图像处理入门2

最新推荐文章于 2022-11-27 22:52:15 发布
最新推荐文章于 2022-11-27 22:52:15 发布
阅读量636 收藏 5
点赞数
文章标签： 图像处理
原文链接：https://github.com/gzr2017/ImageProcessing100Wen/tree/master/Question_11_20
版权

Q.11. 均值滤波器
使用均值滤波器（3x3）来进行滤波。
均值滤波器使用网格内像素的平均值。

import cv2
import numpy as np

# 读取图片
img = cv2.imread("imori.jpg")
H, W, C = img.shape

# 中值滤波
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad * 2, W + pad * 2, C), dtype=np.float)
out[pad:pad + H, pad:pad + W] = img.copy().astype(np.float)
tmp = out.copy()

#使用均值滤波器（3x3）来进行滤波
for y in range(H):
    for x in range(W):
        for c in range(C):
            out[pad + y, pad + x, c] = np.mean(tmp[y:y + K_size, x:x + K_size, c])

out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

# 保存结果
cv2.imwrite("out11.jpg", out)
cv2.imshow("result11", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述

Q.12. Motion Filter
使用3x3的 Motion Filter 来进行滤波。

Motion Filter 取对角线方向的像素的平均值，像下式这样定义：

  1/3  0   0
[  0  1/3  0 ]
   0   0  1/3

import cv2
import numpy as np

# 读取图像
img = cv2.imread("imori.jpg")
H, W, C = img.shape


# 中值滤波
K_size = 3

K = np.diag( [1] * K_size ).astype(np.float)#提取对角线像素作为新的滤波
K /= K_size#对角线方向的像素的平均值

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)
out[pad:pad+H, pad:pad+W] = img.copy().astype(np.float)
tmp = out.copy()

for y in range(H):
    for x in range(W):
        for c in range(C):
            out[pad+y, pad+x, c] = np.sum(K * tmp[y:y+K_size, x:x+K_size, c])

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

#保存图片
cv2.imwrite("out12.jpg", out)
cv2.imshow("result12", out)
cv2.waitKey(0)
cv2.destroyAllWindows()
**加粗样式**

输入：
在这里插入图片描述
输出：
在这里插入图片描述

Q.13. MAX-MIN 滤波器
用 MAX-MIN 滤波器来进行滤波。

MAX-MIN 滤波器使用网格内像素的最大值和最小值的差值对网格内像素重新赋值。通常用于边缘检测。边缘检测用于检测图像中的线。像这样提取图像中的信息的操作被称为特征提取。边缘检测通常在灰度图像上进行。

import cv2
import numpy as np

# 读取图像
img = cv2.imread("imori.jpg").astype(np.float)
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

#灰度图像
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# MAX-MIN 滤波器
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2), dtype=np.float)
out[pad:pad+H, pad:pad+W] = gray.copy().astype(np.float)
tmp = out.copy()

#MAX-MIN 滤波器使用网格内像素的最大值和最小值的差值对网格内像素重新赋值。
for y in range(H):
    for x in range(W):
        out[pad+y, pad+x] = np.max(tmp[y:y+K_size, x:x+K_size]) - np.min(tmp[y:y+K_size, x:x+K_size])

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

# 保存结果
cv2.imwrite("out13.jpg", out)
cv2.imshow("result13", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述

Q.14. 微分滤波器
使用3x3的微分滤波器来进行滤波。

微分滤波器对图像亮度急剧变化的边缘有提取效果，可以获得邻接像素的差值。

    (a)纵向           (b)横向
      0 -1  0            0 0 0
K = [ 0  1  0 ]   K = [ -1 1 0 ]
      0  0  0            0 0 0

import cv2
import numpy as np

# 读取图像
img = cv2.imread("imori.jpg").astype(np.float)
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

# 灰度图像
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# 滤波
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2), dtype=np.float)
out[pad:pad+H, pad:pad+W] = gray.copy().astype(np.float)
tmp = out.copy()

out_v = out.copy()
out_h = out.copy()

## 纵向滤波器
Kv = [[0., -1., 0.],[0., 1., 0.],[0., 0., 0.]]
## 横向滤波器
Kh = [[0., 0., 0.],[-1., 1., 0.], [0., 0., 0.]]

#进行微分滤波器
for y in range(H):
    for x in range(W):
        out_v[pad+y, pad+x] = np.sum(Kv * (tmp[y:y+K_size, x:x+K_size]))
        out_h[pad+y, pad+x] = np.sum(Kh * (tmp[y:y+K_size, x:x+K_size]))

