Spencer

基于一道CTF题目，也就是如下。 123456789101112131415161718192021222324252627282930313233343536373839404142import randomfrom Crypto.Util.number import isPrimem, Q = """REDACTED""", 1def genPrimes(size): base = random.getrandbits(size // 2) << size // 2 base = base | (1 << 1023) | (1 << 1022) | 1 while True: temp = base | random.getrandbits(size // 4) if isPrime(temp): p = temp break while True: temp = base | ...

下面来介绍Scharr算子，他和sobel算子类似，只不过矩阵的边缘检测敏感度不同，也就是赋值更敏感。\begin{equation*}\text{Scharr}(x,y) = \frac{3}{2} \left[ \text{Sobel}(x+1,y+1) - \text{Sobel}(x-1,y-1) \right] - \frac{1}{2} \left[ \text{Sobel}(x+1,y-1) - \text{Sobel}(x-1,y+1) \right]\end{equation*}这是什么玩意，通俗的说，就是这样。\begin{equation*}G_x(x) =\begin{bmatrix}-3 & 0 & 3 \-10 & 0 & 10 \-3 & 0 & 3\end{bmatrix} \ , \G_y(x) =\begin{bmatrix}3 & 10 & 3 \0 & 0 & 0 \-3 & -10 & -3\end{bmatrix}\end{equation*}也 ...

12345import cv2 as cvimport numpy as npimport matplotlib.pyplot as pltimport ipykernelfrom IPython.display import Latex 12345678910#下面用这种综合的Canny方法img = cv.imread("def.jpg", cv.IMREAD_GRAYSCALE)v1 = cv.Canny(img, 100, 200)v2 = cv.Canny(img, 50, 100)v3 = cv.Canny(img, 200, 300)res = np.hstack((img, v1, v2, v3))cv.imwrite("canny.jpg", res)cv.imshow("canny", res)cv.waitKey(0)cv.destroyAllWindows() #一次完整的边缘检测过程

首先导入库 12import cv2 as cvimport numpy as np 注意，最常见的阈值图片就是二维码。 1#本讲来看阈值，可以用来颠倒二维码噢！ 查看两张图片，有颜色读取 12img1 = cv.imread("def.jpg", cv.IMREAD_COLOR)img2 = cv.imread("abc.jpg", cv.IMREAD_COLOR) 导入画图包，这个包在以后会非常常用 12#再来引入一下画图的包import matplotlib.pyplot as plt 1234567891011121314151617ret, thresh1 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY)#只要大于127就设置为255，小于127设置为0，白变黑，黑变白ret, thresh2 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY_INV)#反过来，小于127设置为0，大于127设置为255ret, thresh3 = cv.thr ...

基本读图操作与像素加法首先我们安装好opencv-python，只需要安装最新版本即可。 1import cv2 as cv 不管是什么版本，在导入的时候，都用上述命令即可，用cv便于书写。 1import matplotlib.pyplot as plt 导入绘图库，将会非常重要。 1img_cat = cv.imread("def.jpg", 1); 1表示以彩色方式读取图像，0表示以灰度模式读取图像，也就是单通道图像，只需要一个矩阵就能表示。 1img_dog = cv.imread("anc.jpg", 1) 加10创建了一个新图像，从原始图像中复制而来，原始图像中每个像素都加10， 12img_cat2 = img_cat + 10;img_cat2[:5, :, 0]#读取前五行和所有列，灰度图像 切片处理中[:5]表示仅仅处理前五行像素，:表示处理所有的列，而0表示通道0，在cv中通道顺序是BGR图像，所以是蓝色。 array([[ 0, 147, 156, ..., 210, 5, 166], [248, 23 ...

12import cv2 as cvimport numpy as np 图像滤波（低通滤波）1234img = cv.imread("def.jpg", cv.IMREAD_COLOR)cv.imshow('img', img)cv.waitKey(0)cv.destroyAllWindows() 卷积原理下面说一下卷积的原理。 显然，就是拿一个小矩阵在大矩阵上做点积乘法，得到一个值代替原来的像素。所以对于$n\cdot n$的矩阵，假设卷积核shi$m\cdot m$那么卷积之后的结果矩阵大小为$(n-m+1)\cdot (n-m+1)$，如图所示，卷积用来提取特征。 参数还有步长，也就是卷积核每次移动的单位。上面例子默认为1，如果步长为p，那么最终卷积结果的大小为 [\frac{(n-m) + 2p}{p}]可以带入尝试，结果正确，下面是代码。 1234blur = cv.blur(img, (5, 5))#进行平滑处理cv.imshow('blur', blur)cv.waitKey(0)cv.destroyAll ...

1234import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltimport ipykernel 接之前的腐蚀原理。我们直接调用膨胀函数。 1234567891011#膨胀操作，我们可以腐蚀操作之后，为了恢复对图像的损失，用膨胀操作。img = cv.imread('def.jpg', cv.IMREAD_COLOR)kernel = np.ones((5, 5), np.uint8)erosion = cv.erode(img, kernel, iterations=1)#进行腐蚀操作plt.imshow(erosion)plt.axis("off")plt.show()dilation = cv.dilate(erosion, kernel, iterations=1)#注意，在服饰的基础上膨胀，恢复了原图像plt.imshow(dilation)plt.axis("off")plt.show()即可看到先腐蚀后膨胀的图像，恢复了图像的损失并且去噪了 ...

123import cv2 as cvimport numpy as npimport ipykernel 腐蚀原理这里是针对二值图像，黑白图像！可以说其矩阵元素是由0，1组成，0表示黑，1即255表示白。我们用一个全1的卷积核进行卷积，比如33的卷积核，每一次点乘运算的时候，如果图像中对应3\3个元素的值也都是1，这样最终结果就输出1，否则，全是0。 显然，上述操作就会导致，边界处外面是黑，里面是白，那么在边界处进行卷积时，结果会把原来像素位置变为0，也就是白色部分向内腐蚀！腐蚀可以迭代，显然迭代次数越多，边界越向内，腐蚀就会越深，一直到腐蚀没了！ 其最大的作用就是比如在下图中，字上有一些非常刺眼的噪声，就是那些格格不入的白线。 我们用腐蚀几次就可以把噪声去除了！ 1234567#腐蚀操作img = cv.imread("def.jpg", cv.IMREAD_COLOR)kernel = np.ones((5, 5), np.uint8)#矩阵表示核数，越大腐蚀越多erosion = cv.erode(img, kernel, iterations=1)#迭 ...

1234import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltimport ipykernel 1234567891011#梯度运算 = 膨胀-腐蚀，得到轮廓#膨胀 = 对象周围的像素值和自身像素值的最大值#腐蚀 = 对象周围的像素值和自身像素值的最小值img = cv.imread('def.jpg',cv.IMREAD_COLOR)kernel = np.ones((5,5),np.uint8)gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)cv.imshow('gradient',gradient)cv.waitKey(0)cv.destroyAllWindows()

1234import cv2 as cvimport numpy as npimport matplotlib.pyplot as pltimport ipykernel 12345678910111213#礼帽 = 原图像 - 开运算，即原图像减去我们加强过的图像，就剩下轮廓噪音#黑帽 = 闭运算 - 原始图像，噪音减去噪音，应该只留下了轮廓img = cv.imread("def.jpg", cv.IMREAD_COLOR)kernel = np.ones((5, 5), np.uint8)topHat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)blackHat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)titles = ['Original', 'Top Hat', 'Black Hat']images = [img, topHat, blackHat]for i in range(3): ...