精华内容
下载资源
问答
  • affine transformation
    2021-11-23 10:57:55

    目前在两个地方接触到仿射变换:
    1.图像的变换中,包括平移,旋转等。
    2.Halcon的九点标定中,求坐标系的转化关系时也使用了仿射变换(vector_to_hom_mat2d).

    以下的一篇通俗易懂的仿射变换讲解文章:
    https://www.cnblogs.com/shine-lee/p/10950963.html

    文章中几点说明:
    1.shear被翻译成剪切,不易理解,翻译成错切会更好理解。指的是类似于四边形不稳定性那种性质,街边小商店那种铁拉门都见过吧?想象一下上面铁条构成的菱形拉动的过程,那就是“错切”的过程。
    2.超定方程组:是指方程个数大于未知量个数的方程组。较常用的求解参数方法是最小二乘法。就是在无法完全满足给定的这些条件的情况下,求一个最接近的解。

    更多相关内容
  • The point clouds scanned by a 3D laser scanner may be affine transformed when the size and posture of the objects being scanned are different. This type of problem is common, but few algorithms can ...
  • 1.齐次坐标系;2.仿射变换(Affine Transformation)的原理;3.OpenCV中的仿射变换与应用;4.透视变换(Perspective Transformation)的原理;5.OpenCV中的透视变换与应用

    【图像处理】 仿射变换(Affine Transformation)和透视变换(Perspective Transformation)

    齐次坐标系

    欧式空间中,使用用笛卡尔坐标系,对应的,在透视空间中,使用齐次坐标系

    齐次坐标用 n + 1 n+1 n+1维,对应表示笛卡尔坐标的 n n n维,比如:

    笛卡尔坐标中的 ( x , y ) (x, y) (x,y)对应齐次坐标中的 ( x 1 , y 1 , w ) (x_1,y_1,w) (x1,y1,w),有 x = x 1 w x=\dfrac{x_1}{w} x=wx1 y = y 1 w y=\dfrac{y_1}{w} y=wy1

    笛卡尔坐标中的 ( 2 , 3 ) (2, 3) (2,3)对应齐次坐标中的 ( 2 , 3 , 1 ) (2,3,1) (2,3,1)

    特别的,笛卡尔坐标中的 ( + ∞ , + ∞ ) ( +\infty, +\infty) (+,+)对应齐次坐标中的 ( 2 , 3 , 0 ) (2,3,0) (2,3,0)

    仿射变换的原理

    仿射变换,是一次空间线性变换,或多次不同空间线性变换的组合。经过仿射变换后,直线还是直线,圆弧还是圆弧,互为平行线还是互为平行线,但是,不能保证线段的长度和线段之间的夹角角度不变。

    仿射变换的原始空间线性变换包括:
    (下面四种仿射变换的原始空间线性变换的示意图来自https://www.cnblogs.com/happystudyeveryday/p/10547316.html,感谢原作者的工作)

    1. 平移变换(Translation Transformation)
      在这里插入图片描述
      用笛卡尔坐标系表示:
      x ^ = x + t x \hat{x}=x+t_x x^=x+tx
      y ^ = y + t y \hat{y}=y+t_y y^=y+ty
      用齐次坐标系表示:
      [ x ^ y ^ 1 ] = [ 1 0 t x 0 1 t y 0 0 1 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} = \begin{bmatrix}1&0&t_x\\0&1&t_y\\0&0&1\end{bmatrix} * \begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=100010txty1xy1

    2. 旋转变换(Rotation Transformation)
      在这里插入图片描述
      图形围绕原点顺时针旋转 θ \theta θ弧度
      用笛卡尔坐标系表示:
      x ^ = x c o s ( θ ) − y s i n ( θ ) \hat{x}=xcos(\theta)-ysin(\theta) x^=xcos(θ)ysin(θ)
      y ^ = x s i n ( θ ) + y c o s ( θ ) \hat{y}=xsin(\theta)+ycos(\theta) y^=xsin(θ)+ycos(θ)
      用齐次坐标系表示:
      [ x ^ y ^ 1 ] = [ c o s ( θ ) − s i n ( θ ) 0 s i n ( θ ) c o s ( θ ) 0 0 0 1 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} = \begin{bmatrix}cos(\theta)&-sin(\theta)&0\\sin(\theta)&cos(\theta)&0\\0&0&1\end{bmatrix} * \begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=cos(θ)sin(θ)0sin(θ)cos(θ)0001xy1

