2021年02月_jasneik

原创 pandas 在jupyter notebook时候能用，但在vscode, pycharm不能用

先看错误。AttributeError: partially initialized module ‘pandas’ has no attribute ‘Series’ (most likely due to a circular import)分一下这种错误‘…’ has no attribute ‘…’库没有 ’…’这种问题，要么库没有装好，或者装的库的版本与其它有冲突。但还有一个很重要的问题就是项目下还有与库同名的文件。这样的话，导入的是当前目录的文件而非库。从上图可以看出左侧文件里

2021-02-28 22:02:29 2031 2

原创 Jupyter notebook 导出PDF的3种方法

很多用Jupyter notebook的都想导出PDF，但是我们点击Download as PDF via LaTex.然后呢？Ohzzzzzzzzz出现下图的错误，看到这里感觉糟糕透啦。虽然可以根据提供的方法解决这个问题。下面我说说我的方法吧。方法1打开jupyter notebook，打开想要转为PDF的notebook。按下键盘Ctrl + p会进行打印模式，如下图。在所指箭头处“目标打印机”，选择“另存为PDF"然后保存即可。这是最快捷的方法，但还不是很完美。方法2选

2021-02-28 21:44:21 70793 17

原创 anaconda 换清华镜像源 windows

方法1Windows 下安装好Anaconda 应该会有如下这些应用，我们打开如下图anaconda Prompt(下面简称prompt)，(当然CMD也可以，只是我比较喜欢用prompt)打开如下图使用下面命令，即可以添加清华镜像conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.

2021-02-28 16:26:36 48366 7

原创第4章 Python 数字图像处理(DIP) - 频率域滤波12 - 选择性滤波 - 带阻

目录频率域滤波基础频率域的其他特性频率域滤波基础知识频率域滤波步骤小结空间域和频率域滤波之间的对应关系使用低通频率域滤波器平滑图像理想低通滤波器(ILPF)高斯低通滤波器(GLPF)巴特沃斯低通滤波器低通滤波的例子使用高通滤波器锐化图像由低通滤波器得到理想、高斯和巴特沃斯高通滤波器指纹增强频域中的拉普拉斯钝化掩蔽、高提升滤波和高频强调滤波同态滤波选择性滤波带阻滤波器和带通滤波器陷波滤波器频率域滤波基础频率域的其他特性频率域中的滤波过程如下：首先修改傅里叶变换以在到特定目的然后计算IDFT，返回

2021-02-25 09:24:01 1519 2

原创第4章 Python 数字图像处理(DIP) - 频率域滤波11 - 使用高通滤波器锐化图像

目录使用高通滤波器锐化图像由低通滤波器得到理想、高斯和巴特沃斯高通滤波器指纹增强频域中的拉普拉斯钝化掩蔽、高提升滤波和高频强调滤波同态滤波使用高通滤波器锐化图像由低通滤波器得到理想、高斯和巴特沃斯高通滤波器HHP(u,v)=1−HLP(u,v)(4.118)H_{HP}(u, v) = 1 - H_{LP}(u, v) \tag{4.118}HHP(u,v)=1−HLP(u,v)(4.118)理想高通H(u,v)={0,D(u,v)≤D01,D(u,v)>D0(4.119)H(u,

2021-02-25 09:20:21 2119 3

原创第4章 Python 数字图像处理(DIP) - 频率域滤波10 - 使用低通频率域滤波器平滑图像 - 理想、高斯、巴特沃斯低通滤波器

目录使用低通频率域滤波器平滑图像理想低通滤波器(ILPF)高斯低通滤波器(GLPF)巴特沃斯低通滤波器低通滤波的例子使用低通频率域滤波器平滑图像理想低通滤波器(ILPF)在以原点为中心的一个圆内无衰减地通过所有频率，而在这个圆外“截止”所有的频率的二维低通滤波器。H(u,v)={1,D(u,v)≤D00,D(u,v)>D0(4.111)H(u, v) = \begin{cases} 1, &D(u, v) \leq D_0 \\0, &D(u, v) > D_0\end{

