搜索资源列表
hessian.rar
- 用于SIFT变化的关键点判断，定对比度和herrian矩阵，最后结果为关键点在DOG里的坐标！,Change for the SIFT key points to determine, set contrast and herrian matrix, the final results for the key points in the coordinates in the DOG!
50
- 多媒体技术的发展和视觉信息的飞速膨胀迫切需要对视觉信息资源的有效管理和检索。由此，基于内容的图像和视频检索技术得到了越来越多的重视，成为了多媒体信息检索和图像处理领域中的重要研究方向。CBIR技术将对大规模图像信息的管理和访问提供有力支持。 本文这种介绍了内容图像检索的灰度特征实现方法，具有理论意义和实际应用价值。针对基于内容图像检索技术进行了研究，介绍了其研究现状和关键技术，讨论了其技术瓶颈和发展趋势。共生矩阵法，是对图像的所有像元进行统计调查，以便描述其灰度分布的一种方法。分析了这种基于
Analysisoftexturefeatureextractedbygraylevelco2occ
- 为使灰度共生矩阵(GLCM)提取的特征值较好地表达纹理信息,对Brodatz纹理库图片进行了大量实验。 首先测试了各构造参数对关键特征统计量的影响,给出了特征值随参数变化的规律,确立了构造参数的合理取值 然 后测试了图像旋转和大小变化对所提取特征值的影响-In order to grayscale co-occurrence matrix (GLCM) features extracted texture to express the value of good information
CorrectCarNoImageAndRegnize
- 一种车牌图像校正新方法 【摘要】因摄像机角度而造成的机动车牌图像倾斜会对其后继的字符分割与识别带来不利的影响。本文在分析了车牌倾斜模式的基础上,提出了一种基于最小二乘支持向量机（LS-SVM）的车牌图像倾斜校正新方法。通过LS-SVM线性回归算法求取坐标变换矩阵并对畸变图像进行旋转校正。主要方法：首先,将二值倾斜车牌图像中的像素转换为二维坐标样本,并构造图像数据集 再通过LS-SVM线性回归算法对该数据集进行回归,求取主要参数 最后,再由该参数转换为能反映图像倾斜方向的2维坐标变换矩阵。实验
Textural_defect_detection_based_on_label_co-occurr
- 基于类别共生矩阵的纹理疵点检测方法 邹超 朱德森 肖力 摘要：根据有规则纹理的特点，提出了基于类别的共生矩阵来描述纹理特征，从而很好地将正常纹理与疵点区分开。分析了传统的灰度共生矩阵在计算纹理特征时计算量大，且分辨能力差的缺点．为了克服灰度共生矩 阵在计算量和分辨能力上的缺点，定义了类别共生矩阵．在类别共生矩阵的算法中，首先学习纹理的一些基本特征以确定类别共生矩阵的一些关键参数。如纹理的概率密度分布、纹理的主方向和周期，以及分类准则等重要参数，然后计算类别共生矩阵并提取白疵点增强、黑疵
sift-panoramas
- 用SIFT+kd-tree+RANSAC算法。首先，提取SIFT特征点，再次构建kd-tree寻求与关键点最近的和次近的点，用BBF搜索算法遍历，再由RANSAC求变换矩阵 -Algorithms SIFT+kd-tree+RANSAC. First, the extracted SIFT feature points again to build a KD-Tree to seek the key points and sub-points near BBF search algorith
F-Matrix
- 摄影测量学中 关于基本矩阵的计算求解 这是联系空间坐标和图像坐标的关键-Photographic surveying basic matrix calculation on solving this is to contact the spatial coordinates and the image coordinates of the key
glutEx5
- 一、实验目的和要求 在模型变换实验的基础上，通过实现下述实验内容，掌握OpenGL中三维观察、透视投影、正交投影的参数设置，并能使用键盘移动观察相机，在透视投影和正交投影间切换，验证课程中三维观察的内容； 进一步加深对OpenGL三维坐标和矩阵变换的理解和应用。 二、实验内容和原理 使用Visual Studio C++编译已有项目工程，并修改代码生成以下图形： “桌子和茶壶的正投影和透视投影” 可以使用键盘改变camera位置与观察方向 （按键为a
PCA
- 主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量
Texture feature extraction
- 灰度共生矩 阵即为灰度级的空间相关矩阵，以其为基础的统计方法通过对矩阵统计量的求取较好地提取到了纹理特征，通过选取关键参数编程并进行仿真实现，分别求取了四个方向的灰度共生矩阵及其特征量来分析图像 的纹理特征。(The gray level co-occurrence matrix is the gray level spatial correlation matrix. Based on the gray level co-occurrence matrix, the texture featu