数字图像处理总结(一)(二)

已于 2022-12-23 11:13:48 修改
阅读量650 收藏
点赞数 1
分类专栏： 课程学习-数字图像处理DIP 文章标签： 图像处理 计算机视觉
于 2020-12-25 00:49:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36306288/article/details/111656213
版权
本文详细介绍了数字图像处理的基础知识，包括图像形成模型、DPI、灰度分辨率、像素邻域（4邻域、8邻域、D邻域、m邻域）以及图像连通域的内外边界。此外，还讨论了图像的距离度量和数学操作（加减乘除），并深入探讨了前向和后向变换、仿射变换等图像变换概念。
摘要由CSDN通过智能技术生成

数字图像处理总结（一二）

Part1 Introduction

这部分没啥说的。

Part2 DIP基础

这部分主要介绍了成像的过程和数字图像的生成、表示和量化。还有数字图像的数据结构表示（二维数组）

简单图像形成模型

图像形成模型比较简单，主要由两部分组成，一个照射分量（illumination components）[0,∞]，一个反射分量（reflectance components）,[0,1]

在这里插入图片描述
在这里插入图片描述

dpi(dot per inch)

例如下图ipad的分辨率为1024*768，长宽是8，6inch，因此，dpi = 768/6 = 128

在这里插入图片描述

灰度分辨率

如何获得n-bits （1-8）的images？
两种方式：

  • 先右移位（8-n）位，再左移8-n位（只保留高2^n位）；
  • 先右移位（8-n）位，再*255/（2^n-1）
c--：
byte[,] get_n_bits_img(byte[,] f,  int n)
{
	int w = f.GetLength(0);
	int h = f.GetLength(1);
	byte[,] g = new byte[w, h]; 
   
	for (int y=0;y<h;y++)
		for(int x=0;x<w;x++)
			{
				//g[x,y] = (byte)((f[x,y]>>(8-n))<<(8-n));
				g[x,y] = (byte)((f[x,y]>>(8-n))*255/((1<<n)));
			}
   
	return g;
}
void main()
{
	byte[,] f = LoadImg();
	ShowImg("f", f);
	
	for (int i=1;i<=8;i++)
		ShowImg("n="+i.ToString(), get_n_bits_img(f, i));

}

像素邻域

由这里主要包括以下几种邻域：4-adjacency、8-adjacency、m-adjacency、和D-adjacency。

4邻域

在这里插入图片描述

D邻域

在这里插入图片描述

8邻域(N4+ND)

在这里插入图片描述

m邻域

对于像素值为1的意思为前景，p和q均在前景中，m邻域意思是满足下面其中一个条件：

  1. 像素q在p的4邻域中；
  2. q在p的8邻域，但p和q的四邻域没有在前景的交集。

在这里插入图片描述
在这里插入图片描述

混合连接实质上是在像素间同时存在4-连接和8-连接时，优先采用4-连接，并屏蔽两个和同一像素间存在4-连接的像素之间的8-连接。

例如下面的例子，最右边是m邻域所绘制的连通，中间是8邻域。
在这里插入图片描述

c--:
bool Is_4adjacent(int px, int py, int qx, int qy)
{
	return Abs(px-qx)+Abs(py-qy)<=1
}

bool Is_8adjacent(int px, int py, int qx, int qy)
{
	return Abs(px-qx)+Abs(py-qy) < 2.1
	// return Is_4adjacent(px,py,qx,qy)||Is_D_adjacent(px,py,qx,qy)
}

bool Is_D_adjacent(int px, int py, int qx, int qy)
{
	return Abs(px-qx)+Abs(py-qy) == 2
}

