索引地址：系列索引 图像特征点检测、描述子生成以后，就可以通过OpenCV提供的描述子匹配算法，得到描述子直接的距离，距离越小的说明是匹配越好的，最终绘制位置即可。 测试代码： 1234567891011121314151617181920212223242526272829303132333435363738394041424344#include <iostream>#includ

索引地址：系列索引 所谓模板匹配，就是以一张图片作为模板，去另一张图片中找到其所在的位置。 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818

索引地址：系列索引 角点和角点检测：角点检测 moravec算法 基本原理 这是一种基于灰度方差的角点检测算子，该算子计算图像中每个像素点沿着水平、垂直、对角线及反对角线的四个方向的灰度方差，其中的最小值选作该像素点的兴趣值IV(interest value)，再通过局部非极大值抑制来检测其是否为特征点（角点）。 算法步骤 （1）计算各像元的兴趣值IV。以像素(c,r)为中心的 w x w

索引地址：系列索引 角点和角点检测：角点检测 面阵摄像机的成像面以像素为最小单位。例如某CMOS摄像芯片，其像素间距为5.2微米。摄像机拍摄时，将物理世界中连续的图像进行了离散化处理。到成像面上每一个像素点只代表其附近的颜色。至于“附近”到什么程度？就很困难解释。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有无限的更小的东西存在。这个更小的东西我们称它为“

索引地址：系列索引 角点和角点检测：角点检测 原理 Shi-Tomasi算法是对Harris角点检测算法的改进，一般会比Harris算法得到更好的角点。Harris 算法的角点响应函数是将矩阵 M 的行列式值与 M 的迹相减，利用差值判断是否为角点。后来Shi 和Tomasi 提出改进的方法是，若矩阵M的两个特征值中较小的一个大于阈值，则认为他是角点，即：R=min(λ1,λ2)R= min(\

索引地址：系列索引 角点和角点检测：角点检测 原理 Harris角点是特征点检测的基础，提出了应用邻域像素点灰度差值概念，从而进行判断是否为角点，边缘，平滑区域。Harris角点检测原理是利用移动的窗口在图像中计算灰度变化值，其中关键流程包括转化为灰度图像，计算差分图像，高斯平滑，计算局部极值，确认角点。 算法思想 角点原理来源于人对角点的感性判断，即图像在各个方向灰度有明显变化。算法的核心是

索引地址：系列索引 角点和角点检测：角点检测 使用形态学操作实现角点检测 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778// 功能：代码 6-5 形态学

索引地址：系列索引 凸包（Convex Hull）是一个计算几何（图形学）中的概念。 在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点(X1，…Xn)的凸组合来构造. 在二维欧几里得空间中，凸包可想象为一条刚好包著所有点的橡皮圈。 用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它能包含点集中所有的点。 简

索引地址：系列索引 一、准备 OpenCV 4.1.0 mingw 7.3 自编译版 Qt 5.12.4 二、前提 公司给出题目提取下面图片中中间的部分，并绘出拟合曲线。 三、开发 3.1 灰度化图像 代码： 123456789cv::Mat grayImage(Mat srcImage){ Mat grayImage, tempImage; cvtColor(srcImag

索引地址：系列索引 数学上的曲线拟合使用的是最小二乘法。 原理 最小二乘法多项式曲线拟合，根据给定的m个点,并不要求这条曲线精确地经过这些点，而是曲线y=f(x)的近似曲线y=φ(x)y= \varphi(x)y=φ(x)。 给定数据点pi(xi,yi)p_i(x_i,y_i)pi​(xi​,yi​)，其中i=1,2,…,m。求近似曲线y=φ(x)y= \varphi(x)y=φ(x)。并且使得