• 图像处理之角点检测与亚像素角点定位 角点是图像中亮度变化最强地方反映了图像的本质特征,提取图像中的角点可以有效提高图像处理速度与精准度。所以对于整张图像来说特别重要,角点检测与提取的越准确图像处理与...

    图像处理之角点检测与亚像素角点定位

     

    角点是图像中亮度变化最强地方反映了图像的本质特征,提取图像中的角点可以有效提高图像处理速度与精准度。所以对于整张图像来说特别重要,角点检测与提取的越准确图像处理与分析结果就越接近真实。同时角点检测对真实环境下的对象识别、对象匹配都起到决定性作用。Harris角点检测是图像处理中角点提取的经典算法之一,应用范围广发,在经典的SIFT特征提取算法中Harris角点检测起到关键作用。通常对角点检测算法都有如下要求:


    1. 基于灰度图像、能够自动调整运行稳定,检测出角点的数目。

    2. 对噪声不敏感、有一定的噪声抑制,有较强的角点角点检测能力。

    3. 准确性够高,能够正确发现角点位置

    4. 算法尽可能的快与运行时间短


    Harris角点检测基本上满足了上述四点要求,所以被广发应用,除了Harris角点检测,另外一种常见的角点检测算法-Shi-Tomasi角点检测也得到了广发应用,OpenCV中对这两种算法均有实现API可以调用。关于Harris角点检测原理可以看我之前写的博文:

    http://blog.csdn.net/jia20003/article/details/16908661

    关于Shi-Tomasi角点检测,与Harris角点检测唯一不同就是在计算角点响应值R上面。


    然后根据输入的阈值T大于该阈值的R对应像素点即为图像中角点位置坐标。此刻坐标往往都是整数出现,而在真实的世界中坐标多数时候都不是整数,假设我们计算出来的角点位置P(34, 189)而实际上准确角点位置是P(34.278, 189.706)这样带小数的位置,而这样的准确位置寻找过程就叫做子像素定位或者亚像素定位。这一步在SURF与SIFT算法中都有应用而且非常重要。常见的亚像素级别精准定位方法有三类:

    1. 基于插值方法

    2. 基于几何矩寻找方法

    3. 拟合方法 - 比较常用

    拟合方法中根据使用的公式不同可以分为高斯曲面拟合与多项式拟合等等。以高斯拟合为例


    这样就求出了亚像素的位置。使用亚像素位置进行计算得到结果将更加准确,对图像特征提取、匹配结果效果显著。OpenCV中已经对角点检测实现了亚像素级别的API可以调用。

    代码演示

    OpenCV亚像素角点检测例子:

    #include <opencv2/opencv.hpp>
    #include <iostream>
    
    using namespace cv;
    using namespace std;
    
    Mat src, gray_src;
    int max_corners = 10;
    int max_trackbar = 30;
    const char* output_title = "subpxiel-result";
    void GoodFeature2Track_Demo(int, void*);
    int main(int argc, char** argv) {
    	src = imread("D:/vcprojects/images/home.jpg");
    	if (src.empty()) {
    		printf("could not load image...\n");
    		return -1;
    	}
    	cvtColor(src, gray_src, COLOR_BGR2GRAY);
    	namedWindow("input", CV_WINDOW_AUTOSIZE);
    	namedWindow(output_title, CV_WINDOW_AUTOSIZE);
    	imshow("input", src);
    
    	createTrackbar("Corners:", output_title, &max_corners, max_trackbar, GoodFeature2Track_Demo);
    	GoodFeature2Track_Demo(0, 0);
    
    	waitKey(0);
    	return 0;
    }
    
    void GoodFeature2Track_Demo(int, void*) {
    	if (max_corners < 1) {
    		max_corners = 1;
    	}
    	vector<Point2f> corners;
    	double qualityLevel = 0.01;
    	double minDistance = 10;
    	int blockSize = 3;
    	double k = 0.04;
    	goodFeaturesToTrack(gray_src, corners, max_corners, qualityLevel, minDistance, Mat(), blockSize, false, k);
    	cout << "number of corners : " << corners.size() << endl;
    	Mat copy = src.clone();
    	for (size_t t = 0; t < corners.size(); t++) {
    		circle(copy, corners[t], 4, Scalar(255, 0, 0), 2, 8, 0);
    	}
    	imshow(output_title, copy);
    
