Please enable JavaScript.
Coggle requires JavaScript to display documents.
OpenCV, 1.6 Морфологічні операції, 1.10.2: The Canny edge detector, 4.2 -…
-
-
-
-
-
1.7 Blurring
Averaging
-
Бере область пікселів, де по центрі є центральний піксель, робить усереднення тих пікселів і замінює центральний піксель середнім.
-
Зі збільшенням розміру ядра, збільшується і розмір розмиття зображення.
Gaussian
Сусідні пікселі, розташовані ближче до центрального пікселя вносять більше в середнє значення. Гаусове зглажування використовується для видалення шуму, який приблизно відповідає розподілу Гаусса.
Двухстороннє
Щоб зменшити шум при збереженні країв, ми можемо використовувати двостороннє розмиття. Двостороння розмиття виконує це шляхом введення двох гауссовских розподілів.
Середнє розмиття - це середньозважене значення локальних пікселів, а розмиття по Гауса - немає.
1.9 Tresholding (Поріг)
-
Бінаризація зображення. Ми прагнемо перетворити зображення в градаціях сірого в двійкове зображення, де пікселі мають значення 0 або 255.
-
Адаптивний - Поріг бінарізації шукається не для всього зображення, а для його частинок
-
1.10.1 Gradients
Основне застосування градієнтів зображення лежить в межах виявлення країв. Виявлення країв - це процес пошуку країв на зображенні, який виявляє структурну інформацію про об'єкти на зображенні. Отже, краї можуть відповідати: кордонів об'єкта на зображенні.
-
На практиці градієнти зображення оцінюються з використанням ядер. Ми намагаємося знайти структурні компоненти зображення. Наша мета - знайти зміни в напрямку до центрального пікселя.
Величина градієнта використовується для вимірювання того, наскільки сильна зміна інтенсивності зображення. Величина градієнта - це дійсне значення, яке кількісно визначає "силу" зміни інтенсивності.
Орієнтація градієнта використовується для визначення, в якому напрямку вказується зміна інтенсивності. Як випливає з назви, орієнтація на градієнт дасть нам кут або theta, який ми можемо використати для кількісного визначення напрямку зміни.
-
-
-
-
1.5 Kernel - Ядро
-
Ядро, структурний елемент, фільтр - це все матриця
-
-
-
10.1 Image Descriptor, Feature descriptors and feature vectors
-
Image Descriptor - застосовуємо до зображення і отримаємо один Feature Vector. Вектор ознак. Застосовується глобально до зобр. . Описує все наше зображення повністю
-
10.6 - Haralick Texture
-
-
Ми беремо середнє з 4 напрямків GLCM, щоб - зробити вектор об'єктів більш стійким до змін в ротації.
-
-
-
2.1.2 Template matching
-
Є на вході картинка яка вирізана з якогось зображення і нам потрібно знайти цей шаблон на зображеннію. І рахуємо за допомогою якогось методу. CCOR
10.10.2 - Harris
використовується, щоб виявити в зображеннях кути
Чтобы найти интересные / заметные области изображения, детектор ключевых точек Харриса полагается на представление величины градиента входного изображения:
-
-
-
-
-
-
-