    3. 剪切变换(Shear Transformation )
      在这里插入图片描述
      用笛卡尔坐标系表示:
      x ^ = x + y ∗ t x \hat{x}=x + y*t_x x^=x+ytx
      y ^ = y + x ∗ t y \hat{y}=y+x*t_y y^=y+xty
      用齐次坐标系表示:
      [ x ^ y ^ 1 ] = [ 1 t x 0 t y 1 0 0 0 1 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} = \begin{bmatrix}1&t_x&0\\t_y&1&0\\0&0&1\end{bmatrix} * \begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=1ty0tx10001xy1

    4. 放缩变换(Scale Transformation)
      在这里插入图片描述
      用笛卡尔坐标系表示:
      x ^ = x ∗ t x \hat{x}=x*t_x x^=xtx
      y ^ = y ∗ t y \hat{y}=y*t_y y^=yty
      用齐次坐标系表示:
      [ x ^ y ^ 1 ] = [ t x 0 0 0 t y 0 0 0 1 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} = \begin{bmatrix}t_x&0&0\\0&t_y&0\\0&0&1\end{bmatrix} * \begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=tx000ty0001xy1

    到这里就体现出齐次坐标系的作用了:通过使用齐次坐标系表示,将各种线性空间变换的表示都统一了

    所以仿射变换可以表示为:
    [ x ^ y ^ 1 ] = [ t x 0 0 0 t y 0 0 0 1 ] ∗ [ 1 t x 0 t y 1 0 0 0 1 ] ∗ [ c o s ( θ ) − s i n ( θ ) 0 s i n ( θ ) c o s ( θ ) 0 0 0 1 ] ∗ [ 1 0 t x 0 1 t y 0 0 1 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} = \begin{bmatrix}t_x&0&0\\0&t_y&0\\0&0&1\end{bmatrix} * \begin{bmatrix}1&t_x&0\\t_y&1&0\\0&0&1\end{bmatrix} * \begin{bmatrix}cos(\theta)&-sin(\theta)&0\\sin(\theta)&cos(\theta)&0\\0&0&1\end{bmatrix} *\begin{bmatrix}1&0&t_x\\0&1&t_y\\0&0&1\end{bmatrix} *\begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=tx000ty00011ty0tx10001cos(θ)sin(θ)0sin(θ)cos(θ)0001100010txty1xy1
    (注意上式中,不同变换矩阵中的 t x t_x tx t y t_y ty不相同)

    [ x ^ y ^ 1 ] = [ a 1 a 2 a 3 a 4 a 5 a 6 0 0 1 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} =\begin{bmatrix}a_1&a_2&a_3\\a_4&a_5&a_6\\0&0&1\end{bmatrix} *\begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=a1a40a2a50a3a61xy1

    故,仿射变换的变换矩阵有六个自由度,至少需要三对对应点求得。

    OpenCV中的仿射变换

    1. 根据三个对应点,求得仿射变换矩阵
    M = cv2.getAffineTransform(src, dst)
    
    • M:仿射变换矩阵
    • src:原始图像中的三个点的坐标
    • dst:变换后得到图像中对应的三个点的坐标
    1. 根据仿射变换矩阵,将图像进行仿射变换
    dst = cv2.warpAffine(src, M, dsize)
    
    • dst:仿射变换后得到的图像
    • src:原始图像
    • M:仿射变换矩阵
    • dsize:仿射变换得到图像的size(注意和resize操作的差别)

