)
print(arr_cnt[0].shape)
print(arr_cnt[1].shape)
print(arr_cnt[2].shape)
print(arr_cnt[3].shape)
# print(arr_cnt[0])
# 绘制边沿
im_cnt = cv2.drawContours(im, # 绘制图像
contours, # 轮廓点列表
-1, # 绘制全部轮廓
(0, 0, 255), # 轮廓颜色:红色
2) # 轮廓粗细
cv2.imshow("im_cnt", im_cnt)
cv2.waitKey()
cv2.destroyAllWindows()
绘制矩形包围框
- 函数cv2.boundingRect()能够绘制轮廓的矩形边界。该函数的语法格式为:
retval = cv2.boundingRect(array) # 格式一
x,y,w,h = cv2.boundingRect(array) # 格式二
"""
参数:
array:是灰度图像或轮廓
返回值:
retval:表示返回的矩形边界的左上角顶点的坐标值及矩形边界的宽度和高度
x, y, w, h: 矩形边界左上角顶点的x坐标、y坐标、宽度、高度
"""
- 代码:
# 绘制图像矩形轮廓
import cv2
import numpy as np
im = cv2.imread("../data/cloud.png", 0)
cv2.imshow("orig", im)
# 提取图像轮廓
ret, binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary,
cv2.RETR_LIST, # 不建立等级关系
cv2.CHAIN_APPROX_NONE) # 存储所有的轮廓点
print("contours[0].shape:", contours[0].shape)
# 返回轮廓定点及边长
x, y, w, h = cv2.boundingRect(contours[0]) # 计算矩形包围框的x,y,w,h
print("x:", x, "y:", y, "w:", w, "h:", h)
# 绘制矩形包围框
brcnt = np.array([[[x, y]], [[x + w, y]], [[x + w, y + h]], [[x, y + h]]])
cv2.drawContours(im, # 绘制图像
[brcnt], # 轮廓点列表
-1, # 绘制全部轮廓
(255, 255, 255), # 轮廓颜色:白色
2) # 轮廓粗细
cv2.imshow("result", im) # 显示绘制后的图像
cv2.waitKey()
cv2.destroyAllWindows()
绘制圆形包围圈
- 函数cv2.minEnclosingCircle()通过迭代算法构造一个对象的面积最小包围圆形。该函数的语法格式为:
center,radius=cv2.minEnclosingCircle(points)
"""
参数:
points: 轮廓数组
返回值:
center: 最小包围圆形的中心
radius: 最小包围圆形的半径
"""
- 代码:
# 绘制最小圆形
import cv2
import numpy as np
im = cv2.imread("../data/cloud.png", 0)
cv2.imshow("orig", im)
# 提取图像轮廓
ret, binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
(x, y), radius = cv2.minEnclosingCircle(contours[0])
center = (int(x), int(y))
radius = int(radius)
cv2.circle(im, center, radius, (255, 255, 255), 2) # 绘制圆
cv2.imshow("result", im) # 显示绘制后的图像
cv2.waitKey()
cv2.destroyAllWindows()
绘制最佳拟合椭圆
函数cv2.fitEllipse()可以用来构造最优拟合椭圆。该函数的语法格式是:
retval=cv2.fitEllipse(points)
"""
参数:
points: 轮廓
返回值:
retval: 为RotatedRect类型的值,包含外接矩形的质心、宽、高、旋转角度等参数信息,这些信息正好与椭圆的中心点、轴长度、旋转角度等信息吻合
"""
- 代码:
# 绘制最优拟合椭圆
import cv2
import numpy as np
im = cv2.imread("../data/cloud.png")
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
cv2.imshow("orig", gray)
# 提取图像轮廓
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary,
cv2.RETR_LIST,
cv2.CHAIN_APPROX_NONE)
ellipse = cv2.fitEllipse(contours[0]) # 拟合最优椭圆
print("ellipse:", ellipse)
cv2.ellipse(im, ellipse, (0, 0, 255), 2) # 绘制椭圆
cv2.imshow("result", im) # 显示绘制后的图像
cv2.waitKey()
cv2.destroyAllWindows()
逼近多边形
