Questions tagged «opencv»

我需要使用OpenCV在图像中找到正方形（在matlab或其他任何问题上都没问题，通常我期望的是一些想法）。 考虑下面的测试图像： 我需要在上面的图像中准确找到那些彩色的正方形（而不是白色的长条）。 我做了什么 ： 我应用了通用方法（OpenCV样本随附），即在所有颜色平面中找到轮廓，对其进行近似并检查元素数= 4。它在某种程度上可以检测到很少的正方形，尤其是暗的正方形。 我要做的下一步是预测。即这种安排是固定的。因此，如果获得一些，我可以预测剩余的。它还可以进一步扩展。但是准确性非常差。 但是我觉得这里的预测不是一个好方法，并且它并不总是提供第一步所给出的准确答案。 我需要的 ： 1）还有其他更好的方法可以更准确地检测这些正方形吗？还是多种方法？ 重要的一点是，时间在这里不是问题。算法可能很慢，没关系。但是准确性是主要标准。 有时，图像可能更加模糊。 我面临的主要问题之一是某些正方形的颜色与背景颜色几乎相似（请检查第3列的第一和第二个正方形）。 寻找想法，在此先感谢 更新： 以下是我得到的最大准确结果： 当然，结果图像的大小会有所调整。 更新2： 我在下面的答案中给出了更好的解决方案：https : //dsp.stackexchange.com/a/7526/818

34 python  matlab  image-processing  opencv  computer-vision 

该问题是从Stack Overflow 迁移而来的，因为可以在Signal Processing Stack Exchange上回答。 迁移 7年前。 这是哈里斯角点检测的数学表达式： 但是我有以下疑问： 和v的物理意义是什么？许多参考文献说，这是窗口w移动的幅度。那么窗口移动了多少？一个或两个像素？uuuvvvwww 窗口覆盖的像素位置上的总和是吗？ 假设简单地，我（X ，ÿ ）是在单个像素的强度（X ，ÿ ）或在中心的窗口内的强度的总和（X ，ÿ ）？w(x,y)=1w(x,y)=1w(x,y) = 1I(x,y)I(x,y)I(x,y)(x,y)(x,y)(x,y)(x,y)(x,y)(x,y) 根据Wiki，他们说图像是2D，用I表示，然后要求考虑区域，然后使用符号I （x ，y ）(x,y)(x,y)(x,y)I(x,y)I(x,y)I(x,y) 我发现难以掌握数学解释。有人有主意吗？

23 image-processing  opencv  linear-algebra 

我刚刚研究了SURF，并且打算实现它，但是我仍然不明白为什么要使用描述符。 我了解什么是关键点及其目的，但是当我们提取关键点时，为什么不使用描述符呢？它们在认可中的重要性和作用是什么？

17 image-processing  computer-vision  opencv 

我想识别照片中六角形拼贴的边界，如下图所示： 在我看来，在正方形网格上的一种标准方法是首先检测角（例如Canny），然后通过霍夫变换或类似方法提取最长的线。 这看起来不是十六进制平铺的最佳解决方案，因为外线的长度较短，并且很难将其与其他线分开。 有解决这个问题的算法吗？在opencv中有解决方案会特别好，但是我也对一般想法感兴趣。 更新： 使用python和opencv我可以收到以下结果： 这是我的代码： import cv2 import numpy as np imgOrig = "test1"; img = cv2.imread(imgOrig+".jpg"); lap = cv2.Laplacian(img, cv2.IPL_DEPTH_32F, ksize = 3) imgray = cv2.cvtColor(lap,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) size = img.shape m = np.zeros(size, dtype=np.uint8) for i, cnt in enumerate(contours): if cv2.contourArea(cnt) …

16 image-processing  opencv  image-segmentation 

我试图找到一种方法，仅使用距离地面3米的一台摄像机来检测人员。这是相机返回的帧： 更新：视频测试-> http://dl.dropbox.com/u/5576334/top_head_shadow.avi 为了做到这一点，首先我了解我必须执行背景-前景分割。那是容易的部分。 使用前景蒙版，我可以进行简单的操作（例如霍夫变换）来查找圆，但是这种方式只能检测出60％的头部，包括许多误报。 我可以使用其他一些简单的技术，例如颜色分割，但是我发现人头与上面的人非常不同，因为他们的发型，颜色，头发数量，... 尽管我还有其他选择，可以使用HOG描述符或类似Haar的功能，但是我需要一个从上面看到的人的广泛数据库来训练模型。我还没有找到类似的东西。 我以为这将是一个经常发生的问题，但是我在文学或互联网上找不到很多。解决此任务的任何帮助将不胜感激:-) 更新：有关更多信息，目标是实施一些通用方法来进行行人流量跟踪。第一个原型将在购物中心进行测试。