    仿射变换的部分应用

    # -*- coding:utf-8 -*-
    
    import cv2
    import numpy as np
    
    img = cv2.imread("test_image.jpg")
    
    cv2.circle(img, (185, 330), 3, (0, 0, 213), -1)
    cv2.circle(img, (285, 135), 3, (0, 0, 213), -1)
    
    cv2.imshow("input", img)
    cv2.waitKey(0)
    
    kp2 = np.array([285.0, 135.0])
    kp0 = np.array([185.0, 330.0])
    
    dir_v = kp2 - kp0
    
    # 两个关键点之间的距离
    dist = np.linalg.norm(dir_v)
    
    dir_v /= np.linalg.norm(dir_v)
    R90 = np.r_[[[0, 1], [-1, 0]]]
    
    dir_v_r = dir_v @ R90.T
    
    a = np.float32([kp2, kp2 + dir_v*dist, kp2 + dir_v_r*dist])
    
    b = np.float32([
        [int(dist), int(dist)],
        [int(dist), 0],
        [0, int(dist)]])
    
    Mtr = cv2.getAffineTransform(a, b)
    
    img_ = cv2.warpAffine(img, Mtr, (500, 500))
    
    cv2.imshow("output", img_)
    cv2.waitKey(0)
    

    在这里插入图片描述输入图像
    在这里插入图片描述仿射变换后得到的图像

    透视变换的原理

    透视变换,又叫单应性变换。
    简而言之就是不同视角的同一物体,在像素坐标系中的变换。

    对于齐次坐标系,有:
    [ x ^ y ^ 1 ] = [ h 1 h 2 h 3 h 4 h 5 h 6 h 7 h 8 h 9 ] ∗ [ x y 1 ] \begin{bmatrix}{\hat{x}}\\{\hat{y}}\\1\end{bmatrix} =\begin{bmatrix}h_1&h_2&h_3\\h_4&h_5&h_6\\h_7&h_8&h_9\end{bmatrix} *\begin{bmatrix}{x}\\{y}\\1\end{bmatrix} x^y^1=h1h4h7h2h5h8h3h6h9xy1

    即:
    x ^ = h 1 ∗ x + h 2 ∗ y + h 3 \hat{x}=h_1*x+h_2*y+h_3 x^=h1x+h2y+h3
    y ^ = h 4 ∗ x + h 5 ∗ y + h 6 \hat{y}=h_4*x+h_5*y+h_6 y^=h4x+h5y+h6
    1 = h 7 ∗ x + h 8 ∗ y + h 9 1=h_7*x+h_8*y+h_9 1=h7x+h8y+h9

    即:
    x ^ = h 1 ∗ x + h 2 ∗ y + h 3 h 7 ∗ x + h 8 ∗ y + h 9 \hat{x}=\dfrac{h_1*x+h_2*y+h_3}{h_7*x+h_8*y+h_9} x^=h7x+h8y+h9h1x+h2y+h3
    y ^ = h 4 ∗ x + h 5 ∗ y + h 6 h 7 ∗ x + h 8 ∗ y + h 9 \hat{y}=\dfrac{h_4*x+h_5*y+h_6}{h_7*x+h_8*y+h_9} y^=h7x+h8y+h9h4x+h5y+h6

    齐次坐标系有性质:
    ( x ^ , y ^ , 1 ) = ( x ^ h 9 , y h 9 , 1 h 9 ) (\hat{x},\hat{y},1)=(\dfrac{\hat{x}}{h_9}, \dfrac{y}{h_9},\dfrac{1}{h_9}) (x^,y^,1)=(h9x^,h9y,h91)

    因此,有:
    x ^ = h 1 / ∗ x + h 2 / ∗ y + h 3 / h 7 / ∗ x + h 8 / ∗ y + 1 \hat{x}=\dfrac{{h_1}^/*x+{h_2}^/*y+{h_3}^/}{{h_7}^/*x+{h_8}^/*y+1} x^=h7/x+h8/y+1h1/x+h2/y+h3/
    y ^ = h 4 / ∗ x + h 5 / ∗ y + h 6 / h 7 / ∗ x + h 8 / ∗ y + 1 \hat{y}=\dfrac{{h_4}^/*x+{h_5}^/*y+{h_6}^/}{{h_7}^/*x+{h_8}^/*y+1} y^=h7/x+h8/y+1h4/x+h5/y+h6/

