- 博客(17)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 Opencv图像识别从零到精通（36）----DFT离散傅里叶变换
这篇就是图像的时域到频域的开始，也是信号处理中比较常见的傅立叶变换。一、傅立叶图像 对一张图像使用傅立叶变换就是将它分解成正弦和余弦两部分。也就是将图像从空间域(spatial domain)转换到频域(frequency domain)。 这一转换的理论基础来自于以下事实：任一函数都可以表示成无数个正弦和余弦函数的和的形式。傅立叶变换就是一个用来将函数分解的工具。 2维图像的傅立叶
2016-08-27 17:40:48
10546
原创 Opencv图像识别从零到精通（35）---SURF
SIFT在前面已经说过了，可以说在实现过程中是精益求精，用了各种手段来删除不符合条件的特征点，同时也得到了很好的效果但是实时性不高，于是就有了SURF（speeded up robusr features）.SURF是一种尺度，旋转不变的detector和descriptor.最大的特点是快！在快的基础上保证性能（repeatability,distinctiveness和robustne
2016-08-25 17:09:59
12519
原创 Opencv图像识别从零到精通（34）---SIFI
一、理论知识 Scale Invariant Feature Transform，尺度不变特征变换匹配算法，对于算法的理论介绍，可以参考这篇文章http://blog.csdn.net/qq_20823641/article/details/51692415，里面很详细，可以更好的学习。这里就不多介绍。后面就挑选重点的来说二、SIFT 主要思想 SIFT算法是一种提取局部特征的
2016-08-24 15:11:49
5006
原创 Opencv图像识别从零到精通（33）----moravec角点、harris角点
一、角点 图像处理和与计算机视觉领域，兴趣点（interest points），或称作关键点（keypoints）、特征点（feature points） 被大量用于解决物体识别，图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图，而是选择某些特殊的点，然后对他们进行局部有的放矢的分析。如果能检测到足够多的这种点，同时他们的区分度很高，并且可以精确定位稳定的特征，那
2016-08-22 12:23:57
6952
1
原创 Opencv图像识别从零到精通（32）----直方图对比，模版匹配，方向投影
0、预备知识归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。函数原型：void normalize(InputArray src,OutputArray dst, double alpha=1,doublebeta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray() )
2016-08-20 15:07:09
7789
原创 Opencv图像识别从零到精通（31）----图像修补，分离合并通道
一、图像修复简介 图像修复是图像复原中的一个重要内容，其目的是利用图像现有的信息来恢复丢失的信息。可用于旧照片中丢失信息的恢复，视频文字去除以及视频错误隐藏等。简言之，图像修复就是对图像上信息缺损区域进行信息填充的过程，其目的就是为了对有信息缺损的图像进行复原，并且使得观察者无法察觉到图像曾经缺损或者已经修复 图像修复技术简单来说，就是利用那些被破坏区域的边缘，即是
2016-08-19 17:29:45
17487
1
原创 Opencv图像识别从零到精通（30）---重映射，仿射变换
一、序言面对图像处理的时候，我们会旋转缩放图像，例如前面所提高的resize 插值改变，也是几何变换：几何运算需要空间变换和灰度级差值两个步骤的算法，像素通过变换映射到新的坐标位置，新的位置可能是在几个像素之间，即不一定为整数坐标。这时就需要灰度级差值将映射的新坐标匹配到输出像素之间。最简单的插值方法是最近邻插值，就是令输出像素的灰度值等于映射最近的位置像素，该方法可能会产生锯齿。
2016-08-17 17:09:01
7469
2
原创 Opencv图像识别从零到精通（29）-----图像金字塔，向上上下采样，resize插值
金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低 一、两个金字塔高斯金字塔(Gaussianpyramid): 用来向下采样，主要的图像金字塔拉普拉斯金字塔(Laplacianpyra
2016-08-16 15:50:53
9820
原创 Opencv图像识别从零到精通（28）----Kmeans
