anhuidafeng的专栏

从真实世界中获取数字图像有很多方法，比如数码相机、扫描仪、CT或者磁共振成像。无论哪种方法，我们（人类）看到的是图像，而让数字设备来“看“的时候，则是在记录图像中的每一个点的数值。比如上面的图像，在标出的镜子区域中你见到的只是一个矩阵，该矩阵包含了所有像素点的强度值。如何获取并存储这些像素值由我们的需求而定，最终在计算机世界里所有图像都可以简化为数值矩以及矩阵信息。作为一个计算机视觉库， 

double X,Y,M00;CvMoments m;cvMoments((CvMat *)img,&m,0); M00 = cvGetSpatialMoment(&m,0,0);X = cvGetSpatialMoment(&m,1,0)/M00;Y = cvGetSpatialMoment(&m,0,1)/M00;double a[1000],b[10004];

#include #include "cv.h"#include "highgui.h"int main(void){         IplImage* img = NULL; // 存放图像     CvVideoWriter *writer=NULL;// 写视频结构     int i = 0;// 存放的文件名开始     char image

meanshift算法思想其实很简单：利用概率密度的梯度爬升来寻找局部最优。它要做的就是输入一个在图像的范围，然后一直迭代（朝着重心迭代）直到满足你的要求为止。但是他是怎么用于做图像跟踪的呢？这是我自从学习meanshift以来，一直的困惑。而且网上也没有合理的解释。经过这几天的思考，和对反向投影的理解使得我对它的原理有了大致的认识。        在opencv中，进行meanshift

特征点检测和匹配是计算机视觉中一个很有用的技术。在物体检测，视觉跟踪，三维常年关键等领域都有很广泛的应用。这一次先介绍特征点检测的一种方法——FAST（features from accelerated segment test）。很多传统的算法都很耗时，而且特征点检测算法只是很多复杂图像处理里中的第一步，得不偿失。FAST特征点检测是公认的比较快速的特征点检测方法，只利用周围像素比较的信息就可以

#include "cv.h"  #include "highgui.h"    bool check_line_state=false;  IplImage* workImg;  IplImage* imgshow;  CvRect ROI_rect;    void on_mouse4(int event, int x,int y,int flags,void*

看上去这是一个比较简单的问题，在2.0以上的版本中，使用Mat类来储存一幅图像。但是具体的说，Mat类中，又是如何储存的呢？在opencv自带的帮助手册上有这么一段话：通过这两个式子，我们可以略知一二：首先，Mat不仅可以存图像，也可以用来存放其他高维的数据。数据存在data指针所指向的地址中的，对于高维数据（dim维），每个数据的地址是用上面式子算的；它的

#include "stdafx.h"    #include   #include   #include     int main( int argc, char** argv )  {      //声明IplImage指针      IplImage* pFrame = NULL;      IplImage* img;        //获取

OpenCV中的cvSetImageROI，在新版本（2.0以上）依旧保留，不过新版中取消了IplImage格式，所以cvSetImageROI在新版本中基本没有什么用了。新版本中要设置感兴趣的区域，可以这样：[cpp] view plaincopyMat imageROI;  imageROI = image(Rect(100,100,

OpenCV中的cvSetImageROI，在新版本（2.0以上）依旧保留，不过新版中取消了IplImage格式，所以cvSetImageROI在新版本中基本没有什么用了。新版本中要设置感兴趣的区域[cpp] view plaincopyMat imageROI;  imageROI = image(Rect(100,100,300,40

#include #include #include using namespace std;int main(){IplImage* img1 = cvLoadImage("1.jpg",0);IplImage* img2 = cvLoadImage("2.jpg",0);CvMoments moments;CvHuMoments hu_momen