2025年01月27日
单论行业前景的情况下优先级如下：
下面是自己对这三个行业的一点见解。
学习难易：FPGA的学习成本非常高，FPGA没有什么封装好的片内资源给你用，都是你需要什么就写什么，而且对于使用者的英文学习程度有一定的要求；FPGA很少有靠谱的资料和教程，市面上做FPGA教程的，拿来入门还可以，但是做到开拓性的工作基本上只有官方的文档和论文能查询，而且学习的时间成本很高，单片机编译烧录基本上在几分钟之内就可以完成，但是FPGA上稍微成规模的设计一次综合实现都要在30分钟以上。
2025年01月27日
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。比如矩形其实都是差不多的轮廓，都是长宽不相等且平行的四边形，那么只要提供一个近似的轮廓，我们就可以区分形状。
2025年01月27日
本案例需要一定的Python编程基础并掌握OpenCV基本使用。
时间仓促：初略编写文档效果如下：
开发环境：
操作系统：Windows 10
开发工具：PyCharm 2019.2版本
python版本：3.6.7
2025年01月27日
图像处理是一门多学科的领域，涉及数学、计算机科学和工程学等多个领域的知识。它可以应用于各种领域，包括医学影像处理、计算机视觉、图像识别和增强现实等。在这篇文章中，我们将探索如何使用Java中的OpenCV库来进行图像操作，以及如何利用它的功能来创建令人印象深刻的图像处理应用。
2025年01月27日
今天，我们想与您分享解决图像偏移校正问题（拉直旋转图像）的简单解决方案。如果我们正在从歪斜图像中提取文本的内容，则必须以一种或另一种形式处理图像。从摄像机图片到扫描的文档-将清理后的图像馈送到OCR工具之前，去歪斜是图像预处理中的必要步骤。
2025年01月27日
主要介绍通过
https://github.com/opencv/opencv/releases 下载的 SDK的目录结构。
2025年01月27日
接上篇文章， 我做了透视矫正的功能，且实现裁剪，但是效果不是很理想，欢迎小伙伴来评论
import cv2
import numpy as np
def process_image(image, is_original=False):
# 1. 复制图层并进行高斯模糊
blurred = cv2.GaussianBlur(image, (201, 201), 0).astype(float)
# 2. 实现“划分”模式
epsilon = 1e-7
divided = image / (blurred + epsilon)
# 将结果缩放到0-255范围并转换为8位无符号整数
divided = np.clip(divided * 255, 0, 255).astype(np.uint8)
merged = divided.astype(float) # 转换为浮点数以避免操作中的整数截断
# 3. 实现正片叠底模式
multiply = (divided * merged) / 255
return np.clip(multiply, 0, 255).astype(np.uint8)
def scan_effect(image_path):
# 读取原始图像
original = cv2.imread(image_path)
gray = cv2.cvtColor(original, cv2.COLOR_BGR2GRAY)
# 边缘检测
edged = cv2.Canny(gray, 50, 150)
# 膨胀操作，增强轮廓
dilated = cv2.dilate(edged, None, iterations=2)
# 找到轮廓
contours, _ = cv2.findContours(dilated, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10]
# 遍历轮廓，找到大概是文档的四边形
screen_contour = None
for contour in contours:
peri = cv2.arcLength(contour, True)
approx = cv2.approxPolyDP(contour, 0.01 * peri, True)
if len(approx) == 4:
screen_contour = approx
break
if screen_contour is not None:
# 在原始图像上绘制轮廓
# cv2.drawContours(original, [screen_contour], -1, (0, 255, 0), 2)
# 透视变换
def order_points(pts):
if len(pts.shape) == 3:
pts = pts.reshape(4, 2)
rect = np.zeros((4, 2), dtype="float32")
center = np.mean(pts, axis=0)
for point in pts:
if point[0] < center[0] and point[1] < center[1]:
rect[0] = point # 左上
elif point[0] > center[0] and point[1] < center[1]:
rect[1] = point # 右上
elif point[0] > center[0] and point[1] > center[1]:
rect[2] = point # 右下
else:
rect[3] = point # 左下
return rect
def four_point_transform(image, pts):
rect = order_points(pts)
(tl, tr, br, bl) = rect
widthA = np.linalg.norm(br - bl)
widthB = np.linalg.norm(tr - tl)
maxWidth = max(int(widthA), int(widthB))
heightA = np.linalg.norm(tr - br)
heightB = np.linalg.norm(tl - bl)
maxHeight = max(int(heightA), int(heightB))
dst = np.array([[0, 0], [maxWidth - 1, 0], [maxWidth - 1, maxHeight - 1], [0, maxHeight - 1]], dtype="float32")
M = cv2.getPerspectiveTransform(rect, dst)
return cv2.warpPerspective(image, M, (maxWidth, maxHeight))
warped = four_point_transform(original, screen_contour.reshape(4, 2))
multiply = process_image(warped)
else:
multiply = process_image(original, is_original=True)
# 显示和保存最终结果
cv2.imshow("Result", multiply)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite(r'C:\Users\40650\Desktop\20241009171353-1.jpg', multiply)
scan_effect(r'C:\Users\40650\Desktop\20241009171353.jpg')