opencv
文章平均质量分 95
whackw
测试相关,尽量做到比开发与运维还要牛
展开
-
SIFT算法详解
尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)对于初学者,从David G.Lowe的论文到实现,有许多鸿沟,本文帮你跨越。1、SIFT综述尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值转载 2016-11-29 09:45:11 · 550 阅读 · 0 评论 -
KAZE与SIFT算法比较
比较 KAZE 与 SIFT 的算法。根据测试结果,两种算法对于ubc、bikes、trees和boat四种图集都有很好的鲁棒性,能够准确将图像匹配起来。两种算法的差异主要是在bark、graf、leuven和wall图集中表现出来的。bark图集主要检验特征算法对旋转和缩放的鲁棒性。可见KAZE算法有效检测的特征点少于SIFT算法,而SIFT算转载 2016-12-02 14:44:38 · 1356 阅读 · 0 评论 -
BFMatcher和FlannBasedMatcher
Brute Force匹配和FLANN匹配是OpenCV二维特征点匹配常见的两种办法,分别对应BFMatcher(BruteForceMatcher)和FlannBasedMatcher。BFMatcher的构造函数如下:C++: BFMatcher::BFMatcher(int normType=NORM_L2, bool crossCheck=false )转载 2016-12-02 14:58:38 · 2994 阅读 · 0 评论 -
Feature Matching
http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_matcher/py_matcher.htmlGoalIn this chapterWe will see how to match features in one image with others.We will use the Br转载 2016-12-02 15:46:16 · 2005 阅读 · 0 评论 -
cv2.FeatureDetector_create Examples
The following are 3 code examples for showing how to use cv2.FeatureDetector_create. They are extracted from open source Python projects. You can click to vote up the examples you like, or click转载 2016-12-02 15:55:02 · 4778 阅读 · 0 评论 -
opencv-阈值化处理
原理摘自:http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/threshold/threshold.html本节简介:OpenCV中的阈值(threshold)函数: threshold 的运用。注意:本节的解释出自Bradski与Kaehler的书籍 Learning O转载 2016-11-23 15:46:19 · 432 阅读 · 0 评论 -
OpenCV成长之路(6):数学形态学基本操作及其应用
数学形态学实际上可以理解为一种滤波行为,所以很多地方称它为形态学滤波。有了个这概念,我们就能更好的理解它。我们滤波中用的滤波器(kernel)在这里被称为结构元素,结构元素往往是由一个特殊的形状构成,如:线条、矩形、圆、菱形等。我们把结构元素的中心(Anchor Point)与图像上像素点对齐,然后结构元素覆盖的领域像素就是我们要分析的像素,我们定义一种操作就形成了一种形态学运算。我们在这转载 2016-11-23 15:48:08 · 366 阅读 · 0 评论 -
OpenCV成长之路(7):图像滤波
滤波实际上是信号处理里的一个概念,而图像本身也可以看成是一个二维的信号。其中像素点灰度值的高低代表信号的强弱。高频:图像中灰度变化剧烈的点。低频:图像中平坦的,灰度变化不大的点。根据图像的高频与低频的特征,我们可以设计相应的高通与低通滤波器,高通滤波可以检测图像中尖锐、变化明显的地方;低通滤波可以让图像变得光滑,滤除图像中的噪声。下面我们来看一下OpenCV中的一些转载 2016-11-23 15:49:09 · 383 阅读 · 0 评论 -
OpenCV成长之路(8):直线、轮廓的提取与描述
基于内容的图像分析的重点是提取出图像中具有代表性的特征,而线条、轮廓、块往往是最能体现特征的几个元素,这篇文章就针对于这几个重要的图像特征,研究它们在OpenCV中的用法,以及做一些简单的基础应用。一、Canny检测轮廓在上一篇文章中有提到sobel边缘检测,并重写了soble的C++代码让其与matlab中算法效果一致,而soble边缘检测是基于单一阈值的,我们不能兼顾到低阈值的转载 2016-11-23 15:50:23 · 441 阅读 · 0 评论 -
OpenCV成长之路(10):视频的处理
视频中包含的信息量要远远大于图片,对视频的处理分析也越来越成为计算机视觉的主流,而本质上视频是由一帧帧的图像组成,所以视频处理最终还是要归结于图像处理,但在视频处理中,有更多的时间维的信息可以利用。本文主要介绍OpenCV在处理视频时的一些基本函数。一、视频帧的读取OpenCV为视频的读入提供了一个类VideoCapture,下面我们说明一下类的几个重要的方法:1,打开一段视频或默认的转载 2016-11-23 15:52:17 · 332 阅读 · 0 评论 -
OpenCV成长之路(4):图像直方图
一、图像直方图的概念图像直方图是反映一个图像像素分布的统计表,其实横坐标代表了图像像素的种类,可以是灰度的,也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。图像是由像素构成,因为反映像素分布的直方图往往可以作为图像一个很重要的特征。在实际工程中,图像直方图在特征提取、图像匹配等方面都有很好的应用。二、利用OpenCV计算图像的直方图OpenCV转载 2016-11-24 10:16:37 · 619 阅读 · 0 评论 -
Python图像处理(13):brisk特征检测
http://blog.csdn.net/lights_joy/欢迎转载,但请保留作者信息BRISK是BRIEF描述子的一种改进,相比于BRIEF特征,它具有旋转不变性、尺度不变性和对噪声的鲁棒性。本节尝试在Python下使用此特征检测方式,使用的测试图像为先前已经转换为灰度图的棉花图像:首先读取图像:转载 2016-12-02 14:40:41 · 2536 阅读 · 3 评论 -
