标签: feature-extraction

如何比较两个图像并识别图像中的图案,无论其大小和图案大小如何,并使用.Net C#？此外,从图像处理中使用哪些算法？

我发现这段代码可以获得一个镂空图像.我有一张圆圈图片(https://docs.google.com/file/d/0ByS6Z5WRz-h2RXdzVGtXUTlPSGc/edit?usp=sharing).

img = cv2.imread(nomeimg,0)
size = np.size(img)
skel = np.zeros(img.shape,np.uint8)

ret,img = cv2.threshold(img,127,255,0)
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))
done = False

while( not done):
    eroded = cv2.erode(img,element)
    temp = cv2.dilate(eroded,element)
    temp = cv2.subtract(img,temp)
    skel = cv2.bitwise_or(skel,temp)
    img = eroded.copy()

    zeros = size - cv2.countNonZero(img)
    if zeros==size:
        done = True

print("skel")
print(skel)

cv2.imshow("skel",skel)
cv2.waitKey(0)

问题是图像结果不是"骨架"而是一组点!我的目的是在我对图像进行镂空后提取轮廓周长.如何编辑我的代码来解决它？使用cv2.findContours找到骨架圆是正确的吗？

我正在开发一个项目,我需要使用opencv检测图像上的功能.

我在用

SURF detector;
SURF extractor;
BFMatcher matcher;

用于检测,提取和匹配点.它适用于某些图像,但在其他图像上失败.

例如,系统在此映像上失败:

显然,此图像具有一些纹理,并且特征检测器应检测它们,但未检测到任何特征,因此不会生成匹配.

如何改进此功能检测？

我可以使用任何图像处理技术吗？

我可以使用哪种其他探测器来帮助解决这个问题？

我在opencv中使用BOW来聚类可变大小的功能.但是有一件事从opencv的文档中不清楚,我也无法找到这个问题的原因:

假设:字典大小= 100.

我使用surf来计算特征,每个图像都有可变大小的描述符,例如:128 x 34,128 x 63等.现在在BOW中,每个都是聚类的,我得到一个固定的描述符大小为128 x 100的图像.我知道100是使用kmeans聚类创建的集群中心.

但我感到困惑的是,如果图像有128 x 63个描述符,那么它将如何聚类成100个聚类,这是不可能使用kmeans,除非我将描述符矩阵转换为1D.转换为1D会丢失单个关键点的有效128维信息吗？

我需要知道如何操纵描述符矩阵以从仅63个特征中获得100个cluter中心.

我正在尝试使用scikit-learn的伯努利朴素贝叶斯分类器.我使用CountVectorizo​​r让分类器在一个小数据集上正常工作,但是当我尝试使用HashingVectorizo​​r处理更大的数据集时遇到了麻烦.保持所有其它参数(培训文档,测试文档,分类和特征提取设置)不变,并从CountVectorizo​​r只是切换到HashingVectorizo​​r引起了我的分类总是吐出的所有文件相同的标签.

我编写了以下脚本来研究两个特征提取器之间的区别:

from sklearn.feature_extraction.text import HashingVectorizer, CountVectorizer

cv = CountVectorizer(binary=True, decode_error='ignore')
h = HashingVectorizer(binary=True, decode_error='ignore')

with open('moby_dick.txt') as fp:
    doc = fp.read()

cv_result = cv.fit_transform([doc])
h_result = h.transform([doc])

print cv_result
print repr(cv_result)
print h_result
print repr(h_result)

(其中'moby_dick.txt'是项目gutenberg的mo​​by dick副本)

(简明)结果:

  (0, 17319)    1
  (0, 17320)    1
  (0, 17321)    1
<1x17322 sparse matrix of type '<type 'numpy.int64'>'
    with 17322 stored elements in Compressed Sparse Column format>

  (0, 1048456)  0.00763203138591
  (0, 1048503)  0.00763203138591
  (0, 1048519)  0.00763203138591
<1x1048576 sparse matrix of type '<type 'numpy.float64'>' …

我想计算几个纹理特征（即：小/大数字强调、数字非均匀性、二阶矩和熵）。这些可以从相邻灰度级依赖矩阵计算出来。我正在努力理解/实现这一点。关于这种方法的信息很少（公开可用）。

根据这篇论文：

该矩阵采用二维数组Q 的形式，其中Q(i,j)可以被视为已处理图像灰度变化的频率计数。它与图像的直方图具有相似的含义。该数组为 N _g ×N _r，其中 N _g是可能的灰度级数，N _r是图像中像素的可能邻居数。

如果图像函数F（I，J）是离散的，则很容易计算机的Q矩阵（对于正整数d，一）通过在计数的次数每个元素之间的差F（I，J）和其在特定距离d处，邻居等于或小于a。