1.肤色检测 肤色检测技术利用了计算机对人体皮肤像素的分析过程，随着人脸检测技术，表情识别及手势识别等技术的快速发展，肤色应用领域日趋增多。肤色检测技术常用的方法有基于颜色空间、光谱特征以及肤色反射模型等方法，这些方法的主要步骤先进行颜色空间变换，然后再建立肤色模型。肤色检测中颜色空间有RGB、YCrCb、HSV和Lab等，通常在处理的时候是将RGB颜色空间变换成相应的颜色空间，对某种类型的图像
转载
2023-08-13 15:41:35
195阅读
基于opencv3.4.7 编程环境win10+VS2017、ubuntu18.04+Codelite概述图像处理中，常用的滤波算法有均值滤波、中值滤波以及高斯滤波等。GaussianBlur()函数用高斯滤波器GaussianFilter对图像进行平滑处理。 该函数将源图像与指定的高斯内核进行卷积，同时也支持in-place滤波。 原理通过2维高斯滤波函数计算出中心点周围每个点的权重分布，经归一
转载
2024-03-26 23:32:37
66阅读
详解高斯混合模型与EM算法 详解高斯混合模型与EM算法高斯混合模型单高斯模型(Gaussian single model, GSM）一维高斯分布多维高斯分布混合高斯模型（Gaussian mixture model, GMM）混合高斯模型产生的原因直观理解高斯混合模型一维混合高斯模型二维空间3个高斯模型混合极大似然估计(Maximum Likehood Estimate, MLE)（最大化对数似
转载
2024-04-07 14:47:17
85阅读
在日常生活中我们表示颜色的时候都喜欢用RGB模型进行表示，RGB分别代表了三原色：红色Red， 绿色Green，蓝色Blue。但是当我们想要从图片中选取某种颜色的时候，比如说红色，用RGB该怎么做？很难啊。所以当涉及到颜色的时候我们通常都会将图片转化到hsv空间进行表示。这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。那么该如何选择我们需要的颜色呢？比如说红色，是否就只需要选择一
转载
2024-05-10 18:03:38
40阅读
贝叶斯统计和规则化（续）p(θ|S)可由前面的公式得到。假若我们要求期望值的话，那么套用求期望的公式即可： E[y|x,S]=∫yyp(y|x,S)dy由上可见，贝叶斯估计将θ视为随机变量，θ的值满足一定的分布，不是固定值，我们无法通过计算获得其值，只能在预测时计算积分。上述贝叶斯估计方法，虽然公式合理优美，但后验概率p(θ|S)通常是很难计算的，因为它是θ上的高维积分函数。观察p(θ|S)的公式
目录一、 高斯模糊二、实验代码 一、 高斯模糊高斯模糊本质上是低通滤波器，输出图像的每个像素点是原图像上对应像素点与周围像素点的加权和，原理并不复杂。做久了卷积神经网络看这个分外亲切，就是用高斯分布权值矩阵与原始图像矩阵做卷积运算而已。摘录wiki上两段原文：Mathematically, applying a Gaussian blur to an im
一、高斯混合模型定义1、 高斯混合模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。2、 GMM的直观理解二、求解GMM参数为什么需要用EM算法？总所周知，求解GMM参数使用EM算法。但是为什么呢？这样是必须的吗？首先，类似于其他的模型求解，我们先使用最大似然估计来尝试求解GMM的参数。如下： 可以看出目标函数是和的
转载
2024-03-21 22:00:20
18阅读
基于高斯函数的算法，通过混合单个或多个高斯函数，计算对应像素中概率，哪个分类的概率最高的，则属于哪个类别图解： GMM算法概述GMM方法跟K - Means相比较，属于软分类 实现方法 - 期望最大化(E - M) 停止条件 - 收敛，或规定的循环次数 代码：#include<opencv2\core\core.hpp>
#include<opencv2\hi
转载
2024-05-14 15:49:03
62阅读
//第一种：RGB c
原创
2022-04-11 13:40:43
410阅读
Blur均值模糊//均值模糊,卷积核权重系数一样
void Blur(InputArray src,
OutputArray dst,
Size ksize,
Point? anchor = null,
BorderTypes borderType = BorderTypes.Reflect101) 参数说明InputArray src输入图像：可以任意通道
# 高斯混合模型（GMM）与OpenCV的结合使用
在数据科学和机器学习的领域中，模型的选择至关重要。高斯混合模型（GMM）作为一种流行的无监督学习方法，可以很好地处理聚类问题。结合 OpenCV 和 Python，我们可以有效地实现这一模型，从而完成图像处理、模式识别等任务。本文将带你了解 GMM 的基本概念，并展示如何在 Python 中使用 OpenCV 来实现 GMM。
## 什么是高
原创
2024-09-23 07:00:49
42阅读
运动检测的一般方法 目前，运动物体检测的问题主要分为两类，摄像机固定和摄像机运动。对于摄像机运动的运动物体检测问题，比较著名的解决方案是光流法，通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态。对于摄像机固定的情形，当然也可以用光流法，但是由于光流法的复杂性，往往难以实时的计算，所以我采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影响，通过对背景建模，对一幅给定图像分离前景和背景，一般来说，前景就是运动物体，从而达到运动物体检测的目的单分布高斯背景模型单分布高斯背景模型认为，对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图.
