![](https://img-blog.csdnimg.cn/2021012821024283.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
数字图像处理(DIP)--Python
文章平均质量分 80
利用Python,学习数字图像处理,冈萨雷斯,文章公式与描述参考书上的知识,全部手打,难免有误,大代码部分自己根据公式写,但也有些在网找的资源,如有侵权,请与我联系。谢谢合作。
jasneik
虽然快奔4了,但抵挡不信对图像处理与人工智能的技术狂热的追求。
不在工作中暴发,就是学习中暴发。
展开
-
第10章 Python 数字图像处理(DIP) - 图像分割 基础知识 标准差分割法
This Chapter is all about image segmentation.I still not finished whole chapter, but here try to publish some for reference.这里写目录标题基础知识import sysimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfrom PIL import原创 2021-07-09 10:53:32 · 853 阅读 · 1 评论 -
第6章 Python 数字图像处理(DIP) - 彩色图像处理3 -色彩变换、彩色校正、彩色图像平滑和锐化、HSI彩色空间中的分割、RGB空间中的分割、彩色边缘检测
这里写目录标题色彩变换彩色图像平滑和锐化使用彩色分割图像HSI 彩色空间中的分割RGB空间中的分割彩色边缘检测彩色图像中的噪声色彩变换# 图像颜色分量的显示from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0630(01)(strawberries_fullcolor).tif')img_cmyk = img_ori.convert("CMYK")img_temp = np原创 2021-05-22 10:12:55 · 2981 阅读 · 2 评论 -
第6章 Python 数字图像处理(DIP) - 彩色图像处理2 - 灰度分层(灰度分割)和彩色编码,灰度值到彩色变换,Gray to RGB
第6章主要讲的是彩色图像处理,一些彩色模型如RGB,CMK,CMYK,HSI等色彩模型;彩色模型的变换关系;还包含由灰度图像怎样处理成假彩色图像;使用彩色分割图像等。本章比较少理论还有变换的描述,主要以代码为主,如有需要,请自行查看书本。这里写目录标题假彩色图像处理灰度分层(灰度分割)和彩色编码灰度值到彩色变换Gray -> RGB假彩色图像处理灰度分层(灰度分割)和彩色编码def gray_slice(img_gray): img_ori = img_gray / 255.原创 2021-05-22 10:05:34 · 2227 阅读 · 1 评论 -
第6章 Python 数字图像处理(DIP) - 彩色图像处理1 - RGB彩色模型,RGB to Gray,CMK和CMYK彩色模型,HSI彩色模型
第6章主要讲的是彩色图像处理,一些彩色模型如RGB,CMK,CMYK,HSI等色彩模型;彩色模型的变换关系;还包含由灰度图像怎样处理成假彩色图像;使用彩色分割图像等。本章比较少理论还有变换的描述,主要以代码为主,如有需要,请自行查看书本。这里写目录标题色彩基础彩色模型RGB彩色模型RGB to GrayCMK和CMYK 彩色模型HSIimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimpor原创 2021-05-22 09:58:25 · 2435 阅读 · 3 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建17 - 由投影重建图像、雷登变换、投影、反投影、反投影重建
标题瑞利噪声爱尔兰(伽马)噪声指数噪声均匀噪声椒盐噪声周期噪声估计噪声参数只存在噪声的复原 - 空间滤波均值滤波器算术平均滤波器几何均值滤波器谐波平均滤波器反(逆)谐波平均滤波器统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器自适应滤波器自适应局部降噪滤波器自适中值滤波器使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波线性位置不变退化估计退化函数采用观察法估计退化函数采用试验法估计退化函数采用建模法估计退化函数运动模糊函数OpenCV Motion Blur逆滤波逆滤波最小均方误差原创 2021-04-17 16:41:16 · 2732 阅读 · 4 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建16 - 约束最小二乘方滤波、几何均值滤波
标题约束最小二乘方滤波几何均值滤波约束最小二乘方滤波F^(u,v)=[H∗(u,v)∣H(u,v)∣2+γ∣P(u,v)∣2]G(u,v)(5.89)\hat{F}(u,v) = \bigg[\frac{H^*(u,v)}{|H(u,v)|^2 + \gamma |P(u,v)|^2} \bigg]G(u,v) \tag{5.89}F^(u,v)=[∣H(u,v)∣2+γ∣P(u,v)∣2H∗(u,v)]G(u,v)(5.89)P(u,v)为函数p(x,y)=[0−10−14−10−10]P(u,v原创 2021-04-17 16:33:30 · 1627 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建15 - 最小均方误差(维纳)滤波
