Fork me on GitHub
上一页 1 ··· 10 11 12 13 14 15 16 17 18 ··· 26 下一页
摘要: #include "stdafx.h" #include <opencv2/core/utility.hpp> #include "opencv2/imgproc.hpp" #include "opencv2/videoio.hpp" #include "opencv2/highgui.hpp" # 阅读全文
posted @ 2017-12-03 21:44 jsxyhelu 阅读(892) 评论(0) 推荐(0) 编辑
摘要: 从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html2环境架设http://www.cnblogs.com/jsxyhelu/p/7908226.html3两个例子http://www.c 阅读全文
posted @ 2017-12-02 11:45 jsxyhelu 阅读(1563) 评论(0) 推荐(0) 编辑
摘要: 为什么选择QT?我们已经选择了PI,一直以来也是使用OpenCV的,这些都不需要疑惑。但是为什么选择QT了?其实这主要就是PYTHON和C的选择问题。应该说,PYTHON非常灵活,在linux上面也有非常多的实现,相关的类库很多,但是我对这个方面的研究还处于初级阶段,目前还不能给出很好的实现,但是将来一定会做;C的话,对我来说,就好做许多。那么选择C的话,肯定要考虑平台特性,那么QT是最好选择。 阅读全文
posted @ 2017-11-28 10:18 jsxyhelu 阅读(1952) 评论(0) 推荐(0) 编辑
摘要: 一直以来,我一直在为一些算法寻找嵌入式的平台。但凡有嵌入式需求的算法,大多是需要在现场(而不是流水线或实验室)、需要实时显示效果、能够较长时间稳定运行的。应该说以图像增强类的算法居多,比如非常典型的血管增强等。由于我有一定嵌入式系统的背景,所以尝试过ARM系列的机器,也在DPS上面做过一些实验,也考虑过基于安卓手机的硬件,包括PI2之前也是接触过的。当时都有着这样那样的问题,直到PI3出现,才算是有了比较好的解决方案。 阅读全文
posted @ 2017-11-28 08:24 jsxyhelu 阅读(6211) 评论(0) 推荐(0) 编辑
摘要: <!-- p, li { white-space: pre-wrap; } --> <!--StartFragment-->#ifndef MAINWINDOW_H #define MAINWINDOW_H #include <QMainWindow> //新添加 #include <opencv2 阅读全文
posted @ 2017-11-16 15:02 jsxyhelu 阅读(806) 评论(0) 推荐(0) 编辑
摘要: 这篇博客就是在PI上直接写出来的!cheers!! PI3的性能已经非常强劲,而作为一个能够独立运行的运算单元,使用它来做图像处理,将是非常适合的。为了挖掘机器的最大潜能,我没有采用比较常见的python等方法,而是直接使用c++实现相关算法,同时使用QT实现GUI操作。这篇文章就是最基本的环境搭建 阅读全文
posted @ 2017-11-15 15:11 jsxyhelu 阅读(2066) 评论(1) 推荐(0) 编辑
摘要: 特征点识别在以下6个方面进行比较 1、算法匹配速度比较 (ubc) 测试方法:在相同的匹配环境下,即使用同样配置的计算机,对相同的一对图像进行比较,测试算法的执行时间 2、旋转变换鲁棒性比较 (bark) 测试方法:对同一图像进行一定角度的旋转,旋转角度逐步递增,旋转后的图像逐一与原始图像进行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度 3、模糊变换鲁棒性比较 (bikes) 测试方法:对同一图像用不同的高斯核进行模糊处理,模糊处理后的图像逐一与原始图像进 行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度 4、光照变换鲁棒性比较 (leuven) 测试方法:对同一图像的亮度进行改变,逐 渐降低亮度,改变亮度后的图像逐一与原始图像进行匹配,比较能够正确匹配的特征点对数,并观察正确匹配对数的变化幅度 5、尺度变换鲁棒性 阅读全文
posted @ 2017-11-14 20:16 jsxyhelu 阅读(15720) 评论(3) 推荐(1) 编辑
摘要: 代码:https://files.cnblogs.com/files/jsxyhelu/main.zip 一、基本概念: 特征点提取在“目标识别、图像拼接、运动跟踪、图像检索、自动定位”等研究中起着重要作用; 主要算法包括: 特征点识别主要流程为: 1、检测关键点、提取描述向量和特征匹配; 2、通过 阅读全文
posted @ 2017-11-10 11:18 jsxyhelu 阅读(4231) 评论(0) 推荐(0) 编辑
摘要: 采用pca分析方法,获得图像的中点和主要方向。 阅读全文
posted @ 2017-10-19 09:22 jsxyhelu 阅读(2411) 评论(1) 推荐(1) 编辑
摘要: 阅读全文
posted @ 2017-10-11 10:16 jsxyhelu 阅读(2978) 评论(0) 推荐(0) 编辑
摘要: multibandblend是目前图像融和方面比较好的方法。原始论文为《a multivesolution spline with application to image mosaics 》,可以用百度学术找到。原始论文中采用的方法是直接对带拼接的两个图片进行拉普拉斯金字塔分解,而后一半对一半进行融合。国人也有许多改进,比如“首先采用拉普拉斯分辨率金字塔结构,将输入的图像分解成一系... 阅读全文
posted @ 2017-10-10 08:15 jsxyhelu 阅读(859) 评论(0) 推荐(0) 编辑
摘要: 前面我们对sift算法的流程进行简要研究,那么在OpenCV中,sift是如何被调用的?又是如何被实现出来的了? 特别是到了3.0以后,OpenCV对特征点提取这个方面进行了系统重构,那么整个代码结构变成了什么模样? 阅读全文
posted @ 2017-10-05 07:12 jsxyhelu 阅读(3876) 评论(0) 推荐(0) 编辑
摘要: SIFT(Scale-Invariant Feature Transform)是一种具有尺度不变性和光照不变性的特征描述子,也同时是一套特征提取的理论,首次由D. G. Lowe于2004年以《Distinctive Image Features from Scale-Invariant Keypoints[J]》发表于IJCV中。开源算法库OpenCV中进行了实现、扩展和使用。 阅读全文
posted @ 2017-09-25 13:38 jsxyhelu 阅读(5981) 评论(0) 推荐(0) 编辑
摘要: 一、基础最初由Rosten和Drummond [Rosten06]提出的FAST(加速段测试的特征)特征检测算法是基于将点P与其包围圆内的点集的直接比较的思想。基本思想是,如果附近的几个点与P类似,那么P将成为一个很好的关键点。点P是FAST算法的关键点候选者。 影响P分类的点的圈由p周围的圆确定。 在这种情况下,该圆上有16个像素,这里编号为0-15。具体的算法在这里并没有说明。二、函数clas... 阅读全文
posted @ 2017-09-15 13:27 jsxyhelu 阅读(1747) 评论(0) 推荐(0) 编辑
摘要: 当进行跟踪时或者其他类型的用到关键点及其描述符的分析时,通常需要做三件事情:第一个是根据一些关键点的定义搜索图像并查找该图像中的所有关键点;第二个是为发现的每个关键字创建一个描述符;第三个是通过将所找到的关键点的描述符与一些现有的描述符集进行比较,看看是否可以找到匹配项。 在跟踪应用程序中,最后一步涉及查找序列的一帧图像中的特征,并尝试将其与前一帧中的特征进行匹配。在目标检测应用程序... 阅读全文
posted @ 2017-09-15 13:25 jsxyhelu 阅读(744) 评论(0) 推荐(1) 编辑
上一页 1 ··· 10 11 12 13 14 15 16 17 18 ··· 26 下一页