相信大多數人都玩過拼圖遊戲。你會得到許多零零散散的碎片，然後需要正確地組裝它們以形成乙個大的完整的影象。問題是，你是怎麼做到的？如何將相同的理論應用到電腦程式中，以便計算機可以玩拼圖遊戲？如果計算機可以玩拼圖遊戲，為什麼我們不能給計算機提供很多真實自然景觀的真實影象，並告訴它將所有這些影象拼接成乙個大的單個影象？如果計算機可以將幾個零散影象拼接成乙個，那麼提供大量建築物或任何結構的給計算機， 如何從中建立3d模型呢？
問題和想象力可以是無邊無際的，但這一切都取決於最基本的問題：你是如何玩拼圖遊戲的？你如何將大量的混亂影象片段排列成乙個大的完整的影象？如何將大量零散影象拼接成整體影象？
因此，我們的乙個基本問題擴充套件到更多，但變得更具體。這些功能是什麼？（答案對於計算機也應該是可以理解的。）
很難說人類如何找到這些特徵。這已經在我們的大腦中程式設計。但是如果我們深入研究一些並搜尋不同的圖案，我們會發現一些有趣的東西。例如，拍下：
影象非常簡單。在影象的頂部，給出了六個小影象補丁。你的問題是在原始影象中找到這些補丁的確切位置。你能找到多少正確的結果？
a和b是平坦的表面，它們分布在很多區域。很難找到這些補丁的確切位置。
c和d要簡單得多。它們是建築物的邊緣。你可以找到乙個大概的位置，但確切的位置仍然很困難。這是因為沿著邊緣的模式是相同的。然而，在邊緣，它是不同的。因此，與平坦區域相比，邊緣是更好的特徵，但是不夠好（用於比較邊緣的連續性在拼圖中是好的）。
最後，e和f是建築物的一些角點。它們很容易找到。因為在角點，無論你移動這個補丁，它都會有所不同。所以它們可以被認為是很好的功能。所以現在我們進入更簡單（和廣泛使用的影象）以便更好地理解。
就像上面一樣，藍色斑塊是平坦的區域，很難找到和跟蹤。無論你移動藍色補丁，它看起來都一樣。黑色貼片有邊緣。如果沿垂直方向（即沿著漸變方向）移動它會改變。沿邊緣移動（平行於邊緣），看起來一樣。對於紅色補丁，它是乙個角點。無論你移動補丁，它看起來都不同，意味著它是獨一無二的。所以基本上，角點被認為是影象中的好特徵。（不僅僅是角點，在某些情況下，blob被認為是很好的特徵）。
所以現在我們回答了我們的問題，「這些功能是什麼？」。但接下來的問題就出現了。我們如何找到它們？或者我們如何找到角點？我們以直觀的方式回答了這一點，即在影象中尋找在其周圍的所有區域中移動（少量）時具有最大變化的區域。在接下來的章節中，這將被投射到計算機語言中。因此，查詢這些影象特徵稱為特徵檢測。
我們在影象中找到了這些功能。一旦找到它，你應該能夠在其他影象中找到相同的內容。這是怎麼做到的？我們用乙個區域圍繞這個特徵，我們用自己的話解釋它，比如「上部是藍天，下部是建築物的區域，那個建築物上有玻璃等」，你在另乙個地方尋找相同的區域。基本上，你正在描述該功能。類似地，計算機還應該描述特徵周圍的區域，以便它可以在其他影象中找到它。所謂的描述稱為特徵描述。獲得這些功能及其描述後，你可以在所有影象中找到相同的功能並對齊它們，將它們拼接在一起或做任何你想做的事情。
因此，在本單元中，我們正在尋找opencv中的不同演算法來查詢功能，描述功能，匹配它們等。
OpenCV Python模糊處理
import cv2 as cv import numpy as np 均值模糊 defblur demo img dst cv.blur img,5 5 cv.imshow blur image dst import cv2 as cv import numpy as np 中值模糊 defmed...
OpenCV Python 人臉檢測
分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！例項總結 下午的時候，配好了opencv的python環境，opencv的python環境搭建。於是迫不及待的想體驗一下opencv的人臉識別，如下文。haar like百科釋義。通俗的來講，就是作為人臉特徵即可。haar特徵值反映了影象的灰度變化...
Opencv python 人臉檢測
import numpy as np import cv2 as cv cv.namedwindow face detected cap cv.videocapture 0 success,frame cap.read 載入opencv識別器 face cascade cv.cascadeclass...