帮助中心
局部特征及其描述符是许多计算机视觉算法的基础。它们的应用包括图像配准、目标检测和分类、跟踪和运动估计。这些算法使用局部特征来更好地处理尺度变化、旋转和遮挡。计算机视觉工具箱™算法包括快速,哈里斯,和Shi & Tomasi角落探测器,和冲浪,KAZE,和MSER斑点探测器。工具箱包括冲浪,畸形,轻快,LBP,球体,和猪描述符。您可以根据应用程序的需求混合并匹配检测器和描述符。您还可以使用一个预先训练好的卷积神经网络来提取特征,该网络应用了深度学习领域的技术。
全部展开
detectBRISKFeatures
detectFASTFeatures
detectHarrisFeatures
detectMinEigenFeatures
detectMSERFeatures
detectORBFeatures
detectSURFFeatures
detectKAZEFeatures
extractFeatures
extractLBPFeatures
extractHOGFeatures
matchFeatures
showMatchedFeatures
imwarp
estimateGeometricTransform
vision.BlockMatcher
vision.LocalMaximaFinder
vision.TemplateMatcher
insertMarker
insertShape
insertObjectAnnotation
insertText
imshow
imshowpair
binaryFeatures
BRISKPoints
KAZEPoints
cornerPoints
SURFPoints
MSERRegions
ORBPoints
affine2d
affine3d
projective2d
局部特征检测和提取
学习局部特征检测和提取的优点和应用
点特征类型
为几种类型的特性选择返回和接受点对象的函数
坐标系统
指定像素索引、空间坐标和三维坐标系统
绘制形状和线条
当指定要绘制的形状类型时,还必须指定它在图像上的位置。
检测图像中包含文本的区域。这是在非结构化场景中执行的常见任务。非结构化场景是包含不确定或随机场景的图像。例如,您可以从捕获的视频中自动检测和识别文本,以提醒司机注意路标。这与结构化场景不同,结构化场景包含已知的场景,其中文本的位置是已知的。
在一个杂乱的场景中检测一个特定的对象,给出一个对象的参考图像。
利用HOG特征和一个多类SVM分类器对数字进行分类。
自动确定一对图像之间的几何变换。当一个图像相对于另一个图像被旋转和缩放时,使用detectSURFFeatures和estimateGeometricTransform求旋转角度和比例因子。然后你可以变换失真的图像来恢复原始图像。
自动创建一个全景使用基于特征的图像注册技术。
稳定从一个抖动的平台上捕获的视频。一种稳定视频的方法是跟踪图像中的一个显著特征,并将其作为一个锚点来抵消所有与之相关的扰动。然而,这个过程必须通过了解第一个视频帧中的显著特征来引导。在这个例子中,我们探讨了一种视频稳定的方法,没有任何这样的先验知识。相反,它会在视频序列中自动搜索“背景平面”,并利用其观察到的失真来校正相机的运动。
使用基本形态操作符和blob分析的组合从视频流中提取信息。在本例中,本例计算了每个视频帧中大肠杆菌的数量。注意,细胞的亮度是变化的,这使得分割的任务更具挑战性。
使用形态学操作来计数视频流中的对象。
你点击了一个链接,对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入该命令来运行它。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站来获取可用的翻译内容,并查看本地事件和报价。根据你的位置,我们建议你选择:。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文),以获得最佳的网站表现。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系你当地的办公室