- 博客(123)
- 收藏
- 关注
原创 5.点云的分辨率计算
1.什么是点云的分辨率点云的分辨率也叫点云密度,点云密度是数据分辨率的指标:较高的密度意味着更多的信息(高分辨率),而较低的密度意味着较少的信息(低分辨率)。了解点云密度很重要,因为这可能会影响基于点云的其他项目的质量或准确性。点云的分辨率有很多是基于某点去查询最近点,根据最近点的距离去代替点云的密度,但是这种是不稳定的,对于有噪声和有空洞的点云来说,可能是不准确的,所以利用整个点云去查找最近点进行平均的方法是具有较高的稳定性和鲁棒性的;
2024-01-15 17:18:59
838
原创 4.圆柱形领域搜索
1.什么是圆柱形领域圆柱形领域,一般用来搜索某点范围内的圆柱形区域,根据我们普通的K近邻和半径领域搜索,我们只能得到最近范围内的某些点,或者球形区域内的点,很难得到圆柱形领域内的点,那圆柱形领域是什么呢?
2024-01-15 16:41:31
703
原创 3.半径范围内查询
Kd-tree搜索方式有两种基本的方式:一种是范围查询(range searches),另一种是K近邻查询(K-neighbor searches)。K近邻查询是给定查询点及正整数K,从数据集中找到距离查询点最近的K个数据,当K=1时,就是最近邻查询(nearest neighbor searches)。范围查询就是给定查询点和查询距离的阈值,从数据集中找出所有与查询点距离小于阈值的数据;
2024-01-15 15:39:07
515
原创 2.K近邻查询
Kd-tree搜索方式有两种基本的方式:一种是范围查询(range searches),另一种是K近邻查询(K-neighbor searches)。范围查询就是给定查询点和查询距离的阈值,从数据集中找出所有与查询点距离小于阈值的数据;K近邻查询是给定查询点及正整数K,从数据集中找到距离查询点最近的K个数据,当K=1时,就是最近邻查询(nearest neighbor searches)。
2024-01-15 15:24:15
448
原创 1.Kd-tree概述与原理
kd-tree是在进行激光点云编程中经常使用的一个工具。kd-tree是一种空间划分的数据结构,又称k维的二叉树。其中的每一个节点都是k维的数据。常被用于高维空间中的搜索,比如范围搜索和最近邻搜索。kd-tree是二进制空间划分树的一种特殊情况。kd-tree,是k维的二叉树。其中的每一个节点都是k维的数据,数据结构如下所示:上面的数据在进行算法解析中,并不是全部都会用到。一般情况下,会用到的数据是{数据矢量,切割轴号,左支节点,右支节点}。
2024-01-15 14:21:00
1086
原创 4.txt文件读写
txt格式是一种简单的文本文件格式,常用于存储点云数据的几何信息。它以每行一个点的形式,存储点的X、Y、Z坐标值,没有额外的属性信息。由于其简单性,txt格式易于创建、编辑和阅读,适用于快速查看和处理点云的几何数据。txt格式文件由多行组成,每行表示一个点。每个点的X、Y、Z坐标值用空格或制表符分隔。文件中不包含文件头信息或其他元数据,只有纯粹的点云数据。在上述示例中,每行代表一个点,包含该点的X、Y、Z坐标。这个文件包含了四个点,每个点都有三个坐标值。
2024-01-15 11:57:04
400
原创 3.PLY文件读写
pcl::PLYReader是PCL库中用于读取PLY格式文件的类。pcl::PLYWriter 是 PCL 库中用于将点云数据写入 PLY 文件格式的类。主要作用就是将 PCL 中的点云数据写入 PLY 文件格式中。使用时要加入头文件#includeloadPLYFile是 PCL 库中用于读取 .ply 格式点云数据文件的函数。savePLYFile将点云数据保存为PLY格式文件的函数。使用时要加入头文件#include。
2024-01-15 11:24:34
880
1
原创 2.PCD文件读写
pcl::PCDReader 是 PCL 库中用于读取 .pcd 格式点云数据文件的类。pcl::PCDWriter将点云数据保存为PCD格式文件的类。PCD是PCL中定义的点云文件格式,支持二进制和ASCII两种形式。其中ASCII格式的文件通常以.pcd为扩展名,而二进制格式的文件则以.pcdb为扩展名。loadPCDFile是 PCL 库中用于读取 .pcd 格式点云数据文件的函数。使用时要加入头文件#include。
