- 博客(261)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 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
585
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
1028
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，[email protected]，可以邮件联系我。机器视觉五板斧，第五板斧，
2023-12-02 14:56:19
309
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
374
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
947
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
551
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
428
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
463
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
351
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
440
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
628
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
259
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
171
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
836
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
188
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