标题最小均方误差(维纳)滤波最小均方误差(维纳)滤波目标是求未污染图像fff的一个估计f^\hat{f}f^,使它们之间的均方误差最小。e2=E{(f−f^)2}(5.80)e^2 = E \big\{(f - \hat{f})^2 \big\} \tag{5.80}e2=E{(f−f^)2}(5.80)误差函数的最小值在频率域中的表达比如下:F^(u,v)=[H∗(u,v)Sf(u,v)Sf(u,v)∣H(u,v)∣2+Sη(u,v)]G(u,v)=[H∗(u,v)∣H(u,v)∣2+Sη(原创 2021-04-17 16:30:39 · 1569 阅读 · 3 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建14 - 逆滤波
标题逆滤波逆滤波逆滤波逆滤波图像的退化函数已知或者由前面的方法获取退化函数,则可以直接逆滤波F^(u,v)=G(u,v)H(u,v)(5.78)\hat{F}(u,v) = \frac{G(u,v)}{H(u,v)} \tag{5.78}F^(u,v)=H(u,v)G(u,v)(5.78)F^(u,v)=F(u,v)+N(u,v)H(u,v)(5.79)\hat{F}(u,v) = F(u, v) + \frac{N(u,v)}{H(u,v)} \tag{5.79}F^(u,v)=F(u,v)+原创 2021-04-17 16:24:54 · 2349 阅读 · 4 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建13 - 空间滤波 - 线性位置不变退化 - 退化函数估计、运动模糊函数
标题线性位置不变退化估计退化函数采用观察法估计退化函数采用试验法估计退化函数采用建模法估计退化函数运动模糊函数OpenCV Motion Blur在这一节中,得到的结果,有些不是很好,我需要再努力多找资料,重新完成学习,如果大佬有相关资料推荐,不胜感激。线性位置不变退化# 巴特沃斯带阻陷波滤波器 BNRFimg_temp = np.zeros([512, 512])BNF_1 = butterworth_notch_resistant_filter(img_temp, radius=20, uk=原创 2021-04-11 08:26:31 · 1716 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建12 - 空间滤波 - 使用频率域滤波降低周期噪声 - 陷波滤波、最优陷波滤波
标题使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波本章陷波滤波器有部分得出的结果不佳,如果有更好的解决方案,请赐教,不胜感激。使用频率域滤波降低周期噪声陷波滤波深入介绍零相移滤波器必须关于原点(频率矩形中心)对称,中以为(u0,v0)(u_0, v_0)(u0,v0)的陷波滤波器传递函数在(−u0,−v0)(-u_0, -v_0)(−u0,−v0)位置必须有一个对应的陷波。陷波带阻滤波器传递函数可用中心被平移到陷波滤波中心的高通滤波器函数的乘积来产生HNR(u,v)=∏k=1QHk原创 2021-04-11 08:11:03 · 2475 阅读 · 2 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建11 - 空间滤波 - 自适应滤波器 - 自适应局部降噪、自适应中值滤波器
标题自适应滤波器自适应局部降噪滤波器自适应中值滤波器自适应滤波器自适应局部降噪滤波器均值是计算平均值的区域上的平均灰度,方差是该区域上的图像对比度g(x,y)g(x, y)g(x,y)噪声图像在(x,y)(x, y)(x,y)处的值ση2\sigma_{\eta}^2ση2 为噪声的方差,为常数,需要通过估计得到zˉSxy\bar{z}_{S_{xy}}zˉSxy 为局部平均灰度σSxy2\sigma_{S_{xy}}^2σSxy2 为局部方差f^(x,y)=g(x,y)−ση2σ原创 2021-04-05 16:59:31 · 1874 阅读 · 1 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建10 - 空间滤波 - 统计排序滤波器 - 中值、最大值、最小值、中点、修正阿尔法均值滤波器
标题统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器统计排序滤波器中值、最大值、最小值、中点 滤波器f^(x,y)=median{g(r,c)}(5.27)\hat{f}(x, y) = \text{median} \{g(r,c)\} \tag{5.27}f^(x,y)=median{g(r,c)}(5.27)f^(x,y))=max{g(r,c)}(5.28)\hat{f}(x, y)) = \text{max} \{g(r,c)\} \tag{5.28}f^(x,y))原创 2021-04-05 16:49:35 · 1594 阅读 · 2 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建9 - 空间滤波 - 均值滤波器 - 算术平均、几何平均、谐波平均、反谐波平均滤波器
标题只存在噪声的复原 - 空间滤波均值滤波器算术平均滤波器几何均值滤波器谐波平均滤波器反(逆)谐波平均滤波器只存在噪声的复原 - 空间滤波仅被加性噪声退化g(x,y)=f(x,y)+η(x,y)(5.21)g(x, y) = f(x, y) + \eta(x, y) \tag{5.21}g(x,y)=f(x,y)+η(x,y)(5.21)和G(u,v)=F(u,v)+N(u,v)(5.22)G(u, v) = F(u, v) + N(u, v) \tag{5.22}G(u,v)=F(u,v)+N(原创 2021-04-05 16:43:57 · 1848 阅读 · 1 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数
