机器视觉学习 10 8

【图像处理与机器视觉】XJTU期末考点 XJTU图像处理与机器视觉期末考点 阅读详情

数据处理小技巧

隔行采样

灰度二值化:

简单来说,​灰度二值化的核心意义是将一幅包含丰富灰度信息的图像,转换成一张只包含纯黑和纯白两种颜色的图像,从而极大地简化图像,突出目标物体的轮廓和结构,为后续的分析和识别铺平道路。​​

下面我们从几个层面来深入理解它的意义:

一、什么是灰度二值化?

​灰度图像​:每个像素点的亮度用0-255之间的一个数值表示。0代表纯黑,255代表纯白,中间是不同深浅的灰色。

​二值图像​:每个像素点的值非0即255​(或非0即1)。也就是说,图像中只剩下两种颜色:黑色和白色。

​二值化的过程就是设定一个阈值,然后对灰度图像中的每一个像素进行判断:

如果像素的灰度值 ​大于​ 阈值,则将该点设置为白色(255)。

如果像素的灰度值 ​小于或等于​ 阈值,则将该点设置为黑色(0)。

这个过程就像用一把“阈值”的尺子去衡量图像,将复杂的灰度世界一刀切地划分为“前景”(我们感兴趣的目标,通常是白色)和“背景”(不感兴趣的部分,通常是黑色)。

二、二值化的主要意义和目的

二值化的意义主要体现在以下几个方面:

1. ​数据简化与压缩​

​意义​:将256个灰度级减少到2个,数据量被极大地简化。这大大减少了计算机需要处理的信息量,降低了存储空间和计算复杂度。

​类比​:就像把一幅细节丰富的素描画,变成一张只有轮廓的剪纸。剪纸虽然细节少了,但主体的形状一目了然,处理起来也快得多。

2. ​目标与背景的分离​

​意义​:这是二值化最核心的目的。在许多应用场景中,我们只关心图像中的特定物体(如文字、零件、细胞等),而不关心复杂的背景。通过选择合适的阈值,可以有效地将目标物体(前景)从背景中分离出来。

​应用​:

​OCR(光学字符识别)​​:将扫描的文档二值化,让文字变成黑色,纸张背景变成白色,从而让程序能清晰地识别出每一个字符的轮廓。

​工业视觉检测​:在生产线上,二值化可以快速地将产品(如芯片、瓶盖)从传送带背景中分离出来,以便进行尺寸测量、缺陷检测等。

3. ​突出物体的形状和结构​

​意义​:二值化后,图像信息完全由物体的轮廓和形状来体现。这非常有利于进行形态学操作​(如膨胀、腐蚀、开运算、闭运算)和轮廓分析。

​应用​:

​图像分割​:是许多图像分割算法的基础步骤。

​目标计数​:可以计算图像中连通区域的数量,从而实现对物体(如细胞、细菌群落)的自动计数。

4. ​为高级图像分析奠定基础​

​意义​:二值图像是许多复杂计算机视觉任务的预处理步骤。在二值图像的基础上,我们可以更容易地:

计算目标的面积、周长、重心等几何特征。

进行模板匹配,在图像中寻找特定形状的物体。

提取目标的骨架,用于形状识别。

三、二值化的挑战与关键

二值化的意义虽然重大,但其效果高度依赖于阈值的选择。如果阈值选得不合适,会导致严重问题:

​阈值过高​:可能将本应是目标的部分误判为背景(丢失信息)。

​阈值过低​:可能将本应是背景的部分误判为目标(引入噪声)。

因此,如何自适应地选择最佳阈值是二值化技术的关键。常见的方法有:

​全局阈值法​:对整个图像使用同一个阈值(如OTSU算法-最大类间方差法,它能自动找到一个最佳阈值)。

​局部/自适应阈值法​:对于光照不均的图像,将图像分成小块,对每个小块分别计算阈值,效果更好。

代价计算的三个基础方法

AD代价:

AD代价计算的核心思想

AD代价的核心思想非常直接:​它计算的是左右图像中两个对应像素点灰度值或颜色值差的绝对值。这个绝对值越小,说明两个像素点越相似,它们是一对匹配点的可能性就越高。

其数学公式根据图像类型有所不同:

​对于灰度图像​:C_ad = |I_L(p) - I_R(q)|

​对于彩色图像​:C_ad = (|R_L - R_R| + |G_L - G_R| + |B_L - B_R|) / 3

其中,I_L(p)和 I_R(q)分别代表左图像素点 p和右图像素点 q的灰度值。

 计算步骤详解

在实际的立体匹配过程中,AD代价计算通常遵循以下步骤:

​确定左图像素点​:从左图中选定一个待匹配的像素点 p,其坐标为 (x, y)。

​设定视差搜索范围​:根据先验知识,确定一个可能的视差范围 [d_min, d_max]。视差 d可以理解为右图中对应点相对于左图点的水平偏移量。

​计算候选点的代价值​:对于每一个候选视差 d,在右图中找到对应的候选点 q,其横坐标为 x - d,纵坐标与 p点相同(通常假设图像已校正)。然后计算 p点和 q点的AD代价值。

​构建代价空间​:为左图的每一个像素点在每一个可能的视差下都计算一个代价值,最终形成一个三维的“代价空间”(DSI)。匹配的目标就是为每个左图像素找到使代价值最小的那个视差 d。

一个简单的计算实例

假设我们有两幅已校正的灰度图,左图某点 p(100, 50)的灰度值为 150。我们设定的视差搜索范围是 0到 5像素。

右图中,在相同的纵坐标 y=50下,我们从 x=100开始向左检查5个像素点,它们的灰度值如下表所示:

| 候选点 q 的横坐标 (xr) | 视差 (d) | 右图灰度值 (Ir) | AD代价 (C_ad = |150 - Ir|) |

| :------------------- | :------- | :------------- | :-------------------------------- |

| 100                  | 0        | 149            | |150-149|= 1                   |

| 99                   | 1        | 151            | |150-151|= 1                   |

| 98                   | 2        | ​148​        | |150-148|= ​2​               |

| 97                   | 3        | ​150​        | |150-150|= ​0​               |

| 96                   | 4        | 152            | |150-152|= 2                   |

| 95                   | 5        | 147            | |150-147|= 3                   |

在这个例子中,当视差 d=3时,AD代价值最小(为0),这意味着我们认为右图中横坐标为 97 (100-3)的像素点与左图的 p(100, 50)点最匹配。

AD代价的优缺点

​优点​:

​计算简单高效​:只涉及减法和取绝对值,计算速度非常快。

​对细节敏感​:由于基于单个像素点,它在纹理丰富的区域能够捕捉到细微的变化。

​缺点​:

​对噪声和光照变化敏感​:图像噪声或左右相机曝光不一致会严重影响灰度值,导致匹配错误。

​在弱纹理区域效果不佳​:在缺乏纹理的区域,很多像素点灰度值相近,仅凭单个像素点的信息难以找到唯一正确的匹配点。

SAD代价:

SAD(Sum of Absolute Differences,绝对差值之和)是立体视觉和图像匹配中一种基础且直观的算法,它通过计算像素块之间灰度值的绝对差之和来评估相似性。下面我们通过一个实例来具体了解它。

SAD 方法原理速览

SAD的核心思想很简单:​比较两个图像块(一个来自左图,一个来自右图)中每个对应像素的灰度值差异,并将所有这些差异的绝对值加起来。得到的 SAD 值越小,说明两个图像块越相似。

其基本计算公式为:

SAD(x,y,d)=i=−w∑w​j=−w∑w​∣Ileft​(x+i,y+j)−Iright​(x−d+i,y+j)∣其中:

Ileft​和 Iright​分别是左图和右图的灰度图像。

(x,y)是左图中待匹配的像素点坐标。

d是候选的视差值(即假设右图中的匹配点相对于左图点在水平方向偏移了 d个像素)。

w定义了用于比较的窗口半径(窗口大小通常为 (2w+1)×(2w+1))。

 SAD 工作步骤

一个完整的SAD立体匹配流程通常包括以下几步:

