特征提取代码总结

来自http://download.csdn.net/source/3208155#acomment

颜色提取

Ø 颜色直方图提取：

Code:

#include <cv.h>

#include <highgui.h>

#include <iostream>

using namespace std;

int main( int argc, char** argv )

{

IplImage * src= cvLoadImage("E:\\Download\\test1.jpg",1);

IplImage* hsv = cvCreateImage( cvGetSize(src), 8, 3 );

IplImage* h_plane = cvCreateImage( cvGetSize(src), 8, 1 );

IplImage* s_plane = cvCreateImage( cvGetSize(src), 8, 1 );

IplImage* v_plane = cvCreateImage( cvGetSize(src), 8, 1 );

IplImage* planes[] = { h_plane, s_plane };

/** H 分量划分为16个等级，S分量划分为8个等级*/

int h_bins = 16, s_bins = 8;

int hist_size[] = {h_bins, s_bins};

/** H 分量的变化范围*/

float h_ranges[] = { 0, 180 };

/** S 分量的变化范围*/

float s_ranges[] = { 0, 255 };

float* ranges[] = { h_ranges, s_ranges };

/** 输入图像转换到HSV颜色空间*/

cvCvtColor( src, hsv, CV_BGR2HSV );

cvCvtPixToPlane( hsv, h_plane, s_plane, v_plane, 0 );

/** 创建直方图，二维, 每个维度上均分*/

CvHistogram * hist = cvCreateHist( 2, hist_size, CV_HIST_ARRAY, ranges, 1 );

/** 根据H,S两个平面数据统计直方图*/

cvCalcHist( planes, hist, 0, 0 );

/** 获取直方图统计的最大值，用于动态显示直方图*/

float max_value;

cvGetMinMaxHistValue( hist, 0, &max_value, 0, 0 );

/** 设置直方图显示图像*/

int height = 240;

int width = (h_bins*s_bins*6);

IplImage* hist_img = cvCreateImage( cvSize(width,height), 8, 3 );

cvZero( hist_img );

/** 用来进行HSV到RGB颜色转换的临时单位图像*/

IplImage * hsv_color = cvCreateImage(cvSize(1,1),8,3);

IplImage * rgb_color = cvCreateImage(cvSize(1,1),8,3);

int bin_w = width / (h_bins * s_bins);

for(int h = 0; h < h_bins; h++)

{

for(int s = 0; s < s_bins; s++)

{

int i = h*s_bins + s;

/** 获得直方图中的统计次数，计算显示在图像中的高度*/

float bin_val = cvQueryHistValue_2D( hist, h, s );

int intensity = cvRound(bin_val*height/max_value);

/** 获得当前直方图代表的颜色，转换成RGB用于绘制*/

cvSet2D(hsv_color,0,0,cvScalar(h*180.f / h_bins,s*255.f/s_bins,255,0));

cvCvtColor(hsv_color,rgb_color,CV_HSV2BGR);

CvScalar color = cvGet2D(rgb_color,0,0);

cvRectangle( hist_img, cvPoint(i*bin_w,height),

cvPoint((i+1)*bin_w,height - intensity),

color, -1, 8, 0 );

}

}

cvNamedWindow( "Source", 1 );

cvShowImage( "Source", src );

cvNamedWindow( "H-S Histogram", 1 );

cvShowImage( "H-S Histogram", hist_img );

cvWaitKey(0);

}

运行效果截图：

形状提取

Ø Candy算子对边缘提取：

Code：

#include "cv.h"

#include "cxcore.h"

#include "highgui.h"

int main( int argc, char** argv )

{

//声明IplImage指针

IplImage* pImg = NULL;

IplImage* pCannyImg = NULL;

//载入图像，强制转化为Gray

pImg = cvLoadImage( "E:\\Download\\test.jpg", 0);

//为canny边缘图像申请空间

pCannyImg = cvCreateImage(cvGetSize(pImg), IPL_DEPTH_8U, 1);

//canny边缘检测

cvCanny(pImg, pCannyImg, 50, 150, 3);

//创建窗口

cvNamedWindow("src", 1);

cvNamedWindow("canny",1);

//显示图像

cvShowImage( "src", pImg );

cvShowImage( "canny", pCannyImg );

//等待按键

cvWaitKey(0);

//销毁窗口

cvDestroyWindow( "src" );

cvDestroyWindow( "canny" );

