2017年06月_8BitCat

07月 06月 05月 04月

转载 Python-OpenCV 处理图像（一）：基本操作 cv2

0x00. 图片读、写和显示操作安装好 OpenCV 之后，首先尝试加载一张最简单的图片并显示出来，代码示例：第一种方式使用cv2.cv的LoadImage、ShowImage和SaveImage函数import cv2.cv as cv# 读图片image=cv.LoadImage('img/image.png', cv.CV_LOAD_IMAGE_COLOR)#Load th

2017-06-28 09:15:45 32117 1

原创关于python 和C++使用cv画矩形并填充颜色同时填充文字

python:font = cv2.FONT_HERSHEY_SIMPLEX # 使用默认字体 cv2.rectangle(im, (10, 10), (110, 110), (0, 0, 255), thickness=2) # cv2.floodFill() cv2.rectangle(im, (11

2017-06-16 15:24:54 3233

转载 Chipscope信号无法找到的解决方案

为了调试逻辑,现在很少再将FPGA中的信号引出,通过示波器或者逻辑分析仪来观察,更多的是在工程中生成stp或者cdc文件,通过signalTAP或者chipscope这两个工具来调试.但我们发现,有时候在chipscope中很难找到你预期的信号,这往往是被综合器优化掉了,或者更改了信号名.我发现有效的方法是在源代码中加上约束语句,这样就不用对代码做大的改动.例如:在VHDL中:为

2017-06-12 16:22:49 5001

原创 IplImage* cvmat* mat 释放

IplImage* c_left;cvReleaseImage(&c_left);cvmat* img1r;cvReleaseMat(&img1r);mat img2;img2.release();

2017-06-08 15:34:35 476

翻译 Cross-Scale Cost Aggregation for Stereo Matching

摘要：人类处理立体通信跨越多个尺度。然而，这种生物灵感就是忽略了最先进的成本汇总方法密集的立体声通信。在本文中，一个通用的提出跨规模成本汇总框架允许成本汇总中的多尺度互动。我们首先从统一优化中重新构建成本汇总透视和显示不同的成本汇总方法在相似性内核的选择上基本不同。然后，引入一个跨规模的正则化器进行优化并解决这个新的优化问题导致了提出框架。由于正则化术语是独立的的相似内核，各种成本聚合方法可以

2017-06-06 16:39:35 458

转载双系统安装ubuntu后没有windows启动项

ubunut window 启动项

2017-06-03 18:55:45 3950 2

原创 /usr/bin/ld: 找不到 -lopencv_dep_cudart

cmake -D CUDA_USE_STATIC_CUDA_RUNTIME=OFF .

2017-06-01 16:33:42 1464 1

middlebury_data_StereoMatching.7z

middlebury stereo matching data,包括左右图像和视差图.可以用于算法验证，效果对比。左右图像严格的矫正过。

2019-11-18

Birchfield-Tomasi metric 立体匹配算法.pdf

双目立体匹配算法，BT代价计算论文.论文摘要： An algorithm to detect depth discontinuities from a stereo pair of images is presented. The algorithm matches individual pixels in corresponding scanline pairs while allowing occluded pixels to remain unmatched, then propagates the information between scanlines by means of a fast postprocessor. The algorithmhandles large untextured regions, uses a measure of pixel dissimilaritythat is insensitive to image sampling, and prunes bad search nodes to increase the speed of dynamic programming. The computation is relatively fast, taking about 1.5 microseconds per pixelper disparityonaworkstation. Approximatedisparity mapsandprecisedepthdiscontinuities(alongbothhorizontal and vertical boundaries) are shown for ﬁve stereo images containing textured, untextured, fronto-parallel, and slanted objects.

2019-10-21

基于分段的用于立体匹配的遮挡处理的差异细化

Segment-based Disparity Refinement with Occlusion Handling for Stereo Matching

2019-06-14

双目视觉书籍

双目立体视觉融合两只眼睛获得的图像并观察它们之间的差别，使我们可以获得明显的深度感，建立特征间的对应关系，将同一空间物理点在不同图像中的映像点对应起来，这个差别，我们称作视差(Disparity)图像。[1] 双目立体视觉测量方法具有效率高、精度合适、系统结构简单、成本低等优点，非常适合于制造现场的在线、非接触产品检测和质量控制。对运动物体（包括动物和人体形体）测量中，由于图像获取是在瞬间完成的，因此立体视觉方法是一种更有效的测量方法。双目立体视觉系统是计算机视觉的关键技术之一，获取空间三维场景的距离信息也是计算机视觉研究中最基础的内容。[1]

2017-10-31