图像连通域的内外边界

  • 内边界： 自身像素点是区域内的；四邻域有区域内的；(inner-border)
    在这里插入图片描述

  • 外边界：自身像素点是区域外的，八邻域有区域内的点；(outer-border)
    在这里插入图片描述

图像的距离度量

距离函数应首先满足如下的性质：(非负，对偶，三角)
在这里插入图片描述
本课程中老师主要讲了三种距离度量：

  • 欧式距离（euclidean distance）
    在这里插入图片描述

  • 城市街区块距离（city-block distance）

    x和y的差距和
    在这里插入图片描述

  • 棋盘格距离（chessboard distance）

    取 x和y上差距最大的

在这里插入图片描述
查看街区D4和棋盘D8距离的代码如下：
其中，D4>=De>=D8在这里插入图片描述

 byte[,] chessdistance(int x0, int y0, float r)
{
	
	byte[,] g = new byte[(int)(x0*2),(int)(y0*2)];
	for (int y=0;y<(int)(y0*2);y++)
		for (int x=0;x<(int)(x0*2);x++)
		{
			double temp = Abs(x-x0);
			if (temp<Abs(y-y0))
				temp = Abs(y-y0);
			if ( temp <= r )
				g[x,y] = 255;
		}
	return g;
}
byte[,] cityblockdistance(int x0, int y0, float r)
{
	
	byte[,] g = new byte[(int)(x0*2),(int)(y0*2)];
	for (int y=0;y<(int)(y0*2);y++)
		for (int x=0;x<(int)(x0*2);x++)
		{
			if ( (Abs(x-x0)+Abs(y-y0)) <= r )
				g[x,y] = 255;
		}
	return g;
}

void main()
{
	ShowImg("city", cityblockdistance(200, 200, 50));
	ShowImg("chess", chessdistance(200, 200, 50));
}

图像中的数学操作（加减乘除）

  • Rand() [0,1] 随机噪声

  • 多个噪声图像相加，用于图像的增强，方差减小；add

  • 两个图像相减，目标突出；sub

  • 两个图像相乘/除，ROI；mul div

  • 在这里插入图片描述

  • 算术运算的用处，归一化到0-255：
    在这里插入图片描述

  • 混合运算

在这里插入图片描述

  • 像素取反
  • 邻域操作（和后面的卷积类似）

图像中的变换

前向和后向变换

这里是(x,y) -> (u,v)，后面仿射变换x,y和u,v是反的，注意区分！
在这里插入图片描述
图像处理中常用逆向映射，计算机图形学中常用前向映射。

仿射变换

在这里插入图片描述

下面的都是逆向变换，前向变换求一个逆就行了： 一般分析的时候先前向变换，然后再后向变换
先定义一下matrix和矩阵乘法函数

struct Matrix
{
   public float m11;
   public float m21;
   public float m31;

   public float m12;
   public float m22;
   public float m32;
}

byte[,] ST(byte[,] f,Matrix T)
{
   int w = f.GetLength(0);
   int h = f.GetLength(1);
 
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         int u = (int)(x*T.m11+y*T.m21+T.m31);
         int v = (int)(x*T.m12+y*T.m22+T.m32);

         if (u>=0 && u<w && v>=0 && v<h) 
             g[u,v] = f[x,y];          
     }

   return g;
}
  • 垂直flip vertical
 Matrix createFlipV(int h)
{
   Matrix M = new Matrix();

   M.m11 = 1;        M.m12 = 0;
   M.m21 = 0;        M.m22 = -1;
   M.m31 = 0;        M.m32 = h-1; 

  return M;
}
  • 水平flip horizontal
 {
   Matrix M = new Matrix();

   M.m11 = -1;        M.m12 = 0;
   M.m21 = 0;         M.m22 = 1;
   M.m31 = w-1;       M.m32 = 0; 

  return M;
}
  • Scale
 Matrix createScale(float sx,float sy)
{
   Matrix M = new Matrix();

   M.m11 =1/sx;       M.m12 = 0;
   M.m21 = 0;         M.m22 =1/sy;
   M.m31 = 0;         M.m32 = 0; 

  return M;
}
  • ScaleAt
 Matrix createScaleAt(float x0,float y0,float k)
{
   Matrix M = new Matrix();

   M.m11 =1/k;       M.m12 = 0;
   M.m21 = 0;        M.m22 =1/k;
   M.m31 =x0-x0/k;   M.m32 = y0-y0/k; 

  return M;
}

  • 旋转

  • 平移

 Matrix createTranslation(float tx,float ty)
{
   Matrix M = new Matrix();

   M.m11 = 1;        M.m12 = 0;
   M.m21 = 0;        M.m22 = 1;
   M.m31 =-tx;      M.m32 =-ty; 

  return M;
}
  • skewX
Matrix createSkewX(float h,float w0)
{
   Matrix M = new Matrix();

