文章转自微信公众号:机器视觉那些事 *******************************************************************公众号:机器视觉那些事儿********** * 1. 算法功能:Blob分析--粘连颗粒检测* 2. 算法思路:* (1)简单的阈值分割:* (2)计算连通域connection:* (3)基于距离变换的分水岭区域分割,使用算子distance_tansform,watersheds* (4)盆地与原连通域求交集,分离粘连颗粒

一. split()通道分离函数 split()函数的C++版本有两个原型,他们分别是: C++: void split(const Mat& src, Mat*mvbegin);//&为引用操作符 C++: void split(InputArray m,OutputArrayOfArrays mv); 两种定义用法相同,第一个参数填待分离的Mat型多通道矩阵(二维),第二个参数填分离后的Mat型单通道数组(三维)或一个vector<Mat>对象.应用实例如下: #inclu

opencv默认提供了haar特征和lbp特征训练的人脸分类器,但是效果不太好,所以我们可以用opencv提供的跑opencv_traincascade函数来训练一个LBP特征的分类器.(由于opencv3中hog与hog文章定义的不同,因此在opencv3 的opencv_traincascade函数中被删掉了详情) LBP特征 按照官方文档的训练流程: 1. 准备训练数据 首先把正例和负例样本按下面的结构存放: train -pos -- info.dat -- img ---- 1.jpg

OpenCV 的类型与通道的表示方法. 参考文件 https://github.com/opencv/opencv/blob/05b15943d6a42c99e5f921b7dbaa8323f3c042c6/modules/core/include/opencv2/core/hal/interface.h OpenCV 的 type 共有 8 种,分别 Mat 中 element 应如何解析: #define CV_8U 0 #define CV_8S 1 #define CV_16U 2 #d

__author__ = "WSX" import cv2 as cv import numpy as np def color_space( img ): gray_img = cv.cvtColor(img , cv.COLOR_BGR2GRAY) #色彩空间转换 hsv_img = cv.cvtColor(img , cv.COLOR_BGR2HSV) hls_img = cv.cvtColor(img, cv.COLOR_BGR2HLS) ycrcb_img = cv.cvtC

腐蚀和膨胀 Erosion/Dilation erosion/dilation,用白话说,就是让图像亮的区域收缩和扩张. 原理 我们定义一个卷积核矩阵.这个矩阵可以是任何形状的,但通常而言,是矩形或者圆形的.同时要定义一个锚点位置. 用这个卷积核矩阵挨个地划过原始图像矩阵,同时更改锚点位置的像素值. 锚点位置的像素值更改为卷积核矩阵覆盖的有效像素值中的最大值/最小值(分别对应膨胀/腐蚀). 什么叫"有效"像素值呢?就是卷积核中不为0的那些位置.用公式表达的话,即: 膨胀和腐蚀,说白了就

在win7 cmd中试了官方的指令opencv_annotation --annotations=/path/to/annotations/file.txt --images=/path/to/image/folder/ 提示:The path for the output file contains an error and could not be opened. Please check again! 参考:https://github.com/opencv/opencv/blob/mas

import cv2 # 读取图片 img = cv2.imread("image.jpg") # 加载模型,模型可以从https://github.com/opencv/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml下载 classifier = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

引言 又开一个新的系列分享,对图像处理感兴趣的同学可以关注这个系列. 更新频率尽量保持一周两到三次推送. 新系列第一件事儿当然是资源推荐,下面是一些有关 OpenCV 的资源链接: 资源链接: 官方网站:https://opencv.org/ GitHub:https://github.com/opencv/opencv 官方文档:https://docs.opencv.org/ 中文文档(非官方):http://www.woshicver.com/ 官方 Demo :https://githu

1.首先编译了opencv + cuda   编译选项中使用了以下关于cuvid库的内容: //"nvcuvid" libraryCUDA_nvcuvid_LIBRARY:FILEPATH=/usr/local/lib/libnvcuvid.so //Path to a library.CUDA_rt_LIBRARY:FILEPATH=/usr/local/cuda-9.0/lib64/libcudart_static.a //Include NVidia Video Decoding

最近研究了一下opencv的 MorphologyEx这个函数的替代功能, 他主要的特点是支持任意形状的腐蚀膨胀,对于灰度图,速度基本和CV的一致,但是 CV没有针对二值图做特殊处理,因此,这个函数对二值图的速度和灰度是一样的,但是这个函数,如果使用的话,估计大部分还是针对二值图像,因此,我对二值图做了特别优化,速度可以做到是CV这个函数的4倍左右. MorphologyEx的主要功能是对灰度图进行相关形态学的处理,比如腐蚀.膨胀.开闭等计算,其代码可以在github上找到:https://gi

