搜索资源列表
Least-squares-matching
- 最小二乘匹配，图像匹配算法，需要初始匹配坐标，可以达到亚像素精度-Least squares matching, image matching algorithm, need the initial matching coordinates, can achieve sub-pixel accuracy
rotate
- 根据txt中记录的角度旋转图像并用黑色像素补齐，再对txt中的斜矩形框的四个角进行坐标转换，裁剪出感兴趣区域-Rotate image and filled with black pixels according to txt recorded angle, and then the txt in the four corners of the rectangle oblique coordinate transformation, clipping region of interest
ConsoleApplication2
- 将原始图像的像素坐标进行变换成桶状投影，改变图像外形，不改变图像其他属性(The pixel coordinates of the original image is transformed into a barrel shaped projection)
C#提取特征点并进行图像匹配
- 建立在Moravec算子基础上提取特征点后与另外一幅图像进行匹配计算，并输出特征点对应的匹配点像素坐标(Based on the Moravec operator, the feature points are extracted and matched with another image, and the matching pixel coordinates corresponding to the feature points are output)
Source code
- 在opencv上实现双目测距主要步骤是： 1.双目校正和标定，获得摄像头的参数矩阵： 进行标定得出俩摄像头的参数矩阵 cvStereoRectify 执行双目校正 initUndistortRectifyMap 分别生成两个图像校正所需的像素映射矩阵 cvremap 分别对两个图像进行校正 2.立体匹配，获得视差图： stereoBM生成视差图 预处理： 图像归一化，减少亮度差别，增强纹理 匹配过程： 滑动sad窗口，沿着水平线进行匹配搜索，由于校正后左右图片平行，左图
bin
- 灰度线性转换，关于图像的颜色转换，以灰度图像为例，假设原图像像素的灰度值为D = f(x,y), (x,y)为图像坐标，处理后图像像素的灰度值为D’ = g(x,y)(Gray linear transformation)
图像坐标定位DigitizeXY
- 加入图片，不过图片像素不能太大，能够对图片产生坐标点(Can produce coordinates of the picture)
lena
- SLIC算法是simple linear iterative cluster的简称，该算法用来生成超像素（superpixel） 算法步骤： 已知一副图像大小M*N,可以从RGB空间转换为LAB空间，LAB颜色空间表现的颜色更全面 假如预定义参数K，K为预生成的超像素数量，即预计将M*N大小的图像(像素数目即为M*N)分隔为K个超像素块，每个超像素块范围大小包含[（M*N）/K]个像素 假设每个超像素区域长和宽都均匀分布的话，那么每个超像素块的长和宽均可定义为S