关于直线镜像矩阵生成
最近项目需求，在做关于直线镜像变换，网上看了一些，留作备份，以备追溯，
以上两个是参考的两个帖子，由于我要用到关于任意直线Ax+By+C=0的镜像，采用了第一个说道的方法，并将其代码转换为矩阵表示，更加直观
对于直线ax+by+c=0有
M1=[b*b -a*b -a*c;-a*b a*a -b*c;0 0 0]/(a*a+b*b);
M2=[-1 0 0;0 -1 0; 0 0 1];
M=M2*(E-M1)+M1;其中M就是最后所求关于直线对称的镜像矩阵了
此文章版权归snailgoers所有，如有转载，请注明來自原作者
微信
相关推荐
5月 4 2014
灰度共生矩阵（GLCM）
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。 设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为 P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝ 其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。 纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的［7］，因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素m...
5月 15 2014
任意点到斜椭圆最小距离
最近由于项目需求，要计算任意点到斜椭圆的距离，方程相信大家都知道怎么建立，但是它是一个4次方程，matlab都很不好解，写到程序中也很难，搜了很多帖子，都是只给方程，不给解的，其实原理大家都知道，如何用程序解才是大家关心的，所以一直都没有找到合理的答案，关键时刻还是google给力，度娘一般的东西还撮合，可学术性的、英文的确是一塌糊涂，网络上收集到这样一篇论文,我也是用这个算法最终解决我的问题的，它只使用与标准方程，斜椭圆只是多了平移和旋转操作而已。 ###第一象限中的点到标准椭圆的距离### double DistancePointEllipseSpecial(const double e[2], const double y[2], double x[2]) { double distance; if (y[1] > 0) { if (y[0] > 0) { // bisect to compute the root of F(t) for t >=...
5月 4 2014
Gray-level Co-occurrence Matrix 灰度共生矩阵
灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。 取图像(N×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）。值，设灰度值的级数为，则（g1，g2）。的组合共有 k2种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。 为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种: 能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反， 如果其中一些值大而其...
5月 4 2014
p分位法图像二值化
最近在做字符识别，由于对于粘连情况识别无效 ，所以一直在考虑一种能够解决字符粘连的方法，而最为关键的是二值化过程，这种方法不能很好的分割字符，但是也是一种思路，写下来以备以后不时之需。代码很少， clc;clear;close all ga=imread('1.bmp'); if ndims(ga)==3 ga=rgb2gray(ga); end prc=prctile(ga,40); bw=ones(size(ga)); for i=1:length(prc) bw(find(ga(:,i)<=prc(i)),i)=0; end imshow(bw,[]) 具体函数定义大家可以查看matlab帮助文件，有详细用法。
5月 4 2014
Libsvm 之svmpredict 输出概率
[p1,p2,p3]=svmpredict(label_test,testdata,svmstruct,'-b 1') 这个相比大家都用过，p1输出预估的类别，p2准确率，p3不同类的分类概率，但是这里面却有个小陷阱，之前我的理解，p3的一行代表不同类的概率，且是按照顺序排列的，既列的索引对应类别的索引，这次小师弟问我，才注意到并不是按照顺序的，而是在svmtrain训练的模型中既model.Label这个变量中，保存的类别，相应的，也是按照这个排序的。 [~,mdex]=max(p3(i,:)); %样本所属分类概率 p＝model.Label(mdex);
5月 14 2026
矩阵的旋转平移正变换及反变换
假设一个点P(x,y,z)，旋转矩阵T，平移向量V，则旋转后的平移表达式为T*P+V,此处采用右乘准则，用矩阵表示为： [T V;0 1]*[T0 V0;0 1]=[T*T0 T*V0+V;0 1] 其中T0为P原始坐标系的旋转矩阵，V0是P原始坐标系的评议向量，则相应的逆变换为 [inv(T) - inv(T)*V ; 0 1]*[T0 V0;0 1]=[inv(T)*T0 inv(T)*V0-inv(T)*V;0 1] 从上式可以看出，正变换在先旋转后平移的情况下，其逆变换是先平移后旋转
评论