风吹夏天的专栏

自动色阶算法用于图像增强，去雾等，其思想去掉像素值最高的比例，去掉像素值最低的一些比例，然后在将图像的其余像素值进行线性映射或者伽马校正至[0, 255]区间。如下图，在图像处理中是不是很熟悉?!本文主要参考人在旅途的博客，采用matlab语言实现，算法不在详细叙述，在此代码留做备注。http://www.cnblogs.com/Imageshop/archive/2011/1

风格化的目的是生成绘画或印象派的效果，而不注重写实。事实上，保边去噪的滤波器是风格化的理想选择，因为它可以抽象区域的同时，保持，或增强边缘特性。

一副图像f(x,y)可以表示为其照度分量i(x,y)和反射分量r(x,y)的乘积，由于照度相对变化很小，可以看作是图像的低频成份，而反射率则是高频成份。通过分别处理照度和反射率对像元灰度值的影响，达到揭示阴影区细节特征的目的。

高动态范围图像（High-Dynamic Range，简称HDR），相比普通的图像，可以提供更多的动态范围和图像细节，根据不同的曝光时间的LDR(Low-Dynamic Range)图像，利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像。

先前对磨皮印象不过是用一种保边滤波器平滑处理一下，但见旅途这段时间做的工作都是磨皮，索性看一下。方法也很简单，就一个公式，我用matlab测试了一下，确实很有效果。

原创性声明：以下代码是本人改写自C#语言编写的软件改写自PhotoSprite （Version 3.0 ，2006，由 联骏 编写），由使用OpenCV300编写。 先看一下效果 算法未作任何优化，优化算法可以看Photoshop 油画效果滤镜。 算法原理也不用细说了，源码之前，了无秘密。代码cv::Mat OilPaint(cv::Mat I,int brushSize, int

引言这篇博客是基于对Joachim Weickert的文章《Coherence-Enhancing Shock Filters》的实现。但是我并没有阅读原文，参考了OpenCV的python源码改写而成。嗯，我真是一个勤劳的代码翻译工。 python源码可以在OpenCV 300里面的目录 XXX(OpenCV的安装目录)\sources\samples\python2\coherence.p

继续图像编辑方面的内容，这次是关于图层混合：将上下两层的色彩经过一定的规则进行结合，从而创造出大量的效果。这方面相关的文章很多，但是基本没有一篇够全够精确—-更多的文章都是针对某种特定的图层混合模式进行分析，所以我这篇文章就总结所有的模式并给出相应的混合公式。(话说模式真多，光枚举就写得累死了，奶奶的)假设底层图层的色彩值为a，上层图层的色彩值为b，在应用完相应的图层混合模式后便得到了一个混合图层的

图像平滑是计算摄影学一门基础重要的工具，其作用是拂去不重要的细节，保留较大的图像边缘，主要应用于边缘检测，JPEG压缩图像人工伪迹去除，非真实绘制等领域。 图像平滑大体上可以分为两类：基于局部和基于全局方法，基于局部的方法像有名双边滤波，各向异性扩散，将图像分成一些局部块进行处理；全局方法比如全变分（Total Variation）和最小二乘滤波(Weighted Least Square)，

图像分割领域中一个重要步骤是求取图像的连通区域，后续图像轮廓理解的基石。

引言一年前我还在上海从事过机器视觉软件的开发，时光荏苒。这是在公司期间做了一个有趣的项目，现讲一下其主要思想及如何实现。 先来看一下效果图，Look 嗯，看的出来，虽然背景光线不均匀，虽然骰子挨的那么近，还是很好的识别出来，程序的健壮性很强嘛。PS.为避免不必要的麻烦，我将自己的姓名和联系方式马赛克掉，嘿嘿。 这里程序的主要功能是识别出场景中存在多少粒骰子，以及每个骰子的位置，点子数，还有

关于铅笔画算法图像铅笔画算法，属于一直是非真实感绘制领域(Non-Photorealistic Rendering,NPR)中很热门的一个课题，但是计算机也很难模拟出像人一样真实的画质，这也显得CG师们的重要性。本文是基于香港中文大学Cewu Lu等人所做的工作《Combining Sketch and Tone for Pencil Drawing Production》，描述计算机生成铅笔画的艺

