画像処理.com | キーエンス
画像処理.comでは、こんなことが学べます！ ラインの効率化や不良品検査など、FAを考える上で切っても切れない「画像処理」。 コストパフォーマンスを最大化する導入のためにはレンズの選定や照明などの設定、位置決めなど様々なノウハウが必要です。 ラインの目視検査を自動化したいと考えたことがある 画像処理（カメラ検査）を検討したが、難しそうだと導入をあきらめたことがある という方は、当社新人研修プロ講師が、画像処理について徹底解説するこのサイトをご利用ください。 画像処理に用いるハード（撮像素子CMOSやレンズ、照明など）やソフト（各種検査における画像処理の手法など）に関する基礎知識、また、現場での実践に役立つ基礎知識について解説します。さらに、画像処理に関する基礎知識を再確認したり、気軽に理解を深めたりすることができるクイズ集「画像処理理解度テスト」や、画像処理の歴史に関するトリビアもご用意。
python + opencvでステレオマッチング1(BM法)
OpenCV2.4のStereoBM関数を用いて、ブロックマッチング法により視差を求めました。 今回は左方向から撮影された画像「scene_l.png」と右方向から撮影された画像「scene_r.png」を利用しました。 プログラムでは視差サイズ（ndisparities）を32、平均化窓（SADWindowSize）のサイズを21に調節しています。 ndisparities：各ピクセルにおける最適な視差の探索範囲となる視差サイズ(0～255) SADWindowSize：ピクセルブロックマッチに利用される平均化窓のサイズ(5～22の奇数） （値が大きくなるとノイズに対して頑健になるが，ボケた視差マップが生成される）
非技術者でもわかる（？）コンピュータビジョン紹介資料
3. この資料について 3 この資料は、とあるお客様のコンサルティング用に作成したも のです。 お客様から許可を得て公開しています。 業務上関係なさそうな分野の説明は省略しているため、コンピュー タビジョンの全体紹介としてはバランスを欠いてます。 「コンピュータビジョンってこんなことできるんだ！す げー！！」と思ってもらうのが目的です。 資料中にURLを埋め込んでいるので、埋め込み先にあるデモ動画 などを見ることをおすすめします。 参考に上げた論文は、state-of-the-artなものよりも考え方 がわかるようなものを選んだつもりです。 自分が得意でない分野も含むので、誤っているところなどは 優しく指摘していただけるとありがたいです。 4. 自己紹介 4 テクニカル・ソリューション・アーキテクト 皆川 卓也（みながわ たくや） フリーエンジニア（ビジョン＆I
闇のニコニコ学会β - 闇と欲望とコンピュータビジョン
8. ● 顔画像を用いた AV 検索 こういう娘のえっちな動画？ いもうと中出し 22 水谷さゆみ 恋する乙女たちの宇宙学園 2 栗林里莉 小滝みい菜 夢咲もえ 制服美少女と性交 夢咲りぼん 痴漢ゴスロリ痴女露出 酷夢 森乃梢 私立脱糞プレミア女学園 3 少女たちの課外授業 ! ポルノマニア 愛しの名女優コレクション 小泉キラリ 8 時間スペシャル 18 才解禁 中野えりか 見つけたよ .
桜の写真、料理の写真…… NEC、画像に自動でタグ付けする技術
NECが参考展示している写真の解析システム。画面右の写真一覧から1枚を選び「Analyze」ボタンを押すと、写真の特徴を抽出し類似検索して適切なタグを付与する。画面左に移っている花見の写真は、類似度94％で「桜」のタグを付与している NECは、写真に写った風景や物体などの情報を解析し、内容に合ったタグを自動的に付与していく技術を開発した。ユーザーが撮影した多数の写真を手間を掛けずに分類し、後で検索しやすくする。プログラムや解析用データベースの容量が小さく、携帯電話などの小型機器に実装し、アプリ単体で動作するスタンドアローン型の処理ができる点が特徴。同社は、東京都内で2010年5月12～14日に開催されている「組込みシステム開発技術展」（ESEC）の同社ブースで、同技術を使用した写真の解析システムを実演展示している。 同技術では、写真全体で色の構成、色の配置、輪郭の3点について特徴を抽出し、
[機械学習] bayon+LSHIKITを使って画像クラスタリング - tsubosakaの日記
bayonを使って画像からbag-of-keypointsを求める - のんびり読書日記の記事を読んで、クラスタリングを行う際の入力データを作るために文献[1]にある方法が利用できると思って実験してみた。 局所特徴量を持ったデータの取扱い 画像データの分類などを行う際にSIFTのような画像中の特徴点(keypoint)を抽出するということがよく行われる。 例えばSIFTを用いる場合は各keypointは128次元のベクトルとなり、画像ごとにいくつかのkeypointが抽出される。ここで抽出されるkeypointの数は画像ごとに異なる。このため、画像間の類似性を比較するのは困難である。 これに対するアプローチとしては一つは画像中の特徴点同士の全対比較を行う、もしくはマッチングをとるという方法が挙げられるがこれは計算量が非常に大きい。 別の方法としてヒストグラムを利用するという方法がある。これ
![[機械学習] bayon+LSHIKITを使って画像クラスタリング - tsubosakaの日記](https://cdn-ak-scissors.b.st-hatena.com/image/square/f58ccb45fb220c192816cf8f6046f3b02737165d/height=288;version=1;width=512/https%3A%2F%2Fcdn.image.st-hatena.com%2Fimage%2Fscale%2Fba5e49de2a75f90a8659c715829eaea8e3e10631%2Fbackend%3Dimagemagick%3Bheight%3D1200%3Bversion%3D1%3Bwidth%3D1200%2Fhttps%253A%252F%252Fcdn-ak.f.st-hatena.com%252Fimages%252Ffotolife%252Ft%252Ftsubosaka%252F20100130%252F20100130195850.png)
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
