lzhf1122的博客

什么是仿射变换?一个任意的仿射变换都能表示为 乘以一个矩阵 (线性变换) 接着再 加上一个向量 (平移).综上所述, 我们能够用仿射变换来表示:旋转 (线性变换)平移 (向量加)缩放操作 (线性变换)你现在可以知道, 事实上, 仿射变换代表的是两幅图之间的 关系 .我们通常使用 矩阵来表示仿射变换.考虑到我们要使用矩阵 和 对二维

图像金字塔被广泛用于各种视觉应用中。图像金字塔是一个图像集合，集合中所有的图像都源于同一个原始图像，而且是通过对原始图像连续降采样活得，直到达到某个中止条件才停止降采样。（当然，降为一个像素肯定是中止条件。）有两种类型的图像金字塔常常出现在文献和应用中：高斯金字塔用来向下降采样图像，而拉普拉斯金字塔则用来从金字塔低层图像中向上采样重建一个图像。要从金字塔第 i 层生成第

1.针孔摄像机模型在介绍摄像机标定参数之前，需要先简单说一下针孔摄像机的原理。投影平面到小孔的距离为焦距f，物体到小孔的距离为Z，其中物体和投影是倒立相似的关系，下图为针孔摄像机的投影示意图：如果按照实际的投影关系建立坐标系，那么投影坐标和物体坐标的符号总是相反的，考虑起来不太方便，于是在“数学上”把投影平面平移到其关于小孔对称的位置，这样投影坐标和物体坐标符号

1.Delaunay三角剖分&Voronoi图定义2.计算Delaunay三角剖分的算法及分析3.例子程序&代码大话点集的三角剖分（Triangulation），对数值分析（比如有限元分析）以及图形学来说，都是极为重要的一项预处理技术。尤其是Delaunay三角剖分，由于其独特性，关于点集的很多种几何图都和Delaunay三角剖分相关，如Voronoi图，EMST树，Gab

特征点检测广泛应用到目标匹配、目标跟踪、三维重建等应用中，在进行目标建模时会对图像进行目标特征的提取，常用的有颜色、角点、特征点、轮廓、纹理等特征。现在开始讲解常用的特征点检测，其中Harris角点检测是特征点检测的基础，提出了应用邻近像素点灰度差值概念，从而进行判断是否为角点、边缘、平滑区域。Harris角点检测原理是利用移动的窗口在图像中计算灰度变化值，其中关键流程包括转化为灰度图像、计算差分

泰森多边形（Voronoi diagram）       荷兰气候学家A•H•Thiessen提出了一种根据离散分布的气象站的降雨量来计算平均降雨量的方法，即将所有相邻气象站连成三角形，作这些三角形各边的垂直平分线（如图a），于是每个气象站周围的若干垂直平分线便围成一个多边形。用这个多边形内所包含的一个唯一气象站的降雨强度来表示这个多边形区域内的降雨强度，并称这个多边形为泰森多边形（如图b）。

今天我们将介绍另外一个特征检测算子---DoG算子， DoG算子是由Lowe D.G.提出的，对噪声、尺度、仿射变化和旋转等具有很强的鲁棒性，能够提供更丰富的局部特征信息，本文将对DoG算子进行详细地分析。           在开始介绍DoG之前，有必要对尺度空间有一定的了解。尺度空间最早是由Tony Lindeberg提出的，并不断的发展和完善。日常生活中，我们自觉或不自觉的在使用尺度

SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下：算法描述SIFT特征不只具有尺度不变性，即使改变旋转

codebook算法从原理上讲仍然属于背景差分。他的背景建模有聚类的思想，他是用一个码本(codebook)cb来描述一个像素p，cb中包含着若干码元(code element)ce，这些ce就是该像素点p的一个聚类，码本算法背景建模的过程就是要构建像素的一个个聚类，即码本。数据结构typedef struct{code_element **cb;//码元的指针数组int num

光流的概念是Gibson在1950年首先提出来的。它是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。一般而言，光流是由于场景中前景目标本身的移动、相机的运动，或者两者的共同运动所产生的。其计算方法可以分为三类：（1）基于区域或者基于特征的匹配方

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构

图像的缩放很好理解,就是图像的放大和缩小。传统的绘画工具中,有一种叫做“放大尺”的绘画工具，画家常用它来放大图画。当然，在计算机上，我们不再需要用放大尺去放大或缩小图像了，把这个工作交给程序来完成就可以了。下面就来讲讲计算机怎么来放大缩小图象；在本文中，我们所说的图像都是指点阵图，也就是用一个像素矩阵来描述图像的方法，对于另一种图像：用函数来描述图像的矢量图，不在本文讨论之列。越是简单的模型越