先贴上我对Opencv3.1中sift源码的注释吧,虽然还有很多没看懂.先从detectAndCompute看起 void SIFT_Impl::detectAndCompute(InputArray _image, InputArray _mask, std::vector<KeyPoint>& keypoints, OutputArray _descriptors, bool useProvidedKeypoints) { , actualNOctaves = , actualNL

由于相机正面白摄物体时,相机的光轴方向可能发生变化,带来扭曲.而SIFT算法虽具有完全的尺度不变性,但不具有完全的仿射不变性,对拍摄角度发生大角度空间变化的图像特征提取有一定的局限性.ASift通过模拟经度与纬度实现完全的仿射不变,然后用SIFT算法把模拟图像进行比较,最后实现特征匹配. ASIFT算法的具体步骤如下: 1.选取采样参数,模拟不同经度与纬度的图像. 2.计算模拟图像的特征. 3.结合所有的模拟图像的特征,进行特征匹配. 注意:ASIFT提供的一种框架,其核心思想是模拟不同的经度与

如果利用opencv里面提供的stitching detail的话. 输入参数: stitching_detail --save_graph a.dot 1.png 2.png 其中a.dot 文件中的内容如下: graph matches_graph{ "1.png" -- "2.png"[label="Nm=26, Ni=19, C=1.20253"]; } // 什么是 dot:    https://zh.wikipedia.org/wi

https://github.com/Itseez/opencv/blob/master/modules/objdetect/src/erfilter.cpp

Computer Vision Tutorials Search Primary Menu Skip to content Tutorials Search for:   Gabor Filters : A Practical Overview April 27, 2014 krishnamurthyj 5 Comments In this tutorial, we shall discuss Gabor filters, a classic technique, from a practica

一.RBS(Remote BLOB Storage)简单介绍 在SharePoint的大部分企业应用案例中,SharePoint都是要承担着非常繁重的文件管理工作,这些文件类型包含了Word文档,Excel文档甚至是数据量庞大的音频.视频文件.对于这些文件,SharePoint默认都是将它们以BLOB的数据形式存储在内容数据库其中.这就非常easy导致SharePoint的数据库容量被这些BLOB数据所高速消耗,并且用户在使用SharePoint进行文件的管理的时候,须要频繁地对这些大数据量的B

一.前言及思路简析 目前车牌识别系统在各小区门口随处可见,识别效果貌似都还可以.查阅资料后,发现整个过程又可以细化为车牌定位.畸变校正.车牌分割和内容识别四部分.本篇随笔主要介绍车牌定位及畸变校正两部分,在python环境下通过opencv实现. 1.1 车牌定位 目前主流的车牌定位方法从大的方面来说可以分为两类:一种是基于车牌的背景颜色特征:另一种基于车牌的轮廓形状特征.基于颜色特征的又可分为两类:一种在RGB空间识别,另一种在HSV空间识别.经测试后发现,单独使用任何一种方法,效果均不太理想

开始预测 一.训练结果 From: Testing Custom Object Detector - TensorFlow Object Detection API Tutorial p.6 训练结果 生成frozen的模型 export PYTHONPATH=/home/unsw/Dropbox/Programmer/1-python/Tensorflow/ssd_proj/models/research/slim::pwd:pwd/slim:$PYTHONPATH python object

8.选择合适的数据类型8.1 CHAR与VARCHAR CHAR固定长度的字符类型,char(n) 当输入长度不足n时将用空格补齐,char(n)占用n个字节,CHAR类型输出时会截断尾部的空格,即使是数据值尾部的空格也将会被截断.CHAR处理速度要快于VARCHAR. VARCHAR可变长度的字符类型,varchar(n) 当输入长度不足n时不用补齐,varchar(n)占用实际长度+1个字节,+1个字节是因为VARCHAR值后需要加一个字符串结尾符.VARCHAR类型输出时会截断字符串结尾符

一.MPI为何物? 初步了解:MPI集群环境搭建 二.重新认识Spark 链接:https://www.zhihu.com/question/48743915/answer/115738668 马铁大神的phd thesis 总结里面说了一句话 大概意思是说 单纯的如果使用mpi 来实现一个算法 比spark 快五六倍是很正常的 但是spark 是一个 general 的 data flow 处理框架 就是可以在数据的生命周期里面 可以使用spark 之上的具体实现来处理数据 ml 只是一部分而