Image Processing by Retina

最新推荐文章于 2024-09-14 10:53:09 发布

鹿角山下

最新推荐文章于 2024-09-14 10:53:09 发布

阅读量778

点赞数

分类专栏： Image Algorithm 文章标签： processing retina 图像处理

Image Algorithm 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

前言

通过应用视网膜的一些功能，模拟后，进行图像处理，具有显著的效果。

spectral whitening (光谱白化)有三个重要功能

1. 高频时空信号（噪声）消除；
2. 中频细节增强
3. 低频亮度能量减少
这三个特性正是消除图像传感器带来的噪声，以及增强图像细节所需要的；

局部对数亮度压缩法，允许细节增强，即使在低亮度条件下；

去相关的细节信息和瞬变信息.

测试

实现代码在opencv/samples/cpp/OpenEXRimages_HDR_Retina_toneMapping.cpp;

图档位置:OpenEXR

src原图像

dst 处理后图像

可以发现，细节和亮度增强了很多。

总结

视网膜可以分辨出很多细节，但在一般的图像处理中会丢失，此种图像处理算法，是一种滤波处理，后续需要使用时再深入研究。现在，仅作存储使用。

参考

【1】 Discovering the human retina and its use for image processing

【2】 OpenEXR

【3】 GIPSA-lab

【4】 Accueil

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

鹿角山下

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

[Python图像识别] 四十五.目标检测入门普及和ImageAI“傻瓜式”对象检测案例详解 (1)

杨秀璋的专栏

08-03

1万+

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。上一篇文章是图像处理的最后一篇文章，写到这里，第一阶段的44篇Python图像处理就介绍完毕。接下来我们进入Python图像识别第二阶段，该部分主要以目标检测、图像识别以及深度学习相关图像分类为主，将会分享近50篇文章，感谢您一如至往的支持。希望文章对您有所帮助，如果有不足之处，还请海涵~

[Python从零到壹] 七十七.图像识别及经典案例篇之目标检测入门普及和ImageAI对象检测详解

杨秀璋的专栏

04-28

781

前文介绍了人脸检测的应用案例，通过OpenCV快速实现人脸检测。这篇文章将详细讲解目标检测基础知识，并通过ImageAI实现对象检测的经典案例。本文主要介绍目标检测原理，通过七个问题来普及什么是目标检测。然后利用ImageAI实现最简单的目标检测案例，加深读者的印象，本文提供的案例将为读者提供深入的理解，希望您喜欢。

参与评论您还未登录，请先登录后发表或查看评论

光谱白化：此功能将白化应用于用户定义频带内的给定信号。-matlab开发

05-29

离散时间信号的频域白化此函数为给定信号（最初不是白色的）生成平坦的傅立叶频谱，无论是从 0 Hz 到奈奎斯特频率的整个范围还是用户定义的频带。此操作趋于锐化信号以及噪声。在叠加波形以进行互相关之前，白化过程通常用于环境振动数据。该过程很简单，即在应用 Hann 窗后对信号进行傅里叶变换，然后对其幅度进行归一化，然后对其进行逆傅里叶变换。句法： xnew = 白化(x, Fs, freq, []) 用于从 0 Hz 到奈奎斯特频率的整个范围xnew = whitening(x, Fs, freq, [0.1, 20]) 以 0.1 Hz 到 20 Hz 为例输入： x = 输入信号（x 必须是行向量） Fs =采样率（例如200） freq = 以 Hz 为单位的白化频率限制（例如，freq, [ ] 或 freq, [0.1, 20]）输出： xnew = 0 Hz 至

数据白化

jiumi123的专栏

10-24

5375

原文地址：数据白化作者：紫de甘蓝白化的原理：随机向量的“零均值化”和“空间解相关”（也叫白化）是最常用的两个预处理过程，其中“零均值化”比较简单，而“空间解相关”涉及一些矩阵的知识。设有均值为零的随机信号向量 x ，其自相关矩阵为 Rx =E[xxT ] ≠ I 很明显， Rx 是对称矩阵，且是非负定的（所有特征

Whiten process——数据的白化处理

热门推荐

weixin_37872766的博客

11-07

1万+

1.什么是白化处理 “白化”这个词最早来源于信号处理领域，跟其中最常见的一种噪声——白噪声有很大的联系[1]。在信号处理理论中，白噪声指的是一种在不同频率都有相同功率的随机信号，即其功率谱密度为常数，功率与频率无关。“白噪声”这个名字来源于白光，白光包含了光谱中所有的颜色,其功率谱密度也呈平坦状，类似地，“白噪声”这种噪声中包含了所有频率的噪声，因此被冠上了“白”的称号[2]。其他不满足该功率谱...

图像白化处理，协方差求解，PCA白化

lien0906的专栏

01-08

3276

在人脸表情所用的特征中，LBP特征中是一个常用的特征。但是LBP特征提取后，维数太高，即使使用LBP直方图的特征仍然很高，因此需要降维。一个比较好的降维方法就是PCA。在OpenCV中，cvCalcPCA函数可以直接调用进行PCA降维。以前在人脸识别的程序中，我曾经调用过这个函数，这次再次使用，但是却出错了。主要有两个问题： 1 特征值和特征向量的行列数设置问题如果按如下方式使用，也

RetinaNet 理论与代码详解

xiaohuilang6的博客

01-02

4525

RetinaNet 是来自Facebook AI Research 团队2018年的新作，在当前的目标检测领域是最强的网络(速度/精度/复杂度)。下面两张是基于COCO 本地测试集的实验数据: 主要贡献：在One stage中，detector直接在类别不平衡（负样本很多，正样本很少）中进行分类和回归，直接输出bbox和类别，原有的交叉熵损失无法处理这种不平衡，导致训练不充...

