图像处理的算子
文章平均质量分 67
qq_2773878606
学生
展开
-
sobel算子原理以及运用
Sobel边缘检测算法:主要用作边缘检测,在技术上,它是一离散性差分算子,用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量 Sobel卷积因子为: 该算子包含两组3x3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经原创 2015-07-15 13:35:11 · 2689 阅读 · 0 评论 -
SIFT特征提取分析 sift算子
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points)及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配,获得了良好效果,详细解析如下:算法描述SIFT特征不只具有尺度不变性,即使改变旋转角度转载 2015-07-23 17:05:19 · 1147 阅读 · 0 评论 -
Moravec算子
这个算子算是图像历史上第一个特征点提取算法了,1977年提出的,很简单,拿来练手很合适。算法原理如下:1.选取一个合理的邻域遍历图像,这里是5*5邻域的。在邻域中依次计算,垂直,水平,对角与反对角四个相邻像素灰度的差的平方和,作为该邻域特征值。大致就是下面这个样子:公式:这里k是窗口的半径。2.从四个特征值中选转载 2015-10-08 13:31:56 · 8266 阅读 · 2 评论 -
旋转不变LBP以及特征向量的提取方式
function [ RIUniformHist ] = RIULBP(I2)RIUniformHist=[];m=size(I2,1);n=size(I2,2);for i=1:20:m for j=1:20:n for k=i+1:i+18 for l=j+1:j+18 J0=I2(k,l);原创 2015-10-08 21:58:26 · 3878 阅读 · 0 评论 -
LTP算子
function [ ltp_upper, ltp_lower ] = LTP(im, t) %// Get the dimensions rows=size(im,1); cols=size(im,2); %// Reordering vector - Essentially for getting binary strings reorder_vec原创 2015-10-08 22:56:39 · 962 阅读 · 0 评论 -
LBP(local binary pattern)
LBP(local binary pattern)是一种用来描述图像局部纹理特征的算子。原始的LBP于1994年提出,它反映内容是每个像素与周围像素的关系。后被不断的改进和优化,分别提出了LBP旋转不变模式、LBP均匀模式等。一:原始的LBP 给出一个简单的案例计算LBP:如下图,周围8个像素点比中间点像素值大(或者相等)的记为1,小的记为0,这样就得到二值图,然后按顺时针方向转载 2015-10-08 21:19:42 · 1136 阅读 · 0 评论 -
LDP算子 用于人脸识别()得到特征向量用于识别)
I=imread('E:6.jpg');I=rgb2gray(I);[a b]=LDP(I,[1 1],2);% [HIST, LDPIM] = LDP(IMAGE, SUBSZ, ORDER) % Calculates the LDP images and histogram of IMAGE. The concatenation % of the LDP histogram原创 2015-10-09 09:42:27 · 2692 阅读 · 1 评论 -
LDN局部特征检测 (可以用于人脸检测 识别)
、imshow(ldn(I))function result=ldn(image)%k=3;[wight,hight]=size(image);temp=zeros(wight+2,hight+2);% temp(2:129,2:129)=image;temp(2:wight+1,2:hight+1)=image;result=zeros(wight,hight);Vk原创 2015-10-09 14:06:06 · 890 阅读 · 1 评论 -
Krisch Compass Mask(各个方向的边缘)
Kirsch Compass Mask is also a derivative mask which is used for finding edges. This is also like Robinson compass find edges in all the eight directions of a compass. The only difference between Robin原创 2015-10-09 13:47:48 · 1582 阅读 · 0 评论 -
Harris算子的运用 用于图像配准
Harris算子介绍:该算子是C.Harris和M.J.Stephens在1988年提出的一种点特征提取算子。这种算子受信号处理中自相关函数的启发,可以给出图像中某一像素点的自相关矩阵肘,其特征值是自相关函数的一阶曲率,如果算,Y两个方向上的曲率值都高,那么就认为该点是角点。Harris角点检测算子Harris[2]角点检测算子是Moravec角点检测算子的改进.(1)算子用高斯函数代原创 2015-07-23 16:31:10 · 2769 阅读 · 0 评论 -