    	// locate corner point on sub pixel level
    	Size winSize = Size(5, 5);
    	Size zerozone = Size(-1, -1);
    	TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 40, 0.001);
    	cornerSubPix(gray_src, corners, winSize, zerozone, criteria);
    	for (size_t t = 0; t < corners.size(); t++) {
    		cout << (t+1) << ".point[x, y]=" << corners[t].x << "," << corners[t].y << endl;
    	}
    
    	return;
    }

    原图如下:


    运行结果:


    转载请注明来自【jia20003】的博客!


    展开全文
  • 数字图像的边缘检测是图像分割、目标识别、区域形状提取图像处理领域的重要基础。在进行图像理解和分析时,第一步往往是边缘检测。 1965年,L.G.Roberts最早开始系统研究边缘检测。最早提出的是一阶微分算子,...

            图象的边缘是指图象局部区域亮度变化显著的部分,该区域的灰度剖面一般可以看作是一个阶跃,既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息,图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的,同时也是图象分割所依赖的重要特征,边缘检测主要是图象的灰度变化的度量、检测和定位。

    亚像素边缘技术概述

           数字图像的边缘检测是图像分割、目标识别、区域形状提取等图像处理领域的重要基础。在进行图像理解和分析时,第一步往往是边缘检测。从广义来讲,边缘形成的是对象的轮廓,对象是视觉系统的分析主体。

          1965年,L.G.Roberts最早开始系统研究边缘检测。最早提出的是一阶微分算子,1965年L.G.Roberts提出Robert算子,随后,在Robert算子基础上人们经过改进得到的Sobel算子、Prcwitt 算子和Kirsh 算子等。但是,这些算子检测到的边缘往往不是很理想,边缘较宽,还需要进行细化处理,这样又影响到边缘的定位。在这种情况下,Laplacian 算子应运而生。这种算子利用二阶导数的过零点来检测边缘位置,所得边缘较细,不需要边缘细化,定位精确度也相应的得到了提高。我们在研究图像的边缘时,不可避免的会遇到噪声的干扰。用微分算子法可以检测图像的边缘同时也会检测到噪声,为了减少噪声的干扰,人们很自然地提出在进行边缘检测之前对图像进行适当的平滑滤波。基于这种思想Mart和Hildreth提出了LOG(Laplacian of Gaussian)算子。随着研究的进一步深入,后来Canny J F指出高斯函数的一阶导数可以近似为最优边缘检测算子,基于这种思想,提出Canny算子,这种算子具有较理想的检测标准、定位标准和单响应标准。

          上述传统的边缘检测方法的检测精度最高只能达到一个像素级,但是,随着科学技术的飞速发展,工业检测等应用对精确度的要求不断提高,传统的像素级边缘检测方法已经不能满足实际测量的需要。在此基础上,亚像素级边缘提取技术应运而生。

          亚像素是将像素这个基本单位再进行细分,它是比像素还小的单位,从而提高了图像分辨率。通常情况下,亚像素边缘点存在于图像中逐渐发生过度变化的区域,我们可以利用多项式拟合等多种方法获得边缘点的亚像素位置。亚像素定位可以理解为在摄像系统硬件条件不变的情况下,用软件算法来提高边缘检测精度的方法,或者说是一种使分辨率小于一个像素的图像处理技术。

    亚像素定位技术的应用具有一定的前提条件

    1、被检测目标不是由孤立的、单个的像素点组成,而是由多个像素点组成,且这些像素点应具有一定的分布特性,如灰度分布、几何形状分布特性等;

    2、一般情况下,不同的目标都具有各自的特征,主要包括基于目标的灰度分布特征、几何形状特征、几何与灰度耦合特征等,能够分析并利用已知的目标特征,通过对被检测目标图像的分析、识别,最后确定出目标的准确位置。在此分析定位的过程中,采用浮点运算对目标图像进行定位,得到的目标定位精度高于整像素级的定位精度。这种利用目标特性从图像中分析,计算出最符合此特征的目标位置的方法称为图像目标亚像素定位技术。