    故,透视变换的变换矩阵有八个自由度,至少需要四对对应点求得。

    OpenCV中的透视变换及应用

    # -*- coding:utf-8 -*-
    
    import cv2
    import numpy as np
    import sys
    
    
    template_img = cv2.imread("template.jpg")
    template_img_gray = cv2.imread("template.jpg", 0)
    img = cv2.imread("image.jpg")
    img_gray = cv2.imread("image.jpg", 0)
    
    sift = cv2.xfeatures2d.SIFT_create()
    
    # sift算子提取特征
    tem_key_points, tem_descriptors = sift.detectAndCompute(template_img_gray, None)
    img_key_points, img_descriptors = sift.detectAndCompute(img_gray, None)
    
    # 特征匹配
    FLANN_INDEX_KDTREE = 0
    index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
    search_params = dict(checks=50)
    flann = cv2.FlannBasedMatcher(index_params, search_params)
    matches = flann.knnMatch(tem_descriptors, img_descriptors, k=2)
    
    # 去除最好匹配数量不是2的特征匹配
    temporary = []
    for each in matches:
        if len(each) != 2:
            temporary.append(each)
    for each in temporary:
        matches.remove(each)
    
    good_match = []
    for i, (m, n) in enumerate(matches):
        if m.distance < 0.9 * n.distance:
            good_match.append(m)
    
    MIN_MATCH_COUNT = 4
    
    if len(good_match) > MIN_MATCH_COUNT:
        src_pts = np.float32([tem_key_points[m.queryIdx].pt for m in good_match]).reshape(-1, 1, 2)
        dst_pts = np.float32([img_key_points[m.trainIdx].pt for m in good_match]).reshape(-1, 1, 2)
    
        # 计算单应性矩阵
        M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 3.0)
        match_mask = mask.ravel().tolist()
    
        draw_params = dict(matchColor=(0, 255, 0), singlePointColor=None, matchesMask=match_mask, flags=2)
        match_image = cv2.drawMatches(template_img_gray, tem_key_points, img_gray, img_key_points, good_match, None, **draw_params)
        
        cv2.imshow("Match Image", match_image)
        while True:
            if cv2.waitKey(1000 // 12) & 0xff == ord("q"):  # 按q退出
                break
        cv2.destroyAllWindows()
    
        if M is not None:
            h, w, _ = template_img.shape
            pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
            rect = cv2.perspectiveTransform(pts, M)
            rect_ = []
            for each in rect.tolist():
                rect_.append([int(each[0][0]), int(each[0][1])])        
            box_image = cv2.polylines(img, [np.array(rect_)], True, (255, 0, 255), 3, cv2.LINE_AA)
    
            cv2.imshow("Box Image", box_image)
            while True:
                if cv2.waitKey(1000 // 12) & 0xff == ord("q"):  # 按q退出
                    break
            cv2.destroyAllWindows()
        else:
            sys.exit(0)
    
    else:
        sys.exit(0)
    
    

    在这里插入图片描述
    模板

    在这里插入图片描述
    测试图片
    在这里插入图片描述
    匹配图
    在这里插入图片描述
    通过单应性矩阵得到的检测框

    结语

    如果您有修改意见或问题,欢迎留言或者通过邮箱和我联系。
    手打很辛苦,如果我的文章对您有帮助,转载请注明出处。

    展开全文
  • Affine Transformation

    2021-04-21 22:29:42
    Affine transformation is a linear mapping method that preserves points, straight lines, and planes. Sets of parallel lines remain parallel after an affine transformation.The affine transformation tech...

    Affine transformation is a linear mapping method that preserves points, straight lines, and planes. Sets of parallel lines remain parallel after an affine transformation.

    The affine transformation technique is typically used to correct for geometric distortions or deformations that occur with non-ideal camera angles. For example, satellite imagery uses affine transformations to correct for wide angle lens distortion, panorama stitching, and image registration. Transforming and fusing the images to a large, flat coordinate system is desirable to eliminate distortion. This enables easier interactions and calculations that don’t require accounting for image distortion.