Shi-Tomasi算子的运用 ,用于检测角点
角点检测当一个窗口在图像上移动,在平滑区域如图(a),窗口在各个方向上没有变化。在边缘上如图(b),窗口在边缘的方向上没有变化。在角点处如图(c),窗口在各个方向上具有变化。Harris角点检测正是利用了这个直观的物理现象,通过窗口在各个方向上的变化程度,决定是否为角点。将图像窗口平移[u,v]产生灰度变化E(u,v)由:, 得到:对于局部微转载 2015-07-23 16:43:32 · 1849 阅读 · 0 评论 -
Robert算子的运用
Roberts算子:边缘定位准,但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析,由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应,故采用上述算子检测的边缘图像常需做细化处理,边缘定位的精度不是很高。主要通过图像的局部差分来求得梯度:MATLAB代码:原创 2015-07-15 14:31:58 · 6917 阅读 · 0 评论 -
Prewitt算子的运用
Prewitt算子折叠是一种一阶微分算子的边缘检测,利用像素点上下、左右邻点的灰度差,在边缘处达到极值检测边缘,去掉部分伪边缘,对噪声具有平滑作用 。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的,这两个方向模板一个检测水平边缘,一个检测垂直边缘。对数字图像f(x,y),Prewitt算子的定义如下:G(i)=|[f(i-1,j-1)+原创 2015-07-15 14:46:57 · 2664 阅读 · 0 评论 -
laplacian算子的运用
Laplacian算子定义为它的差分形式为表示成模板的形式就是 。Laplacian算子另外一种形式是,也经常使用。Laplace算子是一种各向同性算子,在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈,因此只适用于无噪声图象。存在噪声情况下,使用Laplacian算子检测边缘之前需要先进行低通原创 2015-07-15 15:01:45 · 6968 阅读 · 1 评论 -
canny算子的运用
1. Canny边缘检测基本原理 (1)图象边缘检测必须满足两个条件:一能有效地抑制噪声;二必须尽量精确确定边缘的位置。 (2)根据对信噪比与定位乘积进行测度,得到最优化逼近算子。这就是Canny边缘检测算子。 (3)类似与Marr(LoG)边缘检测方法,也属于先平滑后求导数的方法。 2. Canny边缘检测算法:转载 2015-07-15 15:29:19 · 1102 阅读 · 0 评论 -
图像加噪,各种滤波
clc;img=imread('3.17.tif');imgn=imnoise(img,'salt & pepper',0.02);[m n]=size(img);%h=fspecial('average',[3 3]); % 3*3的均值滤波%imgn1=imfilter(imgn,h,'replicate');%imgn=medfilt2(imgn,[3 3]);转载 2015-07-15 21:46:58 · 865 阅读 · 0 评论 -
susan算子的运用
SUSAN 算法 1997 年英国牛津大学的 S.M.smith 和 J.M.Brady 人提出了一种用于低层次图像处理的最小核值相似区(即 Smallest Univalue Segment Assimilating Nucleus,简称SUSAN)算法[65,66]。它直接对图像灰度值进行操作,方法简单,无需梯度运算,保证了算法的效率;定位准确,对多个区域的结点也能精确检测转载 2015-07-16 16:39:46 · 5420 阅读 · 3 评论 -
DOG算子的运用
Difference of Gaussian(DOG)是高斯函数的差分。它是可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果,即去噪过程,这里的Gaussian和高斯低通滤波器的高斯一样,是一个函数,即为正态分布函数。基本理论首先,高斯函数表示定义为:其次,两幅图像的高斯滤波表示为:最后,将上面滤波得到的两幅转载 2015-07-16 18:40:53 · 3520 阅读 · 0 评论 -
LOG算子的运用
LOG算子:在图像中,边缘可以看做是位于一阶导数较大的像素处,因此,我们可以求图像的一阶导数来确定图像的边缘,像sobel算子等一系列算子都是基于这个思想的。但是这存在几个问题:1. 噪声的影响,在噪声点处一阶导数也会取极大值 2. 求解极大值的复杂性 所以,有了使用二阶导数的方法。这里主要考虑LoG算子,即高斯-拉普拉斯算子。为什么要使用二阶导数呢?转载 2015-07-16 16:50:21 · 7873 阅读 · 0 评论 -
interpn函数
【功能介绍】1、格式 VI = interpn(X1,X2,,…,Xn,V,Y1,Y2,…,Yn) %返回由参量X1,X2,…,Xn,V确定的n元函数V=V(X1,X2,…,Xn)在点(Y1,Y2,…,Yn)处的插值。参量Y1,Y2,…,Yn是同型的矩阵或向量。若Y1,Y2,…,Yn是向量,则可以是不同长度,不同方向(行或列)的向量。它们将通过命令ndgrid生成同型的矩阵,再作计算。原创 2016-01-01 20:27:57 · 6536 阅读 · 0 评论