当前位置: 首页 > news >正文

135网站模板佛山市外贸企业高端网站设计

135网站模板,佛山市外贸企业高端网站设计,疯狂的大叔wordpress3.1,深圳建设怎么样一#xff0c;颜色特征#xff1a; 简单点来说就是将一幅图上的各个像素点颜色统计出来#xff0c;适用颜色空间#xff1a;RGB#xff0c;HSV等颜色空间#xff0c; 具体操作#xff1a;量化颜色空间#xff0c;每个单元#xff08;bin#xff09;由单元中心代表颜色特征 简单点来说就是将一幅图上的各个像素点颜色统计出来适用颜色空间RGBHSV等颜色空间 具体操作量化颜色空间每个单元bin由单元中心代表统计落在量化单元上的像素数量 量化颜色直方图HSV空间 缺点稀疏量化问题 聚类颜色直方图 适用颜色空间Lab等颜色空间 操作使用聚类算法对所有像素点颜色向量进行聚类 单元bin由聚类中心代表 解决稀疏问题 二几何特征 边缘像素明显变化的区域含有丰富的语义信息 边缘定义像素值快速变化的区域 边缘提取 先噪声处理高斯去噪在使用一阶导数获取极值 高斯滤波一阶求导 梯度变化最快方向 三基于特征点的特征描述子 不同的观测方式物体的大小形状明暗会有不同依然可以判断为同一物体 Harris角点corner 在任何方向上移动小观察窗导致大的像素变动 代码 def harris_corner():import numpy as npimport cv2filename ./data/chessboard.pngimg cv2.imread(filename)imgcv2.resize(img,(200,200))gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)gray np.float32(gray)dst cv2.cornerHarris(gray, 2, 3, 0.04)# result is dilated for marking the corners, not importantdst cv2.dilate(dst, None)# Threshold for an optimal value, it may vary depending on the image.img[dst 0.01 * dst.max()] [0, 0, 255]cv2.imshow(dst, img)if cv2.waitKey(0) 0xff 27:cv2.destroyAllWindows() 打印结果 (1)SIFT特征基于尺度空间不变的特征4×4网格8方向直方图总共128维特征向量 特点具有良好的不变性少数物体也能产生大量SIFT特征 代码 def sift():import numpy as npimport cv2img cv2.imread(./data/home.jpg)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)sift cv2.xfeatures2d.SIFT_create()kp sift.detect(gray, None)img cv2.drawKeypoints(gray, kp, img)cv2.imshow(SIFT, img)cv2.imwrite(sift_keypoints.jpg, img)cv2.waitKey(0)cv2.destroyAllWindows() 结果 2LBP局部二值模式每个像素点与周围点大小比较多个bit组成一个数统计每个数的直方图 LBP特征具有灰度不变性和旋转不变性等显著优点。 3SURF,为了保证旋转不变性,在SURF中,统计特征点领域内的Harr小波特征。 代码 def surf():import numpy as npimport cv2img cv2.imread(./data/butterfly.jpg, 0)surf cv2.xfeatures2d.SURF_create(400)# kp, des surf.detectAndCompute(img,None)surf.setHessianThreshold(50000)kp, des surf.detectAndCompute(img, None)img2 cv2.drawKeypoints(img, kp, None, (255, 0, 0), 4)cv2.imshow(surf, img2)cv2.waitKey(0)cv2.destroyAllWindows() 4ORB特征基于FAST角点的特征点检测 def orb():import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltimg1 cv.imread(./data/box.png, 0) # queryImageimg2 cv.imread(./data/box_in_scene.png, 0) # trainImage# Initiate ORB detectororb cv.ORB_create()# find the keypoints and descriptors with ORBkp1, des1 orb.detectAndCompute(img1, None)kp2, des2 orb.detectAndCompute(img2, None)# create BFMatcher objectbf cv.BFMatcher(cv.NORM_HAMMING, crossCheckTrue)# Match descriptors.matches bf.match(des1, des2)# Sort them in the order of their distance.matches sorted(matches, keylambda x: x.distance)# Draw first 10 matches.img3 cv.drawMatches(img1, kp1, img2, kp2, matches[:20], None, flags2)plt.imshow(img3), plt.show() 5Gabor滤波用于边缘提取的线性滤波器三角函数高斯函数Gabor滤波器 基于sift拼接Stitcher.py import numpy as np import cv2class Stitcher:#拼接函数def stitch(self, images, ratio0.75, reprojThresh4.0,showMatchesFalse):#获取输入图片(imageB, imageA) images#检测A、B图片的SIFT关键特征点并计算特征描述子(kpsA, featuresA) self.detectAndDescribe(imageA)(kpsB, featuresB) self.detectAndDescribe(imageB)# 匹配两张图片的所有特征点返回匹配结果M self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)# 如果返回结果为空没有匹配成功的特征点退出算法if M is None:return None# 否则提取匹配结果# H是3x3视角变换矩阵 (matches, H, status) M# 将图片A进行视角变换result是变换后图片result cv2.warpPerspective(imageA, H, (imageA.shape[1] imageB.shape[1], imageA.shape[0]))# 将图片B传入result图片最左端result[0:imageB.shape[0], 0:imageB.shape[1]] imageB# 检测是否需要显示图片匹配if showMatches:# 生成匹配图片vis self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)# 返回结果return (result, vis)# 返回匹配结果return resultdef detectAndDescribe(self, image):# 将彩色图片转换成灰度图gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 建立SIFT生成器descriptor cv2.xfeatures2d.SIFT_create()# 检测SIFT特征点并计算描述子(kps, features) descriptor.detectAndCompute(image, None)# 将结果转换成NumPy数组kps np.float32([kp.pt for kp in kps])# 返回特征点集及对应的描述特征return (kps, features)def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):# 建立暴力匹配器matcher cv2.DescriptorMatcher_create(BruteForce)# 使用KNN检测来自A、B图的SIFT特征匹配对K2rawMatches matcher.knnMatch(featuresA, featuresB, 2)matches []for m in rawMatches:# 当最近距离跟次近距离的比值小于ratio值时保留此匹配对if len(m) 2 and m[0].distance m[1].distance * ratio:# 存储两个点在featuresA, featuresB中的索引值matches.append((m[0].trainIdx, m[0].queryIdx))# 当筛选后的匹配对大于4时计算视角变换矩阵if len(matches) 4:# 获取匹配对的点坐标ptsA np.float32([kpsA[i] for (_, i) in matches])ptsB np.float32([kpsB[i] for (i, _) in matches])# 计算视角变换矩阵(H, status) cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)# 返回结果return (matches, H, status)# 如果匹配对小于4时返回Nonereturn Nonedef drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):# 初始化可视化图片将A、B图左右连接到一起(hA, wA) imageA.shape[:2](hB, wB) imageB.shape[:2]vis np.zeros((max(hA, hB), wA wB, 3), dtypeuint8)vis[0:hA, 0:wA] imageAvis[0:hB, wA:] imageB# 联合遍历画出匹配对for ((trainIdx, queryIdx), s) in zip(matches, status):# 当点对匹配成功时画到可视化图上if s 1:# 画出匹配对ptA (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))ptB (int(kpsB[trainIdx][0]) wA, int(kpsB[trainIdx][1]))cv2.line(vis, ptA, ptB, (0, 255, 0), 1)# 返回可视化结果return vis def image_stich():from opencv.Stitcher import Stitcherimport cv2# 读取拼接图片imageA cv2.imread(./data/left_01.png)imageB cv2.imread(./data/right_01.png)# 把图片拼接成全景图stitcher Stitcher()(result, vis) stitcher.stitch([imageA, imageB], showMatchesTrue)# 显示所有图片cv2.imshow(Image A, imageA)cv2.imshow(Image B, imageB)cv2.imshow(Keypoint Matches, vis)cv2.imshow(Result, result)cv2.waitKey(0)cv2.destroyAllWindows()
http://www.pierceye.com/news/98012/