16 image-processing  computer-vision  opencv 

首先，我希望这是正确的Stack Exchange开发板。如果没有，我深表歉意。 我正在做一些需要校准相机的事情。我已经在OpenCV（C ++）中成功实现了执行此操作的代码。我正在使用内置的棋盘功能和已打印的棋盘。 互联网上有许多教程，其中给出了多个国际象棋棋盘视图，并从每个帧中提取角点。 是否有一组最佳视图可赋予该功能以获得最准确的相机校准？什么会影响校准的准确性？ 例如，如果我给它5张相同视图的图像而没有移动任何东西，当我尝试不扭曲网络摄像头时，它会给出一些直接的结果。 仅供参考，任何来访的人：我最近发现，使用不对称圆圈网格和相应的OpenCV函数，可以更好地校准相机。

16 image-processing  camera  opencv 

嗨，简历/模式识别社区， 关于图像的分割，我遇到了一个严重的问题。场景是炉子里的气氛，使我发疯。而且我需要在短时间内（<10秒）而不是仅在一种特殊情况下检测不同材料（玻璃，陶瓷，Al，Ir ...）的物体轮廓。我还需要代码的连续像素行中的轮廓。因此，还需要使用链代码或所谓的边界/轮廓跟随，因此开孔不好。在背景中会不时出现非线性噪声，大约是灰尘，颗粒或其他一些东西。 欢迎使用Matlab或OpenCV建议。 为了更加清楚，我发布了目标的另一个图像和一个半透明的对象，还需要对其进行检测。还需要注意其他示例。 正如您在图像＃1中看到的那样，图像的右侧部分和恒星的外轮廓附近（即物体）存在粒子。而且总体对比度不是很好。对象本身位于地下，与轮廓检测无关。图像＃2显示了半透明的物体，这也是可能的。 我想找到该物体的轮廓/周长，就像在下一个屏幕（红线）上一样。两个矩形（黄色）标记了起点（左侧）和终点（右侧）。蓝线是可忽略的。 起初我以为我可以只用过滤器解决那种肮脏的气氛。但是经过大量的投入时间，我才意识到，为了提高前景和背景的对比度，我必须大幅度消除或减少噪音。我尝试了很多方法，例如直方图均衡，自适应Otsu均衡，线性滤波器（例如高斯），非线性滤波器（中值，扩散），活动轮廓，k均值，Fuzzy-c-means以及纯Canny边缘检测结合形态运算符。 坎尼：粒子和大气正在造成孔洞，但是我需要物体的完整轮廓。仍然以形态算子的闭合，扩张还不够好。由于滞后作用，Canny仍然是我研究过的所有方法中最好的结果。 活动轮廓线：它们也可以在边缘/渐变上工作，在对象内部初始化后它们的行为完全疯狂，这可能是由于边缘贴图导致“开放”对象引起的。据我所知，轮廓必须闭合。尝试了不同的衍生产品（GVF / VFC /经典蛇）。 k均值：由于有雾的背景，结果包括炉内气氛。对于模糊C均值也是如此。由于将对象与背景分离，我选择了两个群集。簇越多，结果越弱。 直方图/ Otsu：由于灰度强度非常接近（恕我直言！），它会将对象与背景合并。尝试使用本地和全局方法。 滤镜：尤其是GLPF或其他LPF会弄脏边缘，效果不是很好，甚至不会减少有雾的气氛。 非线性滤镜保留边缘。它们中的大多数都花很长时间计算大图像。现在使用快速双边过滤器。结果见下文。 因此，没有一种方法足以满足后处理步骤的需要，因为对象段的获得结果与现有算法的竞争性较差。该现有算法非常本地化，因此适用于这种非常特殊的情况。 所以我问你，如果我完全错过了什么...我不知道如何加工以及如何获得良好的轮廓结果而又没有间隙或孔。 CCD和物理环境？提前致谢！ 到目前为止的最后一种方法（经过一整夜的MO实验）： 双边过滤器（保留边缘，但平滑均匀区域） Canny（Sigma = 2，Threshold = [0.04 0.08]） 形态运算（MO）： bwareopenclosing， remove和bridge bwlabel仅选择轮廓的周长，以消除不必要的噪音。尚无更新的屏幕截图，但适用于明星。玻璃杯有一个与外部轮廓相连的内部轮廓，也可以在下面的屏幕截图中看到。 因此，恐怕我需要一种特殊的算法来遍历外部轮廓。这将是对邻居的一些顺时针/逆时针查找。如果存在拐角，则可以切换顺时针/逆时针的步骤。如果有间隙，请增加半径并再次查看。如果存在以下两个或两个以上的观点，请选择与前一个观点相同的观点。您认为轮廓跟随算法有意义吗？

