Wysłano mnie tutaj z tego pytania w przepełnieniu stosu , przepraszam, jeśli pytanie jest zbyt szczegółowe i nie ma tu manier :) Zadanie polega na znalezieniu szklanki z określonym płynem. Pokażę ci zdjęcia, a następnie opiszę to, co próbuję osiągnąć, i jak starałem się osiągnąć w opisie poniżej zdjęć. Zdjęcia …
Mam następujący obraz: Na zdjęciu są krzywe. Chciałbym znaleźć środek okręgów zawierających krzywe. Próbowałem przekształcić OpenCV i Hough Circle, ale nie przyniosłem rezultatów.
Czy ktoś może zasugerować metody usuwania szumu (wskazanego wewnątrz czerwonego kwadratu) z każdego miejsca na poniższym obrazie, zachowując białe linie?
Zastrzeżenie : Wysłałem to pytanie na StackOverFlow, ale dowiedziałem się, że lepiej tu pasuje. Jestem trochę nowy w przetwarzaniu obrazu, więc chciałbym cię zapytać o znalezienie optymalnego rozwiązania mojego problemu, a nie pomoc w kodzie. Nie mogłem wymyślić dobrego pomysłu, dlatego chciałem zapytać o radę. Pracuję nad projektem wykorzystującym OpenCV …
zacząłem eksperymentować z c ++ i opencv, ponieważ chcę nauczyć się przetwarzania obrazu. Teraz moim pierwszym ćwiczeniem jest stworzenie detektora skóry z calcHist i calcBackProject . Ale nie rozumiem kilku rzeczy: interpretacja statystyczna wstecznego projektu i dlaczego nazywa się „wstecznym projektem” dość dobrze rozumiem, w jakim parametrze zakresów się znajduje …
Próbuję dokonać rejestracji obrazu przy użyciu korelacji fazowej, jak opisano w artykule Reddy Chatterji . W moim przypadku obrazy mogą być skalowane i tłumaczone względem siebie. Algorytm znajdowania skali względnej, tak jak ją rozumiem, jest (patrz: schemat blokowy z pracy ): F1 = DFT(I1) F2 = DFT(I2) H1 = Highpass(F1) …
Mam zdjęcie zrobione aparatem telefonu komórkowego z ostrością na jego części, powiedzmy twarz lub cokolwiek innego. Chcę wiedzieć - w przybliżeniu - gdzie jest skupiony obszar. Na przykład obwiednia wokół wybranego obszaru. przykład:
Obecnie pracuję i porównuję wydajność kilku detektorów funkcji udostępnianych przez OpenCV jako podstawę wizualnego dopasowania funkcji. Używam deskryptorów SIFT . Osiągnąłem zadowalające dopasowanie (po odrzuceniu złych dopasowań) podczas wykrywania funkcji MSER i DoG (SIFT) . Obecnie testuję mój kod za pomocą GFTT (Good Features to Track - Harris corners), aby …
Używamy plików cookie i innych technologii śledzenia w celu poprawy komfortu przeglądania naszej witryny, aby wyświetlać spersonalizowane treści i ukierunkowane reklamy, analizować ruch w naszej witrynie, i zrozumieć, skąd pochodzą nasi goście.
Kontynuując, wyrażasz zgodę na korzystanie z plików cookie i innych technologii śledzenia oraz potwierdzasz, że masz co najmniej 16 lat lub zgodę rodzica lub opiekuna.