图像拼接
CC丶Z
迷失不要紧,关键是我们得在清醒后找到自己的定位和要前进的方向。
不过,你也要允许自己走上曲折的路。因为“走捷径”,会错过很多事情。
展开
-
卷积算子的计算方法(卷积的运算)
原文地址:http://blog.csdn.net/niuwei22007/article/details/48969709卷积操作是对图像处理时,经常用到的一种操作。它具有增强原信号特征,并且能降低噪音的作用。 那么具体是如何计算的呢?且看下文。待处理图像数据(5*5): 卷积核:(3*3)A = [17 24 01 08 15转载 2017-03-01 20:10:47 · 10327 阅读 · 0 评论 -
Delaunay三角剖分
原文地址:http://blog.csdn.net/piaoxuezhong/article/details/68065170鉴于Delaunay三角剖分在点云拟合方面有不错的应用,现对该算法的原理进行简单的汇总~----------------------------原理部分------------------------点集的三角剖分(Triangula转载 2017-05-10 10:53:42 · 4981 阅读 · 0 评论 -
多频段融合方法——图像拼接
原文地址:http://blog.csdn.net/smallflyingpig/article/details/61200497图像拼接一般包括warp(映射), compensation(光照补偿)和blend(融合)三部分。 warp部分主要取决于相机参数估计的准确性,光照补偿主要用于解决不同图像曝光不同所带来的输出图像的不同局部的光照差异,而blend则用于融合不同转载 2017-04-24 21:39:53 · 9840 阅读 · 1 评论 -
泊松融合(Poisson blend)
原文地址:http://www.cnblogs.com/CVFans/p/4475885.html最近国外的Open Course很火。很多同学喜欢看斯坦福,麻省的公开课程。但是国产大学生最大的悲剧就是,不愿做作业。很多人看看公开课,看完也就结束了,很少有人会去做他们的课堂作业。大学期间看了斯坦福的Machine learning,很是喜欢。特别是里面那辆自动导航的车子转载 2017-05-03 16:29:06 · 12334 阅读 · 0 评论 -
利用RANSAC算法筛选SIFT特征匹配
原文地址:http://blog.csdn.net/akunainiannian/article/details/46277979关于RANSAC算法的基本思想,可从网上搜索找到,这里只是RANSAC用于SIFT特征匹配筛选时的一些说明。RANSAC算法在SIFT特征筛选中的主要流程是:(1) 从样本集中随机抽选一个RANSAC样本,即4个匹配点对(2)转载 2017-03-16 15:04:43 · 1113 阅读 · 0 评论 -
图像中带通滤波器和带阻滤波器的关系(带通图像)
原文地址:http://blog.csdn.net/hlx371240/article/details/40477759先给出一张图像,来说明带阻滤波器和带通滤波器的关系。 由上图可以看出这张图片的中低成份占的比较多,而高频成份比较少。因为白色的像素都集中在中点和离中心的附近。对于频谱图,由白色代表某一频率点有响应,也就是原图含有该频率的成份。可转载 2017-03-22 11:19:09 · 17014 阅读 · 7 评论 -
摄像机模型与标定——单应性
原文地址:http://blog.csdn.net/gdut2015go/article/details/48250757在计算机视觉中,平面的单应性被定义为一个平面到另外一个平面的投影映射。因此一个二维平面上的点映射到摄像机成像仪上的映射就是平面单应性的例子。如果点Q到成像仪上的点q的映射使用齐次坐标,这种映射可以用矩阵相乘的方式表示。若有一下定义:这里引入参数s转载 2017-02-18 16:37:25 · 1029 阅读 · 0 评论 -
特征提取(Detect)、特征描述(Descriptor)、特征匹配(Match)详解
原文地址:http://www.cnblogs.com/cgjdemo/p/4117400.html特征匹配(Feature Match)是计算机视觉中很多应用的基础,所以花一些时间去深入理解这个概念是不为过的。本文希望通过一种通俗易懂的方式来阐述特征匹配这个过程,以及在过程中遇到的一些问题。概念理解:假设这样的一个场景,小明和小小明都在看一个图片,但是他们想知转载 2017-03-07 15:44:49 · 1486 阅读 · 0 评论 -
Mutual information and Normalized Mutual information 互信息和标准化互信息
原文地址:http://www.cnblogs.com/ziqiao/archive/2011/12/13/2286273.html实验室最近用到nmi( Normalized Mutual information )评价聚类效果,在网上找了一下这个算法的实现,发现满意的不多.浙江大学蔡登教授有一个,http://www.zjucadcg.cn/dengcai/Data转载 2017-02-17 10:34:08 · 1289 阅读 · 0 评论 -
卷积神经网络详解
原文地址:http://blog.csdn.net/han_xiaoyang/article/details/505428801. 前言前面九讲对神经网络的结构,组件,训练方法,原理等做了介绍。现在我们回到本系列的核心:计算机视觉,神经网络中的一种特殊版本在计算机视觉中使用最为广泛,这就是大家都知道的卷积神经网络。卷积神经网络和普通的神经网络一样,由『神经元』按层级转载 2017-02-21 17:11:39 · 12095 阅读 · 0 评论 -
图像配准中的归一化互相关匹配算法
原文地址:http://blog.csdn.net/fengbingchun/article/details/5857810在用Harris算子对图像进行角点提取后,两幅图像得到的角点个数不一定相等,这时就要先对它们进行处理,得出一一对应的角点对。 归一化互相关(Normalized Cross Correlation method, NCC)匹配算法是一种经典的统计匹配算转载 2017-02-17 10:48:52 · 17206 阅读 · 0 评论 -
仿射变换(1)
原文地址:http://blog.csdn.net/carson2005/article/details/7540936仿射变换(Affine Transformation或 Affine Map)是一种二维坐标到二维坐标之间的线性变换,它保持了二维图形的“平直性”(即:直线经过变换之后依然是直线)和“平行性”(即:二维图形之间的相对位置关系保持不变,平行线依然是平行线,且直线转载 2017-02-17 15:47:49 · 455 阅读 · 0 评论 -
仿射变换(2)
原文地址:http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/warp_affine/warp_affine.html仿射变换目标在这个教程中你将学习到如何:使用OpenCV函数 warpAffine 来实现一些简单的重映射.使用OpenCV函数 get转载 2017-02-17 15:49:45 · 758 阅读 · 0 评论 -
RANSAC算法详解
原文地址:http://blog.sina.com.cn/s/blog_875c3b2f0106huux.htmlRANSAC是“RANdom SAmple Consensus(随机抽样一致)”的缩写。它可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数。该算法最早由Fischl转载 2017-02-18 19:13:27 · 991 阅读 · 0 评论 -
SIFT特征提取的分析
原文地址:http://blog.csdn.net/abcjennifer/article/details/7639681/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 的描转载 2017-02-21 16:44:49 · 846 阅读 · 0 评论 -
SIFT算法的详细解释
原文地址:http://blog.csdn.net/pi9nc/article/details/23302075尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Fun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、SI转载 2017-02-21 16:42:11 · 1346 阅读 · 0 评论 -
图像的上采样(up-sampling)和下采样(down-sampling)
原文地址:http://blog.csdn.net/majinlei121/article/details/46742339 缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的有两个:1、使得图像符合显示区域的大小;2、生成对应图像的缩略图。放大图像(或称为上采样(upsampling)或图像插值(interpolating))的主要目转载 2017-06-06 10:26:51 · 42993 阅读 · 0 评论