​图像预处理​:将左右视图转换为灰度图,并进行校正,使得匹配点位于同一水平线上(极线校正)。

​匹配代价计算​:对左图的每一个像素点,在右图同一行上给定的视差搜索范围内,计算每个候选视差 d对应的SAD值。

​代价聚合​(可选但常见):将单个像素的代价扩展到一个窗口内所有像素的代价和,以增强鲁棒性。上文公式本身已体现了这一步骤。

​视差计算​:对于左图的每个像素点,选择使得SAD值最小的那个候选视差 d作为该点的视差。

​视差后处理​:可能包括异常值抑制、空洞填充等操作,以优化最终的视差图。

一个简化的计算实例

假设我们有一对极线校正后的灰度图像(像素值范围0-255)。左图中我们关注坐标为 (5,5) 的像素点,其灰度值为 150。我们选择一个 3x3 的窗口(即 w=1)进行比较,设定的最大视差搜索范围为 3 像素。

​左图中,以(5,5)为中心的3x3窗口像素值如下:

复制[152, 155, 148]

[149, 150, 153]

[151, 154, 147]现在,我们在右图中,在同一行(y=5)上,从 x=5 开始向左(因为视差通常导致右图中的对应点在左边)搜索,计算三个候选位置(d=0, 1, 2)的SAD值。

​当候选视差 d=0时,比较右图中以(5,5)为中心的窗口:

复制右图窗口假设为: [130, 132, 128]

               [129, 131, 134]

               [133, 135, 127]SAD值计算:|152-130| + |155-132| + ... + |147-127| = 22+23+...+20 = ​一个较大的数值,例如 195。

​当候选视差 d=1时,比较右图中以(4,5)为中心的窗口:

复制右图窗口假设为: [180, 182, 178]

               [179, 181, 184]

               [183, 185, 177]SAD值计算:|152-180| + |155-182| + ... + |147-177| = 28+27+...+30 = ​一个更大的数值,例如 250。

​当候选视差 d=2时,比较右图中以(3,5)为中心的窗口:

复制右图窗口假设为: [151, 154, 149]

               [148, 151, 152]

               [152, 155, 146]SAD值计算:|152-151| + |155-154| + ... + |147-146| = 1+1+...+1 = ​一个很小的数值,例如 9。

比较这三个SAD值(195, 250, 9),​d=2时SAD值最小。因此,我们为左图点(5,5)分配的视差值为2。

 SAD 方法的优缺点

​优点​:

​计算简单​:只涉及减法、取绝对值和加法,易于理解和实现。

​速度快​:适合对实时性要求较高的应用,甚至在硬件上容易优化。

​缺点​:

​对噪声和光照变化敏感​:图像的噪声或左右图亮度不一致会严重影响匹配精度。

​在弱纹理或重复纹理区域效果差​:这些区域可能产生多个相似的最小SAD值,导致匹配模糊或错误。

​窗口大小选择关键​:大窗口虽平滑噪声但模糊边缘细节;小窗口保留细节但对噪声更敏感。

Census代价

一、Census变换的基本原理

Census变换是一种非参数化的局部特征描述方法,它通过比较窗口内每个像素与中心像素的灰度大小,生成一个二进制编码序列。这个序列可以有效地捕捉局部纹理结构,对光照变化具有一定鲁棒性。

传统Census变换公式:

对于以像素 p为中心的窗口内的每一个像素 q,计算:

ξ(p,q)={1,0,​if I(q)>I(p)otherwise​将所有比较结果按顺序组成一个二进制串,再转换为十进制数,即为Census编码值。

举例说明:

假设有一个 3×3 的图像窗口,中心像素值为 98,周围像素值如下:

10210010599981019796104逐个与中心像素(98)比较大小:

102 > 98 → 1

100 > 98 → 1

105 > 98 → 1

99 > 98 → 1

98 = 98 → 0

101 > 98 → 1

97 < 98 → 0

96 < 98 → 0

104 > 98 → 1

得到的二进制序列为:111101001,转换为十进制即为Census编码值。

二、Census代价计算

Census代价是通过计算左右两幅图像中对应窗口的Census编码值的汉明距离(即不同比特的个数)来衡量的。汉明距离越小,说明两个窗口越相似。

公式:

Ccensus​(p,d)=Hamming(Tleft​(p),Tright​(p−d))其中 T(p)表示点 p处的Census编码。

三、本文改进:多灰度阈值Census代价

传统Census变换对灰度变化非常敏感,尤其在灰度相似的区域容易产生噪声。本文提出多灰度阈值Census变换,通过设置多个灰度阈值生成多个Census编码图,再加权融合,提升在弱纹理区域的稳定性。

改进示意图:

举例说明:

假设设置两个阈值:τ1​=2, τ2​=5。对同一窗口,分别用以下规则生成两个Census编码:

阈值 τ1​=2:

若 ∣I(q)−I(p)∣>2才进行比较,否则直接置0(视为无效比较)

阈值 τ2​=5:

若 ∣I(q)−I(p)∣>5才进行比较,否则置0

分别得到两个二进制序列,再转换为两个Census值,最后加权融合。

四、再进一步:引入曼哈顿距离权重

为进一步提升性能,本文还引入了曼哈顿距离权重,对窗口中不同位置的像素赋予不同权重,越靠近中心的像素权重越高。

权重函数:

w(pm​)=1+λ⋅dm​1​其中 dm​是当前像素与中心的曼哈顿距离。

加权后的Census代价:

Cimproved​(p,d)=k=1∑K​ωk​⋅Ccensusk​​(p,d)其中 K是多阈值个数,ωk​是第 k 个阈值的权重。

五、效果对比

原文图12展示了传统Census代价与改进后的Census代价在重复纹理和弱纹理区域的效果对比:

可以看出,改进后的Census代价在板凳靠背(重复纹理)和布料区域(弱纹理)的匹配质量明显提升。

六、为什么有效?

​多阈值机制适应不同灰度差异区域,减少噪声;

​曼哈顿距离权重强化中心像素作用,抑制边缘干扰;

​融合多个Census特征提升匹配鲁棒性和精度。

实验结果分析一些小技巧

GPU移植加速

GPU移植加速详解:以双目立体匹配算法为例

一、GPU移植加速的基本概念

GPU移植加速是指将原本在CPU上运行的算法代码重新设计和优化,使其能够在图形处理器(GPU)上高效运行,从而大幅提升计算性能的技术过程。这不仅仅是简单的代码移植,而是需要深入理解算法特性和GPU架构特点的深度优化。

二、为什么需要GPU加速?

1. 硬件架构差异

​CPU​:少量高性能核心,擅长复杂逻辑控制和串行计算

​GPU​:数千个简单核心,专为大规模并行计算设计

2. 性能对比

本文中的双目立体匹配算法包含大量像素级并行操作,正是GPU擅长的计算类型。如表5所示,GPU加速后性能提升显著:

三、GPU移植的具体步骤

1. 算法并行性分析

首先需要分析算法的哪些部分可以并行化。在本文算法中:

像素级代价计算(SAD、Census变换)

窗口滤波操作

视差搜索空间遍历

这些操作都具有数据并行性,每个像素的处理相互独立。

与不同算法进行比较

单层神经网络二分类logistics回归模型+TensorFlow实例实现 最近,小编开始关注深度学习,深度学习也在近几年来发展迅速,其与人工智能、机器学习的关系如下图: 机器学习是实现人工智能的方法,深度学习是实现机器学习的技术,深度学习的应用主要分为两个方向:机器视觉和自然语言处理,具体应用有: 1、机器视觉CV:图像分类、图像生成、图像风格转换、图像翻译、图像压缩等; 2、自然语言处理NLP:机器翻译、舆论情... 阅读详情

相关推荐

基于halcon+c#从零开始学习机器视觉——001环境搭建

基于halcon+c#从零开始学习机器视觉——001环境搭建

m0_60548895的博客 5532

机器视觉学习 8 10

了解到前面讲的理想情况下的摄像机模型的内外参数求解过程,和畸变摄像机模型的内外参数求解过程。标定思路,用已知的两两对应的世界坐标系和像素平面坐标系的坐标,反列方程组求内、外参数。注意这里的m是在m的范式为1的约束下求得的,实际的最小二乘解是这里求得解的倍数。3D空间的这些就不多展现了,我目的主要是了解,知道各种变换的特点,异同点即可。六对点的方程组放在一起,构建系数矩阵和未知数矩阵,得到矩阵形式的线性方程组。补充了2D和3D空间中欧式变换,相似变换,仿射变换,透视变换的数学知识。

programming_wang的博客 204

《HALCON机器视觉与算法原理编程实践》第1章 机器视觉概述-学习笔记

文章目录1.1 什么是机器视觉1.2 机器视觉与计算机视觉的区别1.3 机器视觉的工作原理1.4 机器视觉的应用领域 1.1 什么是机器视觉 机器视觉是一种使用计算机来模拟人类视觉,并使用软件算法对相机采集到的图像进行分析和理解,以进行自动识别和判断的过程。 1.2 机器视觉与计算机视觉的区别 计算机视觉关键是计算机,机器视觉关键是机器,两者侧重领域不同。计算机视觉比较侧重于对图像的分析,回答“是什么”的问题;而机器视觉则更关注图像的处理结果,目的是控制接下来的行为,回答“怎么做”的问题。 计算机视觉一般

