渣渣的博客

1、存取像素值 举个栗子：图像中添加椒盐噪点#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>void salt(cv::Mat image, int n) //创建添加椒盐噪点的函数，第一个参数是张输入图像，传引用的参数传递方式，修改的像素个数{ for

栗子：#include#includeusing namespace cv;//方法1，假如区域为长方形，使用MAT 构造函数设置区域内的值为255int main(){ Mat image=imread("boldt.jpg"); //初始化掩模矩阵 Mat mask = Mat::zeros(image.size(), CV_8UC1); R

①观察灰度分布来描述一幅图像成为空间域，观察图像变化的频率被成为频域。 ②频域分析：低频对应区域的图像强度变化缓慢，高频对应的变化快。低通滤波器去除了图像的高频部分，高通滤波器去除了图像的低频部分。(1)低通滤波 ①栗子：#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/imgproc/imgproc.h

简单的二值边缘图像有两大缺陷: ①检测到的边缘过粗，难以实现物体的精确定位 ②难以找到这样一个阈值足以检测到所有的重要边缘Canny算子实现方法#include <iostream>#include <vector>#include <opencv2/core/core.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <opencv

在图像中检测兴趣点时，角点可以作为一个有趣的方案，它们在图像中可以轻易地定位，同时，它们在人造物体的场景中随处可见。角点的意义还在于它们是可以精确定位的二维特征，它们位于两条边缘的交点处。这与位于相同强度区域的点不同，与物体轮廓的点也不同，轮廓点难以在其他图形的相同物体上精确定位。#include <iostream>#include <vector>#include <opencv2/cor

Harris算子提出了角点的正式数学定义，它基于两个正交方向上的强度变化率，他需要耗时的计算图像的导数，虑到特征点检测只是复杂算法的第一步。FAST能快速检测，依赖少数的像素比较来确定是否接受一个特征点。 下面的例子可以看出检测出的时间//----------------------- harris----------------------------------、//// Read inp

当尝试在不同图像之间匹配特征时，我们通常面临尺度变化的难题，即需要分析的图像在拍摄时与目标物体的距离是不同的，因此，目标物体在图像中有些不同的尺寸.为了解决这个问题，计算机视觉引人尺度不变的特征，主要的思想是每个检测到的特征点都伴随着对应的尺寸因子，即SURF特征。尺寸不变的特性，而且计算非常高效。特征点对应的圆圈的尺寸与图像尺寸的改变成正比。// Read input image cv: