图像处理
Lavi_qq_2910138025
这个作者很懒,什么都没留下…
展开
-
图像的仿射变换原理及python实现
1. 原理1.1 原理仿射变换(Affine Transformation 或Affine Map)是一种二维坐标(x, y)到二维坐标(u, v)的线性变换,其数学表达式形式如下:对应的齐次坐标矩阵表示形式为:仿射变换保持了二维图形的“平直性”(直线经仿射变换后依然为直线)和“平行性”(直线之间的相对位置关系保持不变,平行线经仿射变换后依然为平行线,且直线上点的位置顺序不会发生变化)...转载 2018-09-21 13:16:17 · 30963 阅读 · 1 评论 -
线性插值和双线性插值
线性插值先讲一下线性插值:已知数据 (x0, y0) 与 (x1, y1),要计算 [x0, x1] 区间内某一位置 x 在直线上的y值(反过来也是一样,略):上面比较好理解吧,仔细看就是用x和x0,x1的距离作为一个权重,用于y0和y1的加权。离哪个点近,那个点对最后的值共享越多。双线性插值本质上就是在两个方向上做线性插值。双线性插值在数学上,双线性插值是有两个变量的插值函数的线性插值...转载 2019-01-17 15:24:55 · 5400 阅读 · 0 评论 -
图片及其标注框旋转
图片旋转后的处理分为两种情况:使用旋转前的尺寸进行仿射,旋转后图片的尺寸不变,得到的是旋转后对图像内容进行裁剪的结果,图像内容可能不完整使用旋转后的尺寸进行仿射,图片旋转后图片的图像的尺寸改变下面是图像旋转的是坐标轴和示意图及图像旋转后新的尺寸的计算公式:图上theta代表旋转角度,取值范围0-360,可为负数。坐标建立按照opencv的坐标系。旋转后的宽和高按照上面的公式进行计算即可...转载 2019-01-12 21:54:57 · 3693 阅读 · 0 评论 -
滑动窗口切割图片并重定位标注框
在进行目标检测时候,尤其是小目标检测,将图片放大后再进行检测是一个常用的手段,但是方法的后的图像在输入网络的时候,有会被resize带一定得尺寸,这样的我们的放大就没有起到作用。所以有时候我们需要将图片放大后,使用滑动窗口切割产生多幅图像,然后再输入到网络中进行学习。在放大图像和切割图像的过程中,我们需要同时调整标注框。下面分享一下我写的放大和滑动窗口切割图像的python代码:#coding...原创 2019-01-12 22:20:22 · 6834 阅读 · 4 评论 -
opencv-python扩充图像的边界
前言有的人脸识别数据集提供的图像是已经紧crop过的,我们想重新检测人脸的话,由于没有周围的像素信息,容易导致人脸检测失败,这时候就需要对图像扩边,将图像变得后再进行人脸检测,获得自己想要的crop。方法原始图像方法一:根据图像的边界的像素值,向外扩充图片,每个方向扩充50个像素。a = cv2.copyMakeBorder(img,50,50,50,50,cv2.BORDER_RE...转载 2019-01-20 15:02:58 · 4255 阅读 · 0 评论 -
一文读懂图像中点的坐标变换(刚体变换,相似变换,仿射变换,投影变换)
0 前言现在的人脸图像识别流程中有一个步骤叫人脸对齐,现在的一般方法是采用人脸上的关键点坐标,进行相似变换来实现人脸校正。多次在人脸识别的论文中看到 similarity transform,由于在线代和矩阵分析的课上一直划水。对相似变换也是一知半解,今天决定不惜一下相关的知识。大部分的内容都是参考网上大神的,这里只是做个整理。下面的阐述主要以二维坐标为例,多维空间的左边点,可以通过增加变换矩阵...转载 2019-01-16 16:32:44 · 30207 阅读 · 2 评论 -
图像表示-HOG特征
HOG特征详解HOG:从理论到OpenCV实践这两篇博客讲得比较好,第一篇比较简洁,第二篇比较详细,联合服用效果更佳,自己的之后再整理。转载 2019-06-08 16:00:34 · 1259 阅读 · 0 评论 -
图像表示-SIFT特征
SIFT特征详解SIFT特征提取分析这两篇放在一起算是基本讲清楚了,自己稍后再进行整理。转载 2019-06-08 16:04:08 · 592 阅读 · 0 评论 -
从波的角度理解图像和滤波
为什么图像是波以及滤波0 前言1 图像为什么是波呢2 频率3 滤波4 图像的滤波4.1 滤波的作用4.2 滤波的分类4.2.1 线性滤波和非线性滤波4.2.1.1 线性滤波4.2.1.2 非线性滤波4.2.2 卷积滤波和相关滤波4.2.3 空间滤波和频域滤波0 前言在图像处理中滤波是一种很常用的操作,无论是去噪、模糊,还是锐化和提取边缘都是在进行滤波,只不过是使用的滤波器不同。为什么图像可以进...转载 2019-08-19 16:04:38 · 1711 阅读 · 0 评论