    The following table illustrates the different affine transformations: translation, scale, shear, and rotation.

    展开全文
  • 文章目录[仿射变换(Affine Transformation)]...仿射变换(Affine Transformation) 转自:https://www.cnblogs.com/bnuvincent/p/6691189.html http://www.cnblogs.com/ghj1

    仿射变换(Affine Transformation)

    转自:https://www.cnblogs.com/bnuvincent/p/6691189.html

    http://www.cnblogs.com/ghj1976/p/5199086.html

    变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图:

    image

    参考: http://wenku.baidu.com/view/826a796027d3240c8447ef20.html

    其中第三个的仿射变换就是我们这节要讨论的。

    仿射变换(Affine Transformation)
    Affine Transformation是一种二维坐标到二维坐标之间的线性变换,保持二维图形的“平直性”(译注:straightness,即变换后直线还是直线不会打弯,圆弧还是圆弧)和“平行性”(译注:parallelness,其实是指保二维图形间的相对位置关系不变,平行线还是平行线,相交直线的交角不变。)。

    image

    c和d的区别可以看下图:

    image

    仿射变换可以通过一系列的原子变换的复合来实现,包括:平移(Translation)、缩放(Scale)、翻转(Flip)、旋转(Rotation)和剪切(Shear)。

    image

    仿射变换可以用下面公式表示:

    image

    参考:http://wenku.baidu.com/view/826a796027d3240c8447ef20.html

    这个矩阵乘法的计算如下:

    image

    具体到二维的仿射变换的计算如下:

    image

    几种典型的仿射变换如下:

    平移变换 Translation

    将每一点移动到(x+tx, y+ty),变换矩阵为:
    image

    平移变换是一种“刚体变换”,rigid-body transformation,就是不会产生形变的理想物体。

    效果:

    image

    缩放变换(Scale)

    将每一点的横坐标放大(缩小)至sx倍,纵坐标放大(缩小)至sy倍,变换矩阵为:

    image

    变换效果如下:

    image

    剪切变换(Shear)

    变换矩阵为:

    image

    相当于一个横向剪切与一个纵向剪切的复合

    image

    效果:

    image

    旋转变换(Rotation)

    目标图形围绕原点顺时针旋转theta弧度,变换矩阵为:

    image

    效果:

    image

    组合

    旋转变换,目标图形以(x, y)为轴心顺时针旋转theta弧度,变换矩阵为:

    image

    相当于两次平移变换与一次原点旋转变换的复合:

    image

    先移动到中心节点,然后旋转,然后再移动回去。

    参考:
    http://wenku.baidu.com/link?url=AtomIQH400RVIckGwh-V5vPBGmTEVN7ZBtzEjHFeEPxkqu2llowVdW1IFFPqJWaZGUQsQG1hK0OtdrFJ4JBsru3rO8bP9VKQ8Iae0Xm_wt7

    这个转换矩阵也可以下面这样描述。
    image

    一些常用转换矩阵如下:

    image

    更多信息请关注公众号:
    img

    展开全文
  • 仿射变换(Affine Transformation)原理及应用(1)

    万次阅读 多人点赞 2019-08-09 17:35:59
    仿射变换(Affine Transformation)原理及应用 文章目录1 什么是仿射变换2 仿射变换数学表达3 仿射变换理解3.1 平移变换3.2 反射变换3.3 旋转变换3.4 opencv中的仿射矩阵 1 什么是仿射变换 仿射变换(Affine ...
  • Affine transformation matrix 仿射变换矩阵

