openmv中的image.draw_keypoints(kpts)函数

时间: 2024-04-21 13:30:09 浏览: 24
在OpenMV中，image.draw_keypoints(kpts)函数也是用来在图像上绘制特征点的。它需要传入一个特征点列表kpts，其中每个特征点包含了其在图像上的坐标、尺度、方向等信息。函数会将特征点用圆形的形式绘制在图像上，以便于观察和分析。此外，OpenMV还提供了其他的绘制函数，如image.draw_line()、image.draw_rectangle()等，可用于在图像上绘制直线、矩形等形状。
相关问题

img.draw_keypoints([(blob.cx(), blob.cy(), int(math.degrees(blob.rotation())))], size=20) print(clock.fps())

引用\[1\]:img.draw_keypoints(\[(blob.cx(), blob.cy(), int(math.degrees(blob.rotation())))\], size=20)是用来绘制关键点的函数。它接受一个包含关键点信息的列表作为参数，每个关键点由(x, y, rotation)组成，其中(x, y)是关键点的坐标，rotation是关键点的旋转角度。size参数指定了绘制关键点的大小。\[1\] print(clock.fps())是用来打印当前帧率的函数。它会输出当前相机的帧率。\[1\] 所以，这段代码的作用是绘制关键点并打印当前帧率。 #### 引用[.reference_title] - *1* *3* [OpenMV的单颜色识别讲解](https://blog.csdn.net/qq_63922192/article/details/127149866)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [K210追小球程序与STM32最小系统板通信（自主学习）](https://blog.csdn.net/qq_60043905/article/details/125655140)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

我对superpoint在github上发布的superpoint_v1.pth文件进行了修改，想提取原图像的特征点并绘制，修改的部分代码如下 ： start1 = time.time() pts, desc, heatmap = fe.run(img) # 转换特征点为cv2.KeyPoint对象 cv_keypoints = [cv2.KeyPoint(point[0], point[1], 1) for point in pts[0]] image_color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) # 绘制特征点 image_with_keypoints = cv2.drawKeypoints(image_color, cv_keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) cv2.imshow('Image with Keypoints', image_with_keypoints) cv2.waitKey(0) cv2.destroyAllWindows() 错误信息如下： Traceback (most recent call last): File "D:/SuperPointPretrainedNetwork-master/demo1.py", line 683, in <module> flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) cv2.error: C:\projects\opencv-python\opencv\modules\features2d\src\draw.cpp:108: error: (-5) Incorrect type of input image. in function cv::drawKeypoints warning: Error opening file (/build/opencv/modules/videoio/src/cap_ffmpeg_impl.hpp:792) warning: ./assets/icl_snippet/ (/build/opencv/modules/videoio/src/cap_ffmpeg_impl.hpp:793) 我改如何修改

根据错误信息，问题出现在 `cv2.drawKeypoints` 函数中，错误提示是 "Incorrect type of input image"。这意味着 `image_color` 的类型不正确。 根据您提供的代码，`image_color` 是使用 `cv2.cvtColor` 函数从灰度图像转换为彩色图像的结果。但是，错误信息表明转换后的图像类型不正确。 您可以尝试使用以下方法解决该问题： 1. 确保 `img` 是正确的灰度图像。可以使用 `cv2.imread` 读取图像，并在读取时指定 `cv2.IMREAD_GRAYSCALE` 参数。 2. 使用 `cv2.cvtColor` 将读取的灰度图像转换为彩色图像时，确保正确指定转换的颜色空间。例如，使用 `cv2.COLOR_GRAY2BGR` 将灰度图像转换为 BGR 彩色图像。 3. 在调用 `cv2.drawKeypoints` 之前，检查 `image_color` 的类型，确保它是正确的彩色图像类型（例如，numpy 数组）。 尝试按照上述步骤检查和修改代码，并确保输入图像的类型正确，以解决该错误。

