如果您想了解使用opencv2和numpy和opencv和numpy对应版本的知识，那么本篇文章将是您的不二之选。我们将深入剖析使用opencv2和numpy的各个方面，并为您解答opencv和num
如果您想了解使用 opencv2 和 numpy和opencv和numpy对应版本的知识，那么本篇文章将是您的不二之选。我们将深入剖析使用 opencv2 和 numpy的各个方面，并为您解答opencv和numpy对应版本的疑在这篇文章中，我们将为您介绍使用 opencv2 和 numpy的相关知识，同时也会详细的解释opencv和numpy对应版本的运用方法，并给出实际的案例分析，希望能帮助到您！
本文目录一览：- 使用 opencv2 和 numpy（opencv和numpy对应版本）
- centos6 安装 opencv2
- centos6.4 成功安装 opencv2.4.8（参考2.3.1）
- numpy.random.random & numpy.ndarray.astype & numpy.arange
- numpy.ravel()/numpy.flatten()/numpy.squeeze()
使用 opencv2 和 numpy（opencv和numpy对应版本）
如何解决使用 opencv2 和 numpy
我有一些代码，主要取自这篇文章底部链接的各种来源，用 Python 编写，它获取形状为 [height,width] 的图像和一些 [x_min,y_min,x_max,y_max] 格式的边界框，两者都是numpy 数组，并逆时针旋转图像及其边界框。由于旋转后边界框变得更像“菱形”，即未轴对齐，因此我执行了一些计算以使其轴对齐。此代码的目的是通过使用旋转数据（其中水平或垂直翻转很常见）在训练对象检测神经网络时执行数据增强。看起来其他角度的翻转对于图像分类来说很常见，没有边界框，但是当有框时，如何翻转框以及图像的资源相对稀疏/利基。
似乎当我输入 45 度角时，我得到了一些不太“紧密”的边界框，因为四个角不是一个很好的注释，而原始的接近完美。
下图是 MS COCO 2014 对象检测数据集（训练图像）中的第一张图像，及其第一个边界框注释。我的代码如下：
import math
import cv2
import numpy as np
# angle assumed to be in degrees
# bbs a list of bounding Boxes in x_min,y_max format
def rotateImageAndBoundingBoxes(im,bbs,angle):
h,w = im.shape[0],im.shape[1]
(cX,cY) = (w//2,h//2) # original image center
M = cv2.getRotationMatrix2D((cX,cY),angle,1.0) # 2 by 3 rotation matrix
cos = np.abs(M[0,0])
sin = np.abs(M[0,1])
# compute the dimensions of the rotated image
nW = int((h * sin) + (w * cos))
nH = int((h * cos) + (w * sin))
# adjust the rotation matrix to take into account translation of the new centre
M[0,2] += (nW / 2) - cX
M[1,2] += (nH / 2) - cY
rotated_im = cv2.warpAffine(im,M,(nW,nH))
rotated_bbs = []
for bb in bbs:
# get the four rotated corners of the bounding Box
vec1 = np.matmul(M,np.array([bb[0],bb[1],1],dtype=np.float64)) # top left corner transformed
vec2 = np.matmul(M,np.array([bb[2],dtype=np.float64)) # top right corner transformed
vec3 = np.matmul(M,bb[3],dtype=np.float64)) # bottom left corner transformed
vec4 = np.matmul(M,dtype=np.float64)) # bottom right corner transformed
x_vals = [vec1[0],vec2[0],vec3[0],vec4[0]]
y_vals = [vec1[1],vec2[1],vec3[1],vec4[1]]
x_min = math.ceil(np.min(x_vals))
x_max = math.floor(np.max(x_vals))
y_min = math.ceil(np.min(y_vals))
y_max = math.floor(np.max(y_vals))
bb = [x_min,y_max]
rotated_bbs.append(bb)
// my function to resize image and bbs to the original image size
rotated_im,rotated_bbs = resizeImageAndBoxes(rotated_im,w,h,rotated_bbs)
return rotated_im,rotated_bbs
好的边界框看起来像：
不太好的边界框看起来像：
我正在尝试确定这是我的代码错误还是预期行为？看起来这个问题在 pi/2 弧度（90 度）的整数倍时不太明显，但我想在任何旋转角度都实现紧密的边界框。任何见解都表示赞赏。
【数据增强讨论】 https://blog.paperspace.com/data-augmentation-for-object-detection-rotation-and-shearing/
[绕二维任意点旋转的数学] https://math.stackexchange.com/questions/2093314/rotation-matrix-of-rotation-around-a-point-other-than-the-origin
解决方法
在大多数情况下，这似乎是评论中的预期行为。我确实有一个解决这个问题的hacky解决方案，你可以写一个像
这样的函数# assuming box coords = [x_min,y_min,x_max,y_max]
def cropBoxByPercentage(box_coords,image_width,image_height,x_percentage=0.05,y_percentage=0.05):
box_xmin = box_coords[0]
box_ymin = box_coords[1]
box_xmax = box_coords[2]
box_ymax = box_coords[3]