    亚像素边缘技术国内外发展现状

          目前研究的亚像素级的边缘检测算法,可以归纳为3种类型:矩方法、插值法和拟合法。

    矩方法

          矩作为数学上的完备描述,相当于原函数在新的坐标空间上的展开,即一个分段连续有界函数可用其矩族唯一表示。灰度矩边缘定位算法的基本原理是假设实际图像中的实际边缘分布与理想边缘模型的灰度矩保持一致,即矩不变。通过此关系来确定实际边缘的位置。Tabatabai等首先提出一种利用前三阶灰度矩对边缘进行亚像素边缘定位的算法 ,随后基于空间矩、Zernike正交矩的方法也相继被提出。Zernike矩的方法由于只需要计算3个模板,计算量比空间矩的方法要小得多。但是 ,这些方法都是针对理想边缘模型提出的。Shan等对矩方法进行了改进,使用了模糊边缘模型,更能真实反映边缘信息。矩方法的优点是计算简便,并且可以得到解析解。但是矩方法对图像噪声敏感,如果考虑模糊后的边缘模型,就会增加模型参数,使得解析解的确定变得十分困难。

    下面文章是介绍zernike矩方法边缘提取的:

    http://www.cnblogs.com/luo-peng/p/5171455.html

    http://blog.csdn.net/u010839382/article/details/50610459

    插值法

           插值法的核心是对像素点的灰度值或灰度值的导数进行插值,增加信息,以实现亚像素边缘检测。其中,研究比较多的方法有二次插值、B样条插值和切比雪夫多项式插值等。插值类的运算时间短,二次插值算法简单,可以通过硬件实现,适合在线检测。当光学系统的线扩散函数对称时,插值边缘检测的精度较高。插值法的特点同基于矩的方法类似,计算过程简单,但是容易受噪声的影响。

    拟合法

           拟合方法是通过对假设边缘模型灰度值进行拟合来获得亚像素的边缘定位。Nalwa等给出一种边缘模型为双曲正切函数的最小二乘拟合算法;Ye等提出的算法所用的边缘模型是理想边缘模型与高斯函数卷积得到的高斯型边缘函数。这两种算法都能提供较高的亚像素边缘定位精度。由于拟合不需要数值微分,而且按各灰度值到拟合曲线的距离最小进行拟合,不但合理地利用了有误差的灰度值,又可以减小灰度值误差的影响,因此拟合方法对噪声不敏感。但因模型复杂,其求解速度慢。

    基于改进形态学梯度和Zernike矩的亚像素边缘检测方法

           该算法先利用改进的数学形态学梯度算子进行边缘点的粗定位,在像素级上确定边缘点的坐标和梯度方向;然后再根据构造的边缘点向量和参考阈值,用Zernike矩算法对边缘点进行亚像素的重新定位,实现图像的亚像素边缘检测。这种复合的图像边缘亚像素检测算法,能够很好地融合数学形态学梯度算子及Zernike矩算法的优点,具备良好的抗噪性能与亚像素精确定位能力,其计算量相对较少,能快速实现CCD图像测量系统的亚像素边缘检测。此外,由于一般测量图像简单且对比度高,若采用适当的模板窗口,该算法可具有良好的处理效率,能够满足一般图像测量系统的实时性、亚像素精确测量要求,具备良好的应用前景。

    基于改进的形态学梯度的样条插值亚像素边缘检测方法

          此改进方法是将改进的形态学梯度滤波算子与三次样条插值法结合起来进行边缘检测,首先利用改进的数学形态学梯度滤波算子进行边缘点的粗定位,得到图像的像素级边缘;然后再利用三次样条插值法对提取出的边缘图像进行插值运算,即亚像素精定位。最后将插值后的边缘进行细化,可得到亚像素级边缘图像。

    比较经典的亚像素提取论文subpixel-precise extranction of lines and edges》,

    资源地址:http://download.csdn.net/detail/piaoxuezhong/9805093,后面找时间整理一下。

    参考:

    http://blog.csdn.net/lsh_2013/article/details/44980993

    http://blog.csdn.net/kezunhai/article/details/52248015 (亚像素级提取的例子)

    http://blog.csdn.net/augusdi/article/details/12907151/

    展开全文
  • 亚像素边缘提取综述

    2017-07-19 08:15:06
     数字图像的边缘检测是图像分割、目标识别、区域形状提取图像处理领域的重要基础。在进行图像理解和分析时,第一步往往是边缘检测。目前边缘检测已经成为机器视觉领域最活跃的课题之一,其研究具有非常重要的理论...

