计算机视觉
文章平均质量分 91
长命百岁️
中科院计算所博士在读
展开
-
ZED-深度感知使用
文章目录1.深度感知配置2.得到深度数据2.1.得到深度值3.展示深度图4.获取点云数据4.1.从点云数据中计算距离5.得到法线图像6.调整深度分辨率1.深度感知配置可以在初始化时使用InitParameters,在运行时使用RuntimeParameters在使用过程中改变特定参数# Set configuration parametersinit_params = sl.InitParameters()init_params.depth_mode = sl.DEPTH_MODE.ULTRA #原创 2022-03-23 16:04:45 · 9005 阅读 · 25 评论 -
CV4-统计特征
直方图作用:一幅图像的直方图的形状提供了关于增强对比度的可能性的有用信息。概念样例低对比度的图像:灰度值的level分布得较为集中高对比度的图像:灰度值的level分布得比较分散图像的直方图分布和图像的样子有什么关系呢?显然,右下角的图像看起来最舒服。原因是什么呢?原因:该图像的灰度值占据了所有可能的灰度值不同灰度值之间像素的个数分布得比较均匀为了让图像看起来更好,我们提出直方图均匀化(从低对比度变化到高对比度)如何实现:我们应该设计一原创 2022-01-14 13:24:53 · 809 阅读 · 0 评论 -
CV11-三维重建2
相机标定用于计算相机内参基于已知三维几何的参照物,基于定标盒,定标版可以得到一组三维到二维的对应点基于定标盒得到 PPP ,之后分解为 K,R,tK,R,tK,R,t缺点:制作不方便,三维坐标难以保证精确基于定标板(张正友方法)XXX 为将相机坐标系中的三维点(只不过在这里 Z=0Z=0Z=0)我们对上述式子进行简化,利用 HHH 来表示整个变换。HHH 可以利用点对来求解我们已知 HHH 之后,如何求得 KKK 呢?我们这里主要关注相机的内参,因为相机的外参随相机位置的变化而变原创 2022-01-14 13:17:12 · 702 阅读 · 0 评论 -
CV10-三维重建1
三维感知单张图像通过图像上点的位置,来估计该点在三维空间中的位置。单目相机,理论上三维重建是不准确的。通过一个二维点恢复三维坐标是一对多的双目/多目物体的深度值越大,在两幅图之间的视觉差越小。我们可以基于这个来判断物体在三维空间中的深度基于双目计算深度(RGB->RGBD)三角化通过两张图片对应点与相机所在的直线,来确定三维空间中物体所在的位置那么进行三角化时,需要知道哪些信息呢?相机参数外参:相机的位置和朝向(对应着平移和旋转)知道两个相机坐标系之间的相对关系就原创 2022-01-14 13:09:35 · 1506 阅读 · 0 评论 -
CV9-特征匹配3
运动估计忽略外点,假设特征点匹配都基本正确。如何实现以下过程?参数化运动模型齐次坐标:用 N + 1 个数来表示 N 维坐标二维仿射变换:仿射变换就是线性变换 + 平移二维透视变换:透视变换比仿射变换多了两个参数,导致 www 可能不是 1常见的变换矩阵仿射变换改变物体的位置和形状,但保持平直性至少需要三个点对不共线的三个平面点对决定一个二维仿射变换如果有大于三个点对,我们可以通过优化的方式更精准得进行估计。AAA 是参数矩阵,代表点 pip_ipi 的运原创 2022-01-14 12:59:55 · 1167 阅读 · 0 评论 -
CV8-特征匹配2
图像匹配特征检测 -> 特征匹配 -> 运动估计特征匹配将特征所在的局部图像块转换为一个描述特征的向量对特征描述的要求不变性:对一张图片的两次检测结果应该相同区分性:不同特征之间应该是可区分的先忽略几何变换特征匹配的方法SSD(Sum of Square Difference)SAD(Sum of Absolute Differenc)NCC (Normalized Cross Correlation)<P,Q><P,Q><P,Q&原创 2022-01-14 12:52:31 · 1238 阅读 · 0 评论 -
CV7-特征匹配1
局部特征全局特征会面临难以克服的困难遮挡,形变,环境特征检测目标:稳定检测(如果两次检测出的特征点差别很大,无法进行匹配)易于匹配挑战对图像几何变换的稳定性对颜色,光照变化的稳定性需求区域提取需要是可重复的和准确的不受平移,旋转,大小的影响不受仿射变换的影响对光照变化、噪音、模糊、量有很好的适应性局部性:特征是局部的,应该对遮挡和杂乱具有鲁棒性数量:需要足够数量的区域来覆盖该物体区别性:这些区域应该包含有趣的结构效率:接近实时原创 2022-01-14 12:48:19 · 392 阅读 · 0 评论 -
CV6-structures2
图像边缘检测边缘的要求假阳少:尽量保证检测出来的边缘像素都是真正的边缘像素假阴少:尽量保证不是边缘的像素都不会被检测出来边缘检测的基本步骤梯度与边缘的关系对于一阶梯度来说,边界出现在一阶导的最大最小处对于二阶梯度来说,边界出现在二阶导为 0 的位置那么我们如何计算梯度呢?对于一个二维函数,计算公式如下对于离散的数据,我们可以使用有限差分来近似估计注意到,分母是 1 ,所有该式子就是后一个的值减去前一个的值图像梯度表达式梯度指向强原创 2022-01-14 12:41:21 · 434 阅读 · 0 评论 -
CV5-structures1
常见的像素邻域图像可以被看作是图,每个像素是一个节点,像素之间根据邻接关系和颜色值等以边相连连通域最短路径图切割我们可以根据相邻像素的连通性,搜索连通区域。应该怎么做呢?连通域区域增长/种子填充思想:类似 BFS流程:将种子像素放入栈若栈非空s = pop stack标记 s将满足条件的 s 的邻居入栈(该邻居未被访问过,且其像素值与 s 相差小于 T)快速连通域算法该算法为四邻域(上下左右)快速连通域算法遍历整个图像,遍历到的位置命名为 x 。对原创 2022-01-14 12:33:36 · 1194 阅读 · 0 评论 -
CV3-空间滤波器
空间滤波器分为线性滤波器和非线性滤波器线性滤波器,fff 是线性函数非线性滤波器,fff 是非线性函数线性滤波器w(s,t)w(s,t)w(s,t) 是滤波核分为平滑滤波器和锐化滤波器图像的线性滤波是对图像的线性变换,可以表示成对图像的矩阵变换的形式(对整个图像写一个滤波的矩阵,其中有些值为0)平滑滤波器(低通滤波器)主要是加权平均举例:均值滤波,高斯滤波边界处理为什么要进行边界处理原因一:原因二:如果不进行边界处理,不同像素点作为滤波核中心原创 2021-12-06 23:07:48 · 755 阅读 · 0 评论 -
Opencv:matchTemplate函数详解
前言本文主要介绍opencv中图像匹配函数并用示例解释和演示6中匹配方式函数讲解opencv实现了一部分通过模板与目标图像进行寻找最佳匹配的方面matchTemplat() , 函数声明如下所示void cv::matchTemplate( cv::InputArray image, // 用于搜索的输入图像 cv::InputArray teml, // 用于匹配的模板,和image类型相同 cv::OutputArray result, // 匹配结果图像, 类原创 2021-11-22 00:42:39 · 6592 阅读 · 0 评论