相关文章:

  • 做系统网站赚钱做爰网站有哪些
  • 新密做网站公司网站建设工作部署会
  • 上海网站推广方法怎么做网页 网站制作
  • 网站蜘蛛怎么看wordpress多用户商城主题
  • 拨付网站建设经费的请示wordpress+电商版本
  • 深圳网站制作需要多少钱互动营销网站
  • 营销型网站公司名称烟台网站建设专业臻动传媒
  • 哪个网站可以做结婚证企业黄页官网
  • 进网站备案大学生网页设计心得体会
  • 做网站除了广告还有什么收入的短视频营销的发展趋势
  • 企顺网网站建设娜娜视频免费视频在线
  • 如何做英文网站wordpress 247
  • 玄武模板网站制作点击查看视联网视频会议系统
  • 域名购买之后怎么做网站网站二级页面设计要求
  • 一个好的网站怎样布局安康市网站建设
  • 上海企业网站优化多少钱湛江网站建设方案托管
  • 手机网站可以做英文版本吗怎么自己购买域名 建设网站
  • 茂港手机网站建设公司如何将音乐上传到wordpress
  • 做房地产网站wordpress 文章页面模板
  • 深圳做app网站建设网站申请支付宝支付
  • 巴音郭楞库尔勒网站建设知名企业门户网站建设
  • 免费域名申请哪个网站好去除wordpress 广告插件
  • 塘厦做网站定制和订制有什么区别
  • 昆明网站空间好习惯网站
  • 做导航网站赚钱吗建立网站需要多少钱费用
  • 大同网站建设哪家好网站后台登录模板html
  • 网站建设过程中准备的工作手机制作网站
  • 做专业网站设计多少钱代理小企业网站建设
  • 怎样提升网站关键词免费的html模版下载
  • 栖霞网站定制三合一建站网站