2021-02-25 09:12:07 2873 4

原创第4章 Python 数字图像处理(DIP) - 频率域滤波9 - 频率域滤波基础、频率域的滤波过程、低通、高通

目录频率域滤波基础频率域的其他特性频率域滤波基础知识频率域滤波步骤小结空间域和频率域滤波之间的对应关系频率域滤波基础频率域的其他特性频率域中的滤波过程如下：首先修改傅里叶变换以在到特定目的然后计算IDFT，返回到空间域# 频率域中的其他特性img = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH04/Fig0429(a)(blown_ic).tif', -1)# FFTimg_fft = np.fft.fft2(img.ast

2021-02-25 08:48:12 1485 1

原创第4章 Python 数字图像处理(DIP) - 频率域滤波8 - 二维DFT和IDFT的一些性质 - 二维离散卷积定理

目录二维DFT和IDFT的一些性质二维离散卷积定理二维离散傅里叶变换性质的小结二维DFT和IDFT的一些性质二维离散卷积定理二维循环卷积表达式：(f⋆h)(x,y)=∑m=0M−1∑n=0N−1f(m,n)h(x−m,y−n)(4.94)(f \star h)(x, y) = \sum_{m=0}^{M-1} \sum_{n=0}^{N-1} f(m,n)h(x-m, y-n) \tag{4.94}(f⋆h)(x,y)=m=0∑M−1n=0∑N−1f(m,n)h(x−m,y−n)(4.94)二

2021-02-24 23:06:58 1286

原创第4章 Python 数字图像处理(DIP) - 频率域滤波7 - 二维DFT和IDFT的一些性质 - 傅里叶频谱和相角

目录二维DFT和IDFT的一些性质傅里叶频谱和相角二维DFT和IDFT的一些性质傅里叶频谱和相角F(u,v)=R(u,v)+jI(u,v)=∣F(u,v)∣ejϕ(u,v)(4.86)F(u, v) = R(u, v) + jI(u, v) = |F(u, v)|e^{j\phi(u,v)} \tag{4.86}F(u,v)=R(u,v)+jI(u,v)=∣F(u,v)∣ejϕ(u,v)(4.86)幅度，称为傅里叶频谱（或频谱）∣F(u,v)∣=[R2(u,v)+I2(u,v)]1/2(4.8

2021-02-24 23:05:42 1221

原创第4章 Python 数字图像处理(DIP) - 频率域滤波6 - 二维DFT和IDFT的一些性质 - 平移和旋转、周期性、对称性

目录二维DFT和IDFT的一些性质空间间隔和频率间隔的关系平移和旋转周期性对称性二维DFT和IDFT的一些性质空间间隔和频率间隔的关系Δu=1MΔT(4.69)\Delta u = \frac{1}{M \Delta T} \tag{4.69}Δu=MΔT1(4.69)Δv=1NΔZ(4.70)\Delta v = \frac{1}{N \Delta Z} \tag{4.70}Δv=NΔZ1(4.70)平移和旋转f(x,y)ej2π(u0x/M+v0y/N)⇔F(u−u0,v−v0)(4.7

2021-02-24 23:04:22 1321

原创第4章 Python 数字图像处理(DIP) - 频率域滤波5 - 二变量函数的傅里叶变换、图像中的混叠、二维离散傅里叶变换及其反变换

目录二变量函数的傅里叶变换二维冲激及其取样性质二维连续傅里叶变换对二维取样和二维取样定理图像中的混叠二维离散傅里叶变换及其反变换二变量函数的傅里叶变换二维冲激及其取样性质两个连续变量的冲激函数定义为：δ(t,z)={1,t=z=00,others(4.52)\delta(t, z) = \begin{cases} 1, & t=z=0 \\ 0, & \text{others} \end{cases} \tag{4.52}δ(t,z)={1,0,t=z=0others(4.52)

