yohnyang的博客

模型实战（25）之 基于LoFTR深度学习匹配算法实现图像拼接

模型实战（22）之 C++ - tensorRT部署yolov8-cls 目标分类

模型实战（21）之 C++ - tensorRT部署yolov8-det 目标检测

基于Matlab实现免疫荧光图像中的区域定位算法

模型实战（17）之C++ - tensorRT部署yolov8seg实例分割

Python - Opencv应用实例之树叶自动分割、标签及统计分析系统

Python-Opencv应用实例之头发智能分割、计数、特征统计系统

yolov8+deepsort实现车辆跟踪与计数

Python - Opencv应用实例之CT图像检测边缘和内部缺陷二

目标检测算法之 yolov8模型导出总结

YOLOv8预测模块predictor详解、预测视频后同时保存结果视频+目标帧

Python - Opencv应用实例之CT图像检测边缘和内部缺陷

C++ - Opencv应用实例之仿射变换实现工件角度校正

YOLOv5应用实例之定位标识点并记录轨迹、特征匹配、计算制动距离

C++ - opencv应用实例之矩形框检测

yolov5+deepsort 应用实例之跟中目标起始时间并记录结果图像

C++ - opencv应用实例之文本图像增强

K均值聚类算法的时间复杂度是O(nmk),n表示样本个数，m表示样本维数，k表示类别个数。算法实现：

openpose封装用于姿态检测：摔倒、站立

轻量化openpose用于实时CPU多目标姿态估计，同时应用cuda加速

数据集转换与自动划分，以便yolov5训练

Robotics Library 之防碰撞demo rlCollisionTest

迭代法求解四轴机器人逆解

*已知现有图像尺寸128*128，及范围在1.1-1.9之间的9个不同拉伸系数，在对现有的图像进行不同拉伸后，测试将图像转到频域对拉伸变换后的图像进行重采样因子(拉伸系数)估计，算法通过将对图像的每一行进行二阶差分信号的方差估计，然后对其进行傅里叶变换映射到频域，针对DFT信号中尖峰的位置估计重采样因子。...

此文总结一下opencv中的一些常见算子，如SIFT、Canny、及霍夫变换等原理，可用于深度理解特征提取数学原理1.SIFT(尺度不变性特征转换）SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。具体详见：SIFT特征点提取：https://blog.youkuaiyun.com/lingyunxianhe/article/details/790635

原本是模仿一张大图进行任意方向移动后得到结果图，求他的逆过程来判断大图运动方向，但不是通过整个大图来判别，而是在运动时，大图被扫描分割成若干子图，通过将子图进行拼接后，判断拼接后的L形图像之间的偏移量来进行运动方向判定。将待拼接的两幅图像进行傅里叶傅里叶变换，然后两者相乘求取互功率谱，再进行傅里叶反变换后得到对应时域的狄拉克雷函数，一个关于x,y的二元一次函数，其极大值对应的x，y值即为偏移量。**涉及算法**图像缩放、比例裁剪、傅里叶变换、相位相关法、图像拷贝。**对比算法**模板匹配算法。...

参考论文：RobCoGen: a code generator for efficient kinematics and dynamics of articulated robots, based on Domain Specific Languages参考：利用urdf及RobCoGen生成运动学及动力学代码1.1 直接可用二进制包下载直接进官网进行下载https://robcogenteam.bitbucket.io/index.html，二进制文件是直接可用的包，下载+配置依赖包即可。需要配置依

运动目标检测之帧差法基于Opencv实现运动目标检测，主要实现方式有1.视频读取后进行背景建模(高斯建模等)，对每一帧与背景相减后得到目标，然后采用二值、形态学处理后提取轮廓，轮廓的外界矩形即标出的矩形框2.帧差法：对 相邻帧进行做差，然后对其进行二值及膨胀运算，此算法对阈值分割的阈值要求较高，要想实现好的效果需要多次测试调出一个较好阈值背景建模一般Opencv都集成好了现成的API，直接调用调参一般就可提取一个较好的背景，该算法的运动目标检测适用于摄像机不变条件下拍摄出的视频，即背景区域不

Opencv轮廓提取相关算法一直想整理一下关于轮廓提取相关的内容，刚好最近用到了这块知识，所以就记录一下针对某一整幅图像，如下图一整幅图像，想要提取其中的一些轮廓及特征点，使其最终呈现第二幅图的效果，此时对整幅图像进行分割提取是不明智的，需要先从中提取感兴趣区域，然后对ROI中的图形进行分割检测并特征提取。涉及算法：霍夫圆检测、阈值分割、形态学处理、轮廓检测+排序、形状筛选1.霍夫圆检测原理参考：HoughCircles 霍夫圆变换原理及圆检测笛卡尔坐标系与极坐标系中的 圆

三角测量计算三维坐标注：三角测量须在双目相机进行立体匹配之后进行计算，针对极线校正后图像关于极线校正可以参考我的上篇博文：相机成像+单应性变换+相机标定+立体校正下图为立体校正后的成像平面布局：1.视差测距法：根据三角形相似原理得出深度z相机坐标、世界坐标、图像坐标之间的变换关系：算法实现具体原理：极线校正（立体校正）后获得相机在新坐标系下的投影矩阵QstereoRectify(camera.cameraMatrix1, camera.distCoeffts1, camera.ca

轮廓拟合记录最近的研究内容：针对如下的刨面图，分别对内圆和外圆进行拟合，然后得出其面积比，这是最终需求涉及算法：阈值分割、轮廓提取、K均值聚类、圆+椭圆拟合、凸包检测1.外圆拟合外圆即根据最外侧的大轮廓拟合出的圆心，算法实现为：灰度化->大津阈值分割->轮廓提取->最小外接圆(最小面积)->得到圆参数代码如下：struct Circle_ {//若为圆，赋值半径 Point2f center; float radius; float area;};

基于阈值分割的种子自动分类系统该系统首先实现对种子的自动分割，然后计算种子的边长及缺陷长度，然后进行自动分类，主要为解决以下问题主要涉及算法：自适应二值化、形态学处理、轮廓提取、凸包查找、寻找外接矩形以及矩阵位运算，生成随机颜色和绘制图像作为辅助。整体效果简介：算法实现如下：1.基于阈值分割获取连通域图像缩放->灰度化->大津阈值->轮廓查找+面积筛选->闭运算void Segment::get_segmask(const Mat src, Mat&am

SVD求解三维点集之间的变换矩阵针对三维重建中的多点空间变换关系，通过最小二乘+SVD分解方法求解变换矩阵，即旋转+平移，旋转可能是绕x、y、z旋转不同角度的结果，常被应用于机械臂控制、三维重建、场景建模等方面。参考-- 视觉SLAM十四讲：1.假设有一组配对好的3D点：这个问题可以用迭代最近点(Iterative Closest Point,ICP）求解，主要有两种方式：SVD、非线性优化的方式2.SVD方法建模：2.1 首先，定义第 i 对匹配点的误差项：2.2 将重点定为旋转矩