相关推荐

gz

person_keypoints_train2014.json & person_keypoints_val2014.json

coco datasets annotations:person_keypoints_train2014.json & person_keypoints_val2014.json
rar

ijcv04_keypoints.rar_matlab之父_sift

世界SIFT之父，经典的关于SIFT的原文！
py

labelme2coco_keypoints.py

此脚本用于将labem标注的关键点数据，转换为COCO数据集的关键点标注格式。

s = image_crop.get_shape().as_list() keypoints_scoremap = self.inference_pose2d(image_crop) keypoints_scoremap = keypoints_scoremap[-1] keypoints_scoremap = tf.image.resize_images(keypoints_scoremap, (s[1], s[2])) return keypoints_scoremap, image_crop, scale_crop, center注释

2. 对输入图像进行裁剪操作，得到裁剪后的图像，保存在变量image_crop中。 3. 调用self.inference_pose2d()方法，对裁剪后的图像进行姿态估计，得到一个关键点的分数地图，保存在变量keypoints_scoremap中。 4. ...

2023/6/1 21:12:50 s = image_crop.get_shape().as_list() keypoints_scoremap = tf.image.resize_images(keypoints_scoremap, (s[1], s[2]))注释该代码

这段代码的作用是将keypoints_scoremap的大小调整为与image_crop相同的大小，并将结果存储在keypoints_scoremap中。 具体来说，image_crop.get_shape().as_list()返回image_crop的形状（尺寸），存储在s...

# Single Color Code Tracking Example # # This example shows off single color code tracking using the CanMV Cam. # # A color code is a blob composed of two or more colors. The example below will # only track colored objects which have both the colors below in them. import sensor, image, time, math # Color Tracking Thresholds (L Min, L Max, A Min, A Max, B Min, B Max) # The below thresholds track in general red/green things. You may wish to tune them... thresholds = [(30, 100, 15, 127, 15, 127), # generic_red_thresholds -> index is 0 so code == (1 << 0) (30, 100, -64, -8, -32, 32)] # generic_green_thresholds -> index is 1 so code == (1 << 1) # Codes are or'ed together when "merge=True" for "find_blobs". sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time = 2000) sensor.set_auto_gain(False) # must be turned off for color tracking sensor.set_auto_whitebal(False) # must be turned off for color tracking clock = time.clock() # Only blobs that with more pixels than "pixel_threshold" and more area than "area_threshold" are # returned by "find_blobs" below. Change "pixels_threshold" and "area_threshold" if you change the # camera resolution. "merge=True" must be set to merge overlapping color blobs for color codes. while(True): clock.tick() img = sensor.snapshot() for blob in img.find_blobs(thresholds, pixels_threshold=100, area_threshold=100, merge=True): if blob.code() == 3: # r/g code == (1 << 1) | (1 << 0) # These values depend on the blob not being circular - otherwise they will be shaky. # if blob.elongation() > 0.5: # img.draw_edges(blob.min_corners(), color=(255,0,0)) # img.draw_line(blob.major_axis_line(), color=(0,255,0)) # img.draw_line(blob.minor_axis_line(), color=(0,0,255)) # These values are stable all the time. img.draw_rectangle(blob.rect()) img.draw_cross(blob.cx(), blob.cy()) # Note - the blob rotation is unique to 0-180 only. img.draw_keypoints([(blob.cx(), blob.cy(), int(math.degrees(blob.rotation())))], size=20) print(clock.fps())

这段代码是一个单色码跟踪的示例，...然后，使用find_blobs函数找到符合阈值要求的颜色块，并绘制出来。最后，打印出每秒处理的帧数。 请注意，这段代码中的阈值是一些通用的阈值，你可能需要根据实际情况进行调整。

keypoints_clockwise = [] keypoints_court_o = keypoints[0] keypoints_clockwise.append(keypoints_court_o[0]) keypoints_clockwise.append(keypoints_court_o[1]) keypoints_clockwise.append(keypoints_court_o[3]) keypoints_clockwise.append(keypoints_court_o[2])解释一下这段代码

接着，代码将 keypoints_court_o 中的第一个角点坐标添加到 keypoints_clockwise 中，再将第二个角点坐标添加到 keypoints_clockwise 中，以此类推，最终得到的 keypoints_clockwise 列表中，四个角点坐标...

