基于边缘的图像分割，核心思路是先检测出图像中物体的边界，再利用这些边界把图像划分为不同的区域。下面我为你梳理最常用的流程和代码实现，所有示例都基于 OpenCV 和 Python。 一、基本原理 典型
阅读更多...
基于阈值的图像分割是图像处理中最基础、最常用的分割方法。其核心思想是：根据像素灰度值与一个或多个阈值的比较，将图像划分为不同的区域（目标与背景）。OpenCV 提供了非常丰富的阈值化函数，能覆盖绝大多
图像分割与修复是 OpenCV 中两大经典而实用的图像处理模块。下面从原理、常用方法和代码示例三个层面展开说明。 一、图像分割 图像分割的目标是将图像划分成若干具有语义或特征一致性的区域。OpenCV
在上一讲中，我们讲解了用OpenCV匹配单个图像对象，今天小编就来讲讲如何匹配多个图像对象。 核心原理就是把所有的相似图片对象都找出来，然后循环遍历标记出来。 我们直接上代码： #匹配多个对象 imp
OpenCV模版匹配中有6种方法，我们今天就来分别看下不同方法的效果。 核心函数 cv2.matchTemplate() result = cv2.matchTemplate(image, templ
模板匹配是 OpenCV 中一种基础且直观的区域定位方法。它不需要提取特征点或训练分类器，只需提供一张模板图像，就可以在源图像里找到与之最相似的区域。下面从原理、核心函数、代码示例到常见问题，逐步展开
FLANN (Fast Library for Approximate Nearest Neighbors) 是 OpenCV 中用于大规模特征点快速近似匹配的工具。与暴力匹配的全局穷举不同，FLAN
暴力特征匹配（Brute-Force Feature Matching） 是 OpenCV 中最基本、最直观的特征点匹配方法。它的原理非常简单：对查询图像中的每一个特征描述子，都要与训练图像中的所有描
OpenCV 中特征匹配主要用于找出两幅图像之间的对应关系，是图像拼接、物体识别、三维重建、视觉 SLAM 等任务的基础。整体流程分为三步： 检测关键点（角点、斑点等） 计算描述子（对关键点周围区域编
在 OpenCV 中，SURF 和 ORB 是两种非常经典的特征检测与描述算法。它们的核心目标都是找到图像中稳定、独特的“关键点”，并用数学向量（描述子）来描述这些点周围的特征，以便在不同图像间进行匹
微信扫码加好友