//释放图像

cvReleaseImage( &pImg );

cvReleaseImage( &pCannyImg );

return 0;

}

运行效果截图：

Ø 角点提取：

Code：

#include <stdio.h>

#include "cv.h"

#include "highgui.h"

#define MAX_CORNERS 100

int main(void)

{

int cornersCount=MAX_CORNERS;//得到的角点数目

CvPoint2D32f corners[MAX_CORNERS];//输出角点集合

IplImage *srcImage = 0,*grayImage = 0,*corners1 = 0,*corners2 = 0;

int i;

CvScalar color = CV_RGB(255,0,0);

cvNamedWindow("image",1);

//Load the image to be processed

srcImage = cvLoadImage("E:\\Download\\1.jpg",1);

grayImage = cvCreateImage(cvGetSize(srcImage),IPL_DEPTH_8U,1);

//copy the source image to copy image after converting the format

//复制并转为灰度图像

cvCvtColor(srcImage,grayImage,CV_BGR2GRAY);

//create empty images os same size as the copied images

//两幅临时位浮点图像，cvGoodFeaturesToTrack会用到

corners1 = cvCreateImage(cvGetSize(srcImage),IPL_DEPTH_32F,1);

corners2 = cvCreateImage(cvGetSize(srcImage),IPL_DEPTH_32F,1);

cvGoodFeaturesToTrack(grayImage,corners1,corners2,corners,&cornersCount,0.05,

30,//角点的最小距离是

0,//整个图像

3,0,0.4);

printf("num corners found: %d\n",cornersCount);

//开始画出每个点

if (cornersCount>0)

{

for (i=0;i<cornersCount;i++)

{

cvCircle(srcImage,cvPoint((int)(corners[i].x),(int)(corners[i].y)),2,color,2,CV_AA,0);

}

}

cvShowImage("image",srcImage);

cvSaveImage("imagedst.png",srcImage);

cvReleaseImage(&srcImage);

cvReleaseImage(&grayImage);

cvReleaseImage(&corners1);

cvReleaseImage(&corners2);

cvWaitKey(0);

return 0;

}

运行效果截图：

Ø Hough直线提取：

Code：

#include <cv.h>

#include <highgui.h>

#include <math.h>

int main(int argc, char** argv)

{

IplImage* src = cvLoadImage( "E:\\Download\\2.jpg" , 0 );

IplImage* dst;

IplImage* color_dst;

CvMemStorage* storage = cvCreateMemStorage(0);

CvSeq* lines = 0;

int i;

if( !src )

return -1;

dst = cvCreateImage( cvGetSize(src), 8, 1 );

color_dst = cvCreateImage( cvGetSize(src), 8, 3 );

cvCanny( src, dst, 50, 200, 3 );

cvCvtColor( dst, color_dst, CV_GRAY2BGR );

#if 0

lines = cvHoughLines2( dst, storage, CV_HOUGH_STANDARD, 1, CV_PI/180, 100, 0, 0 );

for( i = 0; i < MIN(lines->total,100); i++ )

{

float* line = (float*)cvGetSeqElem(lines,i);

float rho = line[0];

float theta = line[1];

CvPoint pt1, pt2;

double a = cos(theta), b = sin(theta);

double x0 = a*rho, y0 = b*rho;

pt1.x = cvRound(x0 + 1000*(-b));

pt1.y = cvRound(y0 + 1000*(a));

pt2.x = cvRound(x0 - 1000*(-b));

pt2.y = cvRound(y0 - 1000*(a));

cvLine( color_dst, pt1, pt2, CV_RGB(255,0,0), 3, CV_AA, 0 );

}

#else

lines = cvHoughLines2( dst, storage, CV_HOUGH_PROBABILISTIC, 1, CV_PI/180, 50, 50, 10 );

for( i = 0; i < lines->total; i++ )

{

CvPoint* line = (CvPoint*)cvGetSeqElem(lines,i);

cvLine( color_dst, line[0], line[1], CV_RGB(255,0,0), 3, CV_AA, 0 );

}

#endif

cvNamedWindow( "Source", 1 );

cvShowImage( "Source", src );

cvNamedWindow( "Hough", 1 );

cvShowImage( "Hough", color_dst );

cvWaitKey(0);

return 0;

}

运行效果截图：

Ø Hough圆提取：

Code：

#include <cv.h>

#include <highgui.h>

#include <math.h>

#include <iostream>

using namespace std;

int main(int argc, char** argv)