   M.m11 =1;         M.m12 = 0;
   M.m21 =-w0/(h-1); M.m22 = 1;
   M.m31 = 0;        M.m32 = 0; 

  return M;
}

在这里插入图片描述

  • skewY
Matrix createSkewX(float h,float w0)
{
   Matrix M = new Matrix();

   M.m11 =1;         M.m12 = -h0/(w-1);
   M.m21 =0; M.m22 = 1;
   M.m31 = 0;        M.m32 = 0; 

  return M;
}

在这里插入图片描述
注意多重仿射变换要会（矩阵堆叠）

  • 饶图像中心点顺时针旋转90°和逆时针旋转90°（对于这类比较特殊的变换，可以使用多点观察法，求取转化矩阵）

方法(来自某彭姓大佬)：

在这里插入图片描述
在这里插入图片描述

//下面的是前向映射的矩阵 分别是顺时针旋转90°和逆时针旋转90°
Matrix rotate90()
{
   Matrix M = new Matrix();

   M.m11 =0;          M.m12 = 1;
   M.m21 = -1;        M.m22 =0;
   M.m31 =255;        M.m32 = 0; 

  return M;
}

Matrix rotate_f90()
{
   Matrix M = new Matrix();

   M.m11 =0;         M.m12 = -1;
   M.m21 =1;         M.m22 =0;
   M.m31 =0;         M.m32 = 255; 

  return M;
}

  • 最近邻插值（注意0.5）
    在这里插入图片描述

  • 双线性变换
    在这里插入图片描述

struct Matrix
{
   public float m11;
   public float m21;
   public float m31;

   public float m12;
   public float m22;
   public float m32;
}

byte[,] ST(byte[,] f,Matrix T)
{
   int w = f.GetLength(0);
   int h = f.GetLength(1);
 
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         int u = (int)(x*T.m11+y*T.m21+T.m31);
         int v = (int)(x*T.m12+y*T.m22+T.m32);

         if (u>=0 && u<w && v>=0 && v<h)
             g[x,y] = f[u,v];         
     }

   return g;
}

byte GetValueAt(byte[,]f,float x,float y)
{
    int i = (int)x;
    int j = (int)y;

    double a = x-i;
    double b = y-j;

    double fxj = f[i,j]*(1-a)+f[i+1,j]*a;
    double fxj1 = f[i,j+1]*(1-a)+f[i+1,j+1]*a;

    double fxy = fxj*(1-b)+fxj1*b;

    /*
    float f00 = f[i,j];
    float f10 = f[i+1,j];
    float f01 = f[i,j+1];
    float f11 = f[i+1,j+1];

    float ffxy = (f00*(1-a)+f10*a)*(1-b)+(f10*(1-a)+f11*a)*b;
    */

    return (byte)fxy;
}

byte[,] ST_BI(byte[,] f,Matrix T)
{
   int w = f.GetLength(0);
   int h = f.GetLength(1);
 
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         float u = x*T.m11+y*T.m21+T.m31;
         float v = x*T.m12+y*T.m22+T.m32;

         if (u>=0 && u<w-2 && v>=0 && v<h-2)
             g[x,y] = GetValueAt(f,u,v);         
     }

   return g;
}


Matrix createFlipV(int h)
{
   Matrix M = new Matrix();

   M.m11 = 1;        M.m12 = 0;
   M.m21 = 0;        M.m22 = -1;
   M.m31 = 0;        M.m32 = h-1; 

  return M;
}

Matrix createFlipH(int w)
{
   Matrix M = new Matrix();

   M.m11 = -1;        M.m12 = 0;
   M.m21 = 0;         M.m22 = 1;
   M.m31 = w-1;       M.m32 = 0; 

  return M;
}

Matrix createTranslation(float tx,float ty)
{
   Matrix M = new Matrix();

   M.m11 = 1;        M.m12 = 0;
   M.m21 = 0;        M.m22 = 1;
   M.m31 =-tx;      M.m32 =-ty; 

  return M;
}

Matrix createScale(float sx,float sy)
{
   Matrix M = new Matrix();

   M.m11 =1/sx;       M.m12 = 0;
   M.m21 = 0;         M.m22 =1/sy;
   M.m31 = 0;         M.m32 = 0; 

  return M;
}


Matrix createScaleAt(float x0,float y0,float k)
{
   Matrix M = new Matrix();