优化这段程序：#include<amp_graphics.h> #include<conio.h> #include<vector> using namespace std; #define WIDTH 1000 #define HEIGHT 700 class Point {//定义顶点类坐标 public: float x, y; Point(float ix, float iy) { x = ix; y = iy; } }; class Path{ public: vectorkeyPoints; void draw() { setlinecolor(RGB(0, 0, 0)); setfillcolor(RGB(0, 0, 0)); for (int i = 0;i<keyPoints.size(); i++) { fillcircle(keyPoints[i].x, keyPoints[i].y, 8); } for (int i = 0; i < keyPoints.size(); i++) { line(keyPoints[i].x, keyPoints[i].y, keyPoints[i+1].x, keyPoints[i+1].y); } } }; Path path; void startup() { initgraph(WIDTH, HEIGHT); setbkcolor(WHITE); cleardevice(); path.keyPoints.push_back(Point(100, 600)); path.keyPoints.push_back(Point(900, 600)); path.keyPoints.push_back(Point(900, 100)); path.keyPoints.push_back(Point(100, 100)); BeginBatchDraw(); } void show() { cleardevice(); path.draw(); FlushBatchDraw(); sleep(10); } int main() { startup(); while (1) { show(); } return 0; }

line(keyPoints.back().x, keyPoints.back().y, keyPoints.front().x, keyPoints.front().y); } }; int main() { initgraph(WIDTH, HEIGHT); setbkcolor(WHITE); cleardevice(); Path path; path.keyPoints...

import cv2 import numpy as np import torch as torch from torchvision.models import densenet121 # Load the DenseNet model model = densenet121(pretrained=True) # Read the image image = cv2.imread('C:/Users/23594/Desktop/888.jpg') # Convert the image to grayscale grayscale_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Resize the image to the size of the model input resized_image = cv2.resize(grayscale_image, (224, 224)) # Normalize the image normalized_image = resized_image / 255.0 # Convert the image to a tensor image_tensor = torch.from_numpy(normalized_image).float() # Predict the key points of the person predictions = model(image_tensor) # Convert the predictions to a list of points points = [] for i in range(len(predictions[0])): points.append((predictions[0][i][0], predictions[0][i][1])) # Draw the key points on the image cv2.drawKeypoints(image, points, np.array([]), (0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) # Display the image cv2.imshow('Image', image) cv2.waitKey(0)import cv2 import numpy as np import torch as torch from torchvision.models import densenet121 # Load the DenseNet model model = densenet121(pretrained=True) # Read the image image = cv2.imread('C:/Users/23594/Desktop/888.jpg') # Convert the image to grayscale grayscale_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Resize the image to the size of the model input resized_image = cv2.resize(grayscale_image, (224, 224)) # Normalize the image normalized_image = resized_image / 255.0 # Convert the image to a tensor image_tensor = torch.from_numpy(normalized_image).float() # Predict the key points of the person predictions = model(image_tensor) # Convert the predictions to a list of points points = [] for i in range(len(predictions[0])): points.append((predictions[0][i][0], predictions[0][i][1])) # Draw the key points on the image cv2.drawKeypoints(image, points, np.array([]), (0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) # Display the image cv2.imshow('Image', image) cv2.waitKey(0)

它使用了OpenCV和PyTorch库。具体流程包括： 1. 导入必要的库，包括OpenCV、NumPy和PyTorch等。 ... 3. 读取待检测的人物图片，并将其转为灰度图像。 4. 调整图片大小为与模型输入大小相同。...5. 将像素值归一化到0到1...