    1 引言

            数字图像的边缘检测是图像分割、目标识别、区域形状提取等图像处理领域的重要基础。在进行图像理解和分析时,第一步往往是边缘检测。目前边缘检测已经成为机器视觉领域最活跃的课题之一,其研究具有非常重要的理论意义和实际应用价值。传统的边缘检测方法的检测精度最高只能达到一个像素级,但是,随着科学技术的飞速发展,工业检测等应用对精确度的要求不断提高,传统的像素级边缘检测方法已经不能满足实际测量的需要,本文重点介绍的亚像素边缘检测能将检测精度提高到亚像素级别。

    2 主题

    2.1 亚像素定位原理

            亚像素是将像素这个基本单位再进行细分,它是比像素还小的单位,从而提高了图像分辨率。通常情况下,亚像素边缘点存在于图像中逐渐发生过度变化的区域,我们可以利用多项式拟合等多种方法获得边缘点的亚像素位置。亚像素定位可以理解为在摄像系统硬件条件不变的情况下,用软件算法来提高边缘检测精度的方法,或者说是一种可以使分辨率小于一个像素的图像处理技术。

            亚像素定位技术的应用具有一定的前提条件:1、被检测目标不是由孤立的、单个的像素点组成,而是由多个像素点组成,且这些像素点应具有一定的分布特性,如灰度分布、几何形状分布特性等;2、一般情况下,不同的目标都具有各自的特征,主要包括基于目标的灰度分布特征、几何形状特征、几何与灰度耦合特征等,能够分析并利用已知的目标特征,通过对被检测目标图像的分析、识别,最后确定出目标的准确位置。在此分析定位的过程中,采用浮点运算对目标图像进行定位,得到的目标定位精度高于整像素级的定位精度。这种利用目标特性从图像中分析,计算出最符合此特征的目标位置的方法称为图像目标亚像素定位技术。

    2.2 亚像素定位国内外发展现状

            目前研究的亚像素级的边缘检测算法,可以归纳为3种类型:矩方法、插值法和拟合法。

    2.2.1 矩方法

            Tabatabai等首先提出一种利用前三阶灰度矩对边缘进行亚像素边缘定位的算法 ,随后基于空间矩、Zernike正交矩的方法也相继被提出。Zernike矩的方法由于只需要计算3个模板,计算量比空间矩的方法要小得多。但是 ,这些方法都是针对理想边缘模型提出的。Shan等对矩方法进行了改进,使用了模糊边缘模型,更能真实反映边缘信息。矩方法的优点是计算简便,并且可以得到解析解。但是矩方法对图像噪声敏感,如果考虑模糊后的边缘模型,就会增加模型参数,使得解析解的确定变得十分困难。

    2.2.2 插值法

            插值法的核心是对像素点的灰度值或灰度值的导数进行插值,增加信息,以实现亚像素边缘检测。其中,研究比较多的方法有二次插值、B样条插值和切比雪夫多项式插值等。插值类的运算时间短,二次插值算法简单,可以通过硬件实现,适合在线检测。当光学系统的线扩散函数对称时,插值边缘检测的精度较高。插值法的特点同基于矩的方法类似,计算过程简单,但是容易受噪声的影响。

    2.2.3 拟合法

            拟合方法是通过对假设边缘模型灰度值进行拟合来获得亚像素的边缘定位。Nalwa等给出一种边缘模型为双曲正切函数的最小二乘拟合算法;Ye等提出的算法所用的边缘模型是理想边缘模型与高斯函数卷积得到的高斯型边缘函数。这两种算法都能提供较高的亚像素边缘定位精度。由于拟合不需要数值微分,而且按各灰度值到拟合曲线的距离最小进行拟合,不但合理地利用了有误差的灰度值,又可以减小灰度值误差的影响,因此拟合方法对噪声不敏感。但因模型复杂,其求解速度慢。

