- 博客(261)
- 资源 (1)
- 收藏
- 关注
原创 工业机器视觉megauging(向光有光)使用说明书(十三,资源发现bug,已经更新)
第一工具,combox选择3,直方图均衡化,选择后,鼠标点击“获取结果”,相机就取一帧图像处理后显示出来:(新资源megauging已经ok,不再崩溃)第一工具,combox选择1,二值图像,选择后,鼠标点击“获取结果”,相机就取一帧图像处理后显示出来:(旧资源megauging在这里会崩溃)
2023-12-02 19:52:39 583
原创 工业机器视觉megauging(向光有光)使用说明书(十二,轻量级的visionpro)
下面的combox框,可以选七种不同的已处理的图像,给其他工具用,原来在相机dll界面里,觉得相机界面现在还是很臃肿,还得继续精简。在图像上点击,就可以截取一块图像,是可以放大缩小的,这个放大很low,是我以前研究缩放入门时的版本,本想删除,没舍得删。介绍完毕,这最后写的最后一个工具“相机图像”combox,刚刚发现一个bug,让我更新一下。关于最后一个工具的介绍:就是这个“相机图像”相机动态库是没什么问题的。
2023-12-02 17:27:16 1023
原创 工业机器视觉megauging(向光有光)使用说明书(十,轻量级的visionpro)
如果不方便在csdn下载,734523623@qq.com,可以邮件联系我。机器视觉五板斧,第五板斧,
2023-12-02 14:56:19 303
原创 工业机器视觉megauging(向光有光)使用说明书(四,轻量级的visionpro)
添加megauginglibext.dll控件到用户程序中
2023-12-02 10:43:57 371
原创 工业机器视觉megauging(向光有光)使用说明书(三,轻量级的visionpro)
第三步,加载目录‘toolgroupxml2’中文件“工具组.xml”后,点击“搜索相机”,第二个相机选“1”,如果有三个相机,第三个相机选“2”,以此类推,我们也是通过这样区别相机,你现在在第一相机使用下,这个界面再使用第一相机,肯定不行。第二步,点击:加载工具组.xml,加载toolgroupxml2目录下的:工具组.xml。第四步,初始化相机,开始取像,你可以发现,我们的程序,可以自动识别彩色相机和黑白相机。,toolgroupxml里头的文件不用改变,在具体使用过程中,才会改变。
2023-12-02 10:19:33 938
原创 工业机器视觉megauging(向光有光)使用说明书(二,轻量级的visionpro)
第一步,运行后,界面已经添加了两个可使用的相机界面,你也可以再添加,一次带动4个相机应该可以。第二步,我们只介绍一个相机界面的流程,首先在界面鼠标点击“加载工具组(.xml)”,加载工具组,他在toolgroupxml1下,这toolgroupxml1对应一个相机运行时用到的所有必备,下面我们会慢慢介绍。第三步,进入这个界面,我们开始鼠标点击“搜索相机”,出现了两个相机,我们选一个,相机编号从零开始,我们选择0号相机,就是第一个相机。,你看过我前面博文,就应该明白)精神的延伸,我们。简单使用千兆网卡相机。
2023-12-02 09:49:31 545
原创 神奇的世界(高斯核是唯一可以产生多尺度空间的线性核研究总结,两个高斯公式的联系,和推导)
3f处的物,成像在1.5f处,在成像的一侧,其实2f处放个挡板,也会有像,模糊的像,放大的像,可以用相似三角形原理计算,也可以用人眼看实际的实验。虽然这种像是空的,虚无的,但他存在,以光线的方式(没有质量,握不住,但看的见)但现实的东西是不存在放大缩小的,只有他的像可以,光线,眼睛,透镜是那么神奇。这就是线性(正比关系)的表达,因为我们只研究线性关系,这也是我们限定的。我们也知道成像的距离也是线性变化的,也就是说,是比例关系。比如树的长大,人的长大,从来就不是放大能解释的。我想,我这个推导,如果靠的住,
2023-11-28 11:47:13 415
原创 关于高斯核是实现尺度空间变换的唯一性思考
那么能否是f(x)=常量*exp(-x*x*x/2)这样一个函数呢,不行,为什么?而二阶导数是自己的,我们不用,像sinx,cosx,也不行,如果你关注二阶导数,其他条件又不成立了,所以,世间非你莫属!突然想起,傅里叶变换,频域空间能看到函数的特征,我们可以想一想exp(x)的频域特征。不好说,但是高斯函数,就一定是。=-常量*exp(-x*x/2)*x,这表达了什么意思?谁的一阶导数是自己,只有是自己,才能保持自己在其中。g(x)=常量*exp(-x*x/2),求导后。常量*exp(-x*x/2)
2023-11-27 11:25:38 442 1
原创 去除找直线中的噪点
另外,家里的七亩橘子也掐完(和高龄父母一起,最后两车1吨左右,堆在家中院子里,只等筛选后去卖),可以告一段落了,天冷了,有空,把megauging开发中的想法也可以整理出来,做个记录,好记性不如烂笔头,况且现在光程序碎片太多,前头处理完,十天半个月,再看,有些都想不起来,四十多岁了,新陈代谢也下降了,所以处理一个问题,尽量处理好,回过头再用,我就不用操心,我自己心里默认,已经是最好了。在实现过程中,使用了迭代,还借鉴了自己匹配中的思路,就是匹配接近中,会出现簇聚现象,而这里边,要筛选一个最优。
2023-11-27 09:23:11 340
原创 为什么高斯核是实现尺度空间变换的唯一变换核,并且是唯一的线性核?再研究
这里要注意的是,不要用高斯函数去展开上面的公式,去求所谓的线性,线性,不就是斜率不变吗?下面要说的是,我们研究的是:g(x,y,sigma)和g(x,y,k*sigma)的关系。设函数y=f(x)在x0的某个邻域内有定义,当自变量在x0处取得的改变量。,但我还是证明不要唯一性,linderberg的论文看不懂,就算了,也不是研究:g(x,y,sigma)关于sigma的二次偏导数。g(x,y,k*sigma)-g(x,y,sigma)相当于。而不是:I(x,y)和g(x,y,sigma)之间的关系。
2023-11-26 10:51:47 435
原创 卷积,是什么?