2024-01-15 10:49:42
489
原创 1.I/O模块介绍
I/O模块提供了多种方法和接口,使得用户可以方便地加载、保存和处理点云数据。它支持各种常见的点云数据格式,如PCD(Point Cloud Data)、PLY(Polygon File Format)、OBJ(Wavefront OBJ)、XYZ(ASCII XYZ)、LAS(LiDAR Data Exchange Format)等。针对不同的点云文件格式,PCL库的IO模块提供了一系列读取、写入点云数据的方法,支持多种常见的点云文件格式,如PCD、PLY、XYZ、OBJ、STL、LAS等。
2024-01-15 10:21:34
341
原创 1.1 pcl1.8.1 vs2019环境搭建
软件与版本主要是:visual studio community 2019和pcl1.8.1-msvc2017;下载 PCL-1.8.1-AllInOne-msvc2017-win64.exe 和 pcl-1.8.1-pdb-msvc2017-win64.zip 文件百度云链接:https://pan.baidu.com/s/1zgdr4-JoYRLmqHfzFHH9Iw 提取码:aeljVS2019在百度网盘中,下载后安装即可。
2024-01-15 10:06:13
1141
原创 vs2019中c++ pcl算法封装为dll和lib并调用
现在只剩下dll文件未添加,dll文件这里介绍一种简单的方式,对你创建的新项目,添加main.cpp文件,添加封装时类的头文件,创建main函数,实例化你的类对象,并调用所需要的功能函数。在.h文件中添加需要的pcl头文件和需要创建的类和成员函数的声明。复制所有的.h文件(所有的),包括你自己声明的类的头文件,以及编译器生成的pch.h、framework.h文件,随便找一个位置,新建文件夹include,将所有的.h文件粘贴进去。在.cpp文件中,添加函数的实现,并添加pch.h头文件和包含类的头文件。
2023-09-08 11:38:02
964
原创 C3856 “id2type_impl”: 符号不是模板类
在使用pcl库的过程中,运用到了icp算法,在程序上方加入#include <pcl/registration/icp.h> 的头文件,出现错误:C3856 “id2type_impl”: 符号不是模板类、C2988 不可识别的模板声明/定义、C2143 语法错误: 缺少“;”(在“常数”的前面)、C2913 显式专用化;“boost::type_of::id2type_impl”不是类模板的专用化、C2059 语法错误:“常数” 、C2334 “{”的前面有意外标记;
2023-08-28 17:13:59
298
原创 pcl::SAC_SAMPLE_SIZE : This map is deprecated and is kept only to prevent breaking existing user cod
在配置好pcl后,写好算法,点击运行后,出现了pcl::SAC_SAMPLE_SIZE : This map is deprecated and is kept only to prevent breaking existing user code.的错误。经过查找,将属性表中的SDL检查设置为否,程序成功运行。
2023-08-28 17:00:09
239
原创 no override found for ‘vtkPolyDataMapper‘
并且程序报错,在pcl_visualizer.hpp的594行出现提示内存异常。在使用pcl库中的viewer->addSphere()函数时,工作台出现no override found for 'vtkPolyDataMapper',并且无法显示点云,看下图。只要在源程序前面加上以下三行代码就欧克了!在没有编译的pcl库中,请使用。
2023-08-24 09:34:05
220
原创 98.ORB角点检测
ORB特征描述算法的运行时间远优于SIFT和SURF,可用于实时性特征检测。ORB特征基于FAST的特征点检测与描述技术,具有尺度与旋转不变性,同时对噪声及透视仿射也具有不变性,良好的性能使得用ORB在进行特征描述时的应用场景十分广泛。ORB采用FAST(features from accelerated segment test)算法来检测特征点,FAST算法的核心思想就是比较当前点和周围的点,如果周围大部分的点都与当前点不同,就可以认为它是一个特征点。