{

IplImage* img;

img=cvLoadImage("E:\\Download\\3.jpg", 1);

IplImage* gray = cvCreateImage( cvGetSize(img), 8, 1 );

CvMemStorage* storage = cvCreateMemStorage(0);

cvCvtColor( img, gray, CV_BGR2GRAY );

cvSmooth( gray, gray, CV_GAUSSIAN, 5, 15 );

// smooth it, otherwise a lot of false circles may be detected

CvSeq* circles = cvHoughCircles( gray, storage, CV_HOUGH_GRADIENT, 2, gray->height/4, 200, 100 );

int i;

for( i = 0; i < circles->total; i++ )

{

float* p = (float*)cvGetSeqElem( circles, i );

cvCircle( img, cvPoint(cvRound(p[0]),cvRound(p[1])), 3, CV_RGB(0,255,0), -1, 8, 0 );

cvCircle( img, cvPoint(cvRound(p[0]),cvRound(p[1])), cvRound(p[2]), CV_RGB(255,0,0), 3, 8, 0 );

cout<<"圆心坐标x= "<<cvRound(p[0])<<endl<<"圆心坐标y= "<<cvRound(p[1])<<endl;

cout<<"半径="<<cvRound(p[2])<<endl;

}

cout<<"圆数量="<<circles->total<<endl;

cvNamedWindow( "circles", 1 );

cvShowImage( "circles", img );

cvWaitKey(0);

return 0;

}

运行效果截图：

Ø Hough矩形提取：

Code：

#include "cv.h"

#include "highgui.h"

#include <stdio.h>

#include <math.h>

#include <string.h>

int thresh = 50;

IplImage* img = 0;

IplImage* img0 = 0;

CvMemStorage* storage = 0;

CvPoint pt[4];const char* wndname = "Square Detection Demo";

double angle( CvPoint* pt1, CvPoint* pt2, CvPoint* pt0 )

{

double dx1 = pt1->x - pt0->x;

double dy1 = pt1->y - pt0->y;

double dx2 = pt2->x - pt0->x;

double dy2 = pt2->y - pt0->y;

return (dx1*dx2 + dy1*dy2)/sqrt((dx1*dx1 + dy1*dy1)*(dx2*dx2 + dy2*dy2) + 1e-10);

}

CvSeq* findSquares4( IplImage* img, CvMemStorage* storage )

{

CvSeq* contours;

int i, c, l, N = 11;

CvSize sz = cvSize( img->width & -2, img->height & -2 );

IplImage* timg = cvCloneImage( img );

IplImage* gray = cvCreateImage( sz, 8, 1 );

IplImage* pyr = cvCreateImage( cvSize(sz.width/2, sz.height/2), 8, 3 );

IplImage* tgray;

CvSeq* result;

double s, t;

CvSeq* squares = cvCreateSeq( 0, sizeof(CvSeq), sizeof(CvPoint), storage );

cvSetImageROI( timg, cvRect( 0, 0, sz.width, sz.height ));

// down-scale and upscale the image to filter out the noise

cvPyrDown( timg, pyr, 7 );

cvPyrUp( pyr, timg, 7 );

tgray = cvCreateImage( sz, 8, 1 );

// find squares in every color plane of the image

for( c = 0; c < 3; c++ )

{

cvSetImageCOI( timg, c+1 );

cvCopy( timg, tgray, 0 );

for( l = 0; l < N; l++ )

{

if( l == 0 )

{

cvCanny( tgray, gray, 0, thresh, 5 );

cvDilate( gray, gray, 0, 1 );

}

else

{

cvThreshold( tgray, gray, (l+1)*255/N, 255, CV_THRESH_BINARY );

}

cvFindContours( gray, storage, &contours, sizeof(CvContour),CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE, cvPoint(0,0) );

while( contours )

{

result = cvApproxPoly( contours, sizeof(CvContour), storage,CV_POLY_APPROX_DP, cvContourPerimeter(contours)*0.02, 0 );

if( result->total == 4 && fabs(cvContourArea(result,CV_WHOLE_SEQ)) > 1000 &&  cvCheckContourConvexity(result) )

{

s = 0;

for( i = 0; i < 5; i++ )

{

if( i >= 2 )

{

t = fabs(angle( (CvPoint*)cvGetSeqElem( result, i ),(CvPoint*)cvGetSeqElem( result, i-2 ),(CvPoint*)cvGetSeqElem( result, i-1 )));

s = s > t ? s : t;

