- 博客(6)
- 收藏
- 关注
RSS订阅原创 图像到图像的映射
一 单应性变换单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换。在这里，平面是指图像或者三维中的平面表示。单应性变换具有很强的实用性，比如图像配准，图像纠正和纹理扭曲，以及创建全景图像，我们将频繁的使用单应性变换。本质上，单应性变换H，按照下面的方程映射二维中的点（齐次坐标意义下）：或者对于图像平面内的点，齐次坐标是个非常有用的表示方式。点的齐次坐标是依赖于其尺度定义的，所以，x=[x,y,w]=[ax,ay,aw]=[x/w,y/w,1]都表示同一个二维点。因此，单应性矩阵H也仅依赖尺
2021-07-07 14:08:41
208
原创 图像局部描述符
Harris角点检测Harris角点检测算法是最简单的角点检测方法之一。from pylab import *from PIL import Imagefrom PCV.localdescriptors import harris#读入图像im = array(Image.open('C:/Users/Administrator/35.jpg').convert('L'))#检测harris角点harrisim = harris.compute_harris_response(im)
2021-07-07 13:48:45
256
原创 图像处理基础
准备 导入库from numpy import *from scipy.ndimage import filtersfrom PIL import Imagefrom pylab import *from PCV.tools import imtools一 读入图片pil_im = Image.open('C:/Users/Administrator/02.jpg')gray()subplot(121)title(u'原图',fontproperties=font)axis('off
2021-07-07 12:03:56
163
原创 python图像检索
关于图像检索一、Bag of features算法二、算法流程三、实验过程四、实验存在问题一、Bag of features算法此算法的思想是在我们先做一个数据集，然后找到图像中的关键词，这些关键词必须具备较高的区分度，最主要的操作就是提取sift特征，然后对这些特征点进行聚类算法，然后得到聚类中心，聚类中心就具有很高的代表性，这些聚类中心形成字典，然后自取一张图片，进行sift特征提取，就可以在字典里找到最相似的聚类中心，统计这些聚类中心出现的次数，然后就直方图表示出来，对于不同类别的图片，就可以训练
2021-06-06 15:55:53
1729
2
原创 相机标定
相机标定原理摄像机标定(Camera calibration)简单来说是从世界坐标系换到图像坐标系的过程，也就是求最终的投影矩阵 P 的过程。第一步是从世界坐标系转换为相机坐标系，这一步是三维点到三维点的转换。包含 R，t （相机外參）等參数；第二部是从相机坐标系转为图像坐标系。这一步是三维点到二维点的转换，包含 K（相机内參）等參数；使用棋盘格标定1.准备10-20张图片。2.对每张图片提取角点信息3.对每张图片，进一步提取亚像素角点信息4.相机标定5.畸变矫正代码：//
2021-05-23 15:29:06
359
原创 图像拼合
图像拼合实验设图像高为h，相同部分的宽度为wx拼接后图像的宽w=wA+wB-wx因此，可以先构建一个高为h，宽为W*2的空白图像，将左图像向右平移wx，右图像粘贴在右侧。则右图像刚好覆盖左图像中的相同部分。最终拼接图像完成，完成后的图像左侧有宽度为wx的空白即为所检测出的两幅图像的相同部分，可根据需要选择是否去除。示例图如下。实现上述效果的步骤如下：采用surft特征检测算法检测两幅图像的关键特征点；建立FLANN匹配器，采用目前最快的特征匹配（最近邻搜索）算法FlannBasedMat
2021-04-25 21:26:31
232
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人