数字图像处理
文章平均质量分 82
数字图像处理的相关内容。
m0_61899108
这个作者很懒,什么都没留下…
展开
-
PyQt5 相关知识和相应链接
PyQt5 相关知识和相应链接原创 2023-06-19 08:52:07 · 2559 阅读 · 0 评论 -
OpenCV图像拼接相关的代码、论文链接
图像拼接相关的代码、论文链接原创 2023-06-17 12:55:24 · 2809 阅读 · 0 评论 -
图片 mask格式转coco json格式
图片从mask格式转coco json格式的相关说明与代码。COCO数据处理(二)根据自己提取的类的json文件生成对应的mask二值图并画在原图上 - 灰信网(软件开发博客聚合)mask rcnn 将mask 转json数据01_weixin_44576543的博客-CSDN博客_mask转jsonmask rcnn 将mask 转json数据02_weixin_44576543的博客-CSDN博客_mask转jsonhttps://blog....原创 2023-06-15 23:28:17 · 4021 阅读 · 1 评论 -
Python图像处理
该资源为作者在CSDN的撰写Python图像处理文章的支撑,主要是Python实现图像处理、图像识别、图像分类等算法代码实现。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。希望该资源对您有所帮助,一起加油!......原创 2022-12-10 23:57:08 · 1043 阅读 · 0 评论 -
Python OpenCV图像处理 理论 & 代码
GitHub - LeBron-Jian/ComputerVisionPracticeOpenCV计算机视觉学习(1)——图像基本操作(图像视频读取,ROI区域截取,常用cv函数解释) - 战争热诚 - 博客园ComputerVisionPractice/ImageProcessing_1 at master · LeBron-Jian/ComputerVisionPractice · GitHubOpenCV计算机视觉学习(2)——图像算术运算 &图像阈值(数值计算,掩膜mask操作,边界填充,二值化)原创 2022-12-10 23:11:31 · 664 阅读 · 0 评论 -
Matlab 常用快捷键
Matlab 常用快捷键 & Matlab 常用函数与python对照表原创 2022-11-13 14:53:35 · 5828 阅读 · 0 评论 -
图像复原与重建
什么是退化?引起图像退化的原因图像退化的一种现象——图像模糊。常见退化现象:由于镜头聚焦不好引起的模糊,由于镜头畸变引起图像的几何失真,由于运动产生的模糊,等等。 什么是图像复原?图像复原与图像增强的区别? 有噪声情况下的图像复原 噪声的来源:噪声的空域特性:噪声的频域特性:白噪声:傅里叶谱是常量。一些重要的噪声模型: ① 高斯噪声 ②瑞利噪声③伽马(爱尔兰)噪声④指数分布噪声 ⑤均匀分布噪声 ⑥脉冲噪声(椒盐噪声) 几种噪声的运用结论 周期噪声 噪声参数的估计典型的周期噪声参数是通过检测转载 2022-11-10 00:03:23 · 920 阅读 · 0 评论 -
频域图像增强(图像的频域分析)高通&低通滤波器
采用高斯低通滤波器滤波在抑制噪声的同时,图像边缘的模糊程度较用Butterworth滤波产生的大些,无明显的振铃效应。一般来说,不管在图像空间域还是频率域,采用高频滤波不但会使有用的信息增强,同时也使噪声增强。:从一幅尖锐的原始图像产生平滑、柔和的外观,如人脸,减少皮肤细纹的锐化程度和小斑点。的圆内,所有频率没有衰减地通过滤波器,而在此半径的圆之外的所有频率完全被衰减掉。图像的边缘、细节主要位于高频部分,而图像的模糊是由于高频成分比较弱产生的。,然后再进行逆傅立叶变换获得滤波图像,就可达到平滑图像的目的。转载 2022-11-09 23:09:59 · 3520 阅读 · 1 评论 -
Python代码实现图像增强(线性变换、对数变换、幂律变换、分段线性变换、灰度级分层、直方图均衡化、平滑滤波器、锐化滤波器)
Python代码实现图像增强(线性变换、对数变换、幂律变换、分段线性变换、灰度级分层、直方图均衡化、平滑滤波器、锐化滤波器)转载 2022-11-09 19:18:45 · 8538 阅读 · 3 评论 -
空间滤波 & 频率域滤波
图像滤波包括:空间阈滤波 和 频率域滤波 。 使用空间模板进行的图像处理,被称为空间滤波。模板本身被称为空间滤波器。 注:此滤波器w是一唯滤波器,因此扩展在其两侧扩展。 相关就是操作完再翻转 卷积就是先翻转再操作卷积的基本特性是某个函数与某个单位冲激卷积,得到一个在该冲激处的这个函数的拷贝。(相关操作也是得到一个函数的拷贝,但该拷贝旋转了180°)相关与此不同的是:①相关是滤波器位移的函数。相关的第一个值(c)对应于滤波器的零位移,第二个值(d)对应于一转载 2022-11-09 17:47:31 · 1905 阅读 · 0 评论 -
彩色图像处理 & 彩色空间转换及代码实现
为什么要研究彩色图像处理?符合人类视觉特点:人类可以辨别几千种颜色色调和亮度;只能辨别几十种灰度层次。有用的描绘子:简化目标物的区分;目标识别,根据目标的颜色特征。彩色图像处理可分为:全彩色处理:数码相机,数码摄像机,彩色扫描仪。伪彩色处理:对不同的灰度或灰度范围赋予不同的颜色。当一束白光通过一个玻璃棱镜时,出现的光束 不是白光,而是由一端为紫色到另一端为红色的 连续彩色谱组成。转载 2022-11-09 13:40:57 · 1314 阅读 · 0 评论 -
数字图像基础知识
像素的概念:数字图像由二维元素组成,每一个元素具有一个特定的位置(x,y)和幅值f(x,y),这些元素就称为像素。转载 2022-11-08 14:29:50 · 2889 阅读 · 0 评论 -
图像增强处理方法:点处理和直方图运算
改善图像质量方法图像增强:不考虑图像质量下降的原因,只将图像中感兴趣的特征有选择的突出,而衰减不需要的特征,它的目的主要是提高图像的可懂度;图像复原:需要了解图像质量下降的原因,首先要建立"降质模型",再利用该模型,恢复原始图像。转载 2022-11-08 13:48:39 · 1049 阅读 · 0 评论 -
数字图像处理中常用的数学操作
数字图像处理中常用的数学操作转载 2022-11-08 00:07:38 · 321 阅读 · 0 评论 -
三种图像内插法(最近邻内插法、双线性内插法、双三次内插法)的做法 & 代码实现
例如距中心点(x,y)的距离小于等于2的像素,形成固定距离的如右图轮廓,其中=1的像素是(x,y)的4领域。例如距中心点(x,y)的距离小于等于2的像素,形成固定距离的如右图轮廓,其中=1的像素是(x,y)的8领域。注:距点(x,y)的距离小于等于某个值r的像素是中心在(x,y)且半径为r的圆平面。注:距点(x,y)的距离小于等于某个值r的像素形成一个中心在(x,y)的菱形.注:距点(x,y)的距离小于等于某个值r的像素形成一个中心在(x,y)的方形。转载 2022-11-07 23:56:47 · 5554 阅读 · 2 评论 -
计算两幅图像的相似度(PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash)& 代码实现 与举例
计算两幅图像的相似度(PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash)& 代码实现 与举例。计算两幅图MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。公式表示为:对于两个m×n的单通道图像I和K,它们的均方误差可定义为:优点:MSE的函数曲线光滑、连续,处处可导,便于使用梯度下降算法,是一种常用的损失函数。而且,随着误差的减小,梯度也在减小,这有利于收敛,即使使用固定的学习速率,也能较快的收敛到最小值。原创 2022-11-07 08:51:32 · 51921 阅读 · 8 评论 -
图像特征检测(Harris角点、ShiTomasi角点、亚像素级角点、SURF角点、Star关键点、FAST关键点、Lepetit关键点)
图像特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。本文主要探讨如何提取图像中的“角点”这一特征,及其相关的内容。而诸如直方图、边缘、区域等内容在前文中有所提及,请查看相关文章。OpenCv(EmguCv)中实现了多种角点特征的提取方法,包括:Harris角点、ShiTomasi角点、亚像素级角点、SURF角点、Star关键点、FAST关键点、Lepetit关键点等等,本文将逐一介绍如何检测这些角点。转载 2022-10-26 16:43:03 · 1014 阅读 · 0 评论 -
