Cuando se trata de procesamiento de imágenes y tareas de visión por computadora con OpenCV, existen muchos algoritmos y funciones específicos comunes. A continuación se muestran algunos desgloses más específicos:
Algoritmo de procesamiento de imágenes:
-
Eliminación de ruido de imagen : incluida la eliminación de ruido media, la eliminación de ruido gaussiana, el filtrado mediano, etc., que se utilizan para reducir el ruido en las imágenes.
-
Ecualización de histograma : se utiliza para mejorar el contraste de las imágenes, especialmente adecuada para imágenes de bajo contraste.
-
Detección de bordes : como Sobel, Scharr, Laplacian, etc., se utilizan para detectar bordes en imágenes.
-
Segmentación de imágenes : incluida la segmentación de umbral, el crecimiento de regiones, la segmentación de cuencas, etc., se utiliza para dividir imágenes en diferentes regiones u objetos.
-
Operaciones morfológicas : corrosión, expansión, operaciones de apertura, operaciones de cierre, etc., utilizadas para el procesamiento y segmentación de imágenes.
Algoritmos de extracción de características y descriptores:
-
Detección de esquinas : como la detección de esquinas Shi-Tomasi, la detección de esquinas RÁPIDA, etc., se utilizan para detectar puntos de esquinas en imágenes.
-
Descriptores de características como ORB, SIFT y SURF : se utilizan para detectar y describir características clave en imágenes, a menudo utilizadas para la comparación y el reconocimiento de objetos.
Detección y seguimiento de objetos:
-
Detección de objetivos : incluida la detección de objetos basada en el clasificador en cascada Haar, YOLO (Solo miras una vez) y otros modelos de aprendizaje profundo.
-
Seguimiento de objetivos : utilice métodos como el filtrado de Kalman, el cambio medio y el flujo óptico para rastrear el movimiento de los objetos.
Soporte de aprendizaje profundo:
- Módulo DNN : el módulo de aprendizaje profundo de OpenCV permite el uso de modelos de aprendizaje profundo previamente entrenados, como Caffe, TensorFlow, PyTorch, etc., para tareas como la detección de objetos y la clasificación de imágenes.
Tareas de visión por computadora:
-
Detección y reconocimiento de rostros : utilice el clasificador en cascada Haar, la biblioteca Dlib o el modelo de aprendizaje profundo para la detección y el reconocimiento de rostros.
-
Estimación del flujo óptico : estimación del movimiento de píxeles en una imagen, utilizada para analizar la dinámica en videos.
-
Visión estéreo y estimación de profundidad : utilice cámaras estéreo o modelos de aprendizaje profundo para estimar la profundidad de los objetos en una escena.
-
Unión de imágenes : combine varias imágenes en una imagen panorámica.
-
Calibración de imagen : se utiliza para corregir la distorsión en las imágenes, a menudo se usa para la calibración de la cámara.
Estas subdivisiones son parte de lo que cubre OpenCV y cada una tiene sus propios algoritmos y técnicas específicos.