精华内容
下载资源
问答
  • OpenCV基元检测

    热门讨论 2013-03-18 21:46:33
    基元检测算法:边缘检测、角点检测、blob检测、多尺度表达 参考博客:http://blog.csdn.net/xiaowei_cqu/article/details/8689055
  • 基元检测 Primitive Detection

    千次阅读 2016-01-11 19:14:07
    基元检测是图像分析的基础 边缘(Edge)检测 边缘是图像中像素灰度值发生剧烈变化而不连续的结果 边缘是赋予单个像素的一种性质,与图像函数在该像素的一个邻域内的梯度特性相关 边缘幅值:...

    基元的概念

    基元泛指图像中有特点的单元。常说的基元有:边缘、角点、斑点、直线段、圆、等
    基元检测是图像分析的基础


    边缘(Edge)检测

    边缘是图像中像素灰度值发生剧烈变化而不连续的结果
    边缘是赋予单个像素的一种性质,与图像函数在该像素的一个邻域内的梯度特性相关
    边缘幅值:梯度的幅值
    边缘方向:梯度方向旋转-90度

    边缘检测既是常见基元检测的基础,也是基于边界的图像分割的第一步。

    边缘检测算法




    斑点(Blob)检测

    斑点:与周围灰度有一定差别的区域
    • 面部的雀斑
    • 卫星照片中的一棵数
    • 钢材X光照片中的杂质或气泡
    • 医学图像中的细微肿块

    斑点检测算法

    【OpenCV】LoG算子:SIFT算法
    【OpenCV】Blob特征检测算子



    角点(Conner)检测

    角点:物体的拐角、交叉点、 曲线上曲率最大的点等
    角点的邻域是图像中信息比较丰富的区域

    角点检测方法

    • 基于边缘的方法:在小邻域内有两个不同的主边缘方向,实际图像中,孤立点、线段端点也会有类似特性。缺点是:1)需要先提取边缘并编码,计算量大;2)局部变化对稳定性影响大。
    • 基于灰度的方法:计算点的曲率和梯度,目前的主流

    角点检测算法:




    哈夫变换-几何形状检测

    基本哈夫变换:直线检测

    点–线对偶性:直线所在的图像空间(记为XY)和参数空间PQ(p斜率,q截距)之间的一一映射
    XY空间中的直线检测就等同于PQ空间的点检测

    基本哈夫变换:曲线检测

    对于任意能够用f(x,c)=0(其中x是图像点坐标矢量,c是参数矢量)表示曲线或目标轮廓,均可用类似的方法检测,只是计算复杂度随着c维数的增加而增加,需要考虑降维

    广义哈夫变换:目标检测

    问题:待检目标不是参数化曲线(如正方形),而只是一组轮廓点,希望自动检测目标的存在及其中心参考点(p,q)
    广义哈夫变换能够检测到特定目标的位置(即参考点(p,q) ),或者说任意位置的待检目标都是可以发现的,满足平移不变性



    多尺度检测

    万物都有其合适的尺度
    • 原子和基本粒子:普朗克常数
    • 集成电路:微米、纳米
    • 人、车、树、建筑:米-厘米-毫米
    • 地理:千米
    • 太空:光年

    多分辨率 与 尺度空间

    多分辨率( 图像金字塔):(低通滤波)再下采样,多级进行形成金字塔;可能出现假结构.
    尺度空间(Wikin’83):用一列单参数、宽度递增的高斯滤波器将原始信号滤波而得到的一组低频信号;高斯核是实现尺度变换的唯一变换核,具有多种优良性质,不会引入假信号



    源码及程序下载:http://download.csdn.net/detail/xiaowei_cqu/5155661


    (转载请注明作者和出处:http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途)

    展开全文
  • 【OpenCV】基元检测 Primitive Detection

    万次阅读 多人点赞 2013-03-19 14:20:09
    基元检测是图像分析的基础     边缘(Edge)检测 边缘是图像中像素灰度值发生剧烈变化而不连续的结果 边缘是赋予单个像素的一种性质,与图像函数在该像素的一个邻域内的梯度特性相关 边缘幅值:梯度的幅值 ...

