图像处理算法
小伟锅
进阶的小白,大神梦!
展开
-
RobHess的SIFT算法实现介绍
最初的目的是想做全景图像拼接,一开始找了OpenCV中自带的全景拼接的样例,用的是Stitcher类,可以很方便的实现全景拼接,而且效果很好,但是不利于做深入研究。Stitcher类使用方法请查OpenCV API:http://docs.opencv.org/2.4.4/modules/refman.html,搜索Stitcher使用OpenCV中自带的Stitcher类的全景图转载 2017-03-19 21:12:10 · 526 阅读 · 0 评论 -
BP神经网络及其C++实现
0 前言 神经网络在我印象中一直比较神秘,正好最近学习了神经网络,特别是对Bp神经网络有了比较深入的了解,因此,总结以下心得,希望对后来者有所帮助。 神经网络在机器学习中应用比较广泛,比如函数逼近,模式识别,分类,数据压缩,数据挖掘等领域。神经网络本身是一个比较庞大的概念,从网络结构类别来划分,大概有:多层前馈神经网络、径向基函数网络(RBF)、自适应谐振理论网络(ART)、转载 2017-11-15 16:37:55 · 1362 阅读 · 0 评论 -
从K近邻算法、距离度量谈到KD树、SIFT+BBF算法
从K近邻算法、距离度量谈到KD树、SIFT+BBF算法前言 前两日,在微博上说:“到今天为止,我至少亏欠了3篇文章待写:1、KD树;2、神经网络;3、编程艺术第28章。你看到,blog内的文章与你于别处所见的任何都不同。于是,等啊等,等一台电脑,只好等待..”。得益于田,借了我一台电脑(借他电脑的时候,我连表示感谢,他说“能找到工作全靠你的博客,这点儿小忙转载 2017-11-03 20:23:27 · 383 阅读 · 0 评论 -
RANSAC算法实现去除误匹配并计算拼接矩阵-随笔
1.RANSAC算法实现去除误匹配并计算拼接矩阵流程(1) 从样本集中随机抽选一个RANSAC样本,即4个匹配点对(至少4个匹配点对,才能计算出3*3变换矩阵);(2) 计算当错误概率为0.1(即90%正确率)的情况下所需最少匹配点对数,赋值给in_min;(3) 计算初始的错误概率p = pow( 1.0 - pow( in_frac, m ), k )(初始状态k=原创 2017-10-31 14:17:01 · 5756 阅读 · 1 评论 -
最小二乘法及OpenCv函数
1.最小二乘法 我们以最简单的一元线性模型来解释最小二乘法。什么是一元线性模型呢? 监督学习中,如果预测的变量是离散的,我们称其为分类(如决策树,支持向量机等),如果预测的变量是连续的,我们称其为回归。回归分析中,如果只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系原创 2017-10-31 13:55:51 · 10906 阅读 · 0 评论 -
基于RobHess的SIFT图像拼接知识点随笔
1.SIFT算法具有尺度不变性在于构建的高斯尺度空间;2.SIFT算法具有旋转不变性在于特征方向向量;3.K-d数以图像特征点的128维特征描述子均值为依据进行划分、构建;4.特征点匹配是一个图像的所有特征点依次在另一幅图像的k-d树中寻找最近邻和次近邻,寻找依据是欧式距离;5.欧式距离是两个特征点的128维描述子依次作差、平方,求和;6.图像拼接流程:摄像头图像获取->利用棋原创 2017-10-29 20:07:31 · 536 阅读 · 0 评论 -
SIFT特征点描述子生成(生成特征向量)
目录:1、确定描述子采样区域2、生成描述子 2.1 旋转图像至主方向 2.2 生成特征向量3、归一化特征向量附:SIFT开源代码集1 确定描述子采样区域 SIFI 描述子h(x, y, θ)是对特征点附近邻域内高斯图像梯度统计结果的一种表示,它是一个三维的阵列,但通常将它表示成一个矢量。矢量是通过对三维阵列按一定规律进行排列转载 2017-04-26 20:37:27 · 12052 阅读 · 0 评论 -
SIFT特征点方向确定
目录:1、计算邻域梯度方向和幅值2、计算梯度方向直方图3、确定特征点方向1 计算邻域梯度方向和幅值 为了实现图像旋转的不变性,需要根据检测到的特征点的局部图像结构求得一个方向基准。我们使用图像梯度的方法求取该局部结构的稳定方向。对于己经检测到特征点,我们知道该特征点的尺度值σ,因此根据这一尺度值,在GSS中得到最接近这一尺度值的高斯图像。然后使用有限差转载 2017-04-26 20:40:34 · 2030 阅读 · 0 评论 -
SIFT特征点寻找、定位及筛选
目录:1、找寻2、定位3、优化1 KEYPOINT找寻 极值的检测是在DoG空间进行的,检测是以前点为中心,3pixel*3pixel*3pixel的立方体为邻域,判断当前点是否为局部最大或最小。如下图所示,橘黄色为当前检测点,绿色点为其邻域。因为要比较当前点的上下层图像,所以极值检测从DoG每层的第2幅图像开始,终止于每层的倒数第2幅图像(第1幅没有转载 2017-04-26 20:41:36 · 3292 阅读 · 0 评论 -