标题估计噪声参数估计噪声参数周期噪声的参数通常是通过检测图像的傅里叶谱来估计的。只能使用由传感器生成的图像时,可由一小片恒定的背景灰度来估计PDF的参数。来自图像条带的数据的最简单用途是,计算灰度级的均值和方差。考虑由SSS表示的一个条带(子图像),并令PS(zi)P_{S}(z_i)PS(zi),i=0,1,2,…,L−1i = 0, 1, 2, \dots, L-1i=0,1,2,…,L−1表示SSS中的像素灰度的概率估计(归一化直方图值),其中LLL是整数个图像中的可能灰度(对8比特而言,原创 2021-04-05 16:36:25 · 926 阅读 · 1 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建7 - 周期噪声 余弦噪声生成方法
标题周期噪声周期噪声周期噪声通常是在获取图像期间由电气或机电干扰产生的def add_sin_noise(img, scale=1, angle=0): """ add sin noise for image param: img: input image, 1 channel, dtype=uint8 param: scale: sin scaler, smaller than 1, will enlarge, bigger than 1 will shrink原创 2021-04-05 16:33:45 · 2102 阅读 · 5 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声
标题椒盐噪声椒盐噪声如果kkk是一幅数字图像中表示灰度值的比特数,则灰度值可能是[0,2k−1][0, 2^k -1][0,2k−1]。椒盐噪声的PDF为:P(z)={Ps,z=2k−1Pp,z=01−(Ps+Pp),z=V(5.16)P(z) = \begin{cases} P_s, & z = 2^k -1 \\ P_p, & z=0 \\ 1-(P_s + P_p), & z=V \end{cases} \tag{5.16}P(z)=⎩⎪⎨⎪⎧Ps,Pp,1−(Ps原创 2021-03-22 21:36:55 · 893 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建5 - 均匀噪声
标题均匀噪声均匀噪声均匀噪声的PDF为P(z)={1b−a,a≤z≤b0,other(5.13)P(z) = \begin{cases}\frac{1}{b-a}, & a\leq z \leq b \\ 0, & \text{other}\end{cases} \tag{5.13}P(z)={b−a1,0,a≤z≤bother(5.13)均值和方差为zˉ=a+b2(5.14)\bar{z} = \frac{a + b}{2} \tag{5.14}zˉ=2a+b(5.14)原创 2021-03-22 21:36:07 · 979 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建4 - 指数噪声
标题指数噪声指数噪声指数噪声的PDF为P(z)={ae−az,z≥00,z<0(5.10)P(z) = \begin{cases} ae^{-az}, & z\geq 0 \\ 0, & z < 0 \end{cases} \tag{5.10}P(z)={ae−az,0,z≥0z<0(5.10)均值和方差为zˉ=1a(5.11)\bar{z} = \frac{1}{a} \tag{5.11}zˉ=a1(5.11)σ2=1a2(5.12)\sigma^2 =原创 2021-03-22 21:35:22 · 777 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建3 - 爱尔兰(伽马)噪声
标题爱尔兰(伽马)噪声爱尔兰(伽马)噪声爱尔兰噪声的PDF是P(z)={abzb−1(b−1)!e−az,z≥00,z<0(5.7)P(z) = \begin{cases} \frac{a^bz^{b-1}}{(b-1)!}e^{-az}, & z\geq 0 \\ 0, & z < 0 \end{cases} \tag{5.7}P(z)={(b−1)!abzb−1e−az,0,z≥0z<0(5.7)a>ba > ba>b, bbb是一个正整原创 2021-03-22 21:34:40 · 966 阅读 · 2 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声
标题瑞利噪声瑞利噪声瑞利噪声的PDF为P(z)={2b(z−a)e−(z−a)2/b,z≥a0,z<a(5.4)P(z) = \begin{cases} \frac{2}{b}(z-a)e^{-(z-a)^2/b}, & z \ge a \\ 0, & z < a\end{cases} \tag{5.4}P(z)={b2(z−a)e−(z−a)2/b,0,z≥az<a(5.4)均值和方差为zˉ=a+πb/4(5.5)\bar{z} = a + \sqrt{\原创 2021-03-22 21:32:02 · 1880 阅读 · 12 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建1 - 高斯噪声
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法。一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等。本章主要的噪声研究方法主要是加性噪声。标题图像退化/复原处理的一个模型噪声模型噪声的空间和频率特性一些重要的噪声概率密度函数(PDF)高斯噪声import sysimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfro原创 2021-03-22 21:30:38 · 1759 阅读 · 3 评论 -
