opencv—常用函数学习_“干货“_13

常用机器学习算法
SVM（Support Vector Machine）	KNearest	RTrees（Random Trees）	NormalBayesClassifier
支持向量机	K近邻算法	随机森林	朴素贝叶斯分类器
Boost（AdaBoost）	ANN_MLP（Artificial Neural Network - Multi-Layer Perceptron）：	DNN（Deep Neural Network）
自适应增强算法	多层感知器人工神经网络	深度神经网络

支持向量机（SVM）

import cv2
import numpy as np

# 创建训练数据
train_data = np.array([[1, 2], [2, 3], [3, 3], [6, 6], [7, 7], [8, 8]], dtype=np.float32)
labels = np.array([0, 0, 0, 1, 1, 1], dtype=np.int32)

# 初始化SVM并设置参数
svm = cv2.ml.SVM_create()
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setType(cv2.ml.SVM_C_SVC)
svm.setC(1)

# 训练SVM
svm.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 创建测试数据
test_data = np.array([[2, 2], [5, 5]], dtype=np.float32)

# 预测
_, results = svm.predict(test_data)
print("Predicted labels:", results.ravel())

K近邻算法（KNearest）

# 初始化K近邻分类器并设置参数
knn = cv2.ml.KNearest_create()
knn.setDefaultK(3)

# 训练K近邻分类器
knn.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
ret, results, neighbours, dist = knn.findNearest(test_data, k=3)
print("Predicted labels:", results.ravel())

随机森林（RTrees）

# 初始化随机森林分类器
rtrees = cv2.ml.RTrees_create()

# 训练随机森林分类器
rtrees.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
_, results = rtrees.predict(test_data)
print("Predicted labels:", results.ravel())

朴素贝叶斯分类器（NormalBayesClassifier）

# 初始化朴素贝叶斯分类器
bayes = cv2.ml.NormalBayesClassifier_create()

# 训练朴素贝叶斯分类器
bayes.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
_, results = bayes.predict(test_data)
print("Predicted labels:", results.ravel())

自适应增强算法（Boost）

# 初始化Boost分类器
boost = cv2.ml.Boost_create()

# 训练Boost分类器
boost.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
_, results = boost.predict(test_data)
print("Predicted labels:", results.ravel())

多层感知器人工神经网络（ANN_MLP）

# 初始化多层感知器人工神经网络
mlp = cv2.ml.ANN_MLP_create()
mlp.setLayerSizes(np.array([2, 5, 1]))  # 输入层2个节点，隐藏层5个节点，输出层1个节点
mlp.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)

# 训练多层感知器
mlp.train(train_data, cv2.ml.ROW_SAMPLE, labels)

# 预测
_, results = mlp.predict(test_data)
print("Predicted labels:", results.ravel())

解释

SVM：适用于分类和回归任务，通过最大化类别间的间隔来找到最佳分类超平面。
KNearest：基于最近邻居的投票进行分类，简单易实现但计算量大。
RTrees：随机森林，通过多个决策树的集成提高分类精度和防止过拟合。
NormalBayesClassifier：基于贝叶斯定理进行分类，假设特征之间相互独立。
Boost：通过加权的方式结合多个弱分类器形成一个强分类器，常用AdaBoost算法。
ANN_MLP：多层感知器神经网络，通过反向传播算法进行训练，适用于复杂的非线性问题。
DNN：深度神经网络，适用于处理大规模数据和复杂模式识别任务。

这些示例展示了如何使用OpenCV中的各种机器学习算法来进行分类和预测任务。根据具体的应用需求，可以灵活运用这些算法来实现机器学习任务。

三五、相机标定

在OpenCV中，摄像机标定是计算机视觉中的一个重要步骤，用于确定摄像机的内部参数和外部参数。摄像机标定包括一系列步骤，如角点检测、图像畸变校正、姿态估计等。下面介绍一些常用的摄像机标定函数及其使用示例。

摄像机标定函数
findChessboardCorners	findCirclesGrid	find4QuadCornerSubpix	cornerSubPix
检测棋盘格角点	检测圆形网格点	精确化角点检测	进一步精确化角点位置
calibrateCamera	initUndistortRectifyMap	remap	undistort
摄像机标定	初始化去畸变和校正映射	重映射图像	校正图像的畸变
findHomography	solvePnP	solvePnPRansac	Rodrigues
计算单应性矩阵	解PnP问题，估计物体的姿态	使用RANSAC解PnP问题	将旋转向量转换为旋转矩阵
convertPointsToHomogeneous	convertPointsFromHomogeneous
将点转换为齐次坐标	将齐次坐标转换为普通坐标

棋盘格角点检测 (`findChessboardCorners`)

import cv2
import numpy as np

# 读取棋盘格图像
image = cv2.imread('path_to_chessboard_image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 设置棋盘格大小
chessboard_size = (9, 6)

# 检测棋盘格角点
ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)

# 如果找到角点，则绘制并显示
if ret:
    cv2.drawChessboardCorners(image, chessboard_size, corners, ret)
    cv2.imshow('Chessboard Corners', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

精确化角点位置 (`cornerSubPix`)

# 进一步精确化角点位置
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)

# 绘制精确化后的角点
cv2.drawChessboardCorners(image, chessboard_size, corners2, ret)
cv2.imshow('Refined Corners', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

摄像机标定 (`calibrateCamera`)

# 准备对象点和图像点
objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2)

objpoints = [] # 在世界坐标系中的三维点
imgpoints = [] # 在图像平面的二维点

objpoints.append(objp)
imgpoints.append(corners2)

# 摄像机标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

print("Camera matrix:\n", mtx)
print("Distortion coefficients:\n", dist)

图像畸变校正 (`undistort`)

# 校正图像的畸变
dst = cv2.undistort(image, mtx, dist, None, mtx)

# 显示校正后的图像
cv2.imshow('Undistorted Image', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

单应性矩阵计算 (`findHomography`)

# 假设有两个点集，pts_src 和 pts_dst
pts_src = np.array([[0, 0], [0, 1], [1, 1], [1, 0]], dtype=np.float32)
pts_dst = np.array([[0, 0], [0, 1], [1, 1], [1, 0]], dtype=np.float32)

# 计算单应性矩阵
H, mask = cv2.findHomography(pts_src, pts_dst, cv2.RANSAC, 5.0)

print("Homography matrix:\n", H)

PnP 问题求解 (`solvePnP`)

# 对象点和图像点
obj_points = np.array([[0, 0, 0], [0, 1, 0], [1, 1, 0], [1, 0, 0]], dtype=np.float32)
img_points = np.array([[100, 100], [100, 200], [200, 200], [200, 100]], dtype=np.float32)

# 估计物体姿态
success, rotation_vector, translation_vector = cv2.solvePnP(obj_points, img_points, mtx, dist)

print("Rotation vector:\n", rotation_vector)
print("Translation vector:\n", translation_vector)

这些示例展示了如何使用OpenCV中的摄像机标定函数来进行角点检测、图像畸变校正、姿态估计等任务。根据具体的应用需求，可以灵活运用这些函数来实现复杂的摄像机标定和图像处理任务。

原文地址:https://blog.csdn.net/chen_0717/article/details/140584987 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：https://www.suanlizi.com/kf/1815205627836895232.html 如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！

阅读全部