    2.2.4 相关改进算法

    基于改进形态学梯度和Zernike矩的亚像素边缘检测方法

            该算法先利用改进的数学形态学梯度算子进行边缘点的粗定位,在像素级上确定边缘点的坐标和梯度方向;然后再根据构造的边缘点向量和参考阈值,用Zernike矩算法对边缘点进行亚像素的重新定位,实现图像的亚像素边缘检测。这种复合的图像边缘亚像素检测算法,能够很好地融合数学形态学梯度算子及Zernike矩算法的优点,具备良好的抗噪性能与亚像素精确定位能力,其计算量相对较少,能快速实现CCD图像测量系统的亚像素边缘检测。此外,由于一般测量图像简单且对比度高,若采用适当的模板窗口,该算法可具有良好的处理效

    率,能够满足一般图像测量系统的实时性、亚像素精确测量要求,具备良好的应用前景。

    基于改进的形态学梯度的样条插值亚像素边缘检测方法

             此改进方法是将改进的形态学梯度滤波算子与三次样条插值法结合起来进行边缘检测,首先利用改进的数学形态学梯度滤波算子进行边缘点的粗定位,得到图像的像素级边缘;然后再利用三次样条插值法对提取出的边缘图像进行插值运算,即亚像素精定位。最后将插值后的边缘进行细化,可得到亚像素级边缘图像。

     

    基于贝塞尔边缘模型的亚像素边缘检测算法

        该算法首先在原有的贝塞尔点扩散函数中引入修正参数 t,并与理想边缘模型卷积,获得可修正的贝塞尔边缘灰度模型;然后,利用图像边缘的信息对该模

    型进行最小二乘拟合,在拟合过程中,通过修正参数 t 对边缘模型进行修正,最终获得精确的边缘模型 ,同时考虑数字采样等因素对灰度分布的影响,得到图像边缘的亚像素位置。

    关于亚像素边缘检测的改进算法还有很多,如胡树杰提出的图像亚像素检测新方法,提出了一种改进的基于正交傅里叶变换的新方法,提高了部分数字图像的亚像素边缘检测的准确性。陆凯等提出的一种快速的亚像素图像配准算法,速度较类似算法速度有较大的提高,等等。

    3 总结

            通常情况下,提高检测系统精度最直接的方法是提高摄像机的硬件分辨率,但价格相当昂贵。如果将512×512的摄像机分辨率提升到1024×1024,会相差几倍,甚至十几倍的价格,同时,系统的图像存储容量和图像传输速度都要随之提升,否则会造成硬件方面的不匹配。因此,通过提高硬件分辨率来提高测量系统精度的方法是不经济的,同时在各种视觉系统应用中还受到一定的限制。因此,研究利用软件处理的方法来提高测量系统的检测精度,即亚像素边缘检测方法,具有十分重大的意义。

            采用多种算法相结合是提高检测精度的一个思路,如形态学和Zernike矩, 改进的形态学梯度和样条插值等。

    在亚像素边缘检测方面,前人已经做了很多工作,但往往只对某些特定领域比较有效,通用的方法还是比较少,不同领域还需运用不同方法。

    4 参考文献

    [1] 魏本征,赵志敏,华晋.基于改进形态学梯度和Zernike矩的亚像素边缘检测方法[J]. 仪器仪表学报. 2010(4): 838-844.

    [2] 刘亚威,杨丹,张小洪.基于空间矩的亚象素边缘定位技术的研究[J]. 计算机应用. 2003, 23(2): 47-49.

    [3] 赵前程丁兴号邓善熙杨永跃.基于空间矩和Zernike矩的亚像素边缘检测[J]. 2004.

    [4] 郑月英,钱唯德,罗俊,等.基于曲线拟合的亚像素边缘定位方法的研究[J]. 光学技术. 2007(03): 386-389.

    [5] 王建民,浦昭邦,尹继学.空间矩亚像素细分算法的研究[J]. 光学技术. 1999(04): 3-6.