2021-02-24 22:54:30 889

原创第4章 Python 数字图像处理(DIP) - 频率域滤波4 - 单变量的离散傅里叶变换DFT

目录标题单变量的离散傅里叶变换由取样后的函数的连续变换得到DFT取样和频率间隔的关系单变量的离散傅里叶变换由取样后的函数的连续变换得到DFT对原函数的变换取样后的业的发展的变换F~(μ)\tilde F(\mu)F~(μ)，但未给出取样后的函数f~(t)\tilde f(t)f~(t)的变换F~(μ)\tilde F(\mu)F~(μ)的表达式。F~(μ)=∫−∞∞f~(t)e−j2πμtdt(4.39)\tilde F(\mu) = \int_{-\infty}^{\infty} \tilde

2021-02-24 22:49:07 306

原创第4章 Python 数字图像处理(DIP) - 频率域滤波3 - 取样和取样函数的傅里叶变换、混叠

目录取样和取样函数的傅里叶变换取样取样后的函数的傅里叶变换取样定理混叠由取样后的数据重建（复原）函数取样和取样函数的傅里叶变换取样fˉ(t)=f(t)sΔT(t)=∑n=−∞∞f(t)δ(t−nΔT)(4.27)\bar f(t) = f(t)s_{\Delta T}(t) = \sum_{n=-\infty}^{\infty}f(t) \delta(t - n\Delta T) \tag{4.27}fˉ(t)=f(t)sΔT(t)=n=−∞∑∞f(t)δ(t−nΔT)(4.27)fk=∫−∞

2021-02-24 22:45:32 608

原创第4章 Python 数字图像处理(DIP) - 频率域滤波2 - 复数、傅里叶级数、连续单变量函数的傅里叶变换、卷积

目录基本概念复数傅里叶级数冲激函数及其取样（筛选）性质连续单变量函数的傅里叶变换卷积基本概念复数复数CCC的定义为C=R+jI(4.3)C = R + jI \tag{4.3}C=R+jI(4.3)R,IR,IR,I为实数，RRR是实部，III是虚部，j=−1j = \sqrt{-1}j=−1。复数的共轭表示为C∗C^*C∗C∗=R−jI(4.4)C^* = R - jI \tag{4.4}C∗=R−jI(4.4)从几何角度来看，复数可视为平面（称为复平面）上的一个点，其横坐标是实轴，纵坐标

2021-02-24 22:40:10 644

原创第4章 Python 数字图像处理(DIP) - 频率域滤波1 - 傅里叶级数和变换简史

本章主要讲解频域域滤波的技术，主要技术用到是大家熟悉的傅里叶变换与傅里叶反变换。这里有比较多的篇幅讲解的傅里叶的推导进程，用到Numpy傅里叶变换。本章理论基础比较多，需要更多的耐心来阅读，有发现有错误，可以与我联系。谢谢！傅里叶级数和变换简史内容比较多，请自行看书，我就实现一维的傅里叶变换先。卷积用大小为$m\times n$元素的核对大小为$M\times N$的图像进行滤波时，需要运算次数为$MNmn$。如果核是可分享的，那么运算次数为$MN(m + N)$，而在频率域执行等交的滤波所需要的

2021-02-24 22:31:05 554

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波18 - 低通、高通、带阻和带通滤波器、组合使用空间增强方法

低通、高通、带阻和带通滤波器得到空间滤波器的第三种方法，生成一维滤波器函数，然后要么使用式(3.42)w=vvTw = vv^Tw=vvT生成二维可分离的滤波器函数，要么旋转这些一维函数来生成二维核。旋转后的一维函数是圆对称（各向同性）函数的近似。# 低通、高通、带阻和带通滤波器x = np.arange(100)y = np.where(x > 50, x, 1)lp = np.where(x < 50, y, 0)hp = 1 - lpplt.figure(figsize=

2021-02-09 11:11:47 847

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波17 - 锐化高通滤波器 - 梯度图像（罗伯特，Sobel算子）

目录锐化（高通）空间滤波器使用一阶导数锐化图像－梯度锐化（高通）空间滤波器平滑通过称为低通滤波类似于积分运算锐化通常称为高通滤波微分运算高过（负责细节的）高频，衰减或抑制低频使用一阶导数锐化图像－梯度在图像处理中，一阶导数是用梯度幅度实现的，图像的梯度定义为二维列向量∇f≡grad(f)=[gxgy]=[∂f/∂x∂f/∂y ](3.57)\nabla f \equiv \text{grad}(f) = \begin{bmatrix} g_x \\ g_y \end{bmat

