【CV学习笔记】图像的计算

关注“深度学习冲鸭”，一起学习一起冲鸭！

设为星标，第一时间获取更多干货

作者：云时之间

来源：知乎

链接：https://zhuanlan.zhihu.com/p/103879057

编辑：王萌

今天我们一起学习的是OpenCV中的图像的计算，在图像计算中，分为像素级运算和代数运算这两大类，今天我们借助OpenCV中的函数一起来看看这些运算。

一：图像的像素级运算

像素级运算中非常常用的就是点运算，之前的文章中说过的让一张图片反转颜色其实就是点运算来实现的。点运算我们一般将其分为三大类：

线性点运算、非线性点运算、映射表点运算

点运算有以下的几个特点：

1：点运算针对图像中的每一个像素灰度，独立地进行灰度值的改变，换句话说，点运算实际上是一种在灰度程度上进行的变换，这是前提。

2：输出图像中每个像素点的灰度值，仅取决于相应输入像素点的值

3：点运算不改变图像内的空间关系

4：从像素到像素的操作
5：点运算可完全由灰度变换函数或灰度映射表确定

具体的例子可以参照之前的文章进行试验，这里不再赘述

二：代数运算

代数运算最常见的是加、减、乘、除这四类，整个代数运算对图片的要求挺高的，首先要尺寸大小相同，然后图片的体积不能太大，如果太大运算起来很费时间。

  1. 加法

加法运算的计算公式如下：

C(x,y) = A(x,y) + B(x,y)

其实就是将A,B两张图片每个像素值相加得到一张新的图片，图像加法在图像合成方面用的比较广泛。假如我们将两个图像f(x,y)和h(x,y)进行以下处理：

g(x,y) = 0.5f(x,y) + 0.5h(x,y)

这样图像会得到类似二次曝光的效果

将这个公式进行推广：

g(x,y) = αf(x,y) + βh(x,y) 其中α+β= 1

然后合理的调节α，β的值，我们可以将两张图片进行合成，并且效果很不错

接下来我们使用OpenCV来进行一下操作：

在OpenCV中提供了一些图片进行试验：

找到你相应的安装OpenCV的路径，然后按照图片进行查找即可：

在这里我们选择其中的LinuxLogo和WindowsLogo进行运算，我们定义一个函数，按照以下调用即可：

结果如下：

  2. 减法

C(x,y) = A(x,y) - B(x,y)

减法我们可以看做是加法的反例，减法主要用来去除不需要的叠加性图案

或者检测同一场景两幅图像之间的变化。

调用方法如下：

让我们看看结果：

  3. 乘法

C(x,y) = A(x,y) × B(x,y)

乘法主要用在图像的局部显示，同时可以用二值蒙板图像与原图像做乘法，通常来说就是加滤镜。。。

OpenCV中乘除法的操作方法：

结果如下：

这里说一下为什么不写一下除法，因为每个像素点取值0-255，一相除以后没有多少数值了，所呈现出来的图像也没有什么有效信息，所以我们一般不怎么使用除法。

三：逻辑运算（求反、异或、或、与）

1）求反的定义

g(x,y) = R - f(x,y)

R为f(x, y)的灰度级。

可以应用在：

获得一个图像的负像

获得一个子图像的补图像

2）异或运算的定义

g(x,y) = f(x,y) or h(x,y)

主要应用举例

获得相交子图像

3)与运算的定义

g(x,y) = f(x,y) and h(x,y)

主要应用

求两个子图像的相交子图

在OpenCV中的操作如下：

得到的结果如下：

四：尾巴

在上边的一些操作中，可以看到我基本没有写代码，直接调用OpenCV即可，如今的代码库多种多样，开源的数不胜数，可以说让我们进入了傻瓜编程阶段，并且在OpenCV中，越来越多的函数命名更加直接，极大地简化了我们的操作，我们可以有更多的精力放在算法优化上，而不是在写无穷无尽的程序。其实数字图像处理本身的算法理论很简单，但是一但实际操作起来，问题反而不少，各位希望可以多找几幅图像尝试一下，自己分析一下，相信会有更多的收获！

在中华文化里，鼠乃十二生肖之首，进入鼠年就代表着开始新一轮生肖纪年，也寓意着新的开端，给大家提前拜一个早年！奋斗创造历史，实干成就未来，希望和大家在新的一年里一起努力，共同成长，也感谢大家的支持！

每天进步一丢丢

常见的数据簇的特点

为了评估不同聚类算法的性能优劣，我们需要了解常见的数据簇的特点。

1. 以中心定义的数据簇：这类数据集合倾向于球形分布，通常中心被定义为质心，即此数据簇中所有点的平均值。集合中的数据到中心的距离相比到其他簇中心的距离更近。

2. 以密度定义的数据簇：这类数据集合呈现和周围数据簇明显不同的密度，或稠密或稀疏。当数据簇不规则或互相盘绕，并且有噪声和离群点时，常常使用基于密度的簇定义。

3. 以连通定义的数据簇：这类数据集合中的数据点和数据点之间有连接关系，整个数据簇表现为图结构。该定义对不规则形状或者缠绕的数据簇有效。

4. 以概念定义的数据簇：这类数据集合中的所有数据点具有某种共同性质。

下载一：中文版！学习TensorFlow、PyTorch、机器学习、深度学习和数据结构五件套！

后台回复【五件套】
下载二：南大模式识别PPT

后台回复【南大模式识别】

说个正事哈

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方“深度学习自然语言处理”，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦

推荐两个专辑给大家：

专辑 | 李宏毅人类语言处理2020笔记

专辑 | NLP论文解读

专辑 | 情感分析

整理不易，还望给个在看！