数字图像处理计算机视觉 计算机视觉.pdf

OpenCV+MediaPipe手势识别追踪（AI人工智能计算机视觉图像处理） 计算机视觉.pdf

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法.采用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.

基于机器视觉的图像处理与特征识别方法的研究

opencv3是开源的机器学习平台，以跨平台、高效率为特点，为计算机视觉处理提供了强大的支持，与多个编程工具连接，可以方便开发人员使用其图片操作功能，编辑代码更有效率。 开源 OpenCV是开源的，并根据BSD 3条款许可发布。它是免费的商业用途。 跨平台 C ++，python和java接口支持Linux，MacOS，Windows，iOS和Android。 优化 OpenCV是一个高度优化的库，专注于实时应用程序。 应用领域： 1、人机互动 2、物体识别 3、运动分析 4、机器视觉 5、结构分析 6、汽车安全驾驶 7、图像分割 8、人脸识别 9、动作识别 10、运动跟踪 11、机器人

苹果识别是开发苹果采摘机器人的关键环节, 利用图像处理技术和神经网络分类器探索苹果图像分割算法。从苹果树图片中选取苹果图像样本和背景图像样本, 分别计算这两类图像样本的颜色特征和纹理特征。颜色特征的计算基于RGB色彩模型, 纹理特征的计算基于灰度共生矩阵。选取适当的颜色特征(R/B值)和纹理特征(对比度值和相关性值)作为输入节点, 利用反向传播神经网络分类器建模, 输出值是一个0～1之间的计算值。通过阈值将输出结果分类为苹果或背景。试验结果表明, 该算法正确率大于87.6%, 对光照的影响不敏感, 是一种较为实用的苹果分割算法。

计算机视觉、图像处理、硬币识别计算机视觉、图像处理、硬币识别

这是一个完整的图像理解（image captioning）项目数据及代码，可以结合博客https://blog.csdn.net/qq_34213260/article/details/106186470理解其运行机理

可以实现两幅图片的拼接合成全景图片，注意图片不能像素过高，否则会报错，建议拍照后用微信截图降低像素。

项目请参见：https://handsome-man.blog.csdn.net/article/details/116427984