社区
图形处理/算法
帖子详情
请教:简单图像识别加旋转方向判断
mangoalx
2019-07-10 05:29:25
我的应用环境比较简单:显示器测试。所以我需要一个比较简单的图像显示在显示器上,然后摄像头拍摄用来识别 1 是否图像有显示 2 图像是否有旋转 90, 180, 270 度
请指点什么样的图像适用以及算法程序(最好python)
谢谢
...全文
611
4
打赏
收藏
请教:简单图像识别加旋转方向判断
我的应用环境比较简单:显示器测试。所以我需要一个比较简单的图像显示在显示器上,然后摄像头拍摄用来识别 1 是否图像有显示 2 图像是否有旋转 90, 180, 270 度 请指点什么样的图像适用以及算法程序(最好python) 谢谢
复制链接
扫一扫
分享
转发到动态
举报
AI
作业
写回复
配置赞助广告
用AI写文章
4 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
现在还是人类
2019-07-15
打赏
举报
回复
特征点是正确思路。 首先需要设定好显示器的区域位置,然后根据区域矩形分析显示器的屏幕内容 然后拍摄无图情况做特征码分析,比如把显示区域的图像聚合分块成9*9的色块,然后记录9*9的色块颜色值 下次要识别是否为无图情况时,可以再次计算拍摄图形为9*9的色块,然后对比每一个色块,如果颜色的RGB范围误差不超过你指定的百分比,就视为无图情况,而有图、旋转等情况也可以做类似处理。 至于具体运算,简单点就是把拍摄到的矩形区域数据取出来,然后按照宽高初3,这样就得到每个小块的宽高,然后将每个小块的每个像素的RGB全部加起来然后除以像素个数,就得到平均的色彩数,如: 640*480的采集图像里 屏幕区域在x,y,x2,y2里 40,40,340,220 那么显示屏有效判断区域就在 左边40,顶边40,宽度340-40=300,高度220-40=180 那么特征区块的大小宽度为300/3=100,高度为180/3=60 int64 pic_w = 640; int64 pic_h = 480; int64 color_bit = 24; int64 color_size = color_bit/8; int64 picwbyte = pic_w*color_size; int64 color_all_r = 0; int64 color_all_g = 0; int64 color_all_b = 0; // gdi数据行对齐 if(picwbyte%2){ picwbyte++; } for(y=40;y<(40+60);y++){ for(x=40;x<(40+100);x++){ color_b = data[((y*picwbyte)+(x*color_size))]; color_g = data[((y*picwbyte)+(x*color_size)+1)]; color_r = data[((y*picwbyte)+(x*color_size)+2)]; color_all_r += color_r; color_all_g += color_g; color_all_b += color_b; } } color_r = color_all_r / pixcount; color_g = color_all_g / pixcount; color_b= color_all_b / pixcount; feature[1].r =((color_r<=255)?color_r:255); feature[1].g =((color_g<=255)?color_g:255); feature[1].g =((color_b<=255)?color_b:255); 第一个块区的特征 RGB 值就是 feature[1].r,feature[1].g,feature[1].g 当要对比时,把下次运算的 RGB 值和这个特征码做对比,然后误差不超过你指定的范围便可认为是符合的 如: bool is_match = false; double loe = 0.05; // 误差范围在 5% int loev = 255/100*loe; // 实际误差值 int match_count = 0; // 判断RGB是否符合误差范围 if(color_r<=(feature[1].r+loev)) if(color_r>=(feature[1].r-loev)) if(color_g<=(feature[1].g+loev)) if(color_g>=(feature[1].g-loev)) if(color_b<=(feature[1].b+loev)) if(color_b>=(feature[1].b-loev)) is_match = true; if(is_match){ // 符合误差范围将相似数量总数+1,最后做完所有区块对比后判断相似数量总数为9那么就全部判断为相同了 match_count++; }
zgl7903
2019-07-10
打赏
举报
回复
仅个人思路, 摄像头把需要的图片按各个需要角度在显示器上显示并拍好作为模板, 然后实际操作的时候和模板去比对
绿色盒子
2019-07-10
打赏
举报
回复
识别几个特征点喽
sevancheng
2019-07-10
打赏
举报
回复
等边三角形,检测轮廓的3个顶点,可知旋转角
基于深度学习的苹果树叶病害
图像识别
本论文进行了基于深度学习的苹果树叶片
图像识别
的研究,在当下经济全球化的背景下,世界各国经济竞争愈演愈烈,每一种进出口的贸易都会是一场另类的“战争”。而苹果特别是优质苹果的产量的产出的效率,以及经济成本显得尤为重要,这其中最大因素就是病害的处理问题,传统的病害处理,面临着高成本,高人力的问题,对于广大的果农来说是不小得经济负担,所以通过深度学习中的卷积神经网络来解决此问题就有着很大的可行性。
OpenCV实现基于傅里叶变换(FFT)的
旋转
文本校正(文字
方向
检测)
OpenCV实现基于傅里叶变换的
旋转
文本校正 from: http://johnhany.net/2013/11/dft-based-text-rotation-correction/ 发布于 2013年11月25日 作者: John Hany 11,222次阅读 代码 先给出代码,再详细解释一下过程: #include #include #inc
研究生如何写图像分类
方向
的论文
图像分类是计算机视觉领域的核心问题,涉及将图像分配到预定义类别。近年来,,尤其是卷积神经网络(CNN),显著提升了分类精度。当前研究热点聚焦于和。同时,为应对计算成本和数据需求高的挑战,和成为关键研究
方向
。这些进展不仅提高了分类效率,还拓展了图像分类在医疗诊断、自动驾驶和安全监控等领域的应用前景。:研究如何改进现有的深度学习模型,如卷积神经网络(CNN)。可以探索新的网络架构,如自注意力机制或可变形卷积,以提高模型的特征提取能力。
机器学习原来这么有趣!第四章:用深度学习识别人脸
人工智能,深度神经网络!第四章:用深度学习识别人脸
matlab 检测键盘,matlab检测键盘
赵辉《Visual+C++_MATLAB图像处理与识别实用案例精选》程序代码说明P0201:MATLAB赋值P0202:MATLAB中的for循环P0203:MATLAB中的for循环和if条件P0205:MATLAB图像处理的基本操作P0206:MATLAB高级图像处理操作P0207:根据RGB图像创建一幅灰度图像P0208:二值图像的取反操作P0209:用imshow函数显示图像P0210:在...
图形处理/算法
19,472
社区成员
50,678
社区内容
发帖
与我相关
我的任务
图形处理/算法
VC/MFC 图形处理/算法
复制链接
扫一扫
分享
社区描述
VC/MFC 图形处理/算法
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章