opencv图像填充

python 复制代码
import time  # 导入time模块,用于处理时间相关的功能
import cv2  # 导入OpenCV模块,用于图像处理
# 创建窗口
cv2.namedWindow('window', cv2.WINDOW_AUTOSIZE)  # 创建一个名为'window'的窗口,窗口大小自动调整,用户不能手动调整大小
cat = cv2.imread("./9.jpg", 1)  # 使用OpenCV的imread函数读取图片,路径为当前目录下的9.jpg,参数1表示读取彩色图像
# 定义上下左右边界的大小
top_size, bottom_size, left_size, right_size = (50, 50, 50, 50)
# 使用不同的边界类型创建图像边界
replicate = cv2.copyMakeBorder(cat, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
# BORDER_REPLICATE:复制边缘像素进行填充
BORDER_REFLECT = cv2.copyMakeBorder(cat, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REFLECT)
# BORDER_REFLECT:反射边缘像素进行填充
REFLECT101 = cv2.copyMakeBorder(cat, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REFLECT101)
# BORDER_REFLECT101:类似于BORDER_REFLECT,但是在边缘不会重复像素
WRAP = cv2.copyMakeBorder(cat, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_WRAP)
# BORDER_WRAP:包裹边缘像素进行填充,类似于纹理的重复
CONSTANT = cv2.copyMakeBorder(cat, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_CONSTANT, value=0)
# BORDER_CONSTANT:使用常量值进行填充,这里是黑色(0)
# 展示图像
cv2.imshow('window', cat)  # 在名为'window'的窗口中显示原始图像
cv2.imshow('replicate', replicate)  # 显示使用BORDER_REPLICATE填充的图像
cv2.imshow('BORDER_REFLECT', BORDER_REFLECT)  # 显示使用BORDER_REFLECT填充的图像
cv2.imshow('REFLECT101', REFLECT101)  # 显示使用BORDER_REFLECT101填充的图像
cv2.imshow('WRAP', WRAP)  # 显示使用BORDER_WRAP填充的图像
cv2.imshow('CONSTANT', CONSTANT)  # 显示使用BORDER_CONSTANT填充的图像
key = cv2.waitKey(0)  # 等待按键事件,参数0表示无限期等待,直到有按键被按下
# 检查按键是否为'q',如果是则销毁所有窗口
if key & 0xFF == ord('q'):  # 将按键的值与0xFF进行按位与操作,以获取正确的ASCII码值,并与'q'的ASCII码比较
    print("准备销毁窗口")  # 如果按下的是'q'键,则打印消息
    cv2.destroyAllWindows()  # 销毁所有OpenCV创建的窗口

· BORDER_REPLICATE:复制法,也就是复制最边缘像素。

·BORDER_ REFLECT :反射法,对感兴趣的图像中的像素在两边进行复制例如:fedcba|abcdefg|hgfedcb

· BORDER_ REFLECT_101 :反射法,也就是以最边缘像素为轴,对称,gfedcl|abcdefgh|gfedcba

· BORDER_WRAP:外包装法defgh|abcdefg h|abcdelg

· BORDER CONSTANT :常量法,常数值填充。




相关推荐
深瞳智检3 分钟前
lesson-02 NLP 基础-文本表示与词向量
人工智能·自然语言处理·llm·大语言模型
twc8291 小时前
大模型生成 QA Pairs 提升 RAG 应用测试效率的实践
服务器·数据库·人工智能·windows·rag·大模型测试
宇擎智脑科技1 小时前
A2A Python SDK 源码架构解读:一个请求是如何被处理的
人工智能·python·架构·a2a
IT_陈寒1 小时前
Redis缓存击穿:3个鲜为人知的防御策略,90%开发者都忽略了!
前端·人工智能·后端
电商API&Tina1 小时前
【电商API接口】开发者一站式电商API接入说明
大数据·数据库·人工智能·云计算·json
湘美书院--湘美谈教育2 小时前
湘美谈教育湘美书院网文研究:人工智能与微型小说选集
人工智能·深度学习·神经网络·机器学习·ai写作
uzong2 小时前
Harness Engineering 是什么?一场新的 AI 范式已经开始
人工智能·后端·架构
墨有6662 小时前
FieldFormer:基于物理场论的极简AI大模型底层架构,附带源码
人工智能·架构·电磁场算法映射
Mountain and sea2 小时前
从零搭建工业机器人激光切割+焊接产线:KUKA七轴协同+节卡AGV+视觉检测实战复盘
人工智能·机器人·视觉检测
K姐研究社2 小时前
阿里JVS Claw实测 – 手机一键部署 OpenClaw,开箱即用
人工智能·智能手机·aigc·飞书