其实就是睁开眼看世界,光合适,看到事物的细节,这种细节在脑中的意识也很清晰,比如,深浅,颜色,轮廓,温暖与否等等,中国人常说,一生二,二生三,三生万物,我们识别万物,先是看粗的特征,再是看细的特征,深浅,颜色,轮廓,温暖可以粗,可以细,这都是我们观察认识世界的法宝,但眼睛太单一,所以,进化又给了我们听,闻很多传感器。其实很多事物,从粗的方面,我们就可以判断,但从我们单一的视觉,或者单一的黑白视觉去判断,要花费很大功夫,要经营很多细节,才勉强触及颜色,距离,听,闻得粗略境界。
2023-11-26 09:24:41 417
原创 关于8位图像buffer显示到picturebox上
以前用c++,固定思维,喜欢用sendmessage,WM_COPYDATA,这次在c#中吃了大亏(接受的动态库窗口没有title name,导致WM_COPYDATA带过来的图像去错了地方,串台了),但改过了,就算成功。一直用第一版本,好几年了,中间改成24位buffer显示到picturebox,24位可以在picturebox中显示,也改成32位显示过,没什么问题,一直也很小心width4位整除问题,所以也没写进去。//其实这都是和显示相关,处理图像其实不必考虑,int mod = ww % 4;
2023-11-25 20:45:46 618
原创 尺度为什么是sigma?
我在研究sift和canny以及膨胀腐蚀的时候发现,腐蚀可以认为是图像缩小,膨胀可以认为是放大,特别是腐蚀轮廓一圈,一圈消下去一个像素,sigma=0.8,膨胀一圈轮廓,一圈增加一个像素,sigma=1.2。其实就是拉平(没有了特色和细节,就像灰色的天空,蓝色天空也行,或者整片白云,应区别噪点,比如云中飞机)了,显然5.6更合适拉平效果,而7有偏颇。不管是拉平的平原,柏油马路的颜色,这些没有特色的,容易引起审美疲劳。十月初,想通了一件事,就是,这两个公式是万物基础,高斯函数很牛,也是要靠这两个定义支撑。
2023-11-25 16:38:37 387
原创 高斯金字塔的秘密,尺度空间证明的思考
在构建图像尺度空间的过程中,唯一使用的核函数是高斯核,这一点被T Lindeber在文献《Scale-space theory: a basic tool for analyzing structures at different scales》中证明,你看看,改变了尺度,还能保持图像特征不变,什么东西有这样的魅力,就是上面这个微分方程的解,这个解和高斯函数脱不了关系,高斯函数和e^x脱不了关系,e^x的一阶二阶三阶导数都和自己相关,这个e^x是函数的特征,是不是也是保证了图像的特征不变。
2023-06-30 17:33:07 239
原创 关于u(x,t)=f(x)*g(t)形式证明的思考
那么还有没有其他函数可以如此,有如此规律,好像二维傅里叶变换也可以,发现,不行。原来在学概率论的时候,证明过,这只能说高斯函数可以,这是一个思路。一维波动函数应该也是这个套路。
2023-06-30 17:09:47 170
原创 adaboost实现(五,完整代码c#)
float[] dataP权重 = new float[] { 0.1f, 0.1f, 0.1f, 0.1f, 0.1f, 0.1f, 0.1f, 0.1f, 0.1f, 0.1f };//////////如果hii==false,则进行备用minindexplus11组(犯错4),犯错3的3组弱分类器已经用完。float[] 最初的标签样本 = new float[] { 1, 1, -1, -1, 1, -1, 1, 1, -1, -1 };//0-9,x<分界,=1;20-39,x>分界,=1;
2023-06-21 16:24:02 821
原创 学习adaboost(四,最后一次迭代,c#实现)
犯错3的3个弱分类就剩一个了,即x<8.5,标签=1,else,标签=-1。如果还搞不定,就得启用犯错4的分类器了,我们这一次是第三次迭代,和第二次没差别,我们看一下数据更新情况,希望是最后一次。再看看三个弱分类器联合的强分类器结果(真的三个臭皮匠定了一个诸葛亮),竟然成功了!再看看我们最初的样子,真的是太帅了!好,搞定,结束,看懂不算数,编出来才算!
2023-06-20 16:41:05 185
工业机器视觉设计实现 megauging(向光有光)
2023-12-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人