/CV-code-

C++从零实现传统视觉算法：边缘检测、直线&圆检测、直方图均衡化、风格迁移、人脸融合、全景图拼接、图像矫正、手写体识别

Primary LanguageC++

@[TOC]

CV-course-code

计算机视觉作业代码托管仓库，代码在vs2017或python 3.7环境下运行成功。

记录下这段有收获的日子。

Ex1 学会掌握CImg的基本使用方法

Ex2 边缘检测

了解整个边缘检测的过程和算法实现，算法包括：高斯滤波，sobel算子canny算子求得梯度幅值图，非最大化抑制法，滞后阈值处理法，以及广度搜索去除短边缘等。

Ex3 霍夫变换

检测圆和检测直线。使用random hough transform的**，坐标没有映射到极坐标，效果不好。

较好的霍夫变换代码间Ex7.1

Ex4.1 直方图均衡化

直方图均衡化：灰度图均衡化，彩色图三种方式的均衡化（HSV <->RGB）

​ 均衡化 👇

Ex4.2 风格迁移

利用全局统计信息在lab空间进行色彩迁移。

提取色彩风格 .

提取图像内容。

迁移结果

👇

Ex5 人脸融合

使用三角网格剖分+仿射变换实现。

Ex6 全景图拼接

全景图拼接。只实现了拼接两张图的效果，拼第三张会严重失真，初步考虑是因为特征点更新出错，但我实在看不出来哪里错了，DDL快到了orz，尽力而为。。。

第三方库： vlfeat

拼接结果👇

Ex7.1 A4纸矫正

使用图片分割中的Ostu方法提取边缘，霍夫变换检测直线后，然后利用仿射变换矫正。

Ostu 分割结果

矫正结果。

Ex7.2 mnist 手写体分类

使用Adaboost方法实现手写体分类，数据集为mnist。识别率最高为91.47%。

同时提供了svm，decisiontree分类的sklearn代码。

略。。

Ex 8 A4纸数字识别分类

提取A4纸上的数字，然后使用OpenCV3.4中的SVM模型预测数字。流程如下：

  1. canny 进行边缘检测
  2. 霍夫变换提取A4纸四条边，得到4个角点
  3. 根据角点进行矫正，得到A4纸
  4. A纸使用自适应的阈值分割法得到数字边缘，并适度扩张
  5. 水平和竖直划分得到字符子图。
  6. 使用 mnist 训练SVM模型，得到分类器并保存参数文件。下次使用直接加载分类器参数文件。
  7. 字符子图使用插值缩小为28*28，输入SVM分类器，输出预测结果。