索引地址：系列索引 数据通过神经网络训练好后，我们使用OpenCV读取并使用。 以下为OpenCV源码中modules/dnn/src/dnn.cpp中第5333行开始的内容： 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647Net readNet(const String&a

索引地址：系列索引 加载训练好的图像分类模型，然后进行推断，输出图片中可能的目标。 这个是darknet的一张测试图片： 使用的是googlenet Caffe模型。 一般需要三个文件： 模型参数：bvlc_googlenet.prototxt -> https://github.com/opencv/opencv_extra/blob/master/testdata/dnn/bvlc_

索引地址：系列索引 MNIST数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST)。训练集 (training set) 由来自 250 个不同人手写的数字构成，其中50%是高中学生，50%来自人口普查局 (the Census Bureau) 的工作人员。测试集(test set)也是同样比例的手写数字数

索引地址：系列索引 BLOB Blob是图像中共享某些共同属性(例如灰度值)的一组连接的像素。在上图中，暗连通区域是Blob，Blob检测的目的就是识别和标记这些区域。 blob分析一般用于图像分割或连通性分析，OpenCV提供了一种方便的方法来检测Blob，并根据不同的属性对其进行过滤。 测试代码 1234567891011121314151617181920212223242526272

索引地址：系列索引 1963年12月30日E. Land作为人类视觉的亮度和颜色感知的模型在俄亥俄州提出了一种颜色恒常知觉的计算理论——Retinex理论。Retinex是一个合成词，它的构成是retina（视网膜）+cortex（皮层）→ Retinex。模仿人类视觉系统发展了Retinex算法，从单尺度Retinex算法（single scale retinex, SSR）改进成多尺度加权平均

索引地址：系列索引 角点和角点检测：角点检测 该方法是基于shi-tomas角点检测变化而来的一种特征提取方法，OpenCV创建该检测器的API与goodfeaturetotrack的API参数极其类似： 12345678Ptr<GFTTDetector> cv::GFTTDetector::create(int maxCorners = 1000,double qualityLeve

索引地址：系列索引 角点介绍：角点检测 12345678910void cv::goodFeaturesToTrack ( InputArray image, OutputArray corners, int maxCorners, double qualityLevel, double minDistance, InputArray mask = noArr

索引地址：系列索引 就是将前面提到的特征方法综合起来，使用统一的接口。 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868

索引地址：系列索引 特征：图像特征与特征描述子 BRISK特征提取描述算法全称为 Binary Robust Invariant Scalable Keypoints（二进制鲁棒不变可扩展关键点）。BRISK算法也是SIFT算法的一种改进型，主要是针对于旋转不变性、鲁棒性、运算速度等方面做了优化，其大致流程如下： （1）在提取特征点阶段与SIFT算法类似，同样是先构造多尺度图像金字塔，再从每一层图

索引地址：系列索引 特征：图像特征与特征描述子 AKAZE特征算法是SIFT特征算法的一种改进版本，但不使用高斯模糊来构建尺度空间，因为高斯模糊具有丢失边缘信息的缺点，进而采用非线性扩散滤波来构建尺度空间，从而保留图像更多的边缘特征。 在特征点提取阶段，AKAZE算法采用与SIFT算法类似的提取特征点方式，即在同一金字塔层内的不同尺度的一组图像中寻找最大特征点。 然后在特征描述子生成阶段，采用与O