    [6] 盛遵冰,崔贤玉,高国安.通用亚像素边缘检测算法[J]. 上海交通大学学报. 2007, 41(6): 911-915.

    [7] 孙秋成,谭庆昌,安刚,等.一种亚像素精度的边缘检测方法[J]. 北京工业大学学报. 2009, 35(10): 1332-1337.

    [8] 胡树杰. 图像亚像素边缘检测的新方法[J]. 制造业自动化. 2012(2): 45-47.

    [9] 刘变莲. 亚像素边缘检测技术的研究[J]. 电脑开发与应用. 2005(11): 56-57.

    [10] 陆凯,李成金,赵勋杰,等.一种快速的亚像素图像配准算法[J]. 红外技术. 2013, 35(1): 27-30.

    展开全文
  • 快速亚像素边缘提取算法   关键词: Facet模型,曲面拟合,离散切比雪夫正交多项式,亚像素边缘             特色书店,图像处理,机器视觉,C/C++,控制理论/工程,工程数学..... ...

    快速亚像素边缘提取算法

     

    关键词: Facet模型,曲面拟合,离散切比雪夫正交多项式,亚像素边缘

     

     

     

     

     

     

    特色书店,图像处理,机器视觉,C/C++,控制理论/工程,工程数学.....

    http://shop62151902.taobao.com/view_page-28307970.htm

    展开全文
  • 《视觉测量原理与方法》

    《视觉测量原理与方法》P9:

    亚像素图像处理:质心法、基于灰度相关匹配法、基于边缘拟合法。能够稳定实现0.01像素的细分精度。

    1、质心法:用图像特征区域的质心作为特征点。

    65页还提供了2种质心法:

    阈值质心法:,T为灰度阈值

    平方加权质心法:

    2、基于灰度相关匹配:已知图像特征模板像素灰度M和待处理的图像像素灰度I作相关运算。抗干扰能力和精度都比较好,计算量大,需采用金字塔。

    3、基于边缘的拟合法:采用边缘提取算法提取特征点的图像边缘,并跟踪边缘曲线,用曲线拟合得到特征点的位置坐标。对图像质量和场景有严格要求,边缘提取要求图像有足够的对比度和很好的信噪比,边缘跟踪需要场景模式尽量简单,算法稳健。比质心法和相关匹配法抗干扰性较差,只能用在图像质量理想且编码模式简单的场合。


    视觉测量常用坐标系:

    常用坐标系:


    1、图像坐标系:图像平面上,分为像素坐标系和像面坐标系。

          像素坐标系:原点-图像左上角,坐标单位-像素,像素点坐标(u,v)-该像素点在图像的行数和列数;

         像面坐标系:原点-光轴与像平面的交点,坐标单位-公制(如mm),x轴和y轴与图像像素坐标系的u,v平行。


    2、摄像机坐标系(内部方位):固定在摄像机上,原点-光心,坐标轴-传感器的两个轴向,x和y轴与图像坐标系x和y轴平行,z轴与摄像机光轴重合,垂直于图像平面。

    3、世界坐标系(外部方位):独立于摄像机坐标系。根据环境场景和对象条件自行定义,用来描述环境中物体位置。

    4、物体坐标系:世界坐标系中,为物体建立的子坐标系。

    转换关系


    1、图像坐标——>摄像机坐标系下的空间三维坐标

    ,c是摄像机有效焦距。

    2、空间物点P在摄像机坐标系下的坐标,转换为世界坐标系下

    可描述为一个3*3的旋转矩阵R和一个3*1的平移矩阵T,

    3、由1和2推出图像坐标系与世界坐标系之间的关系:M1是内参矩阵(由摄像机光心坐标u,v和焦距c决定),M2是外参矩阵是摄像机相对世界坐标系的转换(由旋转矩阵R和平移矩阵T决定)




    展开全文
  • 求帮忙下载: ... pkma75 资源积分:1分 ...备注:pdf格式,用曲线拟合的方法计算亚像素,编程易实现,具有较强的实用价值   2.http://download.csdn.net/detail/kuailechengzi/4408229 上 传 者:kuailec
  • 亚像素与halcon