超级大洋葱的博客 4680

RTX3060显卡用户必看:Halcon22.11深度学习环境搭建避坑指南(Win10+CUDA11.7+cuDNN8.6)

本文为RTX3060显卡用户提供Halcon22.11深度学习环境搭建的详细指南,涵盖Win10系统下CUDA11.7和cuDNN8.6的精准配置。通过步骤详解和常见问题排查,帮助用户避开安装陷阱,充分发挥RTX3060在机器视觉和深度学习任务中的性能优势。

vulkan6gpu的博客 738

机器视觉 使用halcon的学习之路

halcon入门

今天也要好好学习 1890

入门机器视觉的正确打开方式——徒手撸一个python+opencv实现的机器视觉简易调试工具(上)

对于初学者来说,入门机器视觉可能会感到无从下手,市面上虽然有许多成熟的机器视觉软件,但它们往往价格昂贵,且功能复杂,不够灵活。幸运的是,Python语言以其简洁易懂的特性,结合OpenCV这一强大的计算机视觉库,为初学者提供了一个低成本、高效率的学习平台。

JAMES费的空间 3920

[视觉概述] 机器视觉应用方向、项目流程及学习思路总结

需求分析:一个项目主要包含①定位、识别②缺陷检测③OCR字符识别④测量类的项目这四个大方向 方案设计:根据客户应用的场合不同,选择相应的镜头、相机、支架、光源及如何打光等 概要设计:软件架构体系,vc++联合halcon还是c#联合halcon等,还有算法流程,怎么通讯、怎么识别等 详细设计:每一个功能模块怎么做,包括图像采集模块、处理模块、包括算法模块,如何通讯等。通常将每个模块形成一个动态库...

Loewen丶的小窝 1万+

1.机器视觉入门视频教程笔记

一. HALCON 机器视觉软件HALCON 是由德国 MVtec 公司开发的一套完善且标准的机器视觉算法包(主要用于商业用途)。在欧洲及日本的工业界,HALCON 被公认为性能最佳的机器视觉软件之一。HALCON 支持多种操作系统环境,包括 Windows、Linux 和 macOS。编程接口支持多种编程语言,如 C、C++、.NET(包括 C# 和 VB.NET)、Delphi 等。最新版本为 HALCON 23.05。二. OpenCV 机器视觉软件。

wjh19970930的博客 1273

【亲测免费】 探索视觉世界的利器:OpenCV 4.8.0 Windows VC17 编译完整包

探索视觉世界的利器:OpenCV 4.8.0 Windows VC17 编译完整包 【下载地址】OpenCV4.8.0WindowsVC17VS2022编译完整包带人脸识别模块 本资源提供了一个在 Windows 10 环境下,使用 Visual Studio 2022 (VS2022) 编译的 OpenCV 4.8.0...

gitblog_09714的博客 777

机器视觉学习笔记(6)——双目摄像机标定参数说明

机器视觉学习笔记(6)——双目摄像机标定参数说明标签: 机器视觉阅读本文之前请先阅读以下两篇博文: 机器视觉学习笔记(4)——单目摄像机标定参数说明 机器视觉学习笔记(5)——基于OpenCV的单目摄像机标定1.双目摄像机需要标定的参数 双目摄像机需要标定的参数有摄像机内参数矩阵,畸变系数矩阵,本征矩阵,基础矩阵,旋转矩阵以及平移矩阵 其中摄像机内参数矩阵和畸变系数矩阵可以通过单目标定的方法标定

