Создание системы извлечения изображений на основе содержимого (CBIR) с использованием настраиваемого рабочего процесса «пакет функций».

Используйте 2-D нормализованную взаимную корреляцию для сопоставления шаблона и сопровождения цели. В примере используется предопределенный или заданный пользователем целевой объект и количество аналогичных целевых объектов для отслеживания. График нормализованной взаимной корреляции показывает, что, когда значение превышает установленный порог, цель идентифицируется.

Обнаружение определенного объекта в загроможденной сцене с учетом опорного изображения объекта.

Классифицируйте цифры с помощью функций HOG и мультиклассового классификатора SVM.

Автоматическое определение геометрического преобразования между двумя изображениями. Когда одно изображение искажается относительно другого вращением и масштабированием, используйте detectSURFFeatures и estimateGeometricTransform2D для определения угла поворота и масштабного коэффициента. Затем можно преобразовать искаженное изображение для восстановления исходного изображения.

Автоматическое создание панорамы с использованием методов регистрации изображений на основе функций.

Стабилизируйте видео, которое было снято с джиттерной платформы. Одним из способов стабилизации видео является отслеживание характерного признака изображения и использование его в качестве точки привязки для устранения всех возмущений относительно него. Эта процедура, однако, должна быть загружена со знанием того, где такая характерная особенность лежит в первом видеокадре. В этом примере мы исследуем метод стабилизации видео, который работает без каких-либо таких априорных знаний. Вместо этого он автоматически выполняет поиск «фоновой плоскости» в видеопоследовательности и использует наблюдаемое искажение для коррекции движения камеры.

Используйте морфологические операции для подсчета объектов в видеопотоке.

Используйте комбинацию базовых морфологических операторов и анализа больших двоичных объектов для извлечения информации из видеопотока. В этом случае в примере подсчитывается количество бактерий кишечной палочки в каждом видеокадре. Обратите внимание, что клетки имеют различную яркость, что делает задачу сегментации более сложной.