图像处理工程师,专注图像处理多年,长期奋斗在图像增强、识别一线。实战经验丰富,研究开发的连铸体拼接算法、人脸美化算法、红外线血管增强识别系统、中药识别系统、石材大板识别系统等均已投入使用。对opencv有着深入理解和解析,以jsxyhelu账号参与OpenCV项目。
1、什么是汽车检测数据集; 伊利诺伊大学汽车检测图像数据库(UIUC Image Database for Car Detection) 包括1w+的有汽车/无汽车图片,并且精确地标注了汽车位置;同时还包括1k+的测试数据集; 2、什么是svm算法: SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。
1、什么是猫狗大战;数据集来源于Kaggle(一个为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台),原数据集有12500只猫和12500只狗,分为训练、测试两个部分。 2、什么是Knn算法: K最近邻(k-Nearest Neighbor,KNN)基本思想:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
KNN(K-Nearest Neighbor)介绍 原文地址:https://www.cnblogs.com/nucdy/p/6349172.html Wikipedia上的 KNN词条 中有一个比较经典的图如下: KNN的算法过程是是这样的: 从上图中我们可以看到,图中的数据集是良好的数据,即都打好了label,一类是蓝色的正方形,一类是红色的三角形,那个绿色的圆形是我们待分类的数据。
先来看一个GIF 这个GIF中有以下几个值得注意的地方 这个界面是基本的主要界面所应该在的地方。其右下角有一个“+”号,点击后,打开图像采集界面 在这个界面最上面的地方,显示的是当前图像处理的状态。
随着Qt的版本升级,其自带的controls控件库也不断升级,目前已经到了2.3的版本。本文通过重构并且解读Qt自带的gallery例程,说明新版本controls控件库的相关特性 来自为知笔记(Wiz) 目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.
随着Qt的版本升级,其自带的controls控件库也不断升级,目前已经到了2.3的版本。本文通过解读Qt自带的gallery例程,说明新版本controls控件库的相关特性。其具体位置于: 因为相关的中文资料比较缺乏,所以这里的内容会详细整理,某种意义上可以当作使用手册来使用。
1、spliteview 2、stackview ApplicationWindow {visible: truewidth: 640height: 480MouseArea{anchors.fill: parentacceptedButtons: Qt.
import QtQuick 2.2import QtQuick.Controls 1.2import QtQuick.Window 2.1ApplicationWindow { visible: true width: 640 height: 480 title: qsTr...
基于qt进行Android图像处理项目设计的时候,初期可以首先在windows上进行调试,等到比较成熟后将代码转换到adnroid上。这里仅以widget为例,如果使用qtquick是一样的。具体以下几步: 1、项目创建的时候,选择android和desktop两类(前提是安装的时候已经都选择了) 这样,在程序设计的过程中,我们就可以通过切换来进行选择 如果对于已经配置好kti(构建套件)的项目,可以先删除目录下的.pro.user文件,而后重新打开项目,则自动跳出构建套件配置界面 2、配置文件: 对配置文件的修改是主要知识点所在,首先在不同平台下,要填写不同的前缀。
一、ItemQtQuick所有的可视项目都继承自Item,它定义了可视化项目所有通用特性(x\y\width\height\anchors等)具体包括 1、作为容器 2、不透明性 没有设置opacity属性 设置了opacity属性为0.5 当然也可以这样写 3、visible属性用来设置项目是否可见。
一、遇到问题 在Android机上使用QT进行图像处理程序设计的时候,遇到的一个比较明显的问题就是图片采集的问题----摄像头获得是实时的视频,如果我们想从中动态地截获图片,并且转换成Mat的格式,那么仅仅是静态的imagecapturee就无法完成,必须要依靠VideoProbe机制。
amin这个例子,使用了比较复杂高阶的qml技巧,但是也有局限性。下面分3个部分,分别是界面部分,算法部分和扩展部分,简单地对这个问题进行理解。 由衷感谢:http://amin-ahmadi.
《基于qml创建最简单的图像处理程序》系列课程及配套代码基于qml创建最简单的图像处理程序(1)-基于qml创建界面http://www.cnblogs.com/jsxyhelu/p/8343310.html课程1附件https://files.
《基于qml创建最简单的图像处理程序》系列课程及配套代码基于qml创建最简单的图像处理程序(1)-基于qml创建界面http://www.cnblogs.com/jsxyhelu/p/8343310.
《基于qml创建最简单的图像处理程序》系列课程及配套代码基于qml创建最简单的图像处理程序(1)-基于qml创建界面http://www.cnblogs.com/jsxyhelu/p/8343310.