    基元的概念

    基元泛指图像中有特点的单元。常说的基元有:边缘、角点、斑点、直线段、圆、等
    基元检测是图像分析的基础

     

     

    边缘(Edge)检测

    边缘是图像中像素灰度值发生剧烈变化而不连续的结果
    边缘是赋予单个像素的一种性质,与图像函数在该像素的一个邻域内的梯度特性相关
    边缘幅值:梯度的幅值
    边缘方向:梯度方向旋转-90度

    边缘检测既是常见基元检测的基础,也是基于边界的图像分割的第一步。

    边缘检测算法

    【OpenCV】边缘检测:Sobel、拉普拉斯算子

    【OpenCV】边缘检测:坎尼算子算子

     

     

    斑点(Blob)检测

    斑点:与周围灰度有一定差别的区域

    • 面部的雀斑
    • 卫星照片中的一棵数
    • 钢材X光照片中的杂质或气泡
    • 医学图像中的细微肿块

    斑点检测算法

    【OpenCV】LoG算子:SIFT算法
    【OpenCV】Blob特征检测算子

     

     

    角点(Conner)检测

    角点:物体的拐角、交叉点、 曲线上曲率最大的点等
    角点的邻域是图像中信息比较丰富的区域

    角点检测方法

    • 基于边缘的方法:在小邻域内有两个不同的主边缘方向,实际图像中,孤立点、线段端点也会有类似特性。缺点是:1)需要先提取边缘并编码,计算量大;2)局部变化对稳定性影响大。
    • 基于灰度的方法:计算点的曲率和梯度,目前的主流

    角点检测算法:

    【OpenCV】角点检测:Harris算子

     

     

    哈夫变换-几何形状检测

    基本哈夫变换:直线检测

    点–线对偶性:直线所在的图像空间(记为XY)和参数空间PQ(p斜率,q截距)之间的一一映射
    XY空间中的直线检测就等同于PQ空间的点检测

    基本哈夫变换:曲线检测

    对于任意能够用f(x,c)=0(其中x是图像点坐标矢量,c是参数矢量)表示曲线或目标轮廓,均可用类似的方法检测,只是计算复杂度随着c维数的增加而增加,需要考虑降维

    广义哈夫变换:目标检测

    问题:待检目标不是参数化曲线(如正方形),而只是一组轮廓点,希望自动检测目标的存在及其中心参考点(p,q)

    广义哈夫变换能够检测到特定目标的位置(即参考点(p,q) ),或者说任意位置的待检目标都是可以发现的,满足平移不变性

     

     

    多尺度检测

    万物都有其合适的尺度

    • 原子和基本粒子:普朗克常数
    • 集成电路:微米、纳米
    • 人、车、树、建筑:米-厘米-毫米
    • 地理:千米
    • 太空:光年

    多分辨率 与 尺度空间

    多分辨率( 图像金字塔):(低通滤波)再下采样,多级进行形成金字塔;可能出现假结构.
    尺度空间(Wikin’83):用一列单参数、宽度递增的高斯滤波器将原始信号滤波而得到的一组低频信号;高斯核是实现尺度变换的唯一变换核,具有多种优良性质,不会引入假信号

    【OpenCV】尺度空间与图像金字塔

     

    源码及程序下载:http://download.csdn.net/detail/xiaowei_cqu/5155661

    https://github.com/xiaoweicqu/primitive-detection

     

    (转载请注明作者和出处:http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途)

     

    展开全文
  • 主要为大家详细介绍了python opencv实现运动检测,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
  • 图像的Canny算计运用与角点检测1.1代码详解# 角点检测 def work01(): img = ndimage.imread('flower.jpg', 'L')#这里是你图片的路径 img1 = feature.canny(img, low_threshold=100, high_threshold=200) plt....

    一.图像的Canny算计运用与角点检测

    1.1代码详解

    # 角点检测
    def work01():
        img = ndimage.imread('flower.jpg', 'L')#这里是你图片的路径
        img1 = feature.canny(img, low_threshold=100, high_threshold=200)
        plt.imshow(img1), plt.gray(), plt.show()
        dst = cv2.cornerHarris(img, 3, 5, 0.04)
        dst = cv2.dilate(dst, None)
        # Threshold for an optimal value, it may vary depending on the image.
        # cv2.imshow('dst', img)
        img[dst > 0.01 * dst.max()] = [255]
        plt.imshow(img), plt.gray(), plt.show()