K-means算法算是个著名的聚类算法了，不仅容易实现，并且效果也不错，训练过程不需人工干预，实乃模式识别等领域的居家必备良品啊，今天就拿这个算法练练手。属于无监督学习中间接聚类方法中的动态聚类流程：1.随机选取样本中的K个点作为聚类中心2.计算所有样本到各个聚类中心的距离，将每个样本规划在最近的聚类中3.计算每个聚类中所有样本的中心，并将新的中心代替原来的中心4.检查
2016-08-15 16:59:07
3669
原创 Opencv图像识别从零到精通（27）---grabcut
图割graph cuts ----grad cut Graph Cuts算法是用来确定网络流的最小分割，即寻找一个容量最小的边的集合，去掉这个集合中的所有边就可以阻挡这个网络了。需要注意的是，通常所说的Graph Cuts算法是指的采用最大流-最小分割来优化的模型，其它的Graph Cutting算法一般用graphpartitioning这个名词来代替。 首先还得先
2016-08-14 19:51:48
5039
原创 Opencv图像识别从零到精通（26）---分水岭
分水岭是区域分割三个方法的最后一个，对于前景背景的分割有不错的效果。 分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢
2016-08-13 21:39:30
17997
原创 Opencv图像识别从零到精通（25）------区域分裂与合并
区域分割一般认为有漫水填充，区域分裂与合并，分水岭，这篇是中间的区域分裂和合并。 区域分裂合并算法的基本思想是先确定一个分裂合并的准则,即区域特征一致性的测度,当图像中某个区域的特征不一致时就将该区域分裂成4 个相等的子区域,当相邻的子区域满足一致性特征时则将它们合成一个大区域,直至所有区域不再满足分裂合并的条件为止. 当分裂到不能再分的情况时，分裂结束，然后它将查找相邻
2016-08-12 14:24:31
16761
原创 Opencv图像识别从零到精通（24）------漫水填充，种子填充，区域生长、孔洞填充
可以说从这篇文章开始，就结束了图像识别的入门基础，来到了第二阶段的学习。在平时处理二值图像的时候，除了要进行形态学的一些操作，还有有上一节讲到的轮廓连通区域的面积周长标记等，还有一个最常见的就是孔洞的填充，opencv这里成为漫水填充，其实也可以叫种子填充，或者区域生长，基本的原理是一样的，但是应用的时候需要注意一下，种子填充用递归的办法，回溯算法，漫水填充使用堆栈，提高效率，同时还提供了一种方式
2016-08-11 21:36:49
19505
原创 Opencv图像识别从零到精通（23）----轮廓
当看到轮廓的时候，发现没有办法具体到什么， 因为关系轮廓的东西似乎有很多，例如检测轮廓，提取轮廓，轮廓跟踪，轮廓面积，周长，标记，匹配，还有一系列的外接最小矩形，圆形，椭圆，图像矩，填充孔洞等，不得不说东西真的很好。轮廓其实最容易和边缘检测联系到一起，有很多的相同，但是我理解的是边缘是检测，是预处理，而轮廓就可能是你要用的特征。一、函数：一个是找，一个是画void findContou
2016-08-07 17:42:07
9621
原创 Opencv图像识别从零到精通（22）-----hough变换检测直线与圆
今天要看的是霍夫变换，常用用来检测直线和圆，这里是把常见的笛卡尔坐标系转换成极坐标下，进行累计峰值的极大值，确定。HoughLines,HoughLinesP,HoughCircles,三个函数，首先先看看原理，最后会用漂亮的matlab图，来回归一下，霍夫直线变换。霍夫线变换：众所周知, 一条直线在图像二维空间可由两个变量表示. 例如:在 笛卡尔坐标系
2016-08-05 15:58:38
5790
原创 Opencv图像识别从零到精通（21）-----canny算子边缘检测
最后来看看canny算子，这个是被成为最好的算子，因为过程多，有准测，后面会列出来，也是边缘检测的最后一个，所以这里作为结尾，来看看各个边缘检测的效果。边缘检测结果比较Roberts算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是利用roberts算子提取边缘的结果是边缘比较粗，因此边缘的定位不是很准确。Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，sobel
2016-08-03 13:17:39
10167
原创 Opencv图像识别从零到精通（20）---laplace LOG DOG边缘检测
经过了上一篇的简单的边缘检测，现在来看一下二阶导数的边缘检测，分别是Laplace LOG DOG,看到他们心里还是有点遗憾，要是自己能加快一点学习的步伐，在面试的时候也许就可以轻松回答了，亲爱的你们只是来的晚了2天。希望和我一样的同学，要加快脚步，认真学习了。废话不再多说，让我看看是怎么回事。一、Laplacian Laplacian算子定义为表示成
2016-08-01 16:01:37
8879
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人