我想在以下这段代码中，添加显示标有特征点的图像的功能。def cnn_feature_extract(image,scales=[.25, 0.50, 1.0], nfeatures = 1000): if len(image.shape) == 2: image = image[:, :, np.newaxis] image = np.repeat(image, 3, -1) # TODO: switch to PIL.Image due to deprecation of scipy.misc.imresize. resized_image = image if max(resized_image.shape) > max_edge: resized_image = scipy.misc.imresize( resized_image, max_edge / max(resized_image.shape) ).astype('float') if sum(resized_image.shape[: 2]) > max_sum_edges: resized_image = scipy.misc.imresize( resized_image, max_sum_edges / sum(resized_image.shape[: 2]) ).astype('float') fact_i = image.shape[0] / resized_image.shape[0] fact_j = image.shape[1] / resized_image.shape[1] input_image = preprocess_image( resized_image, preprocessing="torch" ) with torch.no_grad(): if multiscale: keypoints, scores, descriptors = process_multiscale( torch.tensor( input_image[np.newaxis, :, :, :].astype(np.float32), device=device ), model, scales ) else: keypoints, scores, descriptors = process_multiscale( torch.tensor( input_image[np.newaxis, :, :, :].astype(np.float32), device=device ), model, scales ) # Input image coordinates keypoints[:, 0] *= fact_i keypoints[:, 1] *= fact_j # i, j -> u, v keypoints = keypoints[:, [1, 0, 2]] if nfeatures != -1: #根据scores排序 scores2 = np.array([scores]).T res = np.hstack((scores2, keypoints)) res = res[np.lexsort(-res[:, ::-1].T)] res = np.hstack((res, descriptors)) #取前几个 scores = res[0:nfeatures, 0].copy() keypoints = res[0:nfeatures, 1:4].copy() descriptors = res[0:nfeatures, 4:].copy() del res return keypoints, scores, descriptors

img_with_keypoints = cv2.drawKeypoints(image, keypoints, np.array([]), (255,0,0), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) cv2.imshow("Image with Keypoints", img_with_keypoints) cv2.waitKey(0) cv2....

labelme2coco_keypoints.py怎么运行

2. 下载并保存labelme2coco_keypoints.py脚本文件到您的本地计算机中。 3. 创建一个包含LabelMe标注姿态关键点数据的文件夹。 4. 打开终端或命令提示符，并进入到存储labelme2coco_keypoints.py脚本文件的文件夹。...

find_keypoints()函数的返回数据

根据你提供的信息，我假设你是在讨论图像处理领域中的find_keypoints()函数。该函数通常用于在图像中寻找特征点或关键点，以便进行后续的特征提取和匹配等操作。其返回数据通常是一个包含检测到的关键点信息的数据...

FVector shoulder = FVector(keypoints[right_shoulder_index].x, keypoints[right_shoulder_index].y, keypoints[right_shoulder_index].z); FVector arm = FVector(keypoints[right_arm_index].x, keypoints[right_arm_index].y, keypoints[right_arm_index].z); FVector forearm = FVector(keypoints[right_forearm_index].x, keypoints[right_forearm_index].y, keypoints[right_forearm_index].z); FVector vec1 = arm - shoulder; FVector vec2 = forearm - shoulder; FVector rotation_vector = FVector::CrossProduct(vec1, vec2); rotation_vector.Normalize(); FRotator rotation = rotation_vector.Rotation(); FQuat quat = rotation.Quaternion();这段代码如果改为计算右前臂的旋转角度该怎么改

//将旋转角度应用到游戏模型中 FRotator forearm_rotation(0.0f, right_forearm_rotation, 0.0f); MeshComponent->SetRelativeRotation(forearm_rotation); 请注意，这只是一个简单的示例代码，具体实现可能...

cv.xfeatures2d.SIFT_create() is deprecated

img = cv.drawKeypoints(img, keypoints, img, flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) cv.imshow("SIFT Features", img) cv.waitKey(0) 如果你想使用其他的特征检测器，可以查看 OpenCV 官方文档...

viewer.addPointCloud(model_keypoints, model_keypoint_color, "model_keypoints"); viewer.addPointCloud(scene_keypoints, scene_keypoint_color, "scene_keypoints"); viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "model_keypoints"); viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "scene_keypoints");如何改成对原始点云可视化

在这个示例中，我们使用 addPointCloud 函数可视化了原始的模型点云和场景点云。同时，我们设置了点云的渲染属性，包括点的大小和颜色。最后，我们使用 viewer.spinOnce() 函数来显示点云，并且等待用户关闭可视...

cv2.SIFT_create() 参数

cv2.SIFT_create()函数是OpenCV中用于创建SIFT（Scale-Invariant Feature Transform）特征提取器的方法。SIFT是一种在计算机视觉中常用的特征提取算法，用于检测和描述图像中的关键点。 该函数没有任何参数，直接...