OpenCV特征点提取----Fast特征
1.FAST(featuresfrom accelerated segment test)算法 http://blog.csdn.NET/yang_xian521/article/details/7411438 特征点检测和匹配是计算机视觉中一个很有用的技术。在物体检测,视觉跟踪,三维常年关键等领域都有很广泛的应用。很多传统的算法都很耗时,而且特征点检测算法只是很多复杂图像处理里中转载 2016-12-02 14:37:41 · 1336 阅读 · 0 评论 -
通俗易懂地解释卷积
作者:张俊博链接:https://www.zhihu.com/question/22298352/answer/34267457来源:知乎著作权归作者所有,转载请联系作者获得授权。不推荐用“反转/翻转/反褶/对称”等解释卷积。好好的信号为什么要翻转?导致学生难以理解卷积的物理意义。这个其实非常简单的概念,国内的大多数教材却没有讲透。直接看图,不信看不懂。以离散信号为转载 2016-11-29 09:47:03 · 502 阅读 · 0 评论 -
SIFT特征提取分析
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points)及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配,获得了良好效果,详细解析如下:算法描述SIFT特征不只具有尺度不变性,即使改变旋转转载 2016-11-29 09:49:39 · 461 阅读 · 0 评论 -
SURF与SIFT比较
http://blog.163.com/sn404417391@126/blog/static/126688605201111623714283/共同点:SIFT/SURF为了实现不同图像中相同场景的匹配,主要包括三个步骤:1、尺度空间的建立;2、特征点的提取;3、利用特征点周围邻域的信息生成特征描述子4、特征点匹配。从博客上看到转载 2016-11-29 11:16:50 · 445 阅读 · 0 评论 -
SIFT/SURF算法的深入剖析——谈SIFT的精妙与不足
SURF算法是SIFT算法的加速版,OpenCV的SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理,其快速的基础实际上只有一个——积分图像haar求导,对于它们其他方面的不同可以参考本blog的另外一篇关于SIFT的文章。 不论科研还是应用上都希望可以和人类的视觉一样通过程序自动找出两幅图像里面相同的景物,并且建立它们之间的对应,前几年才被提出的SIFT(尺度不变特征转载 2016-11-29 11:31:20 · 1060 阅读 · 0 评论 -
Python下opencv图像的几何变换
二维与三维图像的几何变换在计算机图形学上有重要的应用,包括现在的许多图像界面的切换、二维与三维游戏画面控制等等都涉及到图像几何变换,就比如说在三维游戏中,控制角色三维移动的时候,画面是要跟着移动的,那么怎么移动,怎么让上一时刻的画面移动到这一时刻,这都是根据了你的移动量,然后找到三维坐标之间的对应关系,用这一时刻的坐标替换到上一时刻的坐标像素值实现图像的切换。图像的几何变换主要包括:平移、扩大转载 2016-11-29 15:51:53 · 866 阅读 · 0 评论 -
opencv常用函数入参
img = cv2.imread('messi5.jpg',0)three flags, you can simply pass integers 1, 0 or -1 respectivelyimg NumPy.ndarray对象rows,cols = img.shape只有flag=0时(rows,cols = img.shape[:2])ndarray.ndim:数组的维数转载 2016-11-29 15:53:24 · 446 阅读 · 0 评论 -
在图上画一个圆
cv2.circle(img, center, radius, color, thickness=1, lineType=8, shift=0) → NoneDraws a circle.Parameters: img (CvArr) – Image where the circle is drawncenter (CvPoint) – Center of the circleradi转载 2016-12-02 10:20:46 · 528 阅读 · 0 评论 -
Keypoints+Knn+findHomography进行目标定位
本范例的代码主要都是 学习OpenCV——通过KeyPoints进行目标定位 这篇博客提供的,然后在它的基础上稍加修改,检测keypoints点的检测器是SURF,获取描述子也是用到SURF来描述,而用到的匹配器是FlannBased,匹配的方式是Knn方式,最后通过findHomography寻找单映射矩阵,perspectiveTransform获得最终的目标,在这个过程中还通过单映射矩阵来转载 2016-12-02 11:05:59 · 1149 阅读 · 0 评论 -
opencv DMatch
特征的匹配大致可以分为3个步骤:特征的提取计算特征向量特征匹配对于3个步骤,在OpenCV2中都进行了封装。所有的特征提取方法都实现FeatureDetector接口,DescriptorExtractor接口则封装了对特征向量(特征描述符)的提取,而所有特征向量的匹配都继承了DescriptorMatcher接口。简单的特征匹配int main(){转载 2016-12-02 11:07:51 · 3965 阅读 · 0 评论 -
OpenCV特征点检测------ORB特征
ORB算法ORB是是ORiented Brief的简称。ORB的描述在下面文章中:Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski, ORB: an efcient alternative to SIFT or SURF, ICCV 2011没有加上链接是因为作者确实还没有放出论文,转载 2016-12-02 14:34:28 · 859 阅读 · 0 评论 -
模板匹配(Match Template)
作者:王先荣前言 模板匹配是在图像中寻找目标的方法之一。Come On, Boy.我们一起来看看模板匹配到底是怎么回事。 模板匹配的工作方式 模板匹配的工作方式跟直方图的反向投影基本一样,大致过程是这样的:通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。 假设我们有一张100x100的输入图像,有一张10x10的模板图像,查找的转载 2016-11-24 10:56:04 · 1434 阅读 · 0 评论