15 matlab  opencv  computer-vision  edge-detection  image-segmentation 

我必须根据它们之间的距离连接图像中的附近轮廓，该距离指定是否要连接轮廓。 现在这里已经有一个关于同一问题的问题，https：//stackoverflow.com/questions/8973017/opencv-c-obj-c-connect-nearby-contours，但是在这里他将所有轮廓合并为一个轮廓。这个我不要 我认为opencv中没有为此功能，但是您可以为此建议一个算法。我的应用程序如下所示： 我正在检测手，因此我使用皮肤检测算法来确定它们，但是由于我的皮肤不是白色，可能是由于某些情况下的照亮情况导致肘部轮廓破裂。因此，我希望连接附近的轮廓，但不要全部连接（因为我的两只手都在轮廓中。）（我的意思是从肩膀到手掌。） 此外，我认为通过使用一些边缘检测，我将获得我的手的边界，并检测该边界内的某些补丁是否被检测为皮肤，然后将该边界内的整个区域检测为皮肤，但是我不确定如何执行此操作部分。 任何帮助将不胜感激。提前致谢 样本图片： 在此图像中，我想连接距离（小于40像素）的点（8个连接点），以便将左手作为单个轮廓 我的目的是只获得手的轮廓（我不在乎其他任何区域）

15 image-processing  computer-vision  opencv  morphological-operations 

假设我只使用一台校准相机。从这台摄像机，我得到图像A和B。我知道A和B之间的单应性，这是通过OpenCV的findHomography（）计算得出的。 我知道图像A的姿态（旋转矩阵R和平移矢量t），并且我需要图像B的姿态。一旦获得它，我想我将能够计算后续图像的每一个进一步的姿态。 您知道计算B的姿势的实现吗？我在网上找到了几篇文章，但找不到易于实施的解决方案...

13 image-processing  computer-vision  3d  opencv 

出于我自己的学习目的，我正在尝试开发一种算法，该算法将列出书，并给出如下书架的图像： 第一步是将图像切成单独的书。 我在Mathematica中的算法是： img = ColorConvert[Import["http://i.stack.imgur.com/IaLQk.jpg"], "GrayScale"] 做一个基本的边缘检测和 删除文本并尝试保持长行 edge = DeleteSmallComponents[EdgeDetect[img, 3],Last[ImageDimensions[img]]/5] 然后删除不需要的水平线 lines = Sort[ImageLines[img5] /. {{0., _}, {_, _}} -> Sequence[]] Show[img, Graphics[{Thick, Orange, Line /@ lines}]] 但是结果却不尽人意： 我的问题是： 我该如何改善它以获得更好的结果？ 有更聪明的方法吗？ 我应该进一步处理图像以提高（后期）OCR阶段的准确性吗？ 如何使用颜色信息改善分割效果？

13 opencv  computer-vision  image-segmentation 

我知道您可以使用“完美模型”和图像点之间的对应点来计算图像到相机平面的单应性。 我正在为足球场/场地做这件事，并且使用边缘检测来找到球场中的白线。 但是相机不会（总是）覆盖所有的俯仰，所以我看不到所有的角...而且我只有角是模型中100％的已知点（没有其他可分辨的点）。 因此，问题在于，除非这条线与另一条线相交并形成一个角，否则我只会知道该线的图像点，而不是模型中相应的“完美/真实世界”坐标。 我有什么方法可以使用检测到的线来计算单应性，甚至只是一组候选单应性，即使检测到的线彼此不相交并创建拐角？ 示例图像，显示了俯仰，我们的视野以及可以知道相应的真实世界/模型坐标（绿色圆圈）的俯仰点，以及2条直线的示例，由于在我们的视野中，它们可能完全没有用，我不知道他们在音高对应的真实世界/模型中确切在哪一点开始或停止： 红线是我要使用的线的示例，但我不知道它们的真实坐标，并且很难估计它们，因为根据相机的姿势，对应点可能在“任何地方”。

