Opencv下矩阵的乘积

今天一晚上都被这个问题给整恶心了,现在Opencv里矩阵的主流表示是用Mat 格式,对Mat的乘积Opencv里面提供了multiply,gemm等函数,但是你不知道参数是怎么是设置的,太恶心了,尤其是最近Google不能用,用Baidu查不到英文参考文章的情况下。查了这么多资料,终于找到了一篇有用的资源,Opencv矩阵运算。在这里,我们示例如下:

Mat A=Mat::ones(10,8,CV_32F);
		Mat B=Mat::ones(10,20,CV_32F);
		Mat C=Mat::zeros(8,20,CV_32F);
		C=A.t()*B;
		cout<<C<<endl;

这里面我们所说的乘积就是正常的乘积,我们在线性代数到的乘积,A.t()是对A的转置。

后续肯定还会用到别的运算,到时候会继续往里面添加的。

OpenCV中的共生矩阵是一种用于纹理特征提取的方法,它通常用于计算机视觉中的图像分析和模式识别任务。共生矩阵是由Hunt and DeRose在1987年提出的一种统计描述方法,用于捕捉纹理的局部统计信息,尤其是方向和空间的相关性。 具体来说,共生矩阵是通过计算两个邻近像素值之间的协方差来构建的。对于每个像素,你会选择其周围的一组邻域(比如3x3或5x5窗口),然后计算这个区域中两个特定方向上像素值的差异(通常是垂直和水平方向)。将这些差异乘积相加得到共生矩阵的一个条目,整个矩阵会反映纹理的局部结构和方向依赖性。 以下是共生矩阵纹理特征提取的基本步骤: 1. **预处理**:首先对图像进行灰度化和噪声过滤,以便更好地提取特征。 2. **构造共生矩阵**:遍历图像,对于每个像素及其邻居,计算不同方向(如45°和-45°)的像素值差并将其乘起来。 3. **归一化**:由于共生矩阵的值可能会受到像素值范围的影响,通常会对矩阵进行归一化,例如除以像素值的标准差。 4. **特征提取**:从归一化的共生矩阵中提取特征,这可能包括计算矩阵的某些统计量(如平均值、标准差、最大值等)或者使用更复杂的特征描述子(如局部二值模式,LBP)。 5. **应用到任务**:最后,这些纹理特征可以作为输入到分类器、识别算法或其他机器学习模型中,用于区分不同的纹理类别。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值