}

}

if( s < 0.3 )

for( i = 0; i < 4; i++ )

cvSeqPush( squares,

(CvPoint*)cvGetSeqElem( result, i ));

}

contours = contours->h_next;

}

}

}

cvReleaseImage( &gray );

cvReleaseImage( &pyr );

cvReleaseImage( &tgray );

cvReleaseImage( &timg );

return squares;

}

// the function draws all the squares in the image

void drawSquares( IplImage* img, CvSeq* squares )

{

CvSeqReader reader;

IplImage* cpy = cvCloneImage( img );

int i;

cvStartReadSeq( squares, &reader, 0 );

for( i = 0; i < squares->total; i += 4 )

{

CvPoint* rect = pt;

int count = 4;

memcpy( pt, reader.ptr, squares->elem_size );

CV_NEXT_SEQ_ELEM( squares->elem_size, reader );

memcpy( pt + 1, reader.ptr, squares->elem_size );

CV_NEXT_SEQ_ELEM( squares->elem_size, reader );

memcpy( pt + 2, reader.ptr, squares->elem_size );

CV_NEXT_SEQ_ELEM( squares->elem_size, reader );

memcpy( pt + 3, reader.ptr, squares->elem_size );

CV_NEXT_SEQ_ELEM( squares->elem_size, reader );

cvPolyLine( cpy, &rect, &count, 1, 1, CV_RGB(0,255,0), 3, CV_AA, 0 );

}

cvShowImage( wndname, cpy );

cvReleaseImage( &cpy );

}

void on_trackbar( int a )

{

if( img )

drawSquares( img, findSquares4( img, storage ) );

}

char* names[] = { "1.jpg", 0 };

int main(int argc, char** argv)

{

int i, c;

storage = cvCreateMemStorage(0);

for( i = 0; names[i] != 0; i++ )

{

img0 = cvLoadImage( names[i], 1 );

if( !img0 )

{

printf("Couldn‘t load %s\n", names[i] );

continue;

}

img = cvCloneImage( img0 );

cvNamedWindow( wndname, 1 );

cvCreateTrackbar( "canny thresh", wndname, &thresh, 1000, on_trackbar );

on_trackbar(0);

c = cvWaitKey(0);

cvReleaseImage( &img );

cvReleaseImage( &img0 );

cvClearMemStorage( storage );

if( c == 27 )

break;

}

cvDestroyWindow( wndname );

return 0;

}

运行效果截图：

Ø 边缘直方图提取：

Code：

#include "cv.h"

#include "highgui.h"

#include <stdio.h>

#include <ctype.h>

#define PI 3.14

int main()

{

IplImage *src = 0;  // source imagre

IplImage *histimg = 0; // histogram image

CvHistogram *hist = 0; // define multi_demention histogram

IplImage* canny;

CvMat* canny_m;

IplImage* dx; // the sobel x difference

IplImage* dy; // the sobel y difference

CvMat* gradient; // value of gradient

CvMat* gradient_dir; // direction of gradient

CvMat* dx_m; // format transform to matrix

CvMat* dy_m;

CvMat* mask;

CvSize  size;

IplImage* gradient_im;

int i,j;

float theta;

int hdims = 8;     // 划分HIST的个数，越高越精确

float hranges_arr[] = {-PI/2,PI/2}; // 直方图的上界和下界

float* hranges = hranges_arr;

float max_val;  //

int bin_w;

src=cvLoadImage("E:\\Download\\test.jpg", 0); // force to gray image

if(src==0) return -1;

cvNamedWindow( "Histogram", 0 );

//cvNamedWindow( "src", 0);

size=cvGetSize(src);

canny=cvCreateImage(cvGetSize(src),8,1);//边缘图像

dx=cvCreateImage(cvGetSize(src),32,1);//x方向上的差分//此处的数据类型为U 不怕溢出吗？

dy=cvCreateImage(cvGetSize(src),32,1);

gradient_im=cvCreateImage(cvGetSize(src),32,1);//梯度图像

canny_m=cvCreateMat(size.height,size.width,CV_32FC1);//边缘矩阵

dx_m=cvCreateMat(size.height,size.width,CV_32FC1);

dy_m=cvCreateMat(size.height,size.width,CV_32FC1);