引言陆陆续续在计算摄影学接触了不少保边滤波器，其重要性自不必说，可以用在图像的增强，图像抽象画，高动态范围图像压缩，图像色调映射等。

始于Edwin Herbert Land（埃德温·赫伯特·兰德）于1971年提出的一种被称为色彩恒常的理论，并基于此理论的图像增强方法。Retinex这个词由视网膜(Retina)和大脑皮层(Cortex)合成而来.之所以这样设计，表明Land他也不清楚视觉系统的特性究竟取决于此两个生理结构中的哪一个，抑或两者都有关系。不同于传统的图像增强算法，如线性、非线性变换、图像锐化等只能增强图像的

小波学习小波去噪方法一原理：因为噪声通常位于图像的高频部分，去除图像的高频部分，使用低频部分恢复图像。 方法：对图像进行多级小波分解，舍去图像的水平细节子带，垂直细节子带，和对角线细节子带，只使用图像的近似子带去重构图像。 缺点：因为舍弃了细节子带的一些信息，也容易引起图像的模糊。代码%装载原始图像信号并图示 X = imread('7.png') ;subplot(2,2,1); ima

引言图像模糊是一种拍摄常见的现象，我曾在图像去模糊（维纳滤波） 介绍过。

直方图匹配又叫直方图规定化（Histogram Normalization/Matching）是指对一副图像进行变换，使其直方图与另一幅图像的直方图或特定函数形式的直方图进行匹配。应用场景如不同光照条件下的两幅图像。function Iadjusted = histogram_matching(I, type)% Histogram match the image I against a t

《Recursive implementation of the Gaussian filter》一文实现了一种（infinite impulse response）IIR型的高斯滤波器，基于递归结构，在每维度只有6次乘加运算，与高斯核大小无关。

在一幅摄影作品中，背景虚化可以很好地烘托主体，但是对于一些摄影爱好者来说，大光圈太贵；长焦镜头使用时限制太多；手中相机功能太低……虽条件不足，但又很想拍出主体突出、背景虚化的照片，这时候该怎么办呢？

自动色阶算法用于图像增强，去雾等，其思想去掉像素值最高的比例，去掉像素值最低的一些比例，然后在将图像的其余像素值进行线性映射或者伽马校正至[0, 255]区间。

早上翻看以前下载的中文论文，看到一篇硕士论文《大雾天气下图像的清晰化方法》，作者贾乔明，指导老师朱虹，在此致谢。有一种叫做差图像法去雾，很简单，我就从文章中截取图片，测试了一下。思想采集的两幅图像必须提供足够多的差异信息，我认为而言，就是 雾况差别较大的两幅图像，图像配准之后作差，可以大致得到雾霾的分布情况。

此文转自臺大資工系暨研究所Yung-Yu Chuang教授的教学资源。

分享一下怎么把照片处理成梦幻柔光效果，希望大家喜欢。

一般模糊算法的基本思想是，目标图像（生成的图像）上的任何一点的颜色值都受源图像对应位置的点以及其附近的点的颜色值共同影响。比如高斯模糊就是将处理点附近的颜色平均值作为该点的颜色。原理可以参考文章http://www.cnblogs.com/flash3d/archive/2012/02/15/2353169.html

这篇博文主要讲讲几种还算比较有趣的特效的实现：Lomo，反转负冲和柔光。

在数学应用上，对于运动引起的图像模糊，最简单的方法是直接做逆滤波，但是逆滤波对加性噪声特别敏感，使得回复的图像几乎不可用。最小均方差（维纳）滤波用来去除含有噪声的模糊图像，其目标是找到未污染图像的一个估计，使它们之间的均方差最小，可以去除噪声，同时清晰化模糊图像。

各向异性扩散，也叫做P–M扩散，在图像处理和计算机视觉中广泛用于保持图像细节特征的同时减少噪声。定义有灰度图像I(x,y)I(x,y)，其各向异性扩散方程如下

奇异值分解在图像处理中有着重要应用。假定一幅图像有n∗nn*n个像素，如果将这n2n^2个数据一起传送，往往会显得数据量很大。因此我们希望能够改传送另外一些比较少的数据，在接收端利用这些数据重构原图像。 假定对矩阵AA进行奇异值分解，便得到A=UΣV2A=U\Sigma V^2，其中，奇异值从小到大的顺序排列。如果从中选取kk个大奇异值以及这些对应的左右奇异向量逼近原图像，便可以共使用k(2n

这是图像去模糊的第三篇，接着上节说道逆滤波对噪声特别敏感。约束最小二乘方滤波（Constrained Least Squares Filtering，aka Tikhonov filtration,Tikhonov regularization）核心是H对噪声的敏感性问题。减少噪声敏感新问题的一种方法是以平滑度量的最佳复原为基础的，因此我们可以建立下列