OpenCV单窗口显示多图片

《OpenCV计算机视觉开发实践:基于Python(人工智能技术丛书)》(朱文伟,李建英)【摘要 书评 试读】- 京东图书

在某些场景下,比如有多个摄像头视频图像,如果一个视频图像显示在一个窗口中,则会因为窗口过多而显得凌乱。此时就需要一个窗口能显示多个视频图像。想要达到这个效果,原理并不复杂,只需要调整每个视频的尺寸大小为窗口的一部分,这样多个图像组合起来正好可以占满一个窗口。

在OpenCV中,我们可以利用hstack函数来实现单窗口显示多幅图像。首先熟悉一下hstack函数。hstack函数就是把两个行相同的数组或者矩阵的列从左到右排列起来,也就是把列水平排列起来,声明如下:

复制代码
numpy.hstack(tup)

其中,tup是ndarrays数组序列。这里说的数组就是NumPy库的array,比如定义了一个3行5列的二维矩阵数组:

复制代码
a=np.array([[ 0,  1,  2,  3,  4],

              [ 5,  6,  7,  8,  9],

              [10, 11, 12, 13, 14]])

print(a.shape)  #输出(3,5)

这里的行数是矩阵的高度,列数是矩阵的宽度。比如建立一个一维矩阵b,长度为b.shape:

复制代码
b =np.array([1,2,3,4]) 

print(b.shape) 

输出是(4,),4就是一维矩阵的长度,因为不存在二维,也就没有二维的长度,因此括号里的逗号后面是空的。

再比如建立4行2列的二维矩阵数组:

复制代码
c =np.array([[1,1],[1,2],[1,3],[1,4]]) 

print(c.shape)

输出是(4,2),shape[0]表示行数,这里是4行,shape[1]表示列数,这里是2列。注意方括号的数量。

有时候方括号也可以用圆括号来表示,比如2行3列的二维矩阵:

复制代码
x = np.array(((1,2,3),(4,5,6)))  #2行3列

print(x.shape)

输出是(2,3)。注意圆括号的数量匹配。

简单复习array基本知识后,我们可以用hstack函数来合并行数相同的矩阵数组,比如合并两个都是1行的一维数组:

复制代码
a = np.array((1,2,3))       #1行3列

b = np.array((4,5,6,7))    #1行4列

e = np.hstack((a,b))

print(e)

输出:

array([1, 2, 3, 4,5,6,7]) #结果依然是1行

又比如合并3个两行的二维数组:

复制代码
a = np.array([[1,2],[3,4]])

b = np.array(((1,2,3),(4,5,6)))  #2行3列

c = np.array(((1,1,1,1),(2,2,2,2)))

e = np.hstack((a,b,c))

print(e)

输出:

复制代码
[[1 2 1 2 3 1 1 1 1]

 [3 4 4 5 6 2 2 2 2]]

了解了hstack函数后,我们可以在一个窗口中显示多幅图片,原理是直接通过imread函数返回的二维矩阵数组传入hstack函数中。

【例3.6】 单窗口中显示多幅图片

复制代码
import cv2 as cv 
import numpy as np #导入numpy模块 
def opecv_muti_pic():
    img1 = cv.imread('1.jpg')
    print(img1.shape)
    img2 = cv.imread('2.jpg')
    print(img2.shape)
    img3 = cv.imread('3.jpg')
    print(img3.shape)
    imgs = np.hstack([img1,img2,img3])
    #展示多个
    cv.imshow("mutil_pic", imgs)
    #等待关闭
    cv.waitKey(0)

opecv_muti_pic()

在上述代码中,首先读取了3幅图片,并各自返回了二维矩阵数组,这3幅图片在工程目录下可以找到,为了节省篇幅,这里不对是否读取成功进行判断,但一线企业开发则不能少这个判断。随后,把3幅图片的矩阵数组传入hstack函数中进行合并,并返回合并后的矩阵数组,然后通过imshow显示出来。我们每次读取一幅图片,就把它的宽度和高度打印出来。可以发现,高度(行数)都是相同的,否则是不能用于hstack的。例如,把图片3缩放后保存,再运行程序,就会报错。

运行工程,结果如图3-7所示。

图3‑7

相关推荐
编程武士3 小时前
从50ms到30ms:YOLOv10部署中图像预处理的性能优化实践
人工智能·python·yolo·性能优化
max5006003 小时前
基于Meta Llama的二语习得学习者行为预测计算模型
人工智能·算法·机器学习·分类·数据挖掘·llama
月疯4 小时前
OPENCV摄像头读取视频
人工智能·opencv·音视频
极客天成ScaleFlash4 小时前
极客天成让统一存储从云原生‘进化’到 AI 原生: 不是版本升级,而是基因重组
人工智能·云原生
王哥儿聊AI4 小时前
Lynx:新一代个性化视频生成模型,单图即可生成视频,重新定义身份一致性与视觉质量
人工智能·算法·安全·机器学习·音视频·软件工程
_pinnacle_5 小时前
打开神经网络的黑箱(三) 卷积神经网络(CNN)的模型逻辑
人工智能·神经网络·cnn·黑箱·卷积网络
Ada's5 小时前
深度学习在自动驾驶上应用(二)
人工智能·深度学习·自动驾驶
张较瘦_5 小时前
[论文阅读] 人工智能 + 软件工程 | 从“人工扒日志”到“AI自动诊断”:LogCoT框架的3大核心创新
论文阅读·人工智能·软件工程
lisw055 小时前
连接蓝牙时“无媒体信号”怎么办?
人工智能·机器学习·微服务
扫地的小何尚6 小时前
深度解析 CUDA-QX 0.4 加速 QEC 与求解器库
人工智能·语言模型·llm·gpu·量子计算·nvidia·cuda