- 博客(6)
- 收藏
- 关注
RSS订阅原创 计算机视觉-基于BOW模型的图像检索和匹配
计算机视觉-基于BOW模型的图像检索和匹配基本概念Bag of features：基础流程Bag of features：学习特征词典Bag of features：图像检索代码实现 基本概念 Bag of features：基础流程 Bag-of-words 简称BOW，也叫做“词袋”，最初是为解决文档建模问题而提出的，在信息检索中，BOW模型假定对于一个文本，忽略其词序和语法、句法，将其仅看做是一个词集合，或者说是词的一个组合，文本中每个词的出现都是独立的，不依赖于其他词是否出现。 通过单词计数构建词袋
2021-06-06 20:03:23
165
1
原创 计算机视觉——相机参数标定
相机参数标定相机参数相机模型及参数求解实验实现实验结果实验总结 相机参数 相机内参数是与相机自身特性相关的参数，比如相机的焦距、像素大小等； 相机外参数是在世界坐标系中的参数，比如相机的位置、旋转方向等。 相机标定（或摄像机标定）： 一句话就是世界坐标到像素坐标的映射，当然这个世界坐标是我们人为去定义的，标定就是已知标定控制点的世界坐标和像素坐标我们去解算这个映射关系，一旦这个关系解算出来了我们就可以由点的像素坐标去反推它的世界坐标，当然有了这个世界坐标，我们就可以进行测量等其他后续操作了～上述标定又被称作
2021-05-23 21:05:55
701
原创 基于RANSAC的图像全景拼接
文章目录1、实验要求2、实验平台3、实验原理4、实验代码5、实验结果6、实验分析 1、实验要求 1、对室外远景进行拍摄，基于RANSAC进行全景拼接。 2、对室内近景进行拍摄，基于RANSAC进行全景拼接。 2、实验平台 pycharm 2020（python3.8） 3、实验原理 1、基本步骤 （1） 提供一组图像集，实现特征匹配(相邻图像之间要有重复区域) （2）通过匹配特征计算图像之间的变换结构 （3）利用图像变换结构，实现图像映射扩展: （4）针对叠加后的图像，采用APAP之类的算法，对齐特征点 （
2021-04-25 21:07:08
412
原创 图像的扭曲、映射、融合
文章目录1、 单应性变换矩阵1.1算法原理1.2py实现2、仿射变换矩阵2.1算法原理2.2py实现3、图像的扭曲、映射、融合3.1算法原理3.2py实现3.3实验结果 1、 单应性变换矩阵 1.1算法原理 单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换。在这里，平面是指图像或者三维中的平面表面。单应性变换具有很强的实用性，比如图像配准、图像纠正和纹理扭曲，以及创建全景图像。 本质上， 单应性变换 H，按照下面的方程映射二维中的点（齐次坐标意义下）： 对于图像平面内的点，齐次坐标是个非常有用
2021-04-11 21:26:15
236
原创 SIFT特征提取与检索简述
文章目录SIFT特征提取与检索简述1.什么是SIFT2.SIFT的主要步骤2.1 特征点寻找2.1.1 生成尺度空间：DoG算法2.1.2 对尺度空间中的DoG图像进行极值点检测2.1.3 定位特征点2.2 特征点描述2.3 特征点匹配SIFT的代码实现1.两两进行特征匹配2.多多图像匹配（匹配地理标记图像）SIFT的实现结果 SIFT特征提取与检索简述 1.什么是SIFT SIFT是传统CV中的一种获取特征点的方法。以下主要讲SIFT算法寻找特征点的巧妙之处。 2.SIFT的主要步骤 2.1 特征点寻找
2021-03-28 21:20:53
71
原创 直方图均衡化高斯滤波
直方图 原理 直方图(Histogram)，又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。 简单来说，直方图是对一张灰度图片像元分布的统计。 py实现 im = numpy.array(Image.open('C:/Users/10741/Desktop/1.png').convert('L')) # 打开图像，并转成灰度图像 figure() subplot(121) axis('off') title(u'原始图像',
2021-03-08 17:04:59
659
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人