LB's Home

Coding - Thinking


  • 首页

  • 分类

  • 关于

  • 标签

  • 站点地图

【图像处理】图像金字塔

发表于 2017-04-24 | 分类于 【图像处理】

0 引言

在图像处理中,经常需要改变图像的尺寸,比如在图像识别时需要将图像归一化到某一标准尺寸,在目标检测中需要在不同尺度的图像上进行检测,以应对尺度变化。OpenCV提供了如下两种方式来改变图像尺寸:

  1. resize()函数。最直接的方法,只要给定输入输出图像,以及目标尺寸和插值方式就可以完成。
  2. pyrUp(),pyrDown()函数。即图像金字塔相关的两个函数,对图像进行向上采样,向下采样的操作。

这篇文章中,首先介绍图像金字塔的原理,接着介绍resize()函数,然后是pyrUP()和pyrDown()函数,最后是一个综合实例程序。

阅读全文 »

【图像处理】SURF特征

发表于 2017-04-24 | 分类于 【图像处理】
0 引言参考文献[1] Bay H, Tuytelaars T, Van Gool L. Surf: Speeded up robust features[J]. Computer vision–ECCV 2006, 2006: 404-417.
阅读全文 »

【图像处理】SIFT特征

发表于 2017-04-24 | 分类于 【图像处理】

0 引言

Harris角点被誉为是局部特征领域中的第一篇文章,而SIFT特征则是最重要的一篇文章,现在的科研工作者正在向最后一篇文章努力。作为最重要的一篇论文提出的SIFT特征,之所以重要,是因为它具有尺度和旋转不变性,即使在仿射变换、视角变化、含有噪声和光照变化的条件下,特征匹配也具有鲁棒性。那么接下来,就分析一下,为什么SIFT具有这些特性?最后给出一些利用OpenCV实现的例子。

阅读全文 »

【机器视觉】随机采样一致算法RANSAC

发表于 2017-04-19 | 分类于 【机器视觉】
0 学习目标
阅读全文 »

【机器视觉】基础矩阵F和本征矩阵E

发表于 2017-04-19 | 分类于 【机器视觉】

0 学习目标

  • 理解基础矩阵F和本征矩阵E的定义、区别和联系
  • 学习基础矩阵F和本征矩阵E的计算
  • 解析OpenCV相关源代码
  • 利用OpenCV求解实现
阅读全文 »

【图像处理】ORB特征

发表于 2017-04-17 | 分类于 【图像处理】

0 学习目标

  • 理解ORB特征的原理和优缺点
  • 利用OpenCV实现ORB特征
  • 了解ORB特征在ORB-SLAM中的应用

1 原理

ORB (Oriented FAST and Rotated BRIEF)特征基于BRIEF特征,但是具有旋转不变性,并具有抗干扰的能力。ORB特征的贡献有:

  • 为FAST角点增加了可以快速计算和精确的方向信息
  • 可以快速计算的具有方向信息的BRIEF描述子rBRIEF
  • 对rBRIEF方差和相关特性进行了分析
  • 一种基于学习的具有旋转不变性的解相关BRIEF特征,在最近邻算法应用中表现很好
阅读全文 »

【图像处理】BRIEF特征

发表于 2017-04-17 | 分类于 【图像处理】

0 学习目标

  • 理解BRIEF特征
  • 利用BRIEF特征,实现特征匹配

1 原理

特征点的descriptor是很多视觉任务的重点,例如在物体检测,三维重建,SLAM中,都会用到特征检测和匹配。在视觉SLAM这种对实时性要求很高的领域,descriptor的快速计算显得尤为关键。BRIEF(Binary Robust Independent Elementary Features)是一种很方便计算,而且很具有鲁棒性的特征描述形式。

我们知道SIFT特征是一种具有旋转、尺度、光照不变的特性,是一种非常理想的局部特征描述方式。但是它需要用一个128维的向量来进行表示,计算和匹配都非常耗时。SURF在计算量上对其进行了改进,使用64维向量来表示,但是每一位是一个浮点数,需要4个字节来保存,共需要256个字节保存,这对于存储的需要很大。为了减小它的计算量和存储量,大致上有三种方法:

阅读全文 »

【工程项目】C++&OpenCV读取MNIST数据集

发表于 2017-04-10 | 分类于 【工程项目】
0 背景最近在做手写数字识别的一个项目,是在Linux平台下面用C++和OpenCV开发的。因此需要用C++和OpenCV来读取MNIST手写数字数据集。 1 MNIST数据集文件说明下载地址 http://yann.lecun.com/exdb/mnist/{img [] }
阅读全文 »

【机器学习】支持向量机(1)

发表于 2017-04-09
阅读全文 »

【机器学习】决策树

发表于 2017-04-07 | 分类于 【机器学习】

0 学习目标

  • 了解决策树模型,以及决策树学习的三个步骤:特征选择、决策树的生成和决策树的修建
  • CART算法的学习与应用

1 决策树模型

结构:决策树由结点(node)和有向边(directed edge)组成.结点有两种类型,内部结点(internal node):表示一个特征或者属性;叶子结点(leaf node):表示一个类.

用决策树分类,从根结点开始,对实例的某一特征进行判断,根据判读结果,将实例划分到其子结点;因为每个内部结点对应实例的一个特征的取值。此时,再根据子结点的特征进行判断,如此递归地对实例根据特征进行判断和划分,直至达到叶子结点。最后将实例划分到叶子结点的类中。

如此可见,决策树也可以看成是一个if-then规则的集合。还可以表示成给定特征条件下类的条件概率分布。

阅读全文 »
1…456
LB

LB

Make Robot Feel The World

54 日志
15 分类
39 标签
GitHub Weibo
Links
  • OverLeaf
  • LeetCode
  • Kaggle
  • Tianchi
© 2017 LB
由 Hexo 强力驱动
主题 - NexT.Pisces
本站总访问量     您是第个来到的小伙伴