    1.2 边缘检测结果

    这里写图片描述

    1.3 角点检测结果

    这里写图片描述

    二.利用霍夫变换的直线检测

    2.1 代码详解

    #直线检测
    def work02():
        img = misc.face()
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        gray = img
        edges = cv2.Canny(gray, 50, 150, apertureSize=3)
        minLineLength = 300
        maxLineGap = 10
        lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, minLineLength, maxLineGap)
        for x1, y1, x2, y2 in lines[0]:
            cv2.line(img, (x1, y1), (x2, y2), (0), 2)
        plt.imshow(img), plt.gray(), plt.show()

    2.2 结果

    这里写图片描述

    三.利用霍夫变换的原的检测

    3.1 代码详解

    #圆环检测
    def work03():
    
        gray = misc.face(gray=True)
        circles = cv2.HoughCircles(gray,cv.CV_HOUGH_GRADIENT,1,20,param1=50,param2=30,minRadius=10,maxRadius=50)
        #这里的参数设置minRadius 和 maxRadius为检测的半径范围
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            # draw the outer circle
            cv2.circle(gray, (i[0], i[1]), i[2], (0, 255, 0), 2)
            # draw the center of the circle
            cv2.circle(gray, (i[0], i[1]), 2, (0, 0, 255), 3)
    
        plt.imshow(gray),plt.gray(),plt.show()

    3.2 结果

    这里写图片描述

    展开全文
  • 是图像中较底层的基元,是组成其他基元的基础 角点: 可以看作两个边缘以接近直角的形式相结合而构成的基元 直线段: 可看作两个邻近的又互相平行的边缘相结合而构成的基元 圆: 圆周可以看作将直线段弯曲、...

    1、概述,名词解析:
        边缘:
            是图像中较底层的基元,是组成其他基元的基础
        角点:
            可以看作两个边缘以接近直角的形式相结合而构成的基元
        直线段:
            可看作两个邻近的又互相平行的边缘相结合而构成的基元
        圆:
            圆周可以看作将直线段弯曲、头尾相接而得到。椭圆是圆的拓展,圆是椭圆的特例
        孔:
            表示比较小的圆(相对于周围的区域)
    2、边缘剖面
        阶梯状边缘
        脉冲状边缘
        屋顶状边缘
    3、二阶导数算子
        (1)拉普拉斯算子:
            通过检测运算后的过零点
            缺点:
                对噪声相当敏感
                常产生双像素宽的边缘
                也不能提供边缘方向信息
            模板的基本要求:
                中心为正,所有系数总和为0
                分类:
                    四邻域
                    八邻域
                    ...
        
            注意:很少用于检测边缘,而主要用于已知边缘像素后确定该像素是在图像的暗区还是明区。
                  计算该像素的二阶导数,根据在该二阶导数附件的值来判断该像素在图像的暗区还是明区。
        (2)马尔算子:
            为了减少噪声的影响,先对图像进行平滑,再运用拉普拉斯算子
            特点:高斯加权平滑运算与拉普拉斯运算的结合
        (3)坎尼算子:
            三大准则:
                信噪比(SNR)准则:
                    低失误概率,既要少将真正的边缘丢失,又要少将非边缘判为边缘
                定位精度(L)准则:
                    高位置精度,检测出来的边缘应该在真正的边界上
                单边缘响应准则
                    得到的边界为单像素宽
            由高斯函数的一阶微分所得到的边缘检测算子也就是马尔边缘检测算子
            坎尼算子工作步骤:
                (1)在空间进行低通滤波
                (2)使用一阶微分检测滤波图像中灰度梯度的大小和方向
                (3)非最大消除:细化借助梯度检测得到的边缘像素所构成的边界
                (4)滞后阈值化:选取两个阈值并借助滞后阈值化方法最后确定边缘点
                    高阈值
                    低阈值
                    好处:可减弱噪声在最终边缘图像中的影响,并可避免产生由于阈值过低导致的虚假边缘或由于阈值过高导致的边缘丢失。
    4、边界闭合
        边缘像素连接的基础是它们之间具有一定的相似性
        根据下面这两个相似性将边缘像素连接起来:
            梯度幅度
                满足幅度阈值
            梯度方向
                满足角度阈值