   M.m11 =1/k;       M.m12 = 0;
   M.m21 = 0;        M.m22 =1/k;
   M.m31 =x0-x0/k;   M.m32 = y0-y0/k; 

  return M;
}


void main()
{
   byte[,] f = LoadImg();
   ShowImg("f",f);

   int w = f.GetLength(0);
   int h = f.GetLength(1);
   
   // ShowImg("FlipV",ST(f,createFlipV(h)));
   // ShowImg("FlipH",ST(f,createFlipH(w)));
  // ShowImg("Translate",ST(f,createTranslation(40,80)));

//   ShowImg("Scale 0.5",ST(f,createScale(0.5f,0.5f)));
//   ShowImg("Scale 2",ST(f,createScale(2,2)));
//   ShowImg("Scale 0.5",ST(f,createScale(0.5f,0.75f)));

   ShowImg("Scale At",ST(f,createScaleAt(w/2,h/2,8)));
   ShowImg("Scale At",ST_BI(f,createScaleAt(w/2,h/2,8)));
}
  • 配准（简单平移）
    在这里插入图片描述
 FM
(0,0)  => x00,y00
(w-1,0)  => x10,y10
(0,h-1)  => x01,y01
(w-1,h-1) => x11,y11
*/
0,0,    512,80,     80,512,     512+80,    512+80,      512,512
// IM
byte[,] img_reg(byte[,]f,float x00,float y00,     float x10,float y10,     float x01,float y01,     float x11,float y11,     int w,int h)
{

   int iw = f.GetLength(0);
   int ih = f.GetLength(1);


   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         float a = (float)x/(w-1);
         float b = (float)y/(h-1);
	/*
	    	float f00 = f[i,j];
    		float f10 = f[i+1,j];
    		float f01 = f[i,j+1];
    		float f11 = f[i+1,j+1];

    		float ffxy = (f00*(1-a)+f10*a)*(1-b)+(f10*(1-a)+f11*a)*b;
	*/	

        
         int u = (int)((x00*(1-a)+x10*a)*(1-b)+(x01*(1-a)+x11*a)*b);
         int v = (int)((y00*(1-a)+y10*a)*(1-b)+(y01*(1-a)+y11*a)*b);

// if (x=0,y=0)      u = x00, v = y00
// if (x=w-1,y=0)    a = 1, b =0 u = x10, v= y10, 

         if (u>=0 && u<iw && v>=0 && v<ih)
             g[x,y] = f[u,v]; 
         else g[x,y] = 255;        
     }


  return g; 
}
  • 图像某点 Scale （V2更加自然）
byte[,] ZoomAt(byte[,] f,float x0,float y0,float k)   // 直接向量计算就好了
{
   int w = f.GetLength(0);
   int h = f.GetLength(1);
 
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         int u = (int)((x-x0)/k+x0);
         int v = (int)((y-y0)/k+y0);

         if (u>=0 && u<w && v>=0 && v<h)
           g[x,y] = f[u,v];         
     }

   return g;
}

byte[,] localZooming(byte[,] f,float x0,float y0,float R,float k)  // 局部放大，在原来的基础上，限制在一个圆里面，但不够自然
{
   int w = f.GetLength(0);
   int h = f.GetLength(1);
 
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         int u = (int)((x-x0)/k+x0);
         int v = (int)((y-y0)/k+y0);

         if ((x-x0)*(x-x0)+(y-y0)*(y-y0)<=R*R)
              g[x,y] = f[u,v];
         else g[x,y] = f[x,y];

         /*
         if (u>=0 && u<w && v>=0 && v<h)
           g[x,y] = f[u,v];         
         */
     }

   return g;
}

byte[,] localZoomingV2(byte[,] f,float x0,float y0,float R,float K)  
// 局部放大，在原来的基础上，限制在一个圆里面，
// 然后距离圆越远的，放大倍数越小
// 这样看起来比较自然
{
   int w = f.GetLength(0);
   int h = f.GetLength(1);
 
