国产操熟女,徐冬冬鸡巴黄片,欧美色999

OpenCV是一個巨大的開源庫，廣泛用于計算機視覺，人工智能和圖像處理領域。它在現實世界中的典型應用是人臉識別，物體檢測，人類活動識別，物體跟蹤等。

現在，假設我們只需要從整個輸入幀中檢測到一個對象。因此，代替處理整個框架，如果可以在框架中定義一個子區域并將其視為要應用處理的新框架，該怎么辦。我們要完成一下三個步驟：

?定義興趣區

?在ROI中檢測輪廓

?閾值檢測輪廓輪廓線

什么是ROI？

簡而言之，我們感興趣的對象所在的幀內的子區域稱為感興趣區域（ROI）。

我們如何定義ROI？

在輸入幀中定義ROI的過程稱為ROI分割。

在“ ROI細分”中，（此處）我們選擇框架中的特定區域，并以矩形方法提供其尺寸，以便它將在框架上繪制矩形的ROI。

（輸出）藍色矩形覆蓋的區域是我們的投資回報率

現在，如果您也想綁定感興趣的對象，那么我們可以通過在ROI中找到輪廓來實現。

什么是輪廓？

輪廓線是表示或說是限制對象形狀的輪廓。

如何在框架中找到輪廓？

對我而言，在將ROI框架設為閾值后，找到輪廓效果最佳。因此，要找到輪廓，手上的問題是-

什么是閾值？

閾值不過是圖像分割的一種簡單形式。這是將灰度或rgb圖像轉換為二進制圖像的過程。例如

（這是RGB幀）

（這是二進制閾值幀）

因此，在對rgb幀進行閾值處理后，程序很容易找到輪廓，因為由于ROI中感興趣對象的顏色將是黑色（在簡單的二進制脫粒中）或白色（在如上所述的反向二進制脫粒中），因此分割（將背景與前景即我們的對象分開）將很容易完成。

在對框架進行閾值處理并檢測到輪廓之后，我們應用凸包技術對圍繞對象點的緊密擬合凸邊界進行設置。實施此步驟后，框架應如下所示-

我們可以做的另一件事是，我們可以遮蓋ROI以僅顯示被檢測到的輪廓本身覆蓋的對象。再次-

什么是圖像MASK？

圖像MASK是隱藏圖像的某些部分并顯示某些部分的過程。這是圖像編輯的非破壞性過程。在大多數情況下，它使您可以在以后根據需要調整和調整遮罩。通常，它是一種有效且更具創意的圖像處理方式。

因此，基本上在這里我們將掩蓋ROI的背景。為此，首先我們將修復ROI的背景。然后，在固定背景之后，我們將從框架中減去背景，并用wewant背景（這里是一個簡單的黑色框架）替換它。

實施上述技術，我們應該得到如下輸出：

（背景被遮罩以僅捕獲對象）

這是所說明技術的理想實現的完整代碼。

import cv2import numpy as npimport copyimport math
x=0.5  # start point/total widthy=0.8  # start point/total widththreshold = 60  # BINARY thresholdblurValue = 7  # GaussianBlur parameterbgSubThreshold = 50learningRate = 0
# variablesisBgCaptured = 0   # whether the background captured
def removeBG(frame): #Subtracting the background    fgmask = bgModel.apply(frame,learningRate=learningRate)
    kernel = np.ones((3, 3), np.uint8)    fgmask = cv2.erode(fgmask, kernel, iterations=1)    res = cv2.bitwise_and(frame, frame, mask=fgmask)    return res
# Cameracamera = cv2.VideoCapture(0)camera.set(10,200)


while camera.isOpened():    ret, frame = camera.read()    frame = cv2.bilateralFilter(frame, 5, 50, 100)  # smoothening filter    frame = cv2.flip(frame, 1)  # flip the frame horizontally    cv2.rectangle(frame, (int(x * frame.shape[1]), 0),                 (frame.shape[1], int(y * frame.shape[0])), (255, 0, 0), 2) #drawing ROI    cv2.imshow('original', frame)
    #  Main operation    if isBgCaptured == 1:  # this part wont run until background captured        img = removeBG(frame)        img = img[0:int(y * frame.shape[0]),                    int(x * frame.shape[1]):frame.shape[1]]  # clip the ROI        cv2.imshow('mask', img)
        # convert the image into binary image        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)        blur = cv2.GaussianBlur(gray, (blurValue, blurValue), 0)        cv2.imshow('blur', blur)        ret, thresh = cv2.threshold(blur, threshold, 255, cv2.THRESH_BINARY) #thresholding the frame        cv2.imshow('ori', thresh)

        # get the coutours        thresh1 = copy.deepcopy(thresh)        contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) #detecting contours        length = len(contours)        maxArea = -1        if length > 0:            for i in range(length):  # find the biggest contour (according to area)                temp = contours[i]                area = cv2.contourArea(temp)                if area > maxArea:                    maxArea = area                    ci = i
            res = contours[ci]            hull = cv2.convexHull(res) #applying convex hull technique            drawing = np.zeros(img.shape, np.uint8)            cv2.drawContours(drawing, [res], 0, (0, 255, 0), 2) #drawing contours             cv2.drawContours(drawing, [hull], 0, (0, 0, 255), 3) #drawing convex hull            cv2.imshow('output', drawing)
    # Keyboard OP    k = cv2.waitKey(10)    if k == 27:          camera.release()        cv2.destroyAllWindows()        break    elif k == ord('b'):  # press 'b' to capture the background        bgModel = cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold)        isBgCaptured = 1        print( 'Background Captured')    elif k == ord('r'):  # press 'r' to reset the background        bgModel = None        isBgCaptured = 0print('ResetBackGround')