【实战】双目测距python实现（含标定） 相机标定主要是为了获取左右相机的内参矩阵、畸变系数、旋转矩阵和平移向量，方便后续对获得的图像进行畸变矫正和图像对齐。是描述相机内在参数的3x3矩阵，包含了相机的焦距和光学中心的位置。这些参数定义了相机的成像过程中的投影关系，内参矩阵一般表示为：其中：fx 和 fy 是焦距（以像素为单位），分别对应x和y方向。cx 和 cy 是光学中心（主点），即图像的中心点。s称为视向畸变系数，它用于校正图像中的非正交性，通常表示相机的非正交性，即像素在图像平面上的非直角投影。

阅读 6.2k

51赞

收藏 87
OpenCV与AI深度学习｜16个含源码和数据集的计算机视觉实战项目(建议收藏！) 本文将分享16个含源码和数据集的计算机视觉实战项目。

阅读 2.8w

113赞

收藏 801
深度学习和计算机视觉（Deep Learning and Computer Vision） 1.计算机视觉的定义计算机视觉（Computer Vision）是一个跨学科的研究领域，主要涉及如何使计算机能够通过处理和理解数字图像或视频来自动进行有意义的分析和决策。其目标是使计算机能够从视觉数据中获取高层次的理解，类似于人类的视觉处理能力。图像分类：识别图像中主要的物体或场景。例如，给定一张图片，确定它是猫还是狗。目标检测：在图像中定位和识别多个目标。例如，在街景图像中识别并标注汽车、行人和交通标志的位置。图像分割：将图像分割成不同的区域或对象。例如，将一张医疗影像分割成不同的器官和组织。

阅读 1.0w

81赞

收藏 282
2024-11-04 问AI: [AI面试题] 解释计算机视觉的概念 定义：计算机视觉是涉及任何视觉内容计算的总称，包括图像、视频、图标以及涉及像素的任何内容的计算。它通过使用各种成像设备代替视觉器官作为输入手段，用计算机来代替大脑完成处理和解释，从而实现对物体的理解、识别、分类、跟踪、重建等目的。核心构建块对象分类：在特定对象的数据集上训练模型，使模型能够将新对象分类为属于一个或多个训练类别。对象识别：识别出对象的特定实例。图像分割：将图像分成多组视图。场景重建：通过图像或视频输入创建场景的3D模型。图像恢复：使用基于机器学习的滤波器从照片中去除模糊、噪声等。

阅读 1.1k

10赞

收藏 15
色彩评价方法及指标 - 计算机视觉 本文介绍了计算机视觉中常用的色彩评价方法和指标，包括PSNR、SSIM和CIEDE2000。通过这些指标，我们可以评估图像或视频的色彩质量和一致性，并根据需要进行相应的处理和优化。在计算机视觉领域，色彩评价是一个重要的任务，用于衡量图像或视频中的颜色质量和一致性。通过评估色彩的准确性和感知质量，可以进行图像处理、计算机图形学和机器视觉等应用。本文将介绍一些常用的色彩评价方法和指标，并提供相关的源代码。SSIM的值范围为0到1，值越接近1表示图像质量越好。CIEDE2000的值越小，表示颜色之间的差异越小。

阅读 959

0赞

收藏 0
【计算机视觉 | YOLOv8】YOLOv8如何引用？ 【计算机视觉 | YOLOv8】YOLOv8如何引用？

阅读 1.1w

16赞

收藏 28
【图像融合】融合算法综述 图像融合是一种将多幅不同来源的图像信息合成一幅图像的过程，旨在提供比单幅图像更全面、更准确的信息。图像融合通常用于遥感、医学成像、计算机视觉等领域，其目的是将各个图像中的有效信息整合，从而得到一个综合图像，能更好地揭示图像的细节和特征。在本篇综述中，我们将介绍几种常见的图像融合方法，并通过代码实例展示其应用。图像融合是一项重要的技术，其应用涵盖了多个领域，如遥感图像处理、医学成像、计算机视觉等。本文介绍了几种常见的图像融合方法，包括加权平均法、小波变换法、PCA等，并通过代码示例展示了它们的实际应用。

阅读 2.1k

11赞

收藏 13
Python----计算机视觉处理（Opencv：图像边缘检测：非极大值抑制，双阈值筛选) 在OpenCV中，图像边缘检测是识别图像中对象边界的重要技术。它通过检测图像亮度或颜色突变来确定边缘位置。常用的边缘检测算法包括Sobel、Canny和Laplacian等。Sobel算子计算图像在水平和垂直方向上的梯度，Canny算子则是一种多级边缘检测算法，它包括噪声抑制、梯度计算、非极大值抑制和双阈值分割等步骤，能更准确地检测边缘。Laplacian算子则用于检测图像的二阶导数，从而找到边缘。这些算法为图像分析、对象识别和图像分割等应用提供了基础。

阅读 2.2k

32赞

收藏 34
2-阈值与平滑处理 02.阈值与平滑处理

阅读 1.2k

34赞

收藏 10
计算机视觉 对比学习 串烧二 对比预测编码（CPC）是一种无监督学习方法，通过使用强大的自回归模型在潜在空间预测未来，从而学习数据的表征。CPC使用概率对比损失函数，诱导潜在空间捕获对于预测未来样本最有用的信息。该方法通过负采样使模型可处理，并在语音、图像、文本和3D环境中的强化学习四个不同领域上展示了其强大的性能。重点：引言：介绍了有监督学习在多个应用中取得的成功，以及无监督学习面临的挑战和重要性。相关工作：讨论了无监督学习中预测未来、缺失或上下文信息的常见策略。CPC方法动机和直觉。

阅读 1.4k

25赞

收藏 25
作者推荐
yzx991013
努力到无能为力，拼搏到感动自己
关注
一勺汤
论文辅导，代码改进，联系v:17329949407 购买资源 截屏加群：3671595590
关注
微光DeepLearning
深度学习数据集，毕设帮助，欢迎打扰
关注
格林威
机器视觉领域优质创作者，专注于工业相机、智能相机、图像处理、OpenCV、Halcon、人工智能领域
关注
Together_CZ
欲戴其冠，必承其重
关注
AI智韵
专注AI技术，紧跟时代前沿，将最新的论文成果运用到Yolo系列的改进中！每篇文章都包含几种改进方法，步骤详细，解释清楚，还提供了PDF版本的文章和完整的改进代码！大家遇到使用的问题，或者我写的不清楚的地方，请私信告诉我！如果是写的不够清楚，我再去修改，如果有错误和Bug，我尽快修复！谢谢大家！
关注
笑脸惹桃花
博客相关报错请勿发私信，不急可以发评论区，或者通过公众号联系我有偿远程快速解决。接毕设。
关注
钢铁男儿
敲代码路上，一步一个脚印!可关注"知识代码AI"！
关注
深度学习lover
深度学习爱好者，在学习过程中搜集了一些数据集，可以提供分享
关注
会AI的学姐
学姐带你学AI，玩转YOLO！！！
关注