SIFT中生成DOG尺度空间
目录:1、高斯尺度空间(GSS - Gauss Scale Space)2、高斯差分(DOG - Difference of Gauss) 2.1 生产DoG 2.2 为什么用DoG来检测特征点3、GSS尺度选择 3.1 GSS中尺度值的产生 3.2 高斯核性质及其在SIFT中的应用 1 GSS(GAUSS SCA转载 2017-04-26 20:42:29 · 2877 阅读 · 0 评论 -
SIFT特征提取分析
本文转自:http://blog.csdn.net/abcjennifer/article/details/7639681/ ========================================================================================SIFT(Scale-invariant feature transform)是转载 2017-04-04 15:17:31 · 383 阅读 · 0 评论 -
RobHess实现SIFT源码分析:xform.h和xform.c
本文转自:http://blog.csdn.net/masibuaa/article/details/9207827,转载仅便于学习记录!这两个文件中实现了RANSAC算法(RANdom SAmple Consensus 随机抽样一致)。RANSAC算法可用来筛选两个图像间的SIFT特征匹配并计算变换矩阵。利用RANSAC算法筛选SIFT特征转载 2017-03-23 11:56:07 · 516 阅读 · 0 评论 -
RobHess实现SIFT源码分析:sift.h和sift.c
本文转自:http://blog.csdn.net/masibuaa/article/details/9207657,转载仅便于学习记录!这两个文件是RobHess的SIFT库中最重要的两个文件,里面包括用SIFT算法进行特征点检测的函数。文件中的内容说白了很简单,就是两个特征点检测函数sift_features()和 _sift_features(),sift转载 2017-03-23 11:51:55 · 852 阅读 · 0 评论 -
RobHess实现SIFT源码分析:kdtree.h和kdtree.c
本文转自:http://blog.csdn.net/masibuaa/article/details/9204297,转载仅便于学习记录!kdtree.h和kdtree.c这两个文件中实现了k-d树的建立以及用BBF(Best Bin First)算法搜索匹配点的函数。如果你需要对两个图片中的特征点进行匹配,就要用到这两个文件。关于k-d树的理解,参考这转载 2017-03-23 11:49:38 · 676 阅读 · 0 评论 -
RobHess实现SIFT源码分析:imgfeatures.h和imgfeatures.c
本文转自http://blog.csdn.net/masibuaa/article/details/9204157,此博客仅用于学习记录转载!imgfeatures.h中有SIFT特征点结构struct feature的定义,除此之外还有一些特征点的导入导出以及特征点绘制函数的声明。对应的imgfeatures.c文件中是特征点的导入导出以及特征点绘制函数的实现。特征点转载 2017-03-23 11:46:41 · 445 阅读 · 0 评论 -
利用RobHess源码实现SIFT算法及RANSAC去错的图像特征提取匹配及去除错匹配
本文是在VS2010+Opencv2.4.9环境下实现!首先下载RobHess利用opencv实现SIFT算法源码,在配置好opencv环境的vs2010中实现SIFT特征提取、匹配,在利用K-D树、BBF和RANSAC去除错误匹配,实验结果如图:去除错误匹配前结果:去除错误匹配后结果:下面详细介绍如何在自己的开发环境中实现利用RobHess源码:1、在VS2010中新建自己的原创 2017-03-19 21:15:48 · 1876 阅读 · 1 评论 -
图像连通域分析
转自:https://blog.csdn.net/tiandijun/article/details/51279643,转载仅为方便学习。一、前言二值图像的图像的亮度值只有两个状态:黑(0)和白(255)。二值图像在图像分析与识别中有着举足轻重的地位,因为其模式简单,对像素在空间上的关系有着极强的表现力。在实际应用中,很多图像的分析最终都转换为二值图像的分析,比如:医学图像分析、前景检测、字符识别...转载 2018-05-30 16:19:06 · 15085 阅读 · 2 评论