（1）普通矩：图像概率密度分布函数为f(x,y)的二维连续随机函数的p+q阶原点矩m_pq各阶矩的物理意义：0阶矩(m_00)-----------------为目标区域的质量1阶矩(m_01,m_10)------------表示目标区域的质心2阶矩(m_02,m_11,m_20)-------表示旋转半径3阶矩(m_03,m_12,m_21,m_30)--描述目标的

透视变换(Perspective Transformation)是将图片投影到一个新的视平面(Viewing Plane)，也称作投影映射(Projective Mapping)。通用的变换公式为：u,v是原始图片左边，对应得到变换后的图片坐标x,y,其中。变换矩阵可以拆成4部分，表示线性变换，比如scaling，shearing和ratotion。用于平移，产生透视变换。所以可以

假设我们需要检测图像中的边缘，如下图:你可以看到在边缘,像素值显著的改变了。表示这一改变的一个方法是使用导数。梯度值的大变预示着图像中内容的显著变化。用更加形象的图像来解释,假设我们有一张一维图形。下图中灰度值的”跃升”表示边缘的存在:使用一阶微分求导我们可以更加清晰的看到边缘”跃升”的存在(这里显示为高峰值)从上例中我们可以推论检测边缘可以通过

1. Canny边缘检测基本原理      (1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。     (2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。     (3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。 2. Canny边缘检测算法： 

原理简介：霍夫变换(Hough Transform) 霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线(线段)详细内容：我们先看这样一个问题：设已知一黑白图像上画了一条直线，要求出这条直线所在的位置。我们知道，直线的方程可以用y=k*x+b

原文地址：http://blog.jobbole.com/70549/一、什么是频域从我们出生，我们看到的世界都以时间贯穿，股票的走势、人的身高、汽车的轨迹都会随着时间发生改变。这种以时间作为参照来观察动态世界的方法我们称其为时域分析。而我们也想当然的认为，世间万物都在随着时间不停的改变，并且永远不会静止下来。但如果我告诉你，用另一种方法来观察世界的话，你会发现世界是永恒不变的，你会不

图像的直方图是什么？  1.直方图是图像中像素强度分布的图形表达方式.  2.它统计了每一个强度值所具有的像素个数直方图均衡化是什么？  直方图均衡化是通过拉伸像素强度分布范围来增强图像对比度的一种方法.  说得更清楚一些, 以上面的直方图为例, 你可以看到像素主要集中在中间的一些强度值上.直方图均衡化要做的就是 拉伸这个范围. 见下面左图:绿圈圈出了

距离变换于1966年被学者首次提出,目前已被广泛应用于图像分析、计算机视觉、模式识别等领域，人们利用它来实现目标细化、骨架提取、形状插值及匹配、粘连物体的分离等。距离变换是针对二值图像的一种变换。在二维空间中，一幅二值图像可以认为仅仅包含目标和背景两种像素，目标的像素值为1，背景的像素值为0；距离变换的结果不是另一幅二值图像，而是一幅灰度级图像，即距离图像，图像中每个像素的灰度值为该像素与距其最近

积分图的概念最早是由Paul Viola等人提出的，并被应用到实时的对象检测框架中。对于一个灰度图像而言，其积分图也是一张图，只不过这个图跟普通的灰度图，彩色图稍有不同。这是因为，一般我们说的灰度图、彩色图，都是相机拍摄到的真实物体在某个时刻的真实画面。而积分图虽然也可以理解为一张图，但该图上任意一点(x,y)的值是指从灰度图像的左上角与当前点所围成的矩形区域内所有像素点灰度值之和。即：假设存在某

1.反向投影的作用是什么？    反向投影用于在输入图像（通常较大）中查找特定图像（通常较小，以下将其称为模板图像）最匹配的点或者区域，也就是定位模板图像出现在输入图像的位置。2.反向投影如何查找（工作）？    查找的方式就是不断的在输入图像中切割跟模板图像大小一致的图像块，并用直方图对比的方式与模板图像进行比较。还是以例子说明(1)例如模板图像的灰度图像如下：

前言    模板匹配是在图像中寻找目标的方法之一。Come On, Boy.我们一起来看看模板匹配到底是怎么回事。 模板匹配的工作方式    模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。    假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：  （1）从输

均值漂移（Meanshift）算法理解1.均值漂移的基本概念：沿着密度上升方向寻找聚簇点设想在一个有N个样本点的特征空间初始确定一个中心点center，计算在设置的半径为D的圆形空间内所有的点（xi）与中心点center的向量计算整个圆形空间内所有向量的平均值，得到一个偏移均值将中心点center移动到偏移均值位置重复移动，直到满足一定条件结束