gradient=cvCreateMat(size.height,size.width,CV_32FC1);//梯度矩阵

gradient_dir=cvCreateMat(size.height,size.width,CV_32FC1);//梯度方向矩阵

mask=cvCreateMat(size.height,size.width,CV_32FC1);//掩码

cvCanny(src,canny,60,180,3);//边缘检测

cvConvert(canny,canny_m);//把图像转换为矩阵

cvSobel(src,dx,1,0,3);// 一阶X方向的图像差分:dx

cvSobel(src,dy,0,1,3);// 一阶Y方向的图像差分:dy

cvConvert(dx,dx_m);

cvConvert(dy,dy_m);

cvAdd(dx_m,dy_m,gradient); // value of gradient//梯度不是等于根号下x的导数的平方加上y导数的平方吗？

cvDiv(dx_m,dy_m,gradient_dir); // direction

for(i=0;i<size.height;i++)

for(j=0;j<size.width;j++)

{

if(cvmGet(canny_m,i,j)!=0 && cvmGet(dx_m,i,j)!=0)//此行是什么意思？只看边缘上的方向？

{

theta=cvmGet(gradient_dir,i,j);

theta=atan(theta);

cvmSet(gradient_dir,i,j,theta);

}

else

{

cvmSet(gradient_dir,i,j,0);

}

}

hist = cvCreateHist( 1, &hdims, CV_HIST_ARRAY, &hranges, 1 );

// 创建一个指定尺寸的直方图，并返回创建的直方图指针

histimg = cvCreateImage( cvSize(320,200), 8, 3 ); // 创建一个图像，通道

cvZero( histimg ); // 清；

cvConvert(gradient_dir,gradient_im);//把梯度方向矩阵转化为图像

cvCalcHist( &gradient_im, hist, 0, canny ); // 计算直方图

cvGetMinMaxHistValue( hist, 0, &max_val, 0, 0 );  // 只找最大值

cvConvertScale( hist->bins, hist->bins, max_val ? 255. / max_val : 0., 0 );

// 缩放bin 到区间[0,255] ，比例系数

cvZero( histimg );

bin_w = histimg->width /16;  // hdims: 条的个数，则bin_w 为条的宽度

// 画直方图

for( i = 0; i < hdims; i++ )

{

double val = ( cvGetReal1D(hist->bins,i)*histimg->height/255 );

// 返回单通道数组的指定元素， 返回直方图第i条的大小，val为histimg中的i条的高度

CvScalar color = CV_RGB(255,255,0); //(hsv2rgb(i*180.f/hdims);//直方图颜色

cvRectangle( histimg, cvPoint(100+i*bin_w,histimg->height),cvPoint(100+(i+1)*bin_w,(int)(histimg->height - val)), color, 1, 8, 0 ); // 画直方图——画矩形，左下角，右上角坐标

}

cvShowImage( "src", src);

cvShowImage( "Histogram", histimg );

cvWaitKey(0);

cvDestroyWindow("src");

cvDestroyWindow("Histogram");

cvReleaseImage( &src );

cvReleaseImage( &histimg );

cvReleaseHist ( &hist );

return 0;

}

运行效果截图：

Ø 视频流中边缘检测：

Code：

#include "highgui.h"

#include "cv.h"

#include "stdio.h"

#include <ctype.h>

int main(int argc,char ** argv)

{

IplImage * laplace = 0;

IplImage * colorlaplace = 0;

IplImage * planes[3] = {0,0,0};

CvCapture *capture = 0;

//从摄像头读取

/*if(argc == 1 ||( argc==2 && strlen(argv[1])==1 && isdigit(argv[1][0]) ))

capture = cvCaptureFromCAM(argc == 2 ? argv[1][0] -‘0‘:0);*/

//从文件中读取

/* else if(argc == 2)*/

capture = cvCaptureFromAVI("1.avi");

if(!capture)

{

fprintf(stderr,"Could not initialize capturing...\n");

return -1;

}

cvNamedWindow("Laplacian",1);

cvNamedWindow("video",1);

//循环捕捉，直到用户按键跳出循环体

for(;;)

{

IplImage * frame =0;    //抓起一祯

frame = cvQueryFrame(capture);

if(!frame)

break;

if(!laplace)

{

//创建图像

for(int i=0;i<3;i++)

planes[i] = cvCreateImage(cvSize(frame->width,frame->height),IPL_DEPTH_8U,1);

laplace = cvCreateImage(cvSize(frame->width,frame->height),IPL_DEPTH_16S,1);

colorlaplace=cvCreateImage(cvSize(frame->width,frame->height),IPL_DEPTH_8U,3);