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,返回原创 2021-02-25 09:24:01 · 1518 阅读 · 2 评论 -
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,原创 2021-02-25 09:20:21 · 2116 阅读 · 3 评论 -
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{原创 2021-02-25 09:12:07 · 2870 阅读 · 4 评论 -
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原创 2021-02-25 08:48:12 · 1484 阅读 · 1 评论 -
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)二原创 2021-02-24 23:06:58 · 1286 阅读 · 0 评论 -
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原创 2021-02-24 23:05:42 · 1220 阅读 · 0 评论 -
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原创 2021-02-24 23:04:22 · 1321 阅读 · 0 评论 -
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)原创 2021-02-24 22:54:30 · 888 阅读 · 0 评论 -
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原创 2021-02-24 22:49:07 · 306 阅读 · 0 评论 -
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=∫−∞原创 2021-02-24 22:45:32 · 607 阅读 · 0 评论 -
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,纵坐标原创 2021-02-24 22:40:10 · 643 阅读 · 0 评论 -
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原创 2021-02-24 22:31:05 · 553 阅读 · 0 评论 -
第1章 Python 数字图像处理(DIP) --绪论
Python 数字图像处理关于本专栏此专栏为 Python 数字图像处理(DIP)(冈萨雷斯版),专栏里文章的内容都是来自书里,全部手打,非OCR,因为很多公式,都是用LaTex输入,力求更好看的公式,让读者更容易理解。手打输入难免有误,如发现请与我联系,谢谢。关于代码本专栏代码,大部分自己根据公式写的,当然我也是站在巨人的肩膀上完成了一些代码,如果发侵权,请与我联系删除。...原创 2021-01-31 21:52:11 · 797 阅读 · 2 评论 -
第2章 Python 数字图像处理(DIP) --数字图像基础1 - 视觉感知要素 - 亮度适应与辨别
import numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfrom PIL import Imageprint(f"Numpy version: {np.__version__}")print(f"Opencv version: {cv2.__version__}")print(f"Matplotlib version: {matplotlib.__version__}")原创 2021-01-31 21:43:24 · 672 阅读 · 0 评论 -
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)<原创 2021-02-03 21:05:33 · 1049 阅读 · 0 评论 -
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,所赋的值由如原创 2021-02-03 21:09:03 · 1046 阅读 · 0 评论 -
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原创 2021-02-03 21:12:56 · 679 阅读 · 2 评论 -
第2章 Python 数字图像处理(DIP) --数字图像基础5 -- 算术运算、集合、几何变换、傅里叶变换等
import numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfrom PIL import Imageprint(f"Numpy version: {np.__version__}")print(f"Opencv version: {cv2.__version__}")print(f"Matplotlib version: {matplotlib.__version__}")原创 2021-01-31 22:50:25 · 772 阅读 · 0 评论 -
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原创 2021-02-04 13:05:40 · 825 阅读 · 2 评论