Machine Vision Technology(本)
文章平均质量分 89
shlyyy
Keep Coding
展开
-
Machine Vision Technology:Lecture11 Camera Model
在欧式空间(笛卡尔空间)中,使用坐标描述2D/3D几何非常合适,例如2维欧式空间中的点表示为(x , y),3维空间中点表示为(x , y , z)。我们从针孔/透镜模型中得到了摄像机坐标系转换到像平面坐标系的公式,但真实的像素坐标系的坐标原点在左下角,因此还需要加个偏移,将像平面坐标转换为像素坐标。,当一个点位于无穷远处时,该点的欧氏空间坐标中会出现。,这显然不合适,而使用齐次坐标能够很好的解决此问题。当点在二维空间的无穷远处时,它的笛卡尔坐标系为。笛卡尔坐标与齐次坐标是一对多的关系,齐次坐标族。原创 2024-03-21 14:45:42 · 1064 阅读 · 0 评论 -
Machine Vision Technology:Lecture10 Object Detection
Faces are rare: 0–10 per image 人脸罕见:每张图片0-10哥人脸。Feature design and scoring 特征设计和评分。详情看论文,没听太明白。就积分图有点像二维联合分布函数的矩形公式。是 value of rectangle feature,是 Strong classifier 强分类器,通过几个分类器组合起来得到最终分类器。是 Features vector,是Weak classifier,是threshold。1.找到正确率大于0.5的分类器。原创 2024-03-21 14:36:23 · 872 阅读 · 0 评论 -
Machine Vision Technology:Lecture9 Recognition | bag of features
To handle intra-class variability, it is convenient to describe an object categories using probabilistic models 为了处理类内的可变性,使用概率模型来描述对象类别是很方便的。不同层级的向量合并起来构成更多维,即是两幅图像的level0相同,在更细的层次上level1可能不同。),比较经典的有 Moravec 算子、Forstner 算子以及 Harris 算子等。occlusion 遮挡。原创 2024-03-21 14:33:17 · 1047 阅读 · 0 评论 -
Machine Vision Technology:Lecture8 Segmentation
得到的向量y可能不是整数,可以通过threshold调整为整数。最小割:在图论中,去掉其中所有边能使一张网络流图不再连通(即分成两个子图)的边集称为图的割(英语:cut (graph theory))(英语:cut),一张图上最小的割称为最小割(英语:minimum cut或min-cut)。把一个集合V切割成两个集合A和B,要求切割掉的边的权重之和最小,但是这样很容易得到A为一个点,B为其余点的情况,所以才提出了这样的一个cost:避免孤立点的分割,避免把A切成一个像素B切成一个整体或者相反的情况。原创 2024-03-21 14:11:56 · 849 阅读 · 0 评论 -
Machine Vision Technology:Lecture7 Texture
2.分割Segmentation、分类classification。3.合成synthesis。1.从纹理中恢复形状。原创 2024-03-21 13:57:42 · 300 阅读 · 0 评论 -
Machine Vision Technology:Lecture6 Blob detection斑点检测
下面图中每个小方格的8方向的直方图表示为八个方向的线段,线段的长度表示该方向的灰度强度。如上图中右下角的图像,上面这里的极大值是最后一个信号的Laplacian滤波之后,对比与前面三个两个极小值的峰值的叠加。然后继续计算这个新的区域的M矩阵。求区域每一点的梯度,做梯度方向的直方图,然后找到直方图中最大的一个角度,将其转这个角度到水平位置,这样两个图像对应的区域的角度差异就可以得到纠正。可以得到同一个点的不同尺寸的圆:在尺度空间某一点比较连续三个图层、或者连续5个图层的响应值,可得到2个不同半径的圆。原创 2024-03-16 16:43:45 · 876 阅读 · 0 评论 -
Machine Vision Technology:Lecture5 Local feature:Corners角点
We want corner locations to be invariant to photometric transformations and covariant to geometric transformations我们希望角点的位置对光度变换是不变的,对几何变换是协变的。指的是上图中的三个红点,在进行变换前后部分角点同样被检测出来。下面每个椭圆对应着对应位置的二阶矩矩阵,可以发现,椭圆的短轴对应梯度变化快的方向,对应的矩阵的特征值小。为挪动新的坐标时,新的窗口与原窗口的差异值,反映挪动。原创 2024-03-16 16:32:02 · 1028 阅读 · 0 评论 -
Machine Vision Technology:Lecture4 Fitting
总之,霍夫变换用图像空间中的像素点给参数空间中的点投票,得票数高的参数即是我们要求的参数。在直线检测中,图像空间中的点xy(x,y)xy利用ρxcosθysinθρxcosθysinθ投票给参数空间ρθρθ处,ρθρθ处的分数加1。在圆形检测中,图像空间中的点xy(x,y)xy利用xyr∇Ixyxyr∇Ixy或者xy−r∇Ixyxy−r∇Ixy投票给参数空间abr。原创 2024-03-15 17:38:42 · 899 阅读 · 0 评论 -
Machine Vision Technology:Lecture3 Edge detection | Fitting
在边上的某一点,沿着该点的梯度方向(与边的方向垂直),寻找左右两个邻居像素点,如对上面的q点,找到梯度方向的两个点r和p,如果q比r与q都大,则保留q点,如果q比r与q都小,则q剔除不保留。由于噪声影响太大,一阶导数的极值点有很多,便很难找到边缘。这些点中有一些噪声点。对原图进行卷积操作:使用x方向的卷积模版求x方向的导数,使用y方向的卷积模版求y方向的导数。提取的是 135度方向的边,在边中像素差距不大,边的两边像素差距大。表示点在单位法向量上的投影,即求点在单位法向量上投影的和的最小值满足的。原创 2024-03-15 17:28:59 · 894 阅读 · 0 评论 -
Machine Vision Technology:Lecture2 Linear filtering
设fff为图像,ggg为核,fff和ggg的卷积输出定义为f∗gf*gf∗gf∗gmn∑klfm−kn−lgklf∗gmnkl∑fm−kn−lgklf∗gmn∑klfm−kn−lgkl∑k−1k1∑l−1l1fm−kn−lgklf∗gmnkl∑fm−kn−lgklk−1。原创 2024-02-29 23:07:23 · 1019 阅读 · 0 评论 -
Machine Vision Technology:Lecture1 Introduction
Vision as a source of semantic information 视觉作为语义信息的来源。Vision as measurement device 视觉作为测量装置。原创 2024-02-29 22:49:18 · 381 阅读 · 0 评论