2023-08-19 20:05:05
191
原创 97.SURF特征点检测
而在SURF算法中,采用的是统计特征点圆形邻域内的Harr小波特征,即在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直Harr小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内Harr小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向。在SURF算法中,不同组间图像的尺寸都是一致的,不同的是不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组不同层图像使用相同尺寸的滤波器,但是滤波器的尺度空间因子逐渐增大。它的缺点是实时性不高,并且对于光滑目标的特征点提取能力较弱。
2023-08-19 19:39:50
98
原创 96.sift特征点检测
SIFT 即尺度不变特征变换,用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量,此算法由 David Lowe在1999年所发表,2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。SIFT的特点:1)SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变化、噪声也保持一定程度的稳定性。2)独特性好、信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配。
2023-08-19 17:34:01
240
原创 95.图像特征点
对于每个物体,我们总能用一些词语描述它,比如人脸的特征:一个鼻子、两个眼睛、一个嘴巴等。对于计算机而言,图像的特征包括图像的颜色特征、纹理特征、形状特征等。我们希望计算机去理解图像、描述图像,这就需要计算机去取得图像的特征,这个特征也要是一些显著、良好的特征,比如局部不变性。局部不变性一般包括两个方面:尺度不变性、旋转不变性。尺度不变性: 人类在识别一个物体时,不管这个物体或远或近,都能对它进行正确的辨认,这就是所谓的尺度不变性。
2023-08-19 16:16:18
111
原创 94.Shi-Tomasi角点检测
Shi-Tomasi算子是Harris算子的改进版本,该算子是1994年J.Shi和C.Tomasi在其论文“Good Features to Track”中提出的。我们根据这个式子中的两个特征值的大小,去求得响应系数,最后根据响应系数的值去判断该点是不是角点,这样就导致Harris角点检测算法的稳定性与k值有关,而k值是一个经验值,不容易设定最佳值。Shi和Tomasi发现,角点的稳定性其实和矩阵M的较小特征值有关,于是直接用较小的那个特征值作为判断条件,这样就不用调整k值了。
2023-08-19 14:28:34
121
原创 93.harris角点检测
在每个像素点处,通过计算该点与邻域像素之间的灰度差异,以及随着像素位移的变化而引起的灰度变化,来评估该点是否为角点。2.在像素值的边缘区域移动滑动窗口,沿着垂直方向移动滑动窗口,移动窗口下的像素值灰度变化不大,但是如果在水平方向上移动滑动窗口,窗口下的像素值灰度变化剧烈。3.在两条直线的交点处,无论往哪个方向移动滑动窗口,窗口下的像素值的灰度变化都非常剧烈,因此两直线的交点是harris角点。“考虑这样一个小窗口,从不同方向移动窗口,观测窗口内像素值的变化,来区分(判断)当前窗口内的点是否是角点。
2023-08-19 14:08:58
61
原创 92.角点与特征点介绍
图像中的关键点指的是图像中具有显著性、重要性或独特性的位置或特征。这些关键点通常是图像中某个物体的边缘、角点、纹理等特征点,可以用来描述和表征图像中的局部结构。Harris 角点检测:Harris 角点检测是最早提出的角点检测算法之一。它通过计算图像中每个像素的灰度值的变化率,并结合窗口内的梯度信息,来判断该像素是否为角点。在实际应用中,可以根据需求选择适合的角点检测算法来提取图像中的角点信息。角点是图像中具有明显变化的位置,例如像素值的最大最小点、线段的顶点、孤立的边缘点等。