12 image-processing  computer-vision  opencv  homography 

我正在寻找缩放和旋转不变模板匹配的方法。我已经尝试过一些，但是对于我的示例来说，它们并没有那么好用，或者永远无法执行。SIFT和SURF特征检测完全失败。我还尝试实现Log-Polar模板匹配功能，但我从未完成（不知道确切的操作方法）。 在这些文章中（第一个是德语） http://cvpr.uni-muenster.de/teaching/ss08/seminarSS08/downloads/Wentker-Vortrag.pdf http://www.jprr.org/index.php/jprr/article/viewFile/355/148 我了解了该方法。绘制极坐标是可行的，但我不知道它是否正确。图片看起来像这样。 source_log_polar.png http://www.shareimages.com/images/pics/0/0/3/62394-pZSfl5WenZysnpyVnKg-source_log_polar.png 在用OpenCV的模板匹配功能匹配这两个图像后，我得到了结果 现在我不继续了。 我的模板始终是构建蓝图和蓝图本身的简单符号。这些符号的大小和方向可以不同。 例如我的简单蓝图： 还有我的模板 在此示例中，只有一个模板，但是在蓝图中，它应该找到所有出现的位置，甚至包括具有大小和/或方向的出现位置。 有谁有办法解决这个问题？ 编辑： 对Andrey的方法的补充。径向轮廓的距离捕获算法。（使用EmguCV） private float[] getRadialProfile( Image<Gray, byte> image, Point center, int resolution ) { var roi = image.ROI; if ( !roi.Contains( center ) ) { return null; } var steps = resolution; var degreeSteps = 360 …

12 computer-vision  opencv  template-matching 

目前，我正在开发一个行人计数器项目（在Linux上使用OpenCV + QT）。我对方法的想法是： 捕捉帧 做背景扣除 清除噪音（腐蚀，膨胀） 查找blob（cvBlobslib）-前景对象 为每个Blob设置ROI，并在这些Blob中搜索行人（LBP和detectMultiScale）（以获得更好的性能） 对每个发现的行人进行嵌套的上身搜索（不确定）（可靠性更高） 如果在连续的帧（可能是3-4帧）上发现了相同的行人-将该区域添加到camshift和跟踪中-标记为行人 从下一个帧的斑点检测中排除camshift跟踪的区域 如果行人越过行号 我想检查一下我是否走对了。您对如何改善我的方法有什么建议吗？如果有人从事类似的工作，我将不胜感激有关此问题的任何有用技巧，资源（和批评）。

12 computer-vision  opencv  object-recognition 

背景：我正在尝试制作一个跟踪视频中大量气泡的系统 我正在使用循环霍夫变换在单图像情况下实现气泡检测。由于遮挡，模糊和其他因素，这种检测永远不会是100％准确的。我正在调整检测程序以提高召回率，可能是以精度为代价的。 完成此操作并将其应用于视频中的一系列帧后，我将获得许多可以表征为4D空间中的点的检测-x位置，y位置，半径和帧索引。 是否有可以从该4D点云恢复曲线的程序？

11 image-processing  noise  computer-vision  opencv  maximum-a-posteriori-estimation 

简历中使用了三种技术，它们看起来非常相似，但有细微的差别： 高斯的拉普拉斯算子：∇2[g（x ，y，t ）∗ f（x ，y）]∇2[g(x,y,t)∗f(x,y)]\nabla^2\left[g(x,y,t)\ast f(x,y)\right] 高斯差异：[ 克1个（x ，y，t ）∗ f（x ，y）] - [ g2（x ，y，t ）∗ f（x ，y）][g1(x,y,t)∗f(x,y)]−[g2(x,y,t)∗f(x,y)] \left[g_1(x,y,t)\ast f(x,y)\right] - \left[g_2(x,y,t)\ast f(x,y)\right] 用Ricker小波进行卷积：里克（x ，y，t ）∗ f（x ，y）Ricker(x,y,t)∗f(x,y)\textrm{Ricker}(x,y,t)\ast f(x,y) 据我目前了解：DoG是LoG的近似值。两者都用于斑点检测，并且两者本质上都充当带通滤波器。用墨西哥帽/里克小波进行卷积似乎可以达到几乎相同的效果。 我已将所有三种技术应用于脉冲信号（必须进行缩放以使幅度相似），结果非常接近。实际上，LoG和Ricker看起来几乎相同。我注意到的唯一真正的区别是使用DoG，我有2个免费的参数可以进行调整（和），而LoG和Ricker则为1。我还发现小波是最简单/最快的，因为它可以通过一次卷积（通过傅立叶空间乘以核的FT乘以完成）对DoG进行2次，对卷积进行卷积加Laplacian进行。 σ 1σ1个σ1\sigma_1σ1个σ1\sigma_1 每种技术的比较优点/缺点是什么？ 有不同的用例，其中一个优于另一个吗？ 我还凭直觉想到，在离散样本上，LoG和Ricker会退化为相同的操作，因为可以实现为内核 。[ - 1 ，2 ，- 1 ]∇2∇2\nabla^2[ − 1 ，2 ，− 1]要么⎡⎣⎢0− …

10 image-processing  filters  wavelet  opencv  multi-scale-analysis