box_width = box_xmax-box_xmin+1
box_height = box_ymax-box_ymin+1
dx = int(x_percentage * box_width)
dy = int(y_percentage * box_height)
box_xmin = max(0,box_xmin-dx)
box_xmax = min(image_width-1,box_xmax+dx)
box_ymin = max(0,box_ymax - dy)
box_ymax = min(image_height - 1,box_ymax + dy)
return np.array([box_xmin,box_xmax,box_ymin,box_ymax])
x_percentage 和 y_percentage 的计算可以使用固定值计算，也可以使用启发式计算。
centos6 安装 opencv2
环境
centos6.5
opencv2.4
python2.6（centos 自带的）
下载
opencv 可从 GitHub 下载 https://github.com/opencv/opencv/tree/2.4 可自行选择版本
安装 opencv
安装依赖包
yum install cmake gcc-c++ git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev -y
yum install ant -y（如果安装目录下需要 java，则需要安装 ant 依赖）
unzip opencv-2.4.zip
cd opencv-2.4
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/opt/opencv ..
make
make install
对应的 jar 包和库文件全部都有了，jar 包和 windows 下面的 jar 包是通用的，只需要将 libopencv_java2413.so 拷贝到 linux 系统下的 java.library.path 下面去即可
export $LD_LIBRARY_PATH 可以查看 java.library.path 的位置
或在环境变量中添加
LD_LIBRARY_PATH=/usr/local/tradeapi/os
export LD_LIBRARY_PATH
centos6.4 成功安装 opencv2.4.8（参考2.3.1）
参考文献：http://www.cnblogs.com/zlbeidou/p/3209029.html
成功通过编译，显示结果如图。
正文：
系统环境介绍：
centos 6.4
1.安装依赖包
yum install cmake gcc gcc-c++ gtk+-devel gimp-devel gimp-devel-tools gimp-help-browser zlib-devel libtiff-devel libjpeg-devel libpng-devel gstreamer-devel libavc1394-devel libraw1394-devel libdc1394-devel jasper-devel jasper-utils swig python libtool nasm
2.生成make文件并安装
//cd opencv 2.3.1
cd opencv2.4.8
// (2.3.1) cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D BUILD_NEW_PYTHON_SUPPORT=NO .
(2.4.8) cmake CMakeLists.txt
make
// （2.4.8）error: /opencv248/opencv-2.4.8/cmake/cl2cpp.cmake:50 (string): string does not recognize sub-command MD5
改错： 删除 cl2cpp.cmake 内的第50 行。重新 make
sudo make install
3.配置
新建文件 /etc/ld.so.conf.d/opencv.conf
在文件中添加 /usr/local/lib
保存之后执行配置
sudo ldconfig
4.环境变量配置
sudo vim /etc/bashrc（代码：位置随意，最后也行）
PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH
保存（esc :wq) 之后执行
source /etc/bashrc
5.测试安装是否成功
cd OpenCV-2.3.1/samples/c
chmod +x build_all.sh
./build_all.sh
编译结束之后执行
./facedetect cascade="/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt.xml" --scale=1.5 lena.jpg
如果安装成功的话，lena脸上会有一个蓝色的圈
numpy.random.random & numpy.ndarray.astype & numpy.arange
今天看到这样一句代码：
xb = np.random.random((nb, d)).astype(''float32'') #创建一个二维随机数矩阵（nb行d列）
xb[:, 0] += np.arange(nb) / 1000. #将矩阵第一列的每个数加上一个值要理解这两句代码需要理解三个函数
1、生成随机数
numpy.random.random(size=None)
size为None时，返回float。
size不为None时，返回numpy.ndarray。例如numpy.random.random((1,2))，返回1行2列的numpy数组
2、对numpy数组中每一个元素进行类型转换
numpy.ndarray.astype(dtype)
返回numpy.ndarray。例如 numpy.array([1, 2, 2.5]).astype(int)，返回numpy数组 [1, 2, 2]
3、获取等差数列
numpy.arange([start,]stop,[step,]dtype=None)
功能类似python中自带的range()和numpy中的numpy.linspace
返回numpy数组。例如numpy.arange(3)，返回numpy数组[0, 1, 2]
numpy.ravel()/numpy.flatten()/numpy.squeeze()
numpy.ravel(a, order=''C'')
Return a flattened array
numpy.chararray.flatten(order=''C'')
Return a copy of the array collapsed into one dimension
numpy.squeeze(a, axis=None)
Remove single-dimensional entries from the shape of an array.