2021-02-09 11:08:59 1370

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波16 - 锐化高通滤波器 - 钝化掩蔽和高提升滤波

目录锐化（高通）空间滤波器钝化掩蔽和高提升滤波锐化（高通）空间滤波器平滑通过称为低通滤波类似于积分运算锐化通常称为高通滤波微分运算高过（负责细节的）高频，衰减或抑制低频钝化掩蔽和高提升滤波钝化掩蔽从原图像中减去一幅钝化（平滑后的）图像步骤：模糊原图像从原图像减去模糊后的图像（产生的差称为模板）将模板与原图像相加令fˉ(x,y)\bar f(x,y)fˉ(x,y)表示模糊后的图像，则有gmask(x,y)=f(x,y)−fˉ(x,y)(3.55)g_{m

2021-02-09 11:00:01 942

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波15 - 锐化高通滤波器 -拉普拉斯核（二阶导数）

目录锐化（高通）空间滤波器基础 - 一阶导数和二阶导数的锐化滤波器二阶导数锐化图像--拉普拉斯锐化（高通）空间滤波器平滑通过称为低通滤波类似于积分运算锐化通常称为高通滤波微分运算高过（负责细节的）高频，衰减或抑制低频基础 - 一阶导数和二阶导数的锐化滤波器数字函数的导数是用差分来定义的。定义这些差分的方法有多种一阶导数的任何定义都要满足如下要求：恒定灰度区域的一阶导数必须为0灰度台阶或斜坡开始处的一阶导数必须非零。灰度斜坡上的一阶导数必须非零。二阶导数的任何定义都要满足如下

2021-02-09 10:56:40 1385

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波14 - 平滑低通滤波器 -高斯滤波器核的生成方法

目录平滑（低通）空间滤波器低通高斯滤波器核统计排序（非线性）滤波器平滑（低通）空间滤波器平滑（也称平均）空间滤波器用于降低灰度的急剧过渡在图像重取样之前平滑图像以减少混淆用于减少图像中无关细节平滑因灰度级数量不足导致的图像中的伪轮廓平滑核与一幅图像的卷积会模糊图像低通高斯滤波器核高斯核是唯一可分离的圆对称（也称各向同性，意味它们的响应与方向无关）核。w(s,t)=G(s,t)=Ke−s2+t22σ2(3.45)w(s,t) = G(s,t) = K e^{-\frac{s^2 + t^

2021-02-09 10:48:14 897 2

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波13 - 平滑低通滤波器 -盒式滤波器核

这里写目录标题平滑（低通）空间滤波器盒式滤波器核平滑（低通）空间滤波器平滑（也称平均）空间滤波器用于降低灰度的急剧过渡在图像重取样之前平滑图像以减少混淆用于减少图像中无关细节平滑因灰度级数量不足导致的图像中的伪轮廓平滑核与一幅图像的卷积会模糊图像盒式滤波器核盒式核是最简单的可分离低通滤波器，其系数的值相同（通常为1）m×nm\times{n}m×n的盒式滤波器为1的一个m×nm\times{n}m×n的阵列，其前面有一个归一化的常数，通过是1除以系数值之和（通过是1/mn1/mn1/m

2021-02-09 10:41:50 1086

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波12 - 空间域滤波基础 - 卷积运算（numpy 实现的三种卷积运算）

这篇文章比较长，请耐心看空间域滤波基础线性滤波可分离滤波器核第一种卷积方法（公式法）第二种卷积的方法（可分离核）第三种方法（img2col)书上的一些习题这是分离核与公式法的结果对比下面是各种卷积的运算时间的比较先上基础，后面有许多的程序代码空间域滤波基础滤波是指通过、修改或抑制图像的规定频率分量通过低频的滤波器称为低通滤波器通过模糊图像来平滑图像通过高频的滤波器称为高通滤波器线性空间滤波器空间滤波通过把每个像素的值替换为该像素及其邻域的函数值来修改图像，如果对图像像素

