MATLAB基于GUI实现的一些基本图像操作，包括转灰度，滤波，边缘检测，求梯度直方图等等

计算机图像处理与识别技术的应用与_省略_像处理_分析与机器视觉_第3版.pdf

Halcon机器视觉手册，包含基础的Halcon使用说明和函数库

为了增强畸变校正方法的实时性和适用性,提出了一种基于卷积神经网络(CNN)的图像畸变校正方法。首先,使用具有自校准功能的运动结构重建真实相机拍摄的图像序列,以估计相机参数;然后,根据拟合出的第一、第二阶径向畸变参数之间的函数关系,生成常见径向畸变范围内的图像,解决带有第一、第二阶径向畸变注释的畸变图像较少的问题;最后,利用CNN强大的学习能力学习径向畸变的特征,以估计径向的变形情况,并将输入图像映射为畸变系数,实现图像的畸变校正。实验结果表明,相比传统相机标定法,本方法的校正误差约为1 pixel。

提出了一种基于视觉的新型直线位移测量方法。建立了图像各像素点灰度值与直线运动位移间的映射函数模型, 通过数值方法解算了直线运动平台的位移。通过蒙特卡罗仿真对所提方法进行分析, 证明了其可行性与合理性。分析了检测点拓扑结构对测量精度的影响。实验结果表明, 在10 mm的位移测量范围内, 所提方法的测量误差标准差为4 μm。

机器视觉的现状及发展趋势.pdf

如何使用helcon（1，2，3部）+HALCON机器视觉课件

HALCON机器视觉课件 .

为提高双目立体视觉测量图像精确匹配的稳定性，提出一种基于特征点能量的稳健匹配新算法。该算法基于极线约束获取左右图像中特征点的初始匹配，根据特征点之间极线约束关系定义了一种不受仿射变换影响的能量来描述特征点，通过比对特征点能量值来剔除误匹配。该算法有效降低了误匹配率和误剔除率，从而满足多视角测量数据拼合过程中严格限制误匹配率的要求。实验结果表明，该算法正确匹配率大于95%，误剔除率小于2%，具有较强的稳健性。

点云配准是基于RGB-D(RGB-depth)传感器的室内场景重建的关键技术之一。针对稀疏建图中关键帧间的点云配准问题,提出一种基于改进的随机采样一致性(RANSAC)的场景分类点云粗配准算法。首先分别利用几何信息与光度信息进行关键点的检测、描述与匹配,然后由场景分类算法判断场景类别,适应性地结合几何匹配与光度匹配,最后提出一种改进的RANSAC算法,通过有偏重的随机采样与自适应的假设评价,对关键帧间的变换矩阵进行估计。采用公开的RGB-D数据集对整体的点云粗配准算法进行实验验证,并与多种算法进行比较。实验结果表明,该点云粗配准算法能够实现稳健有效的变换矩阵估计,有助于后续的精配准与整体的室内场景重建。