转载
2012-07-30 13:20:00
433阅读
2评论
//第一种：RGB color space 【效果挺好】// skin region location using rgb limitationvoid ImageSkin::ImageSkinRGB(const Mat& rgb, Mat& _dst){ assert(rgb.channels() == 3 && _dst.channels() == 3); static
原创
2021-12-22 11:20:26
476阅读
先贴代码
1. void cvSkinSegment(IplImage* img, IplImage* mask){
2. CvSize imageSize = cvSize(img->width, img->height);
3. IplImage *imgY = cvCreateImage(imageSize, IPL_DEPTH_8U,
转载
2024-08-29 17:41:25
39阅读
目录一、均值滤波（使用模板内所有像素的平均值代替模板中心像素灰度值）二、中值滤波（计算模板内所有像素中的中值，并用所计算出来的中值体改模板中心像素的灰度值）三、高斯滤波（对图像邻域内像素进行平滑时，邻域内不同位置的像素被赋予不同的权值）四、双边滤波（比高斯滤波多了一个高斯方差sigma-d,它是基于空间分布的高斯滤波函数，以达到保边去噪目的）以下是四种平滑处理滤波算法一、均值滤波（使用模板内所有像
转载
2024-08-12 17:12:29
32阅读
本篇文章通过调用opencv里的函数简单的实现了对图像里特定颜色提取与定位，以此为基础，我们可以实现对特定颜色物体的前景分割与定位，或者特定颜色线条的提取与定位 主要步骤:将RGB图像转化为HSV，H表示色调（度数表示0-180），S表示饱和度（取值0-255），V表示亮度（取值0-255），不同的颜色有着不同的取值范围，一般给出如下：设定待提取颜色的HSV范围值，然后调用inRange函数实现对
转载
2023-10-20 14:31:45
9阅读
[cpp] view plain copy double CalProbability(int classid,CvMat* cur) { /************************************************************************/ /* fu
转载
2016-04-10 13:56:00
452阅读
2评论
本篇博客讲述对图像进行均值滤波，中值滤波，高斯滤波，高斯边缘检测滤波的意义在于：刚获得的图像有很多噪音。这主要由于平时的工作和环境引起的，图像增强是减弱噪音，增强对比度。想得到比较干净清晰的图像并不是容易的事情。为这个目标而为处理图像所涉及的操作是设计一个适合、匹配的滤波器和恰当的阈值。 (1) 均值滤波器：最简单均值滤波器是局部均值运算，即每一个像素只用其局部邻域内所有值的平均值来置换. (2)
转载
2024-05-08 13:31:18
50阅读
一、高斯平滑（模糊）def gaussian_blur(image):
# 设置ksize来确定模糊效果
img = cv.GaussianBlur(image, (5, 5), 0)
cv.imshow('img', img)
# 不通过ksize来设置高斯核大小，通过设置高斯分布公式中的sigma
img2 = cv.GaussianBlur(imag
转载
2023-08-02 23:29:53
37阅读
目录 1、高斯噪声2、椒盐噪声3、模糊操作1、高斯噪声顾名思义指服从高斯分布（正态分布）的一类噪声，通常是因为不良照明和温度引起的传感器噪声。通常在RGB图像中，显现比较明显。如图：高斯噪声+模糊/高斯滤波操作：def clamp(pv):
if pv>255:
return 255
elif pv<0:
return 0
else:
return pv
转载
2023-11-06 12:53:52
120阅读