#out_v = np.abs(out_v)
#out_h = np.abs(out_h)
out_v[out_v < 0] = 0
out_h[out_h < 0] = 0
out_v[out_v > 255] = 255
out_h[out_h > 255] = 255

out_v = out_v[pad:pad+H, pad:pad+W].astype(np.uint8)
out_h = out_h[pad:pad+H, pad:pad+W].astype(np.uint8)

# 保存结果
cv2.imwrite("out_v141.jpg", out_v)
cv2.imshow("result141", out_v)
cv2.waitKey(0)

cv2.imwrite("out_h142.jpg", out_h)
cv2.imshow("result142", out_h)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述
在这里插入图片描述

Q.15. Sobel 滤波器
使用3x3的 Sobel 滤波器来进行滤波。

Sobel 滤波器可以提取特定方向的边缘，滤波器按下式定义：

    (a)纵向         (b)横向
      1 0 -1            1  2  1
K = [ 2 0 -2 ]   K = [  0  0  0 ]
      1 0 -1           -1 -2 -1

import cv2
import numpy as np

# 读取图像
img = cv2.imread("imori.jpg").astype(np.float)
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

# 灰度图像
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# 滤波
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2), dtype=np.float)
out[pad:pad+H, pad:pad+W] = gray.copy().astype(np.float)
tmp = out.copy()

out_v = out.copy()
out_h = out.copy()

## 纵向滤波
Kv = [[1., 0., -1.],[2., 0., -2.],[1., 0., -1.]]
## 横向滤波
Kh = [[1., 2., 1.],[0., 0., 0.], [-1., -2., -1.]]

#进行Sobel 滤波
for y in range(H):
    for x in range(W):
        out_v[pad + y, pad + x] = np.sum(Kv * (tmp[y:y + K_size, x:x + K_size]))
        out_h[pad + y, pad + x] = np.sum(Kh * (tmp[y:y + K_size, x:x + K_size]))

out_v[out_v < 0] = 0
out_h[out_h < 0] = 0
out_v[out_v > 255] = 255
out_h[out_h > 255] = 255

out_v = out_v[pad:pad+H, pad:pad+W].astype(np.uint8)
out_h = out_h[pad:pad+H, pad:pad+W].astype(np.uint8)

# 保存结果
cv2.imwrite("out_v151.jpg", out_v)
cv2.imshow("result151", out_v)
cv2.waitKey(0)

cv2.imwrite("out_h152.jpg", out_h)
cv2.imshow("result152", out_h)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述
在这里插入图片描述

Q.16. Prewitt 滤波器
使用3x3的 Prewitt 滤波器来进行滤波吧。

Prewitt 滤波器是用于边缘检测的一种滤波器，使用下式定义：

 (a)纵向             (b)横向
      -1 -1 -1          -1 0 1
K = [  0  0  0 ]  K = [ -1 0 1 ]
       1  1  1          -1 0 1

import cv2
import numpy as np

# 读取图像
img = cv2.imread("imori.jpg").astype(np.float)
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

# 灰度图像
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# 滤波器
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2), dtype=np.float)
out[pad:pad+H, pad:pad+W] = gray.copy().astype(np.float)
tmp = out.copy()

## 纵向滤波器
K = [[-1., -1., -1.],[0., 0., 0.], [1., 1., 1.]]
## 横向滤波器
#K = [[-1., 0., 1.],[-1., 0., 1.],[-1., 0., 1.]]

for y in range(H):
    for x in range(W):
        out[pad+y, pad+x] = np.sum(K * (tmp[y:y+K_size, x:x+K_size]))
     
out[out < 0] = 0
out[out > 255] = 255

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

# 保存结果
cv2.imwrite("out16.jpg", out)
cv2.imshow("result16", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述
在这里插入图片描述

Q.17. Laplacian 滤波器
使用 Laplacian 滤波器来进行滤波。

Laplacian 滤波器是对图像亮度进行二次微分从而检测边缘的滤波器。由于数字图像是离散的，x 方向和 y 方向的一次微分分别按照以下式子计算：

Ix(x,y) = (I(x+1, y) - I(x,y)) / ((x+1)-x) = I(x+1, y) - I(x,y)
Iy(x,y) = (I(x, y+1) - I(x,y)) / ((y+1)-y) = I(x, y+1) - I(x,y)
因此二次微分按照以下式子计算：

