![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉
文章平均质量分 90
亦枫Leonlew
嵌入式开发相关工作10+年,熟悉ARM/RISC-V架构,曾在展讯、华为工作
热爱技术,喜欢分享
喜欢自驾游和户外徒步,成都的朋友可以约起来
目前方向是3D视觉
展开
-
HoG特征笔记
HoG(Histogram of Oriented Gradient),方向梯度直方图。HoG特征是一种特征描述符。它通过计算和统计图像局部区域的梯度方向直方图来描述特征。HoG基于的底层原理是图像中局部目标的表象和形状(appearance and shape),能够用物体边缘的方向密度分布较好地描述出来。本质上就是对梯度信息的统计。原创 2023-08-10 22:00:00 · 288 阅读 · 0 评论 -
LBP特征笔记
LBP,局部二值模式(Local Binary Pattern),是一种描述图像局部纹理特征的方式,具有旋转不变性和灰度不变性。首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出。原创 2023-08-03 21:45:00 · 722 阅读 · 1 评论 -
ORB特征笔记
前面的Oriented FAST说明的是它的关键点的选取是一种改良过的FAST,在FAST的基础上加了方向信息;后面的Rotated BRIEF是指特征描述符使用BRIEF描述子(Binary Robust Independent Elementary Feature),是一种速度极快的二进制描述子。原创 2023-07-28 20:00:00 · 427 阅读 · 0 评论 -
FAST角点检测算法笔记
FAST算法是一种用于角点检测的算法,全称是Fetures from Accelerated Segment Test。该算法的原理是提取图像中的监测点,以该点为圆心的一定范围内的像素点来检测判断点是否为角点。直白的理解是一个像素点周围如果有一定数量的像素点与该点像素值差别较大,则认为其是角点。原创 2023-07-20 19:30:00 · 216 阅读 · 0 评论 -
关键点检测SIFT算法笔记
SIFT(Scale Invariant Feature Transform),尺度不变特征变换。具有旋转不变性、尺度不变性、亮度变化保持不变性,是一种非常稳定的局部特征。在目标检测和特征提取方向占据着重要的地位。SIFT算法所查找到的关键点是一些很突出,不因光照、仿射变换和噪声等因素而变化的点,比如角点、边缘点、暗区亮点或亮区暗点等。原创 2023-07-17 21:30:00 · 1486 阅读 · 0 评论 -
图像几何变换笔记
图像缩放是指对图像大小进行调整,对原图进行放大或缩小。图像缩放一般通过插值采样来实现。常见的插值方法:最近邻插值、双线性插值、双三次插值。原创 2023-07-07 16:17:28 · 358 阅读 · 0 评论 -
Harris和Shi-tomasi角点检测笔记(详细推导)
一般来说,角点就是极值点,在某些属性上强度最大或者最小的孤立点、线段的终点或拐点等。其实理解角点可以按照我们的直觉来理解,以下图为例,图中用颜色标注的地方都是角点:对于人类来说,判断角点是很容易的,对于计算机来说又是如何检测到角点的呢?原创 2023-06-30 11:03:46 · 1794 阅读 · 1 评论 -
图像直方图笔记
在统计学中,直方图是一种对数据分布情况的图形化表示方法。图像直方图是用来表示数字图像中亮度分布的直方图,使用图像直方图可以很直观地观察到该图的亮度分布情况。在图像直方图中,横轴从左到右分别表示了从纯黑到纯白区域的亮度值的分布。横坐标:图像中各个像素点的灰度级。纵坐标:在该像素灰度的像素的个数。如上图所示,从这张图片的直方图我们可以很清楚地看到。图片中像素亮度分布情况是在左右两端分布多,中间分布少。较暗的像素占比较大。原创 2023-06-21 14:25:55 · 1464 阅读 · 0 评论 -
图像噪声和滤波
在图像采集、处理和传输过程中会受到噪声的影响。常见的图像噪声有椒盐噪声、高斯噪声等。原创 2023-06-25 09:32:40 · 390 阅读 · 0 评论 -
模板匹配笔记
模板匹配是一种最基本、最原始的模式识别的方法。通过对比某一特定物体的图案位于图像的什么地方,进而识别出物体。它是图像处理中最基本、最常用的匹配方法。它的局限性主要是它只能进行平行移动,若原图像中的匹配目标发生旋转或大小变化,该算法无效。原创 2023-06-14 14:01:29 · 833 阅读 · 0 评论 -
边缘检测笔记
图像的边缘是指图像局部区域中亮度变化明显的部分,边缘位于像素的灰度值产生突变的地方。边缘的正负之分:由暗到亮为正,由亮变暗为负。原创 2023-06-13 14:13:31 · 1963 阅读 · 0 评论 -
相机标定笔记(1) -- 相机模型
我们知道,相机的图像是三维世界到2D平面的一个投影。仅从这个2D图像来看,我们无法得知图像中的物体在真实物理世界中有多大,距离相机的距离有多远。那么我们有没有办法从这个2D的图片结合相机的参数获得这些信息呢?答案是有的,方法有很多种,比如双目视觉技术,可以用来恢复三维信息。如何恢复精确的3D物体?图像失真(比如镜头畸变)了如何恢复?先用数学表达式描述对相机成像过程建模,然后通过数学表达式计算恢复这些信息。原创 2022-12-28 18:22:35 · 1207 阅读 · 0 评论 -
相机标定笔记(2) -- 标定实践
主要原因是对于棋盘格来讲,边缘位置在实际相机所拍摄的图像来看,受到光的影响和sensor本身噪声影响,所得到的灰度可能会有明暗差别,导致计算棋盘格中心点位置的时候会有误差。相机标定的第一篇笔记中提到了相机标定所使用的模型,标定算法中我们需要一些可靠的样本点,这些样本点由世界坐标系中的3D点和其在图像上的2D像点组成。那么此时做左右画面的特征匹配的时候,由于棋盘格的规律性很强,此时匹配左右画面中相同的方块特征的时候,要找到匹配的方块是比较困难的,会误判。:3D点要求是共面的,标定点的坐标精度是准确的。原创 2022-12-29 11:35:09 · 1697 阅读 · 2 评论 -
3D视觉笔记(1) - 双目视觉三维测量原理
在之前的笔记中,有讨论过针孔相机的模型和世界坐标系统的点如何投影到图像坐标系中。参考如下两篇笔记:几何角度理解相机成像过程_亦枫Leonlew的博客-CSDN博客本笔记从几何角度来理解相机的成像过程,我们生活在三维世界中,相机所捕捉到的画面是2D的,3D空间中的点是如何投影到2D平面的过程是本笔记关注的。这个过程其实和3D游戏中的透视投影过程是一样的。本笔记只要知道矩阵乘法的知识就可以理解。相机标定笔记(1) -- 相机模型_亦枫Leonlew的博客-CSDN博客。原创 2023-01-11 16:15:25 · 2931 阅读 · 0 评论