2023-08-19 09:58:56
375
原创 91.图像修复
图像修复的目标是通过使用局部和全局上下文信息,将缺失或损坏的区域填充或恢复为与周围环境相协调的内容。图像修复(Image Inpainting)是指通过利用图像中已有的信息,对其中缺失、损坏或被遮挡的部分进行恢复或填补的技术。图像修复是一种图像处理技术,旨在使修复后的图像看起来与原始完整的图像一致。图像修复算法:根据不同的修复需求和场景,可以选择使用基于偏微分方程、全变差、最小二乘等算法进行图像修复。上下文信息:通过分析和利用图像中已有区域的信息,如纹理、颜色和结构等,来推断和估计缺失区域的内容。
2023-08-13 15:47:55
149
原创 90.积分图像
快速计算矩形区域和:通过使用积分图像,可以在常数时间内计算任意大小的矩形区域内像素值的累加和。积分图像的主要用途之一是快速计算任意大小矩形区域内像素值的累加和,可以大大加速相关算法的计算过程,如目标检测、人脸识别等。下面以3×3的图像为例,根据计算规则,积分图像的每个像素点都包含了原始图像中相应位置及其左上方区域内所有像素值的累加和。线性空间开销:积分图像的大小比原始图像大小加1,即原始图像为N*N,积分图像为(N+1)首先生成的积分图像为4×4,并填补0,并计算第一个积分图像。根据计算规则继续计算。
2023-08-13 15:25:13
39
原创 89.基于聚类的kmeans图像分割
基于聚类的分割是一种图像分割方法,它通过将像素分成不同的群集或聚类来实现图像的分割。聚类算法可以根据像素的特征和相似度,将图像中的像素划分为具有相似属性的群集,从而实现对图像的分割。K-means的目标是通过最小化每个样本点与所属簇的质心之间的距离来实现聚类。OpenCV中提供了多个函数来实现基于聚类的分割,其中最常用的是K-means聚类算法。(2)分配样本点到簇:对于每个样本点,计算其与所有质心的距离,并将其分配到距离最近的簇。(3)更新质心:对于每个簇,根据簇中所有样本点的均值计算新的质心位置。
2023-08-13 14:32:53
370
原创 88.基于均值漂移法(mean-shift)的图像分割
在每次迭代时,均值漂移法会根据某个核函数来计算样本点对种子点的贡献权重,通常使用高斯核函数来衡量样本点与种子点之间的相似性。然后,对于每个种子点,它会计算该点周围样本点的平均位置(即均值),并将该均值作为新的种子点。判断收敛:判断新的种子点与当前种子点之间的距离是否小于某个阈值,如果小于阈值,则认为算法已经收敛,退出迭代。总结起来,均值漂移法通过迭代计算样本点的均值位置,从而找到数据分布的最大密度区域,实现聚类的目标。归类样本点:根据最终收敛的种子点,将每个样本点归类到与其最近的种子点所代表的簇中。
2023-08-13 11:28:08
855
原创 87.基于图割的GrabCut
基于图论的图像分割方法是一种将图像分割成不同区域的技术,它通过建立图模型来表示图像,并将图像中的像素作为图中的节点。该方法使用图论中的最小割(Min-Cut)算法来找到图中的最小割,从而实现对图像的分割。算法将通过优化前景和背景模型,估计出前景和背景之间的分割边界,并将结果存储在输出的掩码图像中。这种方法的主要思想是将图像中的像素看作是一个图中的节点,通过计算节点之间的相似度或代价来构建图中的边。分割结果:最终,根据迭代过程中得到的前景和背景概率,将像素分为前景和背景两部分,得到最终的分割结果。
2023-08-13 10:59:59
137
原创 86.基于分水岭算法的分割
当水平面上升到一定高度时,水就会溢出当前山谷,可以通过在分水岭上修大坝,避免两个山谷的水汇集,因此图像就可以分为两个像素集合,一个是被水淹没的山谷像素集,另一个是分水岭线像素集。3.水平面在增长的过程中,会碰到周围的像素点,测量这些像素到起始点的测地距离,如果小于测地距离阈值,则将这些像素掩膜,否则在这些像素上设置大坝。分水岭间的水就是用于二值化的灰度阈值,二值化阈值可以理解为水平面,比水平面低的区域会被淹没,刚开始用水填充每个孤立的山谷(局部最小值)。它可以对标记图像进行连通区域的分析和标记。
2023-08-13 10:12:12
129
原创 85.漫水填充法