    2017-02-14 13:29:49
    朋友发来两个小项目,要求亚像素精度。突然想问几个问题:1、何为亚像素?2、何为亚像素精度?3、使用亚像素测量,系统应注意什么? 1、何谓亚像素? 面阵摄像机的成像面以像素为最小单位。例如某CMOS摄像芯片,其...
  •  数字图像的边缘检测是图像分割、目标识别、区域形状提取图像处理领域的重要基础。在进行图像理解和分析时,第一步往往是边缘检测。目前边缘检测已经成为机器视觉领域最活跃的课题之一,其研究具有非常重要的理论...
  • 最近一直在做线结构光扫描三维成像方面的内容,采用结构光进行扫描检测时,需要提取激光条纹的中心线,我利用Steger算法提取激光中心线的亚像素坐标,在Matlab 2018b 软件上运行。 下面先介绍一下steger算法的运行...
  • 亚像素级别角点检测(Python实现) 以上两节学习了harris和Shi-Tomasi角点检测,但是在实际中精度不是很高,所以引入亚像素角点检测.以提高检测精准度. 1 作用 提高检测精准度 理论与实际总是不一致的,实际情况...
  • 一般在做项目时,无论是边缘检测、瑕疵检测、Blob检测等应用,都有一定的通用套路,也可以说是通用处理框架,在此框架下根据具体应用具体分析,基本上所有项目都可完成。 总结起来:通用套路 + 灵活运用 对于...
  • 前面我们介绍了用 Harris提取角点,但是提取的角点是像素级的,精度不高,若我们进行图像处理的目的不是提取用于识别的特征点而是进行几何测量,这通常需要更高的精度。 那么如何提取亚像素级角点的位置呢?在 Ha....
  • 亚像素边缘检测评述

    2015-08-13 17:37:05
    数字图像的边缘检测是图像分割、目标识别、区域形状提取图像处理领域的重要基础。在进行图像理解和分析时,第一步往往是边缘检测。目前边缘检测已经成为机器视觉领域最活跃的课题之一,其研究具有非常重要的理论...
  • 求帮忙下载: ...pkma75 资源积分:1分...备注:pdf格式,用曲线拟合的方法计算亚像素,编程易实现,具有较强的实用价值 2.http://download.csdn.net/detail/kuailechengzi/4408229 上 传 者:kuailechengzi 资源积分:
  • 以下一系列的文章都是使用halcon,进行亚像素轮廓的提取以及拟合,同时还包括对亚像素轮廓进行联合处理的多种方法的说明。 halcon拟合-圆拟合 https://dwz.cn/DlUI1aIU 拟合-拟合直线和圆 ...拟合-通过拟合确定电路...
  • 首先准备一张任意图片处理完所得图像:红色区域为ROI感兴趣区域,可以看到ROI中的轮廓被提取出来了。具体代码如下:read_image (Image, 'D:/opencvlogo.jpg') rgb1_to_gray (Image, GrayImage) *转换成灰度图 get_...
  • 如果我们进行图像处理的目的不是提取用于识别的特征点而是进行几何测量,则通常需要更高的精度,而cvGoodFeaturesToTrack()只能提供简单的像素的坐标值,也就是说我们有时候需要实数坐标值而不是整数坐标值,所以要...
  • 本篇文章讲解图像灰度化处理的知识,结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作,使用像素处理方法对图像进行灰度化处理。基础性知识希望对您有所帮助。 1.图像灰度化原理 2.基于OpenCV的图像灰度化处理 3....
  • 亚像素精准边缘定位

    2015-05-12 19:49:40
    pkma75 资源积分:1分 ...备注:pdf格式,用曲线拟合的方法计算亚像素,编程易实现,具有较强的实用价值   2.http://download.csdn.net/detail/kuailechengzi/4408229 上 传 者:kuailechengzi 资源
  • ###Date: 2017/6/9 ###Author: Soaringlee 参考:http://blog.csdn.net/sunshine_in_moon/article/details/45440111 ... 角点是图像中亮度变化最强地方反映了图像的本质特征,提取图像
1 2 3 4 5 ... 20
收藏数 52,279
精华内容 20,911