前提是在已经搭建为android编写程序的qt平台上面,我们只需要简单几部就可以搭建最简单的android机图像采集程序 1、生成新的ququick app 2、在配置中添加 multimedia,因为要用到摄像头,所以肯定要加这个 3、同时在main.
原文来自:http://answers.opencv.org/question/69691/informative-websites-related-to-opencv/ i think it will be useful if we add links of informative websites related to OpenCV here. Lets create a list together. 计划花费1个星期左右时间,将其中标红的而且能够开打的网站进行初步研究,写出调查结果。
一、解决权限问题 图片采集了,处理了,如何保存?最直接的方法是使用imwrite,但是如果现在直接使用的话,比如会出现这样或那样的错误,因为我们现在是在android的环境下进行图像处理,所以必须要融入到Android的权限管理系统中去。
一、创建新QT工程 一定要是全英文路径,比如“E:\android_qt_opencv\GO_GTD” 由于我们在安装的时候,选择android的工具链,所以在这里会出现以下选择,正确进行选择。 现在大家手头淘汰下来的手机都是很多了,其中不乏还可以用的。
一、综述 如何采集图片?在windows环境下,我们可以使用dshow,在linux下,也有ffmpeg等基础类库,再不济,opencv自带的videocapture也是提供了基础的支撑。那么在andoird下,使用的肯定是Android自带的相关函数了。
body { font-family: @微软雅黑; font-size: 8pt; line-height: 1.5 } html,body { color: inherit; background-color: inherit } h1 { font-size: 1.
《学习OpenCV3》,是由OpenCV原作者编写的,新版本中文版将于18年上市 《Mastering OpenCV with Practical Computer Vision Projects》 中文《深入理解OpenCV:实用计算机视觉项目解析》 专注解决图像处理中的算法问题。
最近有网友咨询相关算法问题,我给了一些帮助,觉得比较典型,在经过他允许后将相关资料和思路进行整理,放出来大家共同学习! 一、问题: 图中这个孔是两个半圆加直线组成的,不同于普通的圆和椭圆,所以用hough变换检测效果不好,有没有什么方法可以把那个孔的轮廓给提取出来? 二、分析和解体: 如果对hough的原理和使用比较了解的话(可以翻看《学习OpenCV》),就知道想利用houghcircle取出这样的轮廓使不可能的,此类问题首先是要把关键区域强化出来,然后可以考虑轮廓分析的方法。
一、算法测试 // openmptest的测试程序#include "stdafx.h"void Test(int n){ for (int i=0;i
在之前的博客中,已经分别比较详细地阐述了“windows平台下基于VS和OpenCV”以及“Linux平台下基于QT和OpenCV"搭建图像处理框架,并且生成了相应的免费视频。这篇博客的主要内容,就是基于最新版本的相应工具,在windows平台下,“基于QT和OpenCV搭建图像处理平台”,并且进一步研究如何基于QT所见即所得的便利,进行图像处理操作,最终还要和vs做一个比较,进行初步小结。
今天周末,去南京博物馆游览。路上还是发生了很多值得关注的事情的。因为是从事图像处理方面工作的,所以为和图像相关的东西格外关注。 一、人行道自动抓拍; 主要是针对过街行人闯红灯的。
从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html2环境架设http://www.
从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html2环境架设http://www.cnblogs.
从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html 2环境架设http://www.
从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html2环境架设http://www.cnblogs.
主要是回答网友提问,同时回顾主要知识。 #include "stdafx.h" #include #include "opencv2/imgproc.hpp" #include "opencv2/videoio.
从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html2环境架设http://www.
从零开始的嵌入式图像图像处理(PI+QT+OpenCV)实战演练 1综述http://www.cnblogs.com/jsxyhelu/p/7907241.html2环境架设http://www.cnblogs.
p,li { white-space: pre-wrap } #ifndef MAINWINDOW_H #define MAINWINDOW_H #include //新添加 #include #include #include #include #include #include ...
这篇博客就是在PI上直接写出来的!cheers!! PI3的性能已经非常强劲,而作为一个能够独立运行的运算单元,使用它来做图像处理,将是非常适合的。为了挖掘机器的最大潜能,我没有采用比较常见的python等方法,而是直接使用c++实现相关算法,同时使用QT实现GUI操作。
一、基本概念: 作用:特征点提取在“目标识别、图像拼接、运动跟踪、图像检索、自动定位”等研究中起着重要作用; 主要算法: •FAST ,Machine Learning forHigh-speed Corner Detection, 2006 •SIFT,Distinctive Ima...