我们可以将图像的灰度值理解成像素点的高度,这样一幅图像可以看成崎岖不平的地面或者山地,向地面上某一个低的地方倾倒一定量的水,水将掩盖低于某个高度的区域。与向地面注水一致,漫水填充法也需要在图像选择一个注水”像素,该像素称为种子点,按照一定规则不断向外扩散,从而形成具有相似特征的独立区域,进而实现图像分割。漫水填充法是一种基于种子点的图像处理算法,它从种子点开始向相邻的像素扩散,并将符合条件的像素标记为指定的颜色或值。该函数接受输入图像、种子点位置、目标颜色、填充范围等参数,并输出填充后的图像。
2023-08-13 10:11:06
83
原创 84.基于区域生长分割
第三次生长后的区域均值为6.9,按照生长阈值为2,第三次生长的像素取值范围应为[4.9,8.9],周边已没有满足继续生长的像素点,到此我们停止生长。将生长后的区域标记为1,其他区域标记为0,最终的分割区域如下图所示。按照区域生长阈值为2,从像素值为9的种子点开始生长,因此生长的像素取值范围为[7,11],生长后的区域像素均值为7.8,第一次生长后效果如下图所示。第二次生长后的区域均值为7.1,按照生长阈值为2,第三次生长的像素取值范围应为[5.1,9.1],如下图所示,黄色部分为第三次生长的区域结果。
2023-08-13 10:08:04
290
原创 83.图像的分割介绍
选择适合特定任务的分割方法需要考虑图像的特点、应用需求以及算法的优缺点。它是计算机视觉和图像处理领域中的一个基础任务,旨在根据像素之间的某种特定属性或准则,将图像分成具有相似性质的子区域。:通过对图像进行分割,可以提取出各个区域的特征和属性,例如颜色、纹理、形状等。图像分割在许多应用中起着关键作用,如目标检测、图像分析、医学影像处理、机器人导航、视频监控等。通过将图像分割成不同的区域,可以对每个区域应用不同的处理,从而实现各种图像编辑效果。:通过聚类算法,将图像中的像素划分为不同的簇或类别。
2023-08-12 20:39:54
44
原创 82.凸包检测
计算凸包的常见算法有 Graham 扫描法(Graham's scan)、Jarvis 愚蠢算法(Jarvis march)、Andrew 的单调链(Andrew's monotone chain)和 QuickHull 算法等。
2023-08-12 18:06:06
413
原创 81.点到轮廓的距离
(2)如果measureDist设置为false,函数将返回一个正负值,表示点在轮廓内部(负值)还是外部(正值),点在轮廓上(0)。点到轮廓的距离是指一个点到给定轮廓的最短距离。(1)输入的轮廓必须是一个单个轮廓(即单个闭合轮廓),而不是包含多个轮廓的容器。特征提取:通过计算点到轮廓的距离,可以获得描述对象形状特征的信息。目标识别:通过比较点到轮廓的距离,可以判断两个对象是否相似或匹配。边界检测:通过检测点到轮廓的距离变化,可以找到轮廓的边界。
2023-08-12 17:41:58
273
原创 80.轮廓多边形拟合
曲线拟合:多边形逼近通过拟合一条直线或一组连续线段来逼近给定的曲线或轮廓。距离度量:多边形逼近的精度可以通过距离度量进行控制。通常使用欧氏距离或其他距离度量方法来衡量逼近结果与原始曲线之间的差异。具体的数学原理和推导公式涉及到曲线拟合、距离度量和优化问题,如果对数学原理感兴趣,建议查阅相关资料或学术文献。多边形拟合是指找到一个近似于给定轮廓的多边形。多边形逼近的数学原理主要涉及到曲线拟合和距离度量。特征提取:通过逼近轮廓来提取对象的形状特征。轮廓分析:用于简化和平滑对象的轮廓。
2023-08-12 17:33:10
162
原创 79.轮廓外接圆
然后通过调用minEnclosingCircle()函数计算轮廓的最小外接圆,得到圆心和半径。最后,绘制最小外接圆,并显示结果图像。数学上,求解最小外接圆的过程可以用迭代的方法进行近似计算。具体而言,每一次迭代都会更新圆心和半径,并将其调整为能够包含所有轮廓点的最小圆。轮廓的最小外接圆可以通过不断缩小一个初始圆的半径,直至完全包围住轮廓点集为止。其中,初始圆的半径可以是任意大于零的值,可以使用轮廓点集的最外层点的距离作为初始半径。它可以通过计算轮廓点集的几何特征来获得,通常用于轮廓的定位、识别和分析。
2023-08-12 17:18:34
121
原创 78.轮廓外接矩形