2021-02-09 10:05:58 1146

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波11 - 直方图处理 - 使用直方图统计量增强图像

使用直方图统计量增强图像直方图统计量增强图像要优于局部直方图均衡化处理。

2021-02-04 13:54:35 576

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波10 - 直方图处理 - 局部直方图处理

局部直方图处理因为像素是由基于整个图像的灰度的变换函数修改的。这种全局性方法适合于整体增强，但当目的是增强图像中几个小区域的细节时，通常就会失败。这是因为在这些小区域中，像素的数量对计算全局变换的影响可以忽略。解决方法是设计基于像素邻域的灰度分布的变换函数。

2021-02-04 13:52:51 438

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波9 - 直方图处理 - 直方图匹配（规定化）灰度图像，彩色图像都适用

直方图匹配（规定化）连续灰度s=T(r)=(L−1)∫0rpr(w)dw(3.17) s = T(r) = (L-1) \int_{0}^{r} p_r(w) \text{d} w \tag{3.17} s=T(r)=(L−1)∫0rpr(w)dw(3.17)定义关于变量zzz的一个函数GGG，它具有如下性质：G(z)=(L−1)∫0zpz(v)dv=s(3.18) G(z) = (L - 1) \int_{0}^{z} p_z(v) \text{d} v = s \tag{3.18} G(z

2021-02-04 13:51:00 432 4

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波8 - 直方图处理 - 直方图均衡化（全局直方图均衡化）

直方图均衡化灰度映射函数：s=T(r),0≤r≤L−1(3.8)s = T(r), \quad 0\leq r \leq L -1 \tag{3.8}s=T(r),0≤r≤L−1(3.8)假设：(1) T(r)T(r)T(r)在区间 $0 \leq r \leq L-1 $上是一个单调递增函数。(2) 对于$0 \leq r \leq L-1 $，有$0 \leq T® \leq L-1 $。逆变换r=T−1(s),0≤s≤L−1(3.9) r = T^{-1}(s), \

2021-02-04 13:36:41 539 2

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波7 - 直方图处理 - 直方图、归一化直方图

目录直方图处理直方图处理令rk,k=0,1,2,…,L−1r_k, k=0, 1, 2, \dots, L-1rk,k=0,1,2,…,L−1表于一幅LLL级灰度数字图像f(x,y)f(x,y)f(x,y)的灰度。fff的非归一化直方图定义为：h(rk)=nk,k=0,1,2,…,L−1(3.6)h(r_{k}) = n_{k}, \quad k = 0, 1, 2, \dots, L-1 \tag{3.6}h(rk)=nk,k=0,1,2,…,L−1(3.6)nk是fn_{k}是fnk是f

2021-02-04 13:34:22 638

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波6 - 分段线性变换 - 比特平面分层

目录比特平面分层比特平面分层在一幅256级灰度图像中，图像的值是由8比特（1字节）组成的def convert_bin(data, n): """ convert decimal to binary, return n th bit, 0 if bit value 0 else 1 """#------------------numpy------------ x = np.binary_repr(data, width=8) x = x[::-1]

2021-02-04 13:29:44 382

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波5 - 分段线性变换 - 灰度级分层

目录灰度级分层灰度级分层二值图像将感兴趣范围内的所有灰显示为一个值（白色），而将其它灰度值显示为另一个值（黑色）其他灰度级不变使期望的灰度范围变量（或变暗），但保持图像中的其它灰度级不变x = np.arange(0, 256)y_1 = np.where(x, x >= 100, 0)y_1 = np.where(y_1, x < 200, 0) * 150a = 70b = 150y_2 = np.zeros_like(x)for i in ra

2021-02-04 13:28:02 540

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波4 - 分段线性变换 - 对比度拉伸

目录分段线性变换对比度拉伸最大最小值拉伸分段线性变换优点形式可以任意复杂缺点要求用户输入很多参数对比度拉伸光照不足、成像传感器的动态范围偏小、图像获取过程中镜头孔径的设置错误点(r1,s1)和点(r2,s2)(r_1, s_1)和点(r_2, s_2)(r1,s1)和点(r2,s2)的位置控制变换函数的形状图3，令(r1,s1)=(rmin,0),(r2,s2)=(rmax,L−1)(r_1, s_1) = (r_{min}, 0), (r_2, s_2) =