Ixx(x,y) = (Ix(x,y) - Ix(x-1,y)) / ((x+1)-x) = Ix(x,y) - Ix(x-1,y)
= (I(x+1, y) - I(x,y)) - (I(x, y) - I(x-1,y))
= I(x+1,y) - 2 * I(x,y) + I(x-1,y)
Iyy(x,y) = … = I(x,y+1) - 2 * I(x,y) + I(x,y-1)
特此，Laplacian 表达式如下：

D^2 I(x,y) = Ixx(x,y) + Iyy(x,y)
= I(x-1,y) + I(x,y-1) - 4 * I(x,y) + I(x+1,y) + I(x,y+1)
如果把这个式子表示为卷积核是下面这样的：

    0  1  0
K = [ 1 -4  1 ]
      0  1  0

import cv2
import numpy as np

# 读取图片
img = cv2.imread("imori.jpg").astype(np.float)
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

# 灰度图像
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# sobel滤波
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2), dtype=np.float)
out[pad:pad+H, pad:pad+W] = gray.copy().astype(np.float)
tmp = out.copy()

## Laplacian纵向滤波器
K = [[0., 1., 0.],[1., -4., 1.], [0., 1., 0.]]

for y in range(H):
    for x in range(W):
        out[pad+y, pad+x] = np.sum(K * (tmp[y:y+K_size, x:x+K_size]))

out[out < 0] = 0
out[out > 255] = 255

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

# 保存结果
cv2.imwrite("out17.jpg", out)
cv2.imshow("result17", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：

在这里插入图片描述
输出：
在这里插入图片描述

Q.18. Emboss 滤波器
使用 Emboss 滤波器来进行滤波。

Emboss 滤波器可以使物体轮廓更加清晰，按照以下式子定义：

      -2 -1  0
K = [ -1  1  1 ]
       0  1  2

import cv2
import numpy as np

# 读取图片
img = cv2.imread("imori.jpg").astype(np.float)
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

# 灰度图像
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# 滤波器
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2), dtype=np.float)
out[pad:pad+H, pad:pad+W] = gray.copy().astype(np.float)
tmp = out.copy()

##  Emboss 滤波器
K = [[-2., -1., 0.],[-1., 1., 1.], [0., 1., 2.]]

for y in range(H):
    for x in range(W):
        out[pad+y, pad+x] = np.sum(K * (tmp[y:y+K_size, x:x+K_size]))

out[out < 0] = 0
out[out > 255] = 255

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

# 保存图片
cv2.imwrite("out18.jpg", out)
cv2.imshow("result18", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述
Q.19. LoG 滤波器
使用 LoG 滤波器，来对imori_noise.jpg检测边缘！

LoG 即高斯-拉普拉斯（ Laplacian of Gaussian ）的缩写，使用高斯滤波器使图像平滑化之后再使用拉普拉斯滤波器使图像的轮廓更加清晰。

为了防止拉普拉斯滤波器计算二次微分会使得图像噪声更加明显，所以我们首先使用高斯滤波器来抑制噪声。

LoG 滤波器使用以下式子定义：

LoG(x,y) = (x^2 + y^2 - s^2) / (2 * pi * s^6) * exp(-(x2+y2) / (2*s^2))

import cv2
import numpy as np

# 读取图片
img = cv2.imread("imori_noise.jpg")
H, W, C = img.shape

b = img[:, :, 0].copy()
g = img[:, :, 1].copy()
r = img[:, :, 2].copy()

# 灰度图片
gray = 0.2126 * r + 0.7152 * g + 0.0722 * b
gray = gray.astype(np.uint8)

# 高斯滤波器
K_size = 5
s = 3

## 零填充
pad = K_size // 2
out = np.zeros((H + pad * 2, W + pad * 2), dtype=np.float)
out[pad:pad + H, pad:pad + W] = gray.copy().astype(np.float)
tmp = out.copy()

## 内核
K = np.zeros((K_size, K_size), dtype=np.float)
for x in range(-pad, -pad + K_size):
    for y in range(-pad, -pad + K_size):
        K[y + pad, x + pad] = (x ** 2 + y ** 2 - s ** 2) * np.exp(-(x ** 2 + y ** 2) / (2 * (s ** 2)))#LoG 滤波器
K /= (2 * np.pi * (s ** 6))
K /= K.sum()

for y in range(H):
    for x in range(W):
        out[pad + y, pad + x] = np.sum(K * tmp[y:y + K_size, x:x + K_size])

out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

# 保存结果
cv2.imwrite("out19.jpg", out)
cv2.imshow("result19", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入：
在这里插入图片描述
输出：
在这里插入图片描述

