图像拼接 python中关于图像拼接的方法比较多，个人推荐使用Numpy中的原生方法（concatenate、hstack、vstack），如下所示： # -*- coding:utf-8 -*- ''' 图像（水平、垂直）拼接 ''' import cv2 import numpy as np # 读取图像并重置图像大小，使两图像宽高保持一致 img1 = cv2.resize(cv2.imread("./images/5.jpg"), (640, 480)) img2 = cv2.resize(cv2.imread("./images/2.jpg"), (640, 480)) # 方式

skimage包skimage包skimage包skimage包skimage包skimage包skimage包skimage包skimage包skimage包skimage包skimage包skimage包

该资源为《OpenCV视觉之眼》专栏的最终对于opnecv-pythond的图像处理技术，该项目即包括原理书写的函数，同时也包括OpenCV官方的库函数的使用，默认调用自己编写的原理函数实现对图像的处理，小伙伴们如果需要用OpenCV库函数，直接将注释去掉就行；该项目通过OpenCV对图像的各种处理包括特效处理、去噪处理、硬币检测、直线检测和其他的圆检测，是对《OpenCV视觉之眼》专栏的一个总体概括

压缩包里是python的代码文件（包含代码），你的电脑安装了python可直接打开，我放了一张图片在里面，图像处理包括了对图形灰度化、腐蚀、图片二值化、寻找最大轮廓、canny边缘检测、获取hsv与rgb值、膨胀等技术。

数据降维   在实际生产生活中，我们所获得的数据集在特征上往往具有很高的维度，对高维度的数据进行处理时消耗的时间很大，并且过多的特征变量也会妨碍查找规律的建立。如何在最大程度上保留数据集的信息量的前提下进行数据维度的降低，是我们需要解决的问题。   对数据进行降维有以下优点：   （1）使得数据集更易使用   （2）降低很多算法的计算开销   （3）去除噪声   （4）使得结果易懂   降维技术作为数据预处理的一部分，即可使用在监督学习中也能够使用在非监督学习中。而降维技术主要有以下几种：主成分分析(Principal Component Analysis，PCA)、因子分析(Factor Analysis)，以及独立成分分析(Independent Component Analysis, ICA)。其中主成分分析PCA应用最为广泛，本文也将详细介绍PCA。

计算三维重建的方法称为SfM（Structure from Motion）.\ 假设计算机已经标定，计算重建的部分可以分为下面四个步骤：\ （1）、检测特征点，然后在两幅图间进行特征点匹配。\ （2）、有匹配算出基础矩阵。\ （3）、由基础矩阵计算照相机矩阵。\ （4）、三角剖分这些三维点。

1.查阅学习了pca主成分分析和svd矩阵奇异值分解的原理； 2.打印棋盘纸用GML软件对相机进行了标定； 3.利用标定好的相机矩阵结合前面所学的sift算法和rasic算法对相机的姿态进行估计。