2021-02-04 13:27:49 1435 3

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波3 -幂律变换、伽马变换

目录幂律（伽马）变换幂律（伽马）变换s=crγ(3.5)s = c r^{\gamma} \tag{3.5}s=crγ(3.5)c和γc和\gammac和γ是正常数。考虑到偏移（即输入为0时的一个可度量输出），可改写为s=c(r+ϵ)γs = c (r + \epsilon) ^{\gamma}s=c(r+ϵ)γ用于获取、打印和显示图像的许多设备的响应遵守幂律。用于校正这些幂律响应现象的处理称为伽马校正或伽马编码。我们感兴趣的是曲线的形状，而不是它们的相对值# 伽马变换不同伽马值的图像，为了图像

2021-02-04 13:16:44 1260 1

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波2 - 图像反转、对数变换

目录一些基本的灰度变换函数图像反转对数变换一些基本的灰度变换函数如下图显示了在图像处理中频繁使用的3类基本函数：线性（反转和恒等变换）函数对数（对数和反对数变换）函数幂律（nnn次幂和nnn次根变换）函数# 灰度变换函数为了图像好看，归一化后再乘于255，缩放到相同的数值范围x = np.arange(0, 256, 1)x1 = x + 1equal = normalize(x) * 255revers = (1 - normalize(x)) * 255log

2021-02-04 13:15:07 924

原创第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波1 - 灰度变换和空间滤波基础、Sigmoid激活函数

这里写目录标题本节的目标背景灰度变换和空间滤波基础本节的目标了解空间域图像处理的意义，以及它与变换域图像处理的区别熟悉灰度变换所有的主要技术了解直方图的意义以及如何操作直方图来增强图像了解空间滤波的原理import sysimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfrom PIL import Imageprint(f"Python versio

2021-02-04 13:05:40 825 2

原创第2章 Python 数字图像处理(DIP) --数字图像基础4 -- 像素间的一些基本关系 - 邻域 - 距离测试

目录像素间的一些基本关系像素的相信像素import sysimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfrom PIL import Imageprint(f"Python version: {sys.version}")print(f"Numpy version: {np.__version__}")print(f"Opencv version: {cv2

2021-02-03 21:12:56 681 2

原创第2章 Python 数字图像处理(DIP) --数字图像基础3 - 图像内插 - 最近邻内插 - 双线性插值 - 双三次内插 - 图像放大

图像内插内插通常在图像放大、缩小、旋转和几何校正等任务中使用。内插并用它来调整图像的大小（缩小和放大），缩小和放大基本上采用图像重取样方法最近邻内插，这种方法将原图像中最近邻的灰度赋给了每个新位置，这种方法简单，但会产生我们不想要的人为失真，如严重的直边失真。更合适的方法是双线性内插，它使用4个最近邻的灰度来计算给定位置的灰度。令(x,y)(x, y)(x,y)表示待赋灰度值的位置（可将它相像为前面描述的网格点）的坐标，令v(x,y)v(x, y)v(x,y)表示灰度值。对于双线性内插方法，所赋的值由如

2021-02-03 21:09:03 1048

原创第2章 Python 数字图像处理(DIP) --数字图像基础2 - 图像感知要素 - 图像取样和量化 - 空间分辨率和灰度分辨率

目录图像感知与获取一个简单的成像模型图像取样和量化空间分辨率和灰度分辨率图像感知与获取一个简单的成像模型我们用形如 f(x,y)f(x,y)f(x,y) 的二维函数来表示图像。在空间坐标 (x,y)处f(x, y)处 f(x,y)处f的值是一个标量，其物理意义由图像源决定，其值与物理源（如电磁波）辐射的能量成正比。因此，$ f(x,y) $ 一定是非负的和有限的，即0≤f(x,y)<∞(2.3) 0 \leq f(x, y) < \infty \tag{2.3} 0≤f(x,y)<

2021-02-03 21:05:33 1052

jasneik的博客