详细解释一下这段代码，每一句给出详细注解：for k in kpts.keys(): kpts[k] = np.round(np.concatenate(kpts[k], axis=0)) unique_kpts = {} unique_match_idxs = {} for k in kpts.keys(): uniq_kps, uniq_reverse_idxs = torch.unique(torch.from_numpy(kpts[k].astype(np.float32)), dim=0, return_inverse=True) unique_match_idxs[k] = uniq_reverse_idxs unique_kpts[k] = uniq_kps.numpy() with h5py.File(f"{feature_dir}/keypoints.h5", mode='w') as f_kp: for k, kpts1 in unique_kpts.items(): f_kp[k] = kpts1 out_match = defaultdict(dict) for k1, group in match_indexes.items(): for k2, m in group.items(): m2 = deepcopy(m) m2[:,0] = unique_match_idxs[k1][m2[:,0]] m2[:,1] = unique_match_idxs[k2][m2[:,1]] mkpts = np.concatenate([unique_kpts[k1][m2[:,0]], unique_kpts[k2][m2[:,1]]], axis=1) unique_idxs_current = get_unique_idxs(torch.from_numpy(mkpts), dim=0) m2_semiclean = m2[unique_idxs_current] unique_idxs_current1 = get_unique_idxs(m2_semiclean[:, 0], dim=0) m2_semiclean = m2_semiclean[unique_idxs_current1] unique_idxs_current2 = get_unique_idxs(m2_semiclean[:, 1], dim=0) m2_semiclean2 = m2_semiclean[unique_idxs_current2] out_match[k1][k2] = m2_semiclean2.numpy() with h5py.File(f"{feature_dir}/matches.h5", mode='w') as f_match: for k1, gr in out_match.items(): group = f_match.require_group(k1) for k2, match in gr.items(): group[k2] = match

with h5py.File(f"{feature_dir}/keypoints.h5", mode='w') as f_kp: for k, kpts1 in unique_kpts.items(): f_kp[k] = kpts1 out_match = defaultdict(dict) for k1, group in match_indexes.items(): for k2, ...

最新推荐

recommend-type

Distinctive Image Features from Scale-Invariant Keypoints 译文.pdf

Lowe的论文《Distinctive Image Features from Scale-Invariant Keypoints》翻译
recommend-type

基于SpringBoot框架的中小企业完全开源的ERP.zip

基于springboot的java毕业&课程设计
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构：Kafka与Hive集成

![实现实时数据湖架构：Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构，它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同，实时数据湖不依赖于预先定义的模式，而是采用灵活的架构，可以处理各种数据类型和格式。这种架构为企业提供了以下优势： - **实时洞察：**实时数据湖允许企业访问最新的数据，从而做出更明智的决策。 - **数据民主化：**实时数据湖使各种利益相关者都可
recommend-type

SQL怎么实现 数据透视表

SQL可以通过使用聚合函数和GROUP BY子句来实现数据透视表。 例如，假设有一个销售记录表，其中包含产品名称、销售日期、销售数量和销售额等信息。要创建一个按照产品名称、销售日期和销售额进行汇总的数据透视表，可以使用以下SQL语句： ``` SELECT ProductName, SaleDate, SUM(SaleQuantity) AS TotalQuantity, SUM(SaleAmount) AS TotalAmount FROM Sales GROUP BY ProductName, SaleDate; ``` 该语句将Sales表按照ProductName和SaleDat
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

实现实时监控告警系统：Kafka与Grafana整合

![实现实时监控告警系统：Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成，这
recommend-type

使用vue3+elementsplus封装一个提示确认框的组件，要求将请求地址和确认框展示信息作为参数暴露出去

好的，下面是使用 Vue3 和 ElementPlus 封装一个提示确认框的组件，同时将请求地址和确认框展示信息作为参数暴露出去。 ```vue <template> <el-dialog title="确认提示" :visible.sync="dialogVisible" width="30%" :before-close="handleClose" > <p>{{ message }}</p> <span slot="footer" class="dialog-footer"> <el-button @click="di