Q.20. 直方图
使用Matplotlib来绘制imori_dark.jpg的直方图！

直方图显示了不同数值的像素出现的次数。在Matplotlib中有hist()函数提供绘制直方图的接口。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
img = cv2.imread("imori_dark.jpg").astype(np.float)

# 显示直方图
plt.hist(img.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.savefig("out20.png")
plt.show()

输入：
在这里插入图片描述
输出：
在这里插入图片描述

大白菜丫丫
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
图像处理入门教程.docx
03-05
图像处理的入门指导，很详细，适合研究生初学者学习，入门指导 最近有人问我图像处理怎么研究，怎么入门，怎么应用，我竟一时语塞。仔细想想，自己也搞了两年图像方面的研究，做个两个创新项目，发过两篇论文，也...
数字图像处理【4】图像空间滤波-锐化
vx number：zzr_admin，拉入技术交流群。
03-25 3284
图像的高频与低频指的是什么；图像高频分量的处理又有哪些？
数字图像处理100问—14 微分滤波器
cv_rsrc的博客
04-27 1177
提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen CV小白从0开始学数字图像处理 14 微分滤波器 微分滤波器对图像亮度急剧变化的边缘有提取效果，可以获得邻接像素的差值。 (a)纵向 (b)横向 0 -1 0 0 0 0 K = [ 0 1 0 ] K = [ -1 1 0 ] 0 0 0 0 0 0 代码如下： 1.引.
cartographer之MotionFilter
u014493244的博客
02-02 1613
        MotionFilter是cartographer中用来判断是否对子图进行更新的一个类，具体应用在local_trajectory_build_2d和local_trajectory_build_2d中。首先这里对MotionFilter的使用场景进行推导，例如，在local_trajectory_build_2d中，AddRangeData函数调用AddAccumulatedRa...
图像运动模糊原理及python实现
Ibelievesunshine的博客
03-16 8266
一. motion blur 运动模糊是我们在日常生活中很常见的一种模糊。当我们按下快门拍照时，如果照片里的事物（或者我们的相机）正在运动的话，我们拍出的照片就会产生运动模糊。 二. motion filter 图1：大小为3*3，对角线方向上的运动模糊算子 ↑ 图2：大小为5*5，竖直方向上的运动模糊算子 ...
图像处理之滤波器介绍
热门推荐
DreamerZhang的专栏
07-09 2万+
最近在看OpenCV 图像处理-平滑处理这个章节，于是呢，想着滤波器总结一下。这里主要是空间域滤波器的介绍，频率域以后再说吧。 首先分为平滑空间滤波器和锐化空间滤波器来进行介绍。平滑空间滤波器主要用于模糊处理和降低噪声，主要两类：均值滤波器和中值滤波器。锐化空间滤波器主要是：拉普拉斯算子和梯度算子 1、均值滤波器        假设我们有一个3*3的模板，系数全为1，那么欲求的中心点像素值就
MIL 图像处理入门ppt
07-25
MIL 图像处理入门ppt
python-图像处理入门.pdf
最新发布
06-11
此外，Python的第三方库也非常强大，例如NumPy和SciPy，它们在科学计算和图像处理方面提供了强大的功能。 【NumPy与SciPy用于图像处理】 NumPy是Python的一个扩展包，提供了多维数组对象以及对这些数组进行高效...
Matlab图像处理入门.zip
08-13
本资源"Matlab图像处理入门.zip"提供了对MATLAB图像处理基础知识的全面介绍，包括理论讲解和实践代码，旨在帮助初学者快速掌握这一技术。 首先，让我们从基础概念开始。数字图像处理是将图像转化为数字信号的过程，...
实验1 图像处理入门1
08-04
实验1 "图像处理入门1" 是一个针对初学者的图像处理实践课程，旨在引导学习者掌握基本的图像处理技能和理论。在这个实验中，主要涵盖了以下几个关键知识点： 1. **软件准备**：首先，需要安装图像处理软件，如...
求助关于motionbasedfilter算法的matlab实现-【D 2003 MOI 图像处理】Motion-based filtering of magneto-optic imagers.pdf
08-13