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
     for(int x=0;x<w;x++)
     {
         double d = Sqrt((x-x0)*(x-x0)+(y-y0)*(y-y0));
         double t = d/R;

         if (t>1) g[x,y] = f[x,y];
         else 
         {
           double k = K*(1-t)+t;
 
           int u = (int)((x-x0)/k+x0);
           int v = (int)((y-y0)/k+y0);
           if (u>=0 && u<w && v>=0 && v<h)
             g[x,y] = f[u,v];         
         }
     }

   return g;
}

void main()
{
   byte[,] f = LoadImg();
   ShowImg("f",f);

//   ShowImg("Zoom At",localZooming(f,269,262,64,2));
//   ShowImg("Zoom At",localZooming(f,269,262,64,0.5f));

   ShowImg("Zoom At",localZoomingV2(f,269,262,64,2));
   ShowImg("Zoom At",localZoomingV2(f,269,262,64,0.5f));

}

主要参考

百年后封笔
关注
专栏目录
数字图像处理（dip）
麦田里的守望者
01-11 6503
原文 学科：数字图像处理（Digital Image Processing -video） 作者：zhuhonggen 计算机视觉入门基础 0概念介绍 0.1数字图像处理概念 0.1.1图像的高频分量和低频分量 总得来说，低频分量（低频信号）代表着图像中亮度或者灰度值变化缓慢的区域，也就是图像中大片平坦的区域，描述了图像的主要部分。高频分量（高频信号）对应着图像变化剧烈的部分，也就是图像的边缘（轮廓）或者噪声以及细节部分。 之所以说噪声也对应着高频分量，是因为图像噪声在大部分情况下都是高频的。 低频分量
《数字图像处理》学习总结及感悟：第二章数字图像基础（4）像素间的关系
老猿Python
05-31 1万+
本文介绍了图像中像素的邻域关系，通过邻域关系中基于限定灰度值的集合定义了邻接关系，通过邻接可以构建像素间的通路，基于通路构建了像素间的连通关系和连通集，并进一步定义了图像的区域和边界。 如果一个函数满足图像像素间距离度量的定义，则该函数就是一个距离函数或距离度量，常见的距离有欧式距离、D4距离、D8距离。 通过这些内容的介绍，可以使得大家了解像素间的邻域、邻接、连通关系以及区域和边界的定义，明白像素间不同距离度量的距离计算方法。
图像处理基本知识
plc_jianghao的专栏
11-15 1万+
1.图像处理方法分类 输入 输出 等级 例子 图像 图像 初级 降噪，增强对比度 图像 图像特征 中级 轮廓提取 图像 图像表征的信息 高级 模式识别，机器视觉 2. 图像增强(image enhancement) 没有统一的图像增强算法，要针对具体问题具体分析，用户是最终标准的评判者；用户说好就是好，所以没有所谓”最好 ”的图像增强算法
数字图像处理基本知识
wangprince2017
11-06 1万+
什么是图像？ 定义为二维函数f(x,y),其中，x,y是空间坐标，  f(x,y)是点（x,y）的幅值。 灰度图像是一个二维灰度（或亮度）函数f(x,y)。 彩色图像由 三个（如RGB,HSV）二维灰度（或亮度）函数f(x,y)组成。 1、数字图像： 数字图像，又称为数码图像或数位图像，是二维图像用有限数字数值像素的表示。 数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数...
图的术语和几种特殊的图
qq_43511964的博客
12-04 938
一 图的术语 邻接（ADJACENCY） **定理一：**若u和v是无向图G中的一条e的端点，则称两个顶点u和v在、在G里邻接（或相邻）。这样的边e称为关联顶点u和v，也可以说e连接u和v。 **定理二：**图G=（V,E）中，顶点v的所有相邻顶点的结合，记作N（v），成为顶点v的邻居。若A是V的子集，我们用N（A）表示图G中至少和A中一个顶点相邻的所有顶点的集合。所以N（A）=所有N（v）的并集...