代码:https://files.cnblogs.com/files/jsxyhelu/main.zip 一、基本概念: 特征点提取在“目标识别、图像拼接、运动跟踪、图像检索、自动定位”等研究中起着重要作用; 主要算法包括: 特征点识别主要流程为: 1、检测关键点、提取描述向量和特征匹配; 2、...
问题来源为网友提供的资料,原文地址为:《Object Orientation, Principal Component Analysis & OpenCV》 问题描述: 对于这样的图像(2副,采用了背投光),如何获得上面工件的主要方向 主要思路: 1、分别获得每个工件的轮廓; 2、处理每个轮廓,采用pca(主成分分析)方法,获得所有轮廓点的集合的中点,主要方向等信息; 3、绘图并返回结果。
Poisson Blending 实现了非常棒的效果,可以看 《自己动手,实现“你的名字”滤镜》 http://www.cnblogs.com/jsxyhelu/p/7216795.html 它的原理在论文《Poisson Image Editing》中进行了比较详细的阐述,但是英文的大论文看起来的却比较麻烦,在 https://wenku.
multibandblend是目前图像融和方面比较好的方法。原始论文为《a multivesolution spline with application to image mosaics 》,可以用百度学术找到。
前面我们对sift算法的流程进行简要研究,那么在OpenCV中,sift是如何被调用的?又是如何被实现出来的了? 特别是到了3.0以后,OpenCV对特征点提取这个方面进行了系统重构,那么整个代码结构变成了什么模样? 在代码中 可以看出目前的结构是基于hess的算法进行的重构。
SIFT(Scale-Invariant Feature Transform)是一种具有尺度不变性和光照不变性的特征描述子,也同时是一套特征提取的理论,首次由D. G. Lowe于2004年以《Distinctive Image Features from Scale-Invariant Keypoints[J]》发表于IJCV中。
一、基础 最初由Rosten和Drummond [Rosten06]提出的FAST(加速段测试的特征)特征检测算法是基于将点P与其包围圆内的点集的直接比较的思想。 基本思想是,如果附近的几个点与P类似,那么P将成为一个很好的关键点。
当进行跟踪时或者其他类型的用到关键点及其描述符的分析时,通常需要做三件事情:第一个是根据一些关键点的定义搜索图像并查找该图像中的所有关键点;第二个是为发现的每个关键字创建一个描述符;第三个是通过将所找到的关键点的描述符与一些现有的描述符集进行比较,看看是否可以找到匹配项。
Harris、Shi-Tomasi和亚像素角点都是角点,隶属于特征点这个大类(特征点可以分为边缘、角点、斑点). 一、Harris角点检测是一种直接基于灰度图像的角点提取算法,稳定性较高,但是也可能出现有用信息丢失的情况。
一、什么是特征点,它具有什么“特征”? 特征点、角点、关键点,这些概念虽然有细节上的不同,但是在我们这里统一称为“特征”点,也就是具有特征性质的点。在图像处理中,所谓“特征点”,主要指的就是“能够在其他含有相同场景或目标的相似图像中以一种相同的或至少非常相似的不变形式表示图像或目标”,听上去比较拗口,那么用比较直白的方法表述,就是对于“同一个物体或场景,从不同的角度采集多幅图片,如果相同的地方能够被识别出来是相同的。
解决这个问题,目的在于获得并使用最新的完全版本的代码,主要方法是对CMake能够熟练使用,并且对编译等基础支持有所了解。因为这篇博客经过多次修改,所以里面的内容和配图可能有不是完全比对的地方,但是只要加以理解,关键信息肯定可以Get到的,后面我会在所处视频中对相关信息进行进一步整编,方便理解。
即将转入算法研究,对之前在相机使用和选型等等问题做个总结,先来回答一个在开始就问自己的一个问题:为什么工业相机那么贵?贵在哪里了? 以下是小编整理的一些新手资料,希望对刚入手相机的有所帮助(主要来自美国TEO工业相机和中国海关杂志) 一、 工业相机与普通相机的区别 工业相机是机器视觉系统中的一个关键组件,其最本质的功能就是将光信号转变成有序的电信号。
一、项目概述 类似Windows系统下面的画图程序,但是已经从底层全部重新实现,改造成为“图像处理”类程序的基本运行框架。 由于是demo界面,较为简陋,但是因为框架已经搭建完善,所以修改起来会很快。
包括《软实力》的作者,类似 http://www.learnopencv.com/, 这次调查研究的 http://www.pyimagesearch.com 是一个独立的博客,作者是机器视觉方面的工作者,主要提供算法和课程的支持服务工作。