KAVEI

2021年5月13日

摘要：相机标定就是设置各种参数（即投影公式中的项目）的过程。相机标定的目的：获取摄像机的内参和外参矩阵（同时也会得到每一幅标定图像的选择和平移矩阵），内参和外参系数可以对之后相机拍摄的图像就进行矫正，得到畸变相对很小的图像。相机标定的输入：标定图像上所有内角点的图像坐标，标定板图像上所有内角点的空间三阅读全文

posted @ 2021-05-13 16:02 KAVEI 阅读(859) 评论(0) 推荐(0) 编辑

图像拼接相关

摘要：进行透视变换(将两幅图像平面化拼接） void warpPerspective(InputArray src, OutputArray dst, InputArray M, Size dsize, int flags=INTER_LINEAR, int borderMode=BORDER_CONST 阅读全文

posted @ 2021-05-13 15:41 KAVEI 阅读(69) 评论(0) 推荐(0) 编辑

计算两幅图像之间的单应矩阵

摘要：单应矩阵是指在特殊情况下（纯旋转或平面目标），投影矩阵为3x3的矩阵单应矩阵格式应用：图像校正视角变换图像拼接增强现实找到单应矩阵的函数： Mat cv::findHomography ( InputArray srcPoints, InputArray dstPoints, int 阅读全文

posted @ 2021-05-13 13:39 KAVEI 阅读(429) 评论(0) 推荐(0) 编辑

2021年5月12日

ransac算法（随机抽样一致性）

摘要：特征匹配要是遇到误匹配时，如何筛选处理？答案就是用ransac算法进行过滤。 RANSAC算法背后的核心思想是:支撑集越大,所计算矩阵正确的如果一个(或多个)随机选取的匹配项是错误的,那么计算得到的基础矩的支撑集肯定会很小。反复执行这个过程,最后留下支撑集最大的矩阵作因此我们的任务就是随机选取8个匹阅读全文

posted @ 2021-05-12 22:42 KAVEI 阅读(403) 评论(0) 推荐(0) 编辑

2021年5月10日

图像间投影关系

摘要：成像过程：薄镜公式：1/f=1/do=1/di;do:物体到镜子距离 di：成像面到镜子距离针孔照相机模型对极线十五天掌握OpenCV——对极几何（Epipolar Geometry）_尹江 _ Cecil-CSDN博客计算基础矩阵的函数： int cvFindFundamentalMat 阅读全文

posted @ 2021-05-10 13:03 KAVEI 阅读(356) 评论(0) 推荐(0) 编辑

用二值子匹配关键点

摘要：匹配局部强度值模式对资源耗费巨大为此，引入一组比特位组成二值描述子的概念步骤：1.定义检测器 2.检测关键点 3.提取描述子设立mat类使用feature2d::compute（src,keypoint,descriptors//产生兴趣点的结果是一个矩阵，行数等于关键点容器元素个数） de 阅读全文

posted @ 2021-05-10 12:51 KAVEI 阅读(60) 评论(0) 推荐(0) 编辑

描述匹配局部强度值

摘要：步骤：1.定义检测器 2.检测关键点 3.提取描述子设立mat类使用feature2d::compute（src,keypoint,descriptors//产生兴趣点的结果是一个矩阵，行数等于关键点容器元素个数） detectandcompute（image，noarray,keypoint, 阅读全文

posted @ 2021-05-10 12:38 KAVEI 阅读(68) 评论(0) 推荐(0) 编辑

2021年5月9日

dmatch类

摘要： dmatch类用来计算特征匹配； Dmatch对象保存的是匹配成功的结果，当然这个匹配结果里面包含了不少的误匹配。成员说明： queryIdx : 查询点的索引（当前要寻找匹配结果的点在它所在图片上的索引）.类似于序号 trainIdx : 被查询到的点的索引（存储库中的点的在存储库上的索引）di 阅读全文

posted @ 2021-05-09 14:57 KAVEI 阅读(584) 评论(0) 推荐(0) 编辑

描述与匹配关键点

摘要：局部模板匹配通过特征点匹配,可以将一幅图像的点集和另一幅图像(或一批图像)的点集关联起来。如果两个点集对应着现实世界中的同一个场景元素,它们就应该是匹配的。仅凭单个像素就判断两个关键点的相似度显然是不够的,因此要在匹配过程中考虑每个关键点周围的图像块。如果两幅图像块对应着同一个场景元素,那么它们的阅读全文

posted @ 2021-05-09 14:35 KAVEI 阅读(138) 评论(0) 推荐(0) 编辑

2021年5月8日

surf与sift转换特征检测（尺度变换检测）

摘要：特点具有较好的稳定性和不变性，能够适应旋转、尺度缩放、亮度的变化，能在一定程度上不受视角变化、仿射变换、噪声的干扰。2、区分性好，能够在海量特征数据库中进行快速准确的区分信息进行匹配3、多量性，就算只有单个物体，也能产生大量特征向量4、高速性，能够快速的进行特征向量匹配5、可扩展性，能够与其它形式阅读全文

posted @ 2021-05-08 22:56 KAVEI 阅读(165) 评论(0) 推荐(0) 编辑

公告