}

cvCvtPixToPlane(frame,planes[0],planes[1],planes[2],0);

for(int i=0;i<3;i++)

{

//交换，如通道变换

cvLaplace(planes[i],laplace,3);

//使用线性变换转换输入函数元素成为无符号整形

cvConvertScaleAbs(laplace,planes[i],1,0);

}

cvCvtPlaneToPix(planes[0],planes[1],planes[2],0,colorlaplace);

//结构相同（- 顶—左结构,1 - 底—左结构）

colorlaplace->origin = frame->origin;

//高斯滤波，平滑图像

// cvSmooth(colorlaplace, colorlaplace, CV_GAUSSIAN, 1, 0, 0);

//形态学滤波,闭运算

cvDilate(colorlaplace, colorlaplace, 0, 1);//膨胀

cvErode(colorlaplace, colorlaplace, 0, 1);//腐蚀

cvShowImage("video", frame);

cvShowImage("Laplacian",colorlaplace);

if(cvWaitKey(10)>0)

break;

}

cvReleaseCapture(&capture);

cvDestroyWindow("Laplacian");

cvDestroyWindow("video");

return 0;

}

运行效果截图：

Ø 纹理提取：

Code：

#include <iostream>

#include <math.h>

#include "cv.h"

#include "highgui.h"

int main(int argc, char* argv[])

{

int tmp[8]={0};

int sum=0;int k=0;

IplImage* img,*dst;

img=cvLoadImage("E:\\Download\\2.jpg",0);

CvScalar s;

cvNamedWindow("img",NULL);

cvNamedWindow("dst",NULL);

cvShowImage("img",img);

uchar* data=(uchar*)img->imageData;

int step=img->widthStep;

dst=cvCreateImage(cvSize(img->width,img->height),img->depth,1);

dst->widthStep=img->widthStep;

for(int i=1;i<img->height-1;i++)

for(int j=1;j<img->width-1;j++)

{

if(data[(i-1)*step+j-1]>data[i*step+j]) tmp[0]=1;

else tmp[0]=0;

if(data[i*step+(j-1)]>data[i*step+j]) tmp[1]=1;

else tmp[1]=0;

if(data[(i+1)*step+(j-1)]>data[i*step+j]) tmp[2]=1;

else tmp[2]=0;

if (data[(i+1)*step+j]>data[i*step+j]) tmp[3]=1;

else tmp[3]=0;

if (data[(i+1)*step+(j+1)]>data[i*step+j]) tmp[4]=1;

else tmp[4]=0;

if(data[i*step+(j+1)]>data[i*step+j]) tmp[5]=1;

else tmp[5]=0;

if(data[(i-1)*step+(j+1)]>data[i*step+j]) tmp[6]=1;

else tmp[6]=0;

if(data[(i-1)*step+j]>data[i*step+j]) tmp[7]=1;

else tmp[7]=0;

for(k=0;k<=7;k++)

sum+=abs(tmp[k]-tmp[k+1]);

sum=sum+abs(tmp[7]-tmp[0]);

if (sum<=2)

s.val[0]=(tmp[0]*128+tmp[1]*64+tmp[2]*32+tmp[3]*16+tmp[4]*8+tmp[5]*4+tmp[6]*2+tmp[7]);

else s.val[0]=59;

cvSet2D(dst,i,j,s);

}

cvShowImage("dst",dst);

cvWaitKey(-1);

return 0;

}

运行效果截图：

特征提取代码总结

时间： 2024-11-06 13:06:54

特征提取代码总结的相关文章

Kaldi阅读并更改代码

Common utilities base/kaldi-common.h 几乎所有Kaldi程序都会include该头文件. 该头文件include了一些其他位于base/目录的头文件,主要提供: 错误-日志 宏 类型定义(typedefs) 数学实用程序函数(如随机数生成器) 其他#defines util/common-utils.h 命令行参数解析 I/O函数(处理带管道的文件名) ark列表处理 列表类型 字符串转换 gmm/model-common.h GMM/SGMM的枚举,如:模型