求助关于motionbasedfilter算法的matlab实现-【D 2003 MOI 图像处理】Motion-based filtering of magneto-optic imagers.pdf 额，在做图像处理的毕业设计，头大，不是做图像的结果题目是做图像处理的。。。看到一篇英文文章，里面有介绍motion-based filter，哪位好心的可以帮忙按照这篇文章设计出matlab算法啊，小妹在此谢过了。文章见附件。 表示不愿意做伸手党，但是下个月10号就要答辩了，有点拙计。。。。
微分算子为什么也是空间滤波器
saltriver的专栏
01-06 2784
前面我们提到，可以用一阶微分算子和二阶微分算子来增强图像，由于是增强了图像中的物体边缘轮廓，起到了锐化图像的效果，因此这些算子操作可用于图像锐化。 我们在前面的图像模糊中，介绍了使用平滑空间滤波器来模糊图像，那么用微分算子来锐化图像能不能也使用空间滤波器的形式呢？ 我们分别选一个一阶微分算子和一个二阶微分算子作为示例：Sobel算子和Laplacian算子。首先，还是给出图像像素的8领域：
基本的图像处理操作
深度学习与计算机视觉
11-27 1637
Python中的图像处理基础图像处理是一种对图像执行操作以从中提取信息或增强图像的方法。图像处理是当今计算机视觉中最热门的话题之一，因为它被认为是计算机视觉、OCR 和其他相机相关领域的基础。让我们开始实际处理图像。提示：只是在这里向你展示一个代码片段，但在本文的末尾，提供了的git 存储库，你可以在其中找到此文中的所有代码。你可以直接复制粘贴！让我们开始吧！如何读取图像？你可以通过 3 种类型读...
数字图像处理100问—11均值滤波器
cv_rsrc的博客
04-27 349
提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen CV小白从0开始学数字图像处理 11均值滤波器 均值滤波器使用网格内像素的平均值。。 代码如下： 1.引入库 CV2计算机视觉库 import cv2 import numpy as np 2.读入数据 img = cv2.imread("imori.jpg") H, W, C = img.shape 3.均值滤波器 K_size = 3 4.边缘补0 pad = K_size /.
均值、中值以及Motion滤波器
hahahanba的博客
03-09 4083
均值、中值与Motion Filter 问题描述： 使用三种滤波器（7×77\times77×7）大小，来对fate.jpeg进行图像处理。 代码如下（示例）： #include <opencv2/core.hpp> #include <opencv2/highgui.hpp> #include <math.h> cv::Mat mean_filter(cv::Mat img, int kernel_size) { int row = img.rows;
数字图像处理100问—18 Emboss 滤波器
cv_rsrc的博客
04-30 273
提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen CV小白从0开始学数字图像处理 18 Emboss 滤波器 Emboss 滤波器可以使物体轮廓更加清晰，按照以下式子定义： -2 -1 0 K = [ -1 1 1 ] 0 1 2 代码如下： 1.引入库 CV2计算机视觉库 import cv2 import numpy as np 2.读入数据 img = cv2.imread("imori.j.
python实现高斯滤波_手动实现高斯滤波(python)
weixin_39609483的博客
11-29 328
手动实现高斯滤波# -*- coding: utf-8 -*-"""Created on Sat Jul 11 14:53:28 2020@author: 陨星落云"""import imageioimport numpy as npdef GaussianFilter(img): h,w,c = img.shape# 高斯滤波K_size = 3sigma = 1# 零填充pad = K_...
Opencv学习笔记 边缘检测
学以致用 知行合一
09-22 1150
Opencv实现边缘检测
挑战图像处理100问（18）——Emboss滤波器
qq_42662568的博客
04-13 828
Emboss滤波器 Emboss滤波器可以使物体轮廓更加清晰，按照以下式子定义： K=[−2−10−111012] K= \left[ \begin{matrix} -2&-1&0\\ -1&1&1\\ 0&1&2 \end{matrix} \right] K=⎣⎡​−2−10​−111​012​⎦⎤​ 代码实现 import cv2 # 我只用它...
VC++图像处理入门指南
"VC图像处理入门教程，适合初学者学习，涵盖了图像在计算机中的基本概念，包括位映象、位图、颜色分辨率和RGB色彩模式等。" 在计算机科学中，VC++是一种常用的编程语言，它能用于进行复杂的图像处理任务。本资源...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值