相同点: 将多维数组 降为 一维数组
不同点:
ravel() 返回的是视图(view)，意味着改变元素的值会影响原始数组元素的值;
flatten() 返回的是拷贝，意味着改变元素的值不会影响原始数组;
squeeze()返回的是视图(view)，仅仅是将shape中dimension为1的维度去掉;
ravel()示例:
1 import matplotlib.pyplot as plt
2 import numpy as np
3
4 def log_type(name,arr):
5 print("数组{}的大小:{}".format(name,arr.size))
6 print("数组{}的维度:{}".format(name,arr.shape))
7 print("数组{}的维度:{}".format(name,arr.ndim))
8 print("数组{}元素的数据类型:{}".format(name,arr.dtype))
9 #print("数组:{}".format(arr.data))
10
11 a = np.floor(10*np.random.random((3,4)))
12 print(a)
13 log_type(''a'',a)
14
15 a1 = a.ravel()
16 print("a1:{}".format(a1))
17 log_type(''a1'',a1)
18 a1[2] = 100
19
20 print(a)
21 log_type(''a'',a)
flatten()示例
1 import matplotlib.pyplot as plt
2 import numpy as np
3
4 def log_type(name,arr):
5 print("数组{}的大小:{}".format(name,arr.size))
6 print("数组{}的维度:{}".format(name,arr.shape))
7 print("数组{}的维度:{}".format(name,arr.ndim))
8 print("数组{}元素的数据类型:{}".format(name,arr.dtype))
9 #print("数组:{}".format(arr.data))
10
11 a = np.floor(10*np.random.random((3,4)))
12 print(a)
13 log_type(''a'',a)
14
15 a1 = a.flatten()
16 print("修改前a1:{}".format(a1))
17 log_type(''a1'',a1)
18 a1[2] = 100
19 print("修改后a1:{}".format(a1))
20
21 print("a:{}".format(a))
22 log_type(''a'',a)
squeeze()示例：
1. 没有single-dimensional entries的情况
1 import matplotlib.pyplot as plt
2 import numpy as np
3
4 def log_type(name,arr):
5 print("数组{}的大小:{}".format(name,arr.size))
6 print("数组{}的维度:{}".format(name,arr.shape))
7 print("数组{}的维度:{}".format(name,arr.ndim))
8 print("数组{}元素的数据类型:{}".format(name,arr.dtype))
9 #print("数组:{}".format(arr.data))
10
11 a = np.floor(10*np.random.random((3,4)))
12 print(a)
13 log_type(''a'',a)
14
15 a1 = a.squeeze()
16 print("修改前a1:{}".format(a1))
17 log_type(''a1'',a1)
18 a1[2] = 100
19 print("修改后a1:{}".format(a1))
20
21 print("a:{}".format(a))
22 log_type(''a'',a)
从结果中可以看到，当没有single-dimensional entries时，squeeze()返回额数组对象是一个view,而不是copy。
2. 有single-dimentional entries 的情况
1 import matplotlib.pyplot as plt
2 import numpy as np
3
4 def log_type(name,arr):
5 print("数组{}的大小:{}".format(name,arr.size))
6 print("数组{}的维度:{}".format(name,arr.shape))
7 print("数组{}的维度:{}".format(name,arr.ndim))
8 print("数组{}元素的数据类型:{}".format(name,arr.dtype))
9 #print("数组:{}".format(arr.data))
10
11 a = np.floor(10*np.random.random((1,3,4)))
12 print(a)
13 log_type(''a'',a)
14
15 a1 = a.squeeze()
16 print("修改前a1:{}".format(a1))
17 log_type(''a1'',a1)
18 a1[2] = 100
19 print("修改后a1:{}".format(a1))
20
21 print("a:{}".format(a))
22 log_type(''a'',a)
今天关于使用 opencv2 和 numpy和opencv和numpy对应版本的讲解已经结束，谢谢您的阅读，如果想了解更多关于centos6 安装 opencv2、centos6.4 成功安装 opencv2.4.8（参考2.3.1）、numpy.random.random & numpy.ndarray.astype & numpy.arange、numpy.ravel()/numpy.flatten()/numpy.squeeze()的相关知识，请在本站搜索。
本文标签：