moverzp的博客 2万+

《从Python小白到机器视觉大神:进阶之路全解析》:此文为AI自动生成

机器视觉是一门综合性技术,旨在通过光学装置和非接触式传感器,自动获取并处理真实物体的图像,以获取所需信息或用于控制机器人运动。其核心原理是模拟人类视觉系统,将光学图像转化为电信号,再经过一系列复杂的算法处理,实现对物体的识别、测量、定位和检测等功能。从系统组成来看,机器视觉系统主要包含硬件和软件两大部分。硬件部分如同人类视觉系统的 “眼睛” 和 “神经系统”,其中相机的作用类似于人眼的视网膜,负责将通过镜头的光信号转换为电信号。相机的种类繁多,按芯片技术可分为 CCD 相机和 CMOS 相机;

zheng_ruiguo的专栏 1733

机器视觉学习顺序参考

刚开始接触机器视觉的朋友可以按这个一步步来学习,挺好用的, 一:视觉启蒙入门 1.halcon编程,熟悉halcon环境、tuple数组、文件操作及简单的案例编程 2. halcon基础学习,halcon自定义算子封装等,进行入门编程训练 3. halcon数据类型(主要是控制变量/图像变量)和halcon人机可视化交互 4. halcon视频图像采集,单相机以及多相机 5. 图像处理基础与RO...

perfect-顾(coder)的博客 5055

iOS 取证窍门:为什么要先从 Recovery 恢复模式开始?

未记录的 DFU 代表“设备固件升级”。与专为普通用户设计的恢复模式不同,DFU 模式从来都不是为公众设计的。Apple 知识库中的任何地方都没有关于 DFU 的文档。进入 DFU 的方法主要是通过按下、按住和释放按钮的复杂操作序列,并具有精确的时间限制。在多个步骤中的任何一个步骤中,如果时间错误,都会导致重新启动设备,而不是将其切换到 DFU。另外,设备屏幕上也没有 DFU 模式的指示。如果设备成功切换到 DFU,显示屏将保持黑色。即使对于专家来说,进入 DFU 模式也可能很困难。恢复模式是最容易解释的。

2302_82041293的博客 1198

机器视觉(三)——学习机器视觉的参考顺序

刚开始接触机器视觉的朋友可以按这个一步步来学习,挺好用的 一:视觉启蒙入门 1.halcon编程,熟悉halcon环境、tuple数组、文件操作及简单的案例编程 2. halcon基础学习,halcon自定义算子封装等,进行入门编程训练 3. halcon数据类型(主要是控制变量/图像变量)和halcon人机可视化交互 4. halcon视频图像采集,单相机以及多相机 5. 图像处理基础与ROI区域 6. 图像预处理、二值化、形态学与图像区域特征提取分析 7. Halcon在VS(C#或C++)下的联合配置

lvjiyang的博客 3130

【从零开始玩量化1】AKShare: Python开源财经数据接口库

文章目录量化的第一步:数据AKShare介绍AKShare安装AKShare使用AKTools安装/使用结语 量化的第一步:数据 想要玩量化,第一步要有数据,这个数据可能是历史交易数据、财务数据、宏观数据等等。我们最终要做的,无非就是从数据中分析出有价值的信息,以便用来指导投资策略。 在获取数据的这条道路上,我走了很多弯路,尝试了各种方法:使用Tushare到放弃、自己写网易股票页面的爬虫,自己写申万行业数据的爬虫、自己写同花顺问财的爬虫、使用聚宽的免费数据API等等,直到最终,我发现了AKShare。 A

量化投资助手的博客 5万+

Mimics 21.0软件学习笔记(一)基本操作

Materialise Mimics 21.0打开工程窗口化Thresholding 二值化Region growing区域增长创建一个3D表示,并显示股骨头从髋臼中区分出来,并单独为股骨头建立3D模型 打开工程 Opening the Project 窗口化 Windowing 二值化 Thresholding 区域增长 Region Growing 建立 3D 表示 Creating a 3D representation 显示 3D 表示 Displaying a 3D representation

qq_35495464的博客 4万+

学习机器视觉的参考顺序

一:视觉启蒙入门 1.halcon编程,熟悉halcon环境、tuple数组、文件操作及简单的案例编程 2. halcon基础学习,halcon自定义算子封装等,进行入门编程训练 3. halcon数据类型(主要是控制变量/图像变量)和halcon人机可视化交互 4. halcon视频图像采集,单相机以及多相机 5. 图像处理基础与ROI区域 6. 图像预处理、二值化、形态学与图像区域特征提取分析...

