lhanchao的博客

Gabor滤波是一种非常常见的特征提取算法，在人脸识别等领域有着很广泛的应用，在这里我主要介绍一下Gabor滤波器的公式及Opencv下的代码实现，以及我做的一些参数变化的实验。一、Gabor滤波简介注意，这里我介绍的Gabor算法与在人脸识别中使用的Gabor算法貌似是不太相同的，具体内容我没有深入了解。 Gabor滤波的公式如下所示：g(x,y;λ,θ,ψ,σ,γ)=exp(−x′2+γ2y2

mnist数据集是深度学习入门的一个很经典的手写体数字的数据集，我们跑的第一个深度学习网络往往就是mnist数据集，但是它的数据格式比较特殊，今天就写个程序，把mnist数据集中的数据转换为图像，这样我们就可以利用这些数据把图像转换为像caffe、Tensorflow等要求的格式作为练习，以后对自己的学习任务的样本也可以这样做。废话不多说了，直接上代码，代码主要参考的是caffe中的conve

codeblocks是一种非常有名的开源IDE，在windows下最好用的IDE非Visual Studio莫属，但是在linux下，个人认为codeblocks是最好用的IDE，下面来讲一下我在ubuntu 16.04下配置codeblocks 16.01的过程。一、安装ubuntu下安装codeblocks非常容易，我们按照官网推荐的方法https://launchpad.net/~d

今天在看Opencv的SIFT源码，至于有关于SIFT算法的博客还没有写完，等着我把源码看完再一起写完吧。之前用Opencv编过不少的程序了，没想道OpenCV 2.0版本里最基础的Mat类用法还是有些不清楚，这里就总结一下一、Mat类的综述1、Mat类存储图像Mat类是OpenCV里使用广泛的一个类，其中我认为最重要的一个作用就是作为存储图像的数据结构。那么Mat类如何存储的图像

最近在做一个东西，需要使用字符的分割，如下图所示可以看到这里的每个字符互相之间是没有粘连的，那么如何把他们分割开来呢？一个很简单的想法就是通过连通域进行分割，每个字符是一个连通域，不同字符之间是不同的连通域，因为这里没有粘连，所以处理起来是非常方便的。那么重点就来了，如何实现连通域的分割呢？原来的打算是通过扫描图像，通过寻找不同字符的边缘定位不同的字符，但是我发现对于“O”这种字符

FREAK算法是ICCV 2012上的一篇关于特征点检测与匹配的论文《FREAK: Fast Retina Keypoint》上提出的，从文章标题中可以看出来该算法的一个特点是快速，另外一个特点就是该算法是被人眼识别物体的原理上得到启发提出的。 看过我之前博文的可能知道，我到现在已经把SIFT算法、ORB算法、BRIEF算法和BRISK算法都进行了介绍。可以看出BRIEF、ORB和BRISK都是特

一、安装opencv（1）首先安装opencv，把解压好的目录放到一个目录下，比如我放在了C:\OpenCV\下，也可以直接放在根目录下； （2）配置系统的环境变量：添加用户变量opencv，目录即你的目录下的build的x64或x86下vc12（VS2013用的是vc12，VS2012用的是vc11）中的bin目录，比如我的是C:\OpenCV\opencv\build\x64\vc12\bi

FAST算法是ECCV 2006上发表的Machine learning for high-speed corner detection上提出的，从论文名字中就可以看出，这是一种检测特征点的方法。一、原始检测方法具体内容如下： 判别特征点pp是否是一个特征点，可以通过判断以该点为中心画圆，该圆过16个像素点。设在圆周上的16个像素点中是否最少有nn个连续的像素点满足都比Ip+tI_p+t大，或者都

这里我主要写了用Opencv 实现Sift特征提取与匹配的代码，如果想看Sift特征的详细描述，请看原文《Distinctive Image Features》或者我最近又写了三篇关于SIFT算法的详细描述 SIFT算法详解（1）综述与尺度空间检测 SIFT算法详解（2）极值点的精确定位与特征点方向的计算 SIFT算法详解（3）特征点描述符的生成 这里面也有我参考的一些资源下面是我的代码：

今天做的东西用到了Opencv的几个功能，下面对他们依次进行总结。（1）Opencv对感兴趣区域的复制具体是这样的，我想把两张图像进行拼接成一幅图像，很容易想象到的方法就是先创建一幅大的图像（高度为两张原图高度的较大者，宽度为两张原图宽度之和），然后把两张图像内容分别复制到这张大图的对应区域即可。很容易想到用Opencv的ROI方法。网上很多的总结方法都是用Opencv的C风格的代

[Python学习] Python+Opencv快速获取二值图像中物体的bounding box问题解决方法问题如图所示，如何快速获取图像中这条横线的bounding box的值，以及如何获取这条直线中所有黑色像素的数目呢？解决方法最简单的方法就是直接遍历图像中每个像素，判断每个像素是否为黑色，然后获取bounding box的值以及所有黑色像素的数目，但是这种方法非常耗时(C++与op...