ORB-特征点提取代码比较

ORB特征提取代码测试 整合ICE-BA.ORB-SLAM2.openvslam中的ORB提取代码,并比较速度,方便以后使用 1. ORB-SLAM2 vsICE-BA vs openvslam ICE-BA和openvslam都是在原始的ORB-SLAM2基础上进行的优化,主要想保留原有的基于四叉树令特征点均匀分布的操作, ORB-SLAM2: 对特征点提取进行了均匀化处理,没有对性能的优化 ICE-BA: Look-Up-Table优化了描述子计算+ ARM NEMO指令集加速 openvs

python—sift特征提取

一.SIFT提出的目的和意义 二.SIFT的特征简介 三.SIFT算法实现步骤简述 四.图像集 五.SIFT算法代码实现 代码 结果截图 小结 六.SIFT实验总结 一.SIFT提出的目的和意义 1999年David G.Lowe教授总结了基于特征不变技术的检测方法,在图像尺度空间基础上,提出了对图像缩放.旋转保持不变性的图像局部特征描述算子-SIFT(尺度不变特征变换),该算法在2004年被加以完善. 二.SIFT的特征简介 SIFT算法可以解决的问题 目标的旋转.缩放.平移(RST) 图像仿

ECG信号读取，检测QRS，P，T 波（基于小波去噪与检测），基于BP神经网络的身份识别

这学期选了神经网络的课程,最后作业是处理ECG信号,并利用神经网络进行识别. 1  ECG介绍与读取ECG信号 1)ECG介绍  具体ECG背景应用就不介绍了,大家可以参考百度 谷歌.只是简单说下ECG的结构: 一个完整周期的ECG信号有 QRS P T 波组成,不同的人对应不用的波形,同一个人在不同的阶段波形也不同.我们需要根据各个波形的特点,提取出相应的特征,对不同的人进行身份识别. 2)ECG信号读取 首先需要到MIT-BIH数据库中下载ECG信号,具体的下载地址与程序读取内容介绍可以参考

计算机视觉、机器学习等开源库网站链接

http://rogerioferis.com/VisualRecognitionAndSearch2014/Resources.html http://www.cnblogs.com/einyboy/p/3594432.html 持续跟新 可以看看这个 http://blog.csdn.net/workerwu/article/details/46537849 场景识别: SegNet: A Deep Convolutional Encoder-Decoder Architecture for

错误和问题解决的成本

问题描写叙述 错误 数据收集 根本原因 版本号   组件:数据修复           在一个实际成本组织中,(平均,先进先出,后进先出) 一个或更 多的下面情况可能发生: 1.导航到物料成本历史表单上的数量信息,与现有量表单的数量不匹配的记录 2. 一些物料前期已计成本的数量与前面的事务处理历史表单的数量不匹配 3. 全部的库存值报表与事务处理值报表不匹配 4. 存货层次成本更新表单的总数量与现有量数量表单不匹配(只在先进先出/后进先出) 5.这些症状的不论什么一个意味着 MMT-CQL不匹配

LBP特征提取原理及代码实现

老规矩,先上背景,算是表示对LBP算法提出者的一种尊敬(其实,是为了装...kkk,大家都懂ha). 一.LBP背景: LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子:它具有旋转不变性和灰度不变性等显著的优点.它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出,用于纹理特征提取.而且,提取的特征是图像的局部的纹理特征.至今,仍在图像识别和人脸识别部分,有很好的效果. 二.LBP特征的原理: 从

模式匹配之sift--- sift图像特征提取与匹配算法代码

sift,The Scale Invariant Feature Transform ,尺度不变特征变换,是检测图像中具有唯一性.对图像平移.旋转.缩放.甚至仿射变换(如从不同角度拍摄图片)保持不变性的图像局部特征的一种有效方法.可以容易地应用到图像匹配的应用中,如目标检测与识别,或者计算图像间的几何变换. 该算法由David. Lowe在2004年发表,并在好像是2007年申请了专利. 网络已有几个版本的实现 请大家查看sift创始人的代码:David Lowe's SIFT code: ht

图像特征提取——局部图结构（LGS）及matlab代码实现

一.概述与原理 局部图结构(Local Graph Structure)是由Abusham E A提出的,该算子能将图像的局部特征信息很好的表示,其对于纹理的分辨能力很强,对灰度的单调变化不敏感. 关注一个3*4的区域,LGS与6个领域像素有关.如下图[1]所示: 算子的基本原理:从灰色点出发,沿着左上方走一个“8”字路径.(例如:图中路径即为7-9-5-7-6-7-7-6-7)在行进过程中,如果下一个节点比当前节点要更大,则为0,否则取1.(例如从起点7出发,到下一个节点9,因为9>7,则取0