函数cv2.approxPolyDP()用来构造指定精度的逼近多边形曲线。该函数的语法格式为:
approxCurve = cv2.approxPolyDP(curve,epsilon,closed)
"""
参数:
curve: 轮廓
epsilon: 精度,原始轮廓的边界点与逼近多边形边界之间的最大距离
closed: 布尔类型,该值为True时,逼近多边形是封闭的;否则,逼近多边形是不封闭的
返回值:
approxCurve: 逼近多边形的点集
"""
- 代码:
# 构建多边形,逼近轮廓
import cv2
import numpy as np
im = cv2.imread("../data/cloud.png")
cv2.imshow("im", im)
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 提取图像轮廓
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary,
cv2.RETR_LIST,
cv2.CHAIN_APPROX_NONE)
# 精度一
adp = im.copy()
epsilon = 0.005 * cv2.arcLength(contours[0], True) # 精度,根据周长计算
approx = cv2.approxPolyDP(contours[0], epsilon, True) # 构造多边形
adp = cv2.drawContours(adp, [approx], 0, (0, 0, 255), 2) # 绘制多边形
cv2.imshow("result_0.005", adp)
# 精度二
adp2 = im.copy()
epsilon = 0.01 * cv2.arcLength(contours[0], True) # 精度,根据周长计算
approx = cv2.approxPolyDP(contours[0], epsilon, True) # 构造多边形
adp = cv2.drawContours(adp2, [approx], 0, (0, 0, 255), 2) # 绘制多边形
cv2.imshow("result_0.01", adp2)
cv2.waitKey()
cv2.destroyAllWindows()
视频基本处理
读取摄像头
import numpy as np
import cv2
cap = cv2.VideoCapture(0) # 实例化VideoCapture对象, 0表示第一个摄像头
while cap.isOpened():
ret, frame = cap.read() # 捕获帧
cv2.imshow("frame", frame)
c = cv2.waitKey(1) # 等待1毫秒,等待用户输入
if c == 27: # ESC键
break
cap.release() # 释放摄像头
cv2.destroyAllWindows()
播放视频文件
import numpy as np
import cv2
cap = cv2.VideoCapture("D:\\tmp\\min_nong.mp4") # 打开视频文件
while cap.isOpened():
ret, frame = cap.read() # 读取帧
cv2.imshow("frame", frame) # 显示
c = cv2.waitKey(25)
if c == 27: # ESC键
break
cap.release() # 释放视频设备
cv2.destroyAllWindows()
捕获并保存视频
import numpy as np
import cv2
""" 编解码4字标记值说明
cv2.VideoWriter_fourcc('I','4','2','0')表示未压缩的YUV颜色编码格式,色度子采样为4:2:0。
该编码格式具有较好的兼容性,但产生的文件较大,文件扩展名为.avi。
cv2.VideoWriter_fourcc('P','I','M','I')表示 MPEG-1编码类型,生成的文件的扩展名为.avi。
cv2.VideoWriter_fourcc('X','V','I','D')表示MPEG-4编码类型。如果希望得到的视频大小为平均值,可以选用这个参数组合。
该组合生成的文件的扩展名为.avi。
cv2.VideoWriter_fourcc('T','H','E','O')表示Ogg Vorbis编码类型,文件的扩展名为.ogv。
cv2.VideoWriter_fourcc('F','L','V','I')表示Flash视频,生成的文件的扩展名为.flv。
"""
cap = cv2.VideoCapture(0)
fourcc = cv2.VideoWriter_fourcc("I", "4", "2", "0") # 编解码4字标记值
out = cv2.VideoWriter("output.avi", # 文件名
fourcc, # 编解码类型
20, # fps(帧速度)
(640, 480)) # 视频分辨率
while cap.isOpened():
ret, frame = cap.read() # 读取帧
if ret == True:
out.write(frame) # 写入帧
cv2.imshow("frame", frame)
if cv2.waitKey(1) == 27: # ESC键
break
else:
break
cap.release()
out.release()
cv2.destroyAllWindows()
最后一次更新于2023-07-14 13:30
0 条评论