摘要： HOG特征描述子提取 - 灰度图像转换 - 梯度计算 - 分网格的梯度方向直方图 - 块描述子 - 块描述子归一化 - 特征数据与检测窗口 - 匹配方法 灰度图像转换 - cvtColor - gray = R*0.3 + 0.59*G + 0.11*B 梯度计算 分网格的梯度方向直方图 分割为8*8=64像素的Cell网格 对每个Cell求取方向直方图 (Orientation Hist)，分为 阅读全文

摘要： SIFT特征检测介绍 SIFT(Scale-Invariant Feature Transform)特征检测关键特性： -建立尺度空间，寻找极值 -关键点定位(寻找关键点准确位置与删除弱边缘) -关键点方向指定 -关键点描述子 关键点定位 我们在像素级别获得了极值点的位置，但是更准确的 值应该在亚像素位置，如何得到 – 这个过程称为关键 点(准确/精准)定位 删除弱边缘- 通过Hassian 矩阵 阅读全文

摘要： SURF特征基本介绍 SURF(Speeded Up Robust Features)特征关键特性： -特征检测 -尺度空间 -选择不变性 -特征向量 工作原理 1. 选择图像中POI（Points of Interest） Hessian Matrix 2. 在不同的尺度空间发现关键点，非最大信号压制 3. 发现特征点方法、旋转不变性要求 4. 生成特征向量 SURF... 阅读全文

摘要： 提高检测精准度理论与现实总是不一致的，实际情况下几乎所有的角点不会是一个真正的准确像素点。(100,5)实际上（100.234，5.789） - 跟踪 - 三维重建 - 相机校正 亚像素定位 - 插值方法 - 基于图像矩计算 - 曲线拟合方法 （高斯曲面、多项式、椭圆曲面） #include #include using namespace cv; us... 阅读全文

摘要： #include #include #include using namespace cv; using namespace std; const char* harris_win = "Custom Harris Corners Detector"; const char* shitomasi_win = "Custom Shi-Tomasi Corners Detector"... 阅读全文

摘要： Shi-Tomasi角点检测理论 跟Harris角点检测的理论几乎完全一致， 唯一不同的是 在使用矩阵 特征值 确定图像的强角点在图像中寻找具有大特征值的角点。该函数，首先用cvCornerMinEigenVal 计算输入图像的每一个象素点的最小特征值，并将结果存储到变量 eig_image 中。然 阅读全文

摘要： Harris角点检测理论： 大致描述： 图像大小x,y, 以x和y为基点，(每个图像点 减去 系数(x,y) ，平方)求和， 得到输出响应。 R 既是我们要得到的角点， k取0.04-0.06之间。 阅读全文

摘要： 使用io_service和定时器写的一个同步和异步方式的任务队列 #pragma once #include #include #include #include #include #include #include #include class task { public: task(); ~task(); void init(); ... 阅读全文

摘要： 什么是图像分割 图像分割(Image Segmentation)是图像处理最重要的处理手段之一 图像分割的目标是将图像中像素根据一定的规则分为若干(N)个cluster集合，每个集合包含一类像素。 根据算法分为监督学习方法和无监督学习方法，图像分割的算法多数都是无监督学习方法 - KMeans 距离变换常见算法有两种 - 不断膨胀/腐蚀得到 - 基于倒角距离 分水岭变换常见的算法 - 基于浸泡理论 阅读全文

摘要： 点多边形测试 测试一个点是否在给定的多边形内部，边缘或者外部 double pointPolygonTest( InputArray contour, // 输入的轮廓 Point2f pt, // 测试点 bool measureDist // 是否返回距离值，如果是false，1表示在内面，0表示在边界上，-1表示在外部，true返回实际距离 ) 步骤 构建一张400x400大小的图片， Ma 阅读全文