Blob分析可为机器视觉应用提供图像中的blobs的数量、位置、形状和方向等信息，还可以提供相关blobs间的几何拓扑结构。图像分割的结果就是所谓的Blob(binary large objects），在halcon中该数据类型被叫做“区域”在特征提取这一步，Blob的像素数，重心，方向等被计算出来。例如：下面的代码计算所有灰度值在120和255像素构成的8连通区域的面积与中心坐标。 read_image (Image,&nbs
AForge.NET的图像滤镜有来自许多不同领域的滤波器，如颜色滤波、颜色级别校正、卷积滤波器、边缘检测滤波器、二值化滤波器等。这个跟photoshop的滤镜的作用是一样的。在机器视觉中，滤镜用得比较少（也许是勇哥孤陋寡闻）。滤镜需要引用aferge.Imaging.Filters命名空间。下面的演示程序中，罗列了这个命令空间的一部分滤镜类型。勇哥放几张滤镜的效果图片。原图二值化阈值 Threshold binarizationGaussian blur 著名的
怎么让一个点按指定的角度旋转并且偏移到指定的位置上去呢？这个其实就是旋转与偏移二合一矩阵的应用。halcon的算子vector_angle_to_rigid配合affine_trans_pixel就是这个作用如下图所示，勇哥希望两个极耳朵中间那个点按电池的角度旋转并且位置于电池本体的中心上去。read_image(Image, 'C:/Users/Administrator/Desktop/1.bmp')
dev_close_window()
dev_open_wi
任意的灰度图像可以被看做是地质学表面，高亮度的地方是山峰，低亮度的地方是山谷。给每个孤立的山谷（局部最小值）不同颜色的水（标签），当水涨起来，根据周围的山峰（梯度），不同的山谷也就是不同的颜色会开始合并，要避免这个，你可以在水要合并的地方建立障碍，直到所有山峰都被淹没。你所创建的障碍就是分割结果，这个就是分水岭的原理，但是这个方法会分割过度，因为有噪点，或者其他图像上的错误。所以OpenCV实现了一个机遇标记的分水岭算法，你可以指定哪些是要合并的点，哪些不是，这是一个交互式的图像分割，我们要做的
OTSU算法又叫最大类间方差阈值分割算法，也叫大津算法，是在1980年由日本的大津展之提出，是由最小二乘法推导而来，用于一些简单的阈值确定。对于一个灰度图，我们有时候非常想把他用一个阈值将他的前景和背景区分开来。我们可以合理的假设为如果将图像的像素分布图画出来，那么图像上应该有两个峰，即前景色和背景色。在这两个峰之间肯定有一个谷，那么我们就可以将阈值设在这里，从而对图像达到一个良好的分割效果。怎样确定这个阈值呢？OTSU算法说，我们可以求出用这个阈值分割后的两个图像的类间方差。对于每一个可能的阈
物体的凸包（Convex hull）用于理解物体的形状或轮廓。很多复杂物体的特性都能很好的被这种缺陷表现出来。 一组平面上的点，求一个包含所有点的最小的凸多边形，这就是凸包问题了。这可以形象地想成这样：在地上放置一些不可移动的木桩，用一根绳子把他们尽量紧地圈起来，这就是凸包了。凸包有什么应用？凸包在很多地方有着重要的应用，如手势识别，需要识别出手的轮廓的凸包，二维或者三维区域的边界的信息等。凸缺陷。深色的轮廓是围绕手的凸包，格子区域（A-H）是手的凸包，格子区域是手的轮廓相对于凸包的凸缺陷。相关
查找轮廓什么是轮廓：一个轮廓是由图像中的一系列点组成的，也就是图像中的一条曲线。在OpenCV中一般用序列来存储轮廓信息。序列中的每个元素是曲线中每个点的位置。关于序列：序列是内存存储器中可以存储的一种对象，序列是某种结构的链表。下面是序列结构体：typedef sturct CvSeq{
int flags;
int h
什么是反射投影反射投影是记录给定图像中像素点如何适应直方图模型像素分布的方式（估计你看了这句话还是不懂）。英文的解释是这样的：a way of recording how well the pixels of a given image fit the distribution of pixels in a histogram model.（还是不懂？）简单地讲就是就是先计算某一特征的直方图模型，然后使用这个模型去寻找图像中存在的该特征。这个名词中的“反向”，“投影”怎么分别是什么意思，应该如何
什么是仿射变换：一个任意的仿射变换都能表示为 乘以一个矩阵 (线性变换) 接着再 加上一个向量 (平移).仿射变换可以实现什么功能：旋转平移缩放操作怎样得到一个仿射变换：放射变换代表的是两幅图之间的关系。通过原图和目标图像三个点之间的对应关系，可以求出一个2 X 3的矩阵。我们通常使用2 x 3矩阵来表示仿射变换。怎样去旋转一个图像：- 确定旋转图像的中心点- 旋转的角度. 在OpenCV中正角度是逆时针的- 可选择：缩放因子- rot_mat = getRotationMatrix2D( ce
在图像处理和与计算机视觉领域，兴趣点（interest points），或称作关键点（keypoints）、特征点（feature points） 被大量用于解决物体识别，图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图，而是选择某些特殊的点，然后对他们进行局部有的放矢的分析。如果能检测到足够多的这种点，同时他们的区分度很高，并且可以精确定位稳定的特征，那么这个方法就有使用价值。图像特征类型可以被分为如下三种：<1>边缘<2>角点 (感兴趣关键点)