目录引言一、基础知识 二、 点、线和边缘检测2.1 背景知识2.2 孤立点检测2.3 线检测2.4 边缘检测 2.5 基本边缘检测、更先进的边缘检测三、阈值处理3.1 基础知识 3.2 基本的全局阈值处理 3.3 用Otsu方法的最佳全局阈值处理3.4 图像平滑、边缘改善全局阈值处理 ​编辑3.5 多阈值处理3.6 可变阈值处理四、基于区域的分割 4.1 区域生长4.2 区域分裂与聚合五、形态学分

元算法是对其他算法进行组合的一种方式。AdaBoost是最流行的元算法。这一章学习讨论boosting方法及其代表分类器AdaBoost，建立单层决策树分类器。AdaBoost算法将应用在上述单层决策树分类器之上。

概率论是许多机器学习算法的基础，在之前的学习中计算特征值取某个值的概率时就涉及到了一些概率知识，先统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，就得到特征取该值的概率。

引言这里主要学习如何通过Python接口使用流行的计算机视觉库OpenCV。OpenCV是一个C++库，用于实时处理计算机视觉问题。

引言一、 单应性变换1.1 直接线性变换算法1.2 仿射变换二、 图像扭曲2.1 图像中的图像2.2 分段仿射扭曲2.2 图像配准三、创建全景图3.1 RANSAC（随机一致性采样）3.2 拼接图像四、总结

对于高层查询，比如寻找相似的物体，将查询图像与数据库中所有的图像进行完全比较往往是不可行的，因为当数据库很大时，这种查询方式会耗费很长的时间。没有一个是准确的时，分数为0；lmlist包含所有要索引的图像文件名，imwords包含了单词的单词索引、用到了哪个词汇、以及单词出现在哪些图像中，imhistograms包含了全部每幅图像的单词直方图。建立好图像的索引后，就可以在数据库中搜索相似的图像了，

增强现实又称AR，是将物体和相应信息放置在图像数据上的一系列操作的总称，是当前非常热门的一项技术，而最为典型的例子就是放置一个三维计算机图形学模型，并使之看起来属于该场景。在之前的学习里我们讲述了图像到图像之间的映射和变换，而在处理三维图像和平面图像之间的映射，我们还需在映射中加入部分照相机产生图像过程的投影特性。2、将照相机和标定物体放置在平面上，使得照相机的背面和标定物体平行，同时物体位于照相

实验结果得出了两幅图像相匹配得到的对应角点，函数get_descriptor的参数为奇数大小长度的方形灰度图像块，该图像块的中心点位处理的像素点。对于将一幅图像中的特征匹配到另一幅图像的特征，一种由Lowe提出的稳健准则是使用这两个特征距离和两个最匹配特征距离的比率，该准则保证能够找到足够相似的唯一特征，可以大大降低错误的匹配数。兴趣点描述子是分配给兴趣点的一个向量，描述该点附近的图像的表观信息，

不同于前面的例子，这里再载入数据集后要将数组转换成列表，这是因为LibSVM不支持数组对象的输入，使用使用了内建函数map()进行转换，map()函数中用到了对角一个元素都会进行转换的list()函数。SVM是一类强大的分类器，可以在很多分类问题中给出出现有水准很高的分类结果，最简单的SVM通过在高维空间中寻找一个最优线性分类面，并尽可能的将两类数据分开。PCA非常适合用于降维处理。从上图的结果中

当有一个场景的两个视图以及视图中的对应图像点，那么根据照相机间的空间相对位置关系、照相机的性质以及三维场景点的位置，可以得到对这些图像点的一些几何关系约束。对于静止图像，一个办法是找到一个中央参考视图，然后计算与之有关的所有其他照相机矩阵，另一个方法就是计算一个图像对的照相机矩阵和三维重建，然后增量的加入新的图像和三维点。分析：上述代码主要功能是绘制出第一个视图以及该视图中的图像点，并将投影后的点