然后通过调用minAreaRect()函数计算轮廓的最小外接矩形,以及调用boundingRect()函数计算边界框。最后,绘制最小外接矩形和边界框,并显示结果图像。矩形的中心点可以通过计算轮廓点集的均值来获得。轮廓外接矩形是指能够包围一个轮廓的最小面积矩形。它可以通过计算轮廓点集的几何特征来获得,通常用于轮廓的定位、识别和分析。最小外接矩形(RotatedRect):以矩形中心点、矩形大小和旋转角度来定义的矩形。矩形边界框(Rect):以左上角坐标和矩形的宽高来定义的矩形。
2023-08-12 17:13:37
512
原创 77.轮廓面积与周长计算
OpenCV中的contourArea函数实际上会根据曲线的顶点坐标进行计算,得到轮廓的面积。在OpenCV中,可以使用contourArea函数来计算轮廓的面积,使用arcLength函数来计算轮廓的周长。在图像处理和计算机视觉中,轮廓面积是指一个封闭轮廓所包围的区域的面积大小。形状分析:通过计算轮廓的面积,可以得到关于目标形状的信息,如圆形度、长宽比等。目标分类和识别:通过比较不同目标的面积,可以进行目标的分类和识别。目标形状分析:通过比较不同目标的周长,可以进行形状的分类和描述。
2023-08-12 16:20:06
331
原创 76.图像轮廓检测
findContours函数基于边缘检测和连通性分析的原理,在输入图像中寻找像素强度变化明显的边界,并将它们组织为一系列闭合曲线表示的轮廓。轮廓可以是闭合的或开放的,闭合轮廓表示目标是连通且完整的,而开放轮廓则表示目标可能存在缺口或断裂。通过分析图像中像素值的变化,并将具有相似像素值的像素连接起来,就可以得到目标的边界轮廓。它通过分析像素之间的变化,找到对象的外形,并将其表示为一系列连续的曲线。使用drawContours函数时,需要确保传入的图像与轮廓数据具有相同的尺寸,以便将轮廓绘制在正确的位置上。
2023-08-12 15:50:01
415
原创 75.霍夫圆检测
霍夫圆检测的核心思想是将圆形表示为参数空间中的一个曲线,并通过累加器数组来记录曲线与图像中边缘点的交叉情况。由此我们可以得出: 直角坐标系中圆上的三个点,在极坐标中也是三个点,但是以这三个点为圆心,以R为半径,这三个圆将交于一点,该点就是要检测的圆的圆心点。进而更近一步,直角坐标系中圆上任意个点(>3),在极坐标中,以这些点为圆心,以半径R画圆,这些圆将交于一点,该点就是要检测的圆的圆心点。我们都知道在直角坐标系中,对于圆我们可以用解析式来表示。其中,a是圆心的x坐标,b是圆心的y坐标,R是圆的半径;
2023-08-12 15:34:35
3180
1
原创 74.图像的霍夫直线检测
现在我们假设直线的斜率k和直线的截距是未知的,我们知道直线上的两点A(x0,y0)、B(x1,y1)。但是根据这两个直线方程,我们可以看出,如果直线的y=kx+b的斜率k=0时,即直线是垂直的。为了解决竖直直线在参数空间中没有交点的问题,我们将直线映射到极坐标空间,假设已知直线上的点A(x0,y0)、B(x1,y1),并假设直线上的垂足点为(p,q),则有。(2)直线上的任意多个点在极坐标空间中形成的曲线都会交于一点,该点坐标就是r和θ,可以根据r和θ计算直线的斜率和截距。
2023-08-12 12:24:48
190
原创 73.图像细化
Zhang细化算法是一种常用的二值图像细化算法,用于将图像中的粗线条细化为单像素宽度的骨架。该算法可以有效地保持原始图像的形状和拓扑结构,并提取出图像中的主要特征。初始化:将输入二值图像复制到输出图像。p1为当前像素。迭代细化过程:从左上角开始遍历输出图像的所有像素。如果当前像素为背景(像素值为0),则跳过。根据该像素的邻域情况,判断是否满足以下条件:像素周围8个邻域中的黑色像素数量大于等于2且小于等于6。顺时针前后两个像素是黑色和白色的对数为1。第2、4、6个邻域有黑色像素。
2023-08-10 22:22:37
189
对比度增强评估数据库(CEED2016)
2024-03-03
用于图像增强的内窥镜真实合成曝光过度和曝光不足帧
2024-03-03
撒哈拉LMC手语数据库.zip
2024-03-03
NTU Microsoft Kinect手持式数据.zip
2024-03-03
Jochen Triesch静态手势数据库2.zip
2024-03-03
Jochen Triesch静态手势数据库
2024-03-03
树上芒果实例分割数据集
2024-03-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人