图像处理 博客
图像处理相关博客汇总原创 2022-10-26 13:40:12 · 1567 阅读 · 0 评论 -
超像素分割 & SLIC算法 & 使用示例
超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术,是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度,所以通常作为分割算法的预处理步骤。在像素网格上按照一定的方式进行像素局部分组,可得到超像素。它已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计算机视觉应用。使用SLIC的分割示例其中,原创 2022-10-24 13:29:33 · 10412 阅读 · 1 评论 -
小波变换实现图像融合 & 原理 代码
1、图像融合概述图像融合(Image Fusion)是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。2、小波变换特点介绍完善的重构能力,保证信号在分解过程中没有信息损失和冗余信息;把图像分解成低频图像和细节(高频)图像的组合,分别代表了图像的不同结构,因此容易提取原始图像的结构信息和细节信息;转载 2022-10-25 00:17:44 · 13822 阅读 · 2 评论 -
傅里叶变换 Fourier Transform 介绍 与 代码使用
对于数字图像这种离散的信号,频率大小表示信号变换的剧烈程度或者说信号变化的快慢。频率越大,变换越剧烈,频率越小,信号越平缓,对应到的图像中,高频信号往往是图像中的边缘信号和噪声信号,而低频信号包含图像变化频繁的图像轮廓及背景灯信号。“任何连续周期信号都可以表示成(或者无限逼近)一系列正弦信号的叠加”需要说明的是:傅里叶变换得到的频谱图上的点与原图像上的点之间不存在一一对应的关系。低频:对应图像中物体的亮度均匀或变化缓慢的区域,变化较缓慢的灰度分量;高频:对应图像中物体的边缘、细节、噪声,变化较快的转载 2022-10-25 15:39:30 · 2849 阅读 · 0 评论 -
Python 图像滤波 代码实现 (sobel、average、gaussian、laplace)
图像在频域里面,频率低的地方说明它是比较平滑的,因为平滑的地方灰度值变化比较小,而频率高的地方通常是边缘或者噪声,因为这些地方往往是灰度值突变的。所谓高通滤波就是保留频率比较高的部分,即突出边缘;低通滤波就是保留频率比较低的地方,即平滑图像,弱化边缘,消除噪声。转载 2022-10-26 00:56:53 · 5773 阅读 · 0 评论 -
边缘检测 Edge detection
什么是数字图像处理(Digital Image Processing),先看一下数字图像主要的两个应用领域:我们可以简单理解为就将一幅原始图像,使用计算机处理为更为我们所能理解或所需要的形式,如图所示,为基于边缘检测的免疫细胞图像自动分割过程示意图再看一个例子,经典的车牌检测算法,将原始图像进行灰度图转换、边缘检测、形态学腐蚀膨胀等操作,得到车牌区域,随后将车牌区域进行切割(用的是knn,因此识别结果很差)1) 数字图像数字图像指的是现在的图像都是以二维数字表示,每个像素的灰度值均由一个数字表示,范围为0-转载 2022-10-26 13:15:20 · 889 阅读 · 0 评论 -
图片的高频与低频分量 初识 与 相关博客
图像中的低频信号和高频信号,也叫做低频分量和高频分量。低频分量对应图像中物体的亮度均匀或变化缓慢的区域;高频分量对应图像中物体的边缘、细节、噪声。图像的频率:该图像灰度值变化剧烈程度的指标,是灰度在平面空间上的梯度。图像信号中的低频分量,指的是图像强度(亮度、灰度)变换平缓的地方。也就是大片色块,变化不那么明显的地方。图像信号中的高频分量,指的就是图像信号强度(亮度/灰度)变化剧烈的地方,也就是我们常说的边缘(轮廓)。原创 2022-10-23 23:36:07 · 7702 阅读 · 1 评论