    千次阅读 2018-06-05 14:09:22
    可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图:仿射变换(Affine TransformationAffine Transformation是一种二维坐标到二维坐标之间的线性变换,保持二维图形的“平直性”...
  • 仿射变换(Affine TransformationAffine Transformation是一种二维坐标到二维坐标之间的线性变换,保持二维图形的“平直性”(译注:straightness,即变换后直线还是直线不会打弯,圆弧还是圆弧)和“平行性”...
  • 从手写字符匹配开始,简要解释局部仿射变换(local affine transformation) FesianXu 2020/09/07 at UESTC 前言 最近笔者看论文[1]的时候发现有个术语local affine transformation,也就是所谓的局部仿射变换,...
  • 仿射变换(Affine transformation

    万次阅读 多人点赞 2018-05-29 16:58:34
    一个集合 XXX 的仿射变换为: f(x)=Ax+b,x∈Xf(x)=Ax+b,x∈Xf(x)=Ax+b, \quad x\in X 它的几何意义是对一个图形进行: 缩放(Scale)、平移(transform)、旋转(rotate)、反射(reflection, 对图形照镜子)、错切...
  • 仿射变换(affine transformation

    千次阅读 2019-01-11 18:02:52
    原理 代码 OpenCV API 计算放射矩阵map_matrix ( 2×3),   Mat cv::getAffineTransform   (    const Point2f src[],     // 原图像的三个顶点    const Point2f dst... void cv...
  • 【OpenCV学习笔记】之仿射变换(Affine Transformation

    万次阅读 多人点赞 2018-08-20 09:16:01
    1、仿射变换(Affine transformation)        因此,空间变换中的仿射变换对应着五种变换,平移,缩放,旋转,翻转,错切。而这五种变化由原图像转变到变换图像的过程,可以用仿射变换矩阵进行描述...
  • 在仿射变换中,原图中所有平行的行在变换后的图像中仍然平行。为了构建仿射矩阵,我们需要原图中的三个点和它们在变换后的图像中的对应位置。函数 cv.getAffineTransform 创建一个2*3的矩阵传递进 cv.warpAffine ...
  • affine transformation

    2011-04-09 23:29:36
    affine transformation幻灯片介绍
  • 目录 一、原文摘要 二、为什么提出RAT-GAN 三、RAT-GAN 3.1、整体框架 3.2 、RAT仿射块(Recurrent Affine Transformation) 3.2.1、RAT仿射块的结构 3.2.2、LSTM循环控制器的引入 3.2.3、RAT仿射块的创新点 3.3、...
  • 图像坐标空间变换:仿射变换(Affine Transformation

    千次阅读 多人点赞 2020-05-04 19:32:44
    文章目录仿射变换(Affine Transformation)简介仿射变换的基础类型恒等尺度旋转剪切水平剪切垂直剪切镜像平移仿射变换通式一个需要小心的坑:图像索引与坐标的关系求解仿射变换矩阵一种特殊的仿射变换及变换矩阵...
  • 【CG】仿射变换(Affine Transformation)

    千次阅读 2018-07-20 17:22:05
    定义 图示 齐次坐标表达 ...\begin{bmatrix} \vec y \\ 1 \end{bmatrix} = \begin{bmatrix} A & \vec b \\ 0,..,0 & 1 \end{bmatrix} \begin{bmatrix} \vec x \\ 1\end{b...Affine transformation - Wikipedia
  • 仿射变换,又称仿射映射,是指在几何张,一个向量空间(vector space)进行一次线性变换(linear transformation)并拼上一个平移(Translation ),其矩阵表达形式(matrix formal)为: y⃗ m×1=Am×nx⃗ n×1...
  • 摄影测量,仿射变换,将像点的屏幕坐标装换成为像平面坐标
  • 本文转自:https://blog.csdn.net/danmeng8068/article/details/79442792 正文 ...
  • Tag DirectX下的博客主要用于记录DirectX的学习过程,主要参考《DirectX 12 3D 游戏实战开发》。本篇主要是顺着DX12龙书的节奏温习线性代数中的仿射变换。 仿射变换 仿射变换是在线性变换的基础上加入平移变换得到的...
  • http://www.cnblogs.com/ghj1976/p/5199086.html变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。...仿射变换(Affine Transformation)Affine Transfo...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,826
精华内容 1,530
关键字:

affine transformation

友情链接: nouken_v64.zip