风声独行 1万+

SQL Prompt 9.0插件突然无法使用解决办法(附防联网激活)多图+文字

可能由于Redgate公司最近抓盗版抓得严,导致激活后的SQL Prompt联网后突然无法使用,无论卸载重装都没办法继续使用,本人同时使用SQL Assistant和SQL Prompt,我喜欢SQL Assistant代码提示功能,而SQL Prompt我喜欢将查询结果复制后可以直接生产插入脚本,这是最爽的一件事,即便对表有多么熟悉,没有这些插件,几行语法都要敲大半天,目前本人已经离不开这两个插...

骚团长的博客 1万+

机器视觉(8)--机器视觉系统集成

机器视觉系统集成发展的现状和前景 机器视觉系统集成是一门学科,随着新成像技术的不断发展,这门学科的发展势头依然强劲。 自从35年前广泛使用的商业组件被引入以来,熟练地将机器视觉集成到自动化应用程序中一直是该技术成功的关键因素。近年来,机器视觉行业在全球范围内实现了创纪录的增长,零部件在3D制导与计量、光谱图像分析、高速检测、深度学习等前沿应用领域的可用性和能力不断增强。在...

Techblog of HaoWANG 4075

实现labelme批量json_to_dataset方法

labelme可以帮助我们快速的实现Mask-RCNN中数据集json文件的生成,然而还需要我们进一步的将json转成dataset,可以直接在cmd中执行labelme_json_to_dataset.exe C:\Users\Administrator\Desktop\total\1.json(路径),但是这个过程需要我们一个json文件的生成,过程很慢。 一、打开abelm...

简简单单 5万+

【全球人口数据集】全球人口密度数据集GPWv4

全球人口密度数据集GPWv4

WW、forever的博客 1003

机器视觉基本概述

机器视觉是指计算机系统通过使用图像处理技术对图像或视频进行处理和分析,以模拟人类视觉系统的能力。它包括图像的获取、处理、分析和理解等多个方面,可以实现图像识别、目标检测、图像分割、运动跟踪等功能。机器视觉在自动驾驶、工业检测、安防监控、医学影像等领域有着广泛的应用。机器视觉是人工智能正在快速发展的一个分支。简单说来,机器视觉就是用机器代替人眼来做测量和判断。

Auroral_0218的博客 8816

ESP32设备驱动-AS5600磁性旋转位置传感器

AS5600 是一款可编程的 12 位高分辨率非接触式磁性旋转位置传感器。 AS5600可以作为磁性电位器或磁性编码器使用,具有出色的可靠性和耐用性。 与传统电位器/编码器相比,AS5600具有显着优势:高精度、非接触式、旋转角度无限制。 所有这些优点使其适用于非接触式角度测量应用,例如机器人手臂、云台、电机闭环控制、机床轴定位。

视觉与物联智能 2553

基于Anaconda安装环境的OpenCV机器视觉环境搭建

本文介绍win10系统下通过Anaconda配置基于python语言的机器视觉编程环境,主要内容包括: - Anaconda下载安装 - OpenCV下载安装 - 测试安装结果

vor234的博客 5336

强化学习算法案例——一个经典的走迷宫任务。

作者:禅与计算机程序设计艺术 1.简介 在强化学习(Reinforcement Learning, RL)中,有一个经典的任务——走迷宫,其原理简单易懂,但它的实际意义却深远,它让计算机学习如何通过策略网络(policy network),以最佳的方式解决复杂的任务。本文将介绍如何用强化学习解决这个经典

AI天才研究院 3219

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Halcon机器视觉学习方向

(2)外触发(静态拍图、动态拍图):视觉系统开采图线程循环等待;(1)通讯:静态拍图:机器用网口或串口发一个指令(比如A0)给视觉系统,视觉系统收到后拍照处理,输出结果给机器。1、像素变换(圆、矩形、像素单量) 照片单位为像素-----> 实际单位如:mm、m等。3、不同坐标系之间的标定(不共线的三点确定一个坐标系):如九点标定(机械手)(1)快速入门、能力一般的建议学习C#《C#从入门到精通》视觉系统通过、定时器、线程、循环等待等手段。2、数字图像处理基础(C#、VC++)(9)标定助手(畸变校正)

LONGZHIQIN的博客 722

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

上一篇: 机器视觉学习 10 4
下一篇: 机器视觉学习 10 12
漂泊到未知海岸
博客等级 码龄3年 12粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值