Image Processing and Analysis_15_Image Registration：Image registration methods a survey——2003

Alliswell_WP

10-19

1951

此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己所用，或者从中得到灵感，这就够了。注意：Registration可翻译为“配准”或“匹配”，一般是图像配准，...

Image Resizing Techniques_ iOS图像分辨率

Kiven's Program Space

12-06

918

Since time immemorial, iOS developers have been perplexed by a singular question: “How do you resize an image?”. It is a question of beguiling clarity, spurred on by a mutual mistrust of developer and

【目标检测】使用Retinanet训练自己的数据集——Keras版本

Plus Ultra !!!

03-28

7774

文章目录 Retinanet 较之 SSD, YOLO系one stage目标检测网络，在保证检测速度的基础上，很大的提高了在样本类别分布不平衡情况下的检测精度，这得益于He Kaiming等人所提出的Focal Loss Paper可见 Focal Loss for Dense Object Detection 由于在工作或一些特定场景中，我们的数据很大可能不会像COCO, Pascal...

论文研究

qq_30008415的博客

10-10

579

10-8 The impact of image processing algorithms on digital radiography of patients with metalic hip implants 图像处理算法对金属髋关节植入患者数字影像的影响 Keywords: Digital radiography;数字化x线摄影;Image quality;图像质量;Image art...

从RetinaNet到FCOS----以代码视角考虑

weixin_42108090的博客

01-22

500

回归分类

retinademo1（视网膜用于图像细节增强）---opencv2.4.11

liyuqian199695的博客

06-04

1910

#include #include #include "opencv2/opencv.hpp" using namespace cv; static void help(std::string errorMessage) { std::cout std::cout std::cout std::cout std::cout std::cout s

2024.9.13 Python与图像处理新国大EE5731课程大作业，SIFT 特征和描述符，单应性矩阵透视变换

RaidenMessi的博客

09-13

969

具体来说，SIFT 会在不同的尺度（即图像的不同分辨率）下检测图像中的特征点，这使得它可以检测到图像中大小不同的结构或特征。在绘制关键点时，圈圈的大小越大，表示该关键点的特征在更大的尺度上被检测到，也就是说，它代表了图像中较大的局部结构。3.绘制关键点flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS: 使用这个标志，关键点会被以圆圈的形式绘制，并且每个圆圈的大小和方向会根据每个关键点的尺度和角度进行调整，使得你可以看到关键点的特性（即关键点的大小和方向）。

详解BMP图片格式以及关于Verilog图像处理的仿真环境搭建

主要分享学习中的知识和遇到的问题

09-10

1075

BMP（Bitmap Image File）格式是一种位图图像文件格式，用于存储图像数据。它由微软在1986年推出，广泛用于Windows操作系统中。

MATLAB 图像处理进阶详解

最新发布

09-14

1189

本文详细介绍了 MATLAB 图像处理中的一些进阶技术，包括自适应直方图均衡化、图像复原、图像分割、深度学习应用以及 3D 图像处理。通过这些进阶技术，MATLAB 能够应对更复杂的图像处理任务，为科研、工程和医学等领域提供强大的技术支持。希望通过本文的介绍，读者能够进一步提升 MATLAB 图像处理的能力。

Python计算机视觉编程第二章局部图像描述子

qq_55871320的博客

09-13

1120

角点通常是图像中非常重要的特征点，因为它们能够提供丰富的信息用于后续的图像匹配、跟踪以及其他高级视觉任务。匹配描述子通常用于在不同图像之间找到对应的特征点。描述子是特征检测器提取出来的特征点的表示形式，通常是一串数值，用来描述该点周围的图像内容。Harris 角点检测器仅仅能够检测出图像中的兴趣点，但是没有给出通过比较图像间的兴趣点来寻找匹配角点的方法。我们首先通过图像间是否具有匹配的局部描述子来定义图像间的连接，然后可视化这些连接情况。兴趣点描述子是分配给兴趣点的一个向量，描述该点附近的图像的表观信息。

Image Processing Toolbox介绍

06-10

Image Processing Toolbox 是由 MATLAB 提供的一个工具箱，用于图像处理和分析。它提供了各种函数和工具，可以用于读取、处理、分析和显示图像。Image Processing Toolbox 可以应用于各种领域，包括计算机视觉、医学图像处理、视觉传感器、自动化和控制系统等。 Image Processing Toolbox 提供了许多常见的图像处理函数，例如图像增强、滤波、分割、形态学操作、特征提取、图像压缩等。此外，它还提供了可视化工具，可以用于显示和分析图像，例如显示图像、绘制图像直方图、测量图像特征等。除此之外，Image Processing Toolbox 还支持许多不同的图像格式，例如 BMP、JPEG、PNG、TIFF 等。同时，它也可以与其他 MATLAB 工具箱集成使用，例如计算机视觉工具箱、统计和机器学习工具箱等。总之，Image Processing Toolbox 是一个非常实用和强大的图像处理工具箱，可以帮助用户轻松地处理和分析图像数据。