    5、边界细化
        非最大消除
            用模板进行非最大消除
                四个模板
            用插值进行非最大消除
    6、SUSAN算子(边缘点和角点都可以检测)
        不同之处:
            前者通过微分,此通过计算积分
        特点:
            计算积分,所以对噪声不是很敏感
            对边缘的响应随着边缘的平滑或模糊而增强
            提供不依赖于模板尺寸的边缘精度
            控制参数的选择很简单,且任意性较小,所以比较容易实现自动化的获取
            可以检测目标的边缘点,还可以检测图像中目标上的角点
        核同值区(USAN区):
            usan核像素靠近边缘时usan的面积减小越快,所以在角点处的usan面积最小
        阈值:
            灰度差阈值T(图像中无噪声时)
            几何阈值G(图像中有噪声时):
                设置为 3Smax/4 时可给出最优噪声消除效果
        USAN区的面积越小,边缘响应越大。(根据公式可以推出),检测不到边缘的可能性越小
        边缘方向检测:
            借助边缘强度来检测的
            边缘落在两个像素之间:
                USAN区的重心与模板核的矢量和边缘的局部方向相垂直

            边缘落在像素中心(像素内部边缘情况):
                通过寻找边缘区域最长的对称轴就可以发现边缘方向
            
            如何自动确定边缘属于哪种情况:
                如果USAN区的面积比模板的直径小,则属于像素内部边缘情况
                如果USAN区的面积比模板的直径大,则可以确定USAN区的重心,并根据像素之间边缘的情况来确定边缘的方向。
                    如果重心和模板核的距离很接近的话,也有可能属于像素内部边缘的情况
    7、哈里斯兴趣点算子
        角点检测:
            根据公式:

            角点是锐角:
            角点是直角:
                角点强度最大的角点位置在圆形模板的边界上
                角点的两条边与模板的交点之间的直径与角点的角平分线相垂直
            焦点是钝角:
                角点的两条边与模板的交点之间的直径与角点的角平分线相垂直
        交叉点:
            如果将交叉点与模板中心点相重合,则l1和l2的值分别是角点与模板中心点相重合时的两倍,这也是交叉点强度最大的位置。这个位置也是二阶导数的过零点。
        T型交点检测:
            检测强度值最大的点在弱边缘上而不在强边缘上
    8、哈夫变换
        基本哈夫变换:
            基本思路:利用点——线对偶性,将在图像空间的直线检测问题转换为参数空间的点检测问题
        检测步骤:
            (1)对参数空间中的p和q进行量化,根据量化结果构造一X个累加数组,A(pmin:pmax,qmin:qmax),初始化数组为0
            (2)对每个空间XY中的给定点让p取遍所有的可能值,用q=-px+y算的q,根据p和q对累加数组A进行累加
            (3)根据累加后A中最大值所对应的p和q,由式y=px+q确定出空间XY中的一条直线,A中的最大值代表在此直线上给定点的数目,满足直线方程的点就是共线的。
        哈弗变换技术的基本策略是:
            根据点——线对偶性,由图像空间中的点确定参数空间中的线,再由参数空间中的线的交点确定图像空间中的线。
        广义哈弗变换:
            基本原理
        完整哈弗变换:
        
    9、椭圆定位与检测
        (1)直径二分法
        (2)弦——切线法
    10、位置直方图:
        背景:
            对很小的孔,可用模板匹配来检测
            对大的圆形目标,可用哈弗变换来检测
            对不大不小的目标,可以使用位置直方图技术。

            注意:位置直方图适合检测和定位圆形(盘或孔)的目标
    11、计算量分析:
        公式:
            Ot
            Om
        什么情况下使用位置直方图技术
            p<<N/n
        当N<np时,需要将图像先分解为子图像,再使用位置直方图技术
     

    展开全文
  • 主解决此问题提出了用加速分段测试提取特征(FAST)检测算法进行角点检测,用二进制稳健独立基元特征(BRIEF)描述符进行目标特征描述的新方法。同时,针对BRIEF描述符缺少方向判别,对目标姿态变化敏感的问题,提出了...
  • OpenCV检测场景内是否有移动物体

    千次阅读 2017-11-20 23:26:48
    本帖使用OpenCV检测移动的物体(洋文:Motion Detection)。它的应用非常广泛,常用在视频监控(当摄像头内有移动物体出现时,摄像头会自动抓拍,并保存图像/视频)、车流量监控等等。 我喜欢听着音乐上大号,我就...
  • 这里介绍的是“基元”之间的碰撞检测,所谓“基元”就是线段、三角形、矩形、平面、圆、椭圆等各种常见的、能用一两个数学公式表示的图形。“基元碰撞检测”是游戏开发中常用的手段,用数学公式求解碰撞结果,能让...
  • 图像分割算法概述及常用边缘检测算法 Email:whowhoha@outlook.com 一、概述  用计算机进行数字图像处理的目的有两个,一是产生更适合人类视觉观察和识别的图像,二是希望计算机能够自动进行识别和理解图像。无论...
  • 这里介绍的是“基元”之间的碰撞检测,所谓“基元”就是线段、三角形、矩形、平面、圆、椭圆等各种常见的、能用一两个数学公式表示的图形。“基元碰撞检测”是游戏开发中常用的手段,用数学公式求解碰撞结果,能让...
  • opencv的susan角点检测算法

    千次阅读 2015-06-27 15:54:58
    目前的角点检测算法可归纳为3类:基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。对灰度图像、二值图像、边缘轮廓曲线...
  • 行业分类-作业装置-一种语义约束的平面基元拓扑关系规则检测与恢复方法.zip
  • SUSAN算子

    2019-04-09 21:42:22
    SUSAN算子是一种高效的边缘和角点检测算子,并且具有结构保留的降噪功能(structure preserving noise reduction )。那么SUSAN是什么牛气冲天的神器呢?不仅具有边缘检测、角点检测,还具备结构保留的降噪功能。 1...
  • 与传统基元提取方法相比,该方法不需对灰度图像进行边缘检测二值化处理,而是利用图像边缘的梯度信息对混沌遗传算法导向,直接在灰度图像上提取基元。同时,该方法也避免了Hough变换高的时空开销问题。仿真表明该...
  • RANSAC算法详解

    千次阅读 2015-08-02 12:42:21
    给定两个点p1与p2的坐标,确定这两点所构成的直线,要求对于输入的任意点p3,都可以判断它是否在该直线上。初中解析几何知识告诉我们,判断一个点在直线上,只需其与直线上任意两点点斜率都相同即可。...
  • RANSAC算法在目标识别中的应用详解

    千次阅读 2018-05-27 01:00:46
    最近,在OpenCV上开发目标识别程序的时候遇到一个问题就是:在源图像和场景图像中分别做特征点检测之后,会发现有误匹配的情况出现,经过在上网查资料得知可以用随机抽样一致算法(简称:RANSAC)解决误匹配的问题。...
  • 执行快速准确的亚像素边缘检测,基于改进的zernike矩方法,有需要的可以下载~~
  • 文章目录习题解答2.12.22.32.42.52.62.72.82.92.10 习题解答 答案仅供参考\color{red}{答案仅供参考}答案仅供参考 2.1 统计一周的下雨量,x 的值为周一到周日,y 的值为降雨量统计一周的下雨量,x\ 的值为...
  • 图像识别初识

    千次阅读 2017-08-11 23:22:42
    1官方表达: 图像识别,是指利用计算机 ...因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的,前者称为确定性纹理(如人工纹理),后者呈随机性纹理(或自然纹理)。
  • matlab程序,描述了纹理基元直方图的生成过程,内容清晰,代码功能明确。还包含纹理方向的检测、颜色及方向的量化
  • CNN把特征提取全局化,其中重要的一个是纹理特征,利用卷积核来表示纹理基元,用以重现模式,应如何显示表示。  第一次使用纹理特征,2012年,使用了灰度共生矩阵:灰度共生矩阵-/Laws特征。此后LBP特征也是一种...
  • 基元线程同步构造

    2019-01-17 20:01:00
    但是,这也意味着win32系统永远无法检测到一个线程在一个基元用户模式构造上阻塞了。除此之外这些CPU指令只是阻塞线程极短的一些时间。而缺点就是:只有win系统内核能停止一个线程(以避免CPU时间)。在用户模式中...
  • 同步基元变量 if (createdNew) { Application.Run( new Form()); instance.ReleaseMutex(); } else { Application.Exit(); } } } 转载于:https://www.cnblogs.com/WayneShao/p/7299205.html
  • 在彩色可视传感阵列传统处理方法中,存在着数据量大,人工分析困难、种类浓度识别难以同一次实现等问题,针对这些问题,考虑到同类气体饱和响应阵列点位置一致性的特点,...算法优势在于将不同气体的种类和浓度检测分开
  • 几种常用的边缘检测算子: 边缘是图像的最重要的特征,。边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘检测主要是灰度变化的度量、检测和定位。有很多种不同的边缘检测方法,同一种方法使用的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,721
精华内容 1,488
关键字:

基元检测