数字图像处理总结
knight7765的博客
01-07 1505
数字图像处理重点总结 入门篇 图像处理综述： 图像增强：为了某种目的而处理图像，是处理后的图像比原始数据更易于处理。该过程比较主观，所以没有通用的理论来处理此过程。 图像复原：倾向于用以某种图像退化的数学和概率模型为基础。 小波：以不同分辨率来描述图像的基础 形态学处理：提取图像分量；图像分量用于表示和描述的输入。从图像分析一些特征。 分割：图像处理中最困难的步骤之一，将一副图像分割成不同的目标区域，成功的分割是识别的关键部分。 表示和描述：分割之后的数据如何表示，通常用轮廓和区域两种方式描述；为了使分割
数字图像处理知识点总结.zip
10-04
数字图像处理是计算机科学领域中的一个重要分支，它涉及图像的获取、表示、分析和操作等多个方面。以下是对这一领域的详细总结： 1. 图像基础知识： - 图像类型：主要分为位图和矢量图，位图由像素组成，而矢量图...
数字图像处理（总结）思维导图
04-04
个人总结的有关数字图像处理相关知识思维导图（需下载MindMaster软件）
数字图像处理学习总结.doc
06-25
"数字图像处理学习总结" 数字图像处理是计算机科学和信息技术中的一门重要学科，涉及到图像处理、计算机视觉、模式识别、机器学习等方面的知识。在数字图像处理中，学习了图像的点运算、几何变换、空间域图像增强、...
数字图像处理期末总结文章
03-13
【数字图像处理】是计算机科学领域的一个重要分支，它涉及对图像进行采集、处理、分析和理解等一系列操作。本文将详细解析数字图像处理的关键概念、系统构成、主要研究内容及其广泛应用。 1. **数字图像处理的特点*...
国外数字图像处理总结笔记.zip
03-03
《国外数字图像处理总结笔记》是一份针对"EE-398/498 Introduction to Digital Image Processing"课程的学习资料，由威尔克斯大学提供。这份资料对于正在学习或准备学习数字图像处理的学生来说，无疑是一份宝贵的...
4领域-8领域-m领域
热门推荐
糖糖糖豆的博客
11-05 2万+
关于像素的邻接，连接和连通4邻域，8邻域之分。其中8邻域=4邻域+对角邻域。邻接：两个像素接触，则它们是邻接的。一个像素和它的邻域中的像素是接触的。邻接仅考虑像素的空间关系。连接：（1）是邻接的。（2）灰度值（或其他属性）满足某个特定的相似准则（灰度相等或在某个集合中等条件）。 这样我们就有了4-连接，8-连接和m-连接的概念，这些概念我在上图像处理课的时候理解的不好，这里详细讲一下。
DIP第二章习题解答
纸上得来终觉浅，绝知此事要躬行
06-24 3257
数字图像处理 第二章课后作业 第一题 （2-2）当我们在白天进入一家黑暗的剧场时，在能看清并找到空座时要用一段时间适应。2.1节描述的视觉过程在这种情况下起什么作用？ 答：视觉惰性（亮度适应），视觉惰性即是人眼对亮度变化跟踪滞后的性质。 人的视觉系统不能同时在整个亮度适应范围工作，它是利用改变其亮度适应级来完成亮度适应的，这就是所谓的亮度适应现象。同整个亮度适应范围相比，能同时鉴别的光强度级的总范围很小。因此，白天进入黑暗剧场时，人的视觉系统需要改变亮度适应级，因此，需要适应一段时间，亮度适应级才能
图像的邻接性、连通性、区域和边界
追
02-12 1万+
一、邻域 邻域是像素和空间之间的关系。 二、邻接 邻接是两个元素之间的关系。 如下图所示，q和p是4邻接的： 如下图所示，q和p是对角邻接的： 如下图所示，p和周围的八个数都是邻接的： 显然，若p和q是8邻接，则他们不一定是4邻接。若p和q是4邻接，他们一定是8邻接。 m邻接： 说到m邻接，不得不引入灰度值集合V。灰度值集合V指的是0-255的任意一个子集。 对于m邻接，书上的概念是这么说...
【OpenCV】 Python 图像处理 入门
m0_74183164的博客
09-29 705
【代码】【OpenCV】 Python 图像处理 入门。
使用OpenCV进行图像处理：实用函数开发
windowshht的博客
10-02 795
在本文中，我将分享如何使用OpenCV库开发一个实用的图像处理函数。OpenCV是一种开源的计算机视觉库，提供了大量的图像处理功能。，该函数可以对图像进行读取、显示、调整大小、应用滤波和保存等操作。同时，我们也可以根据需要对函数进行优化，以满足实际应用的需求。在实际应用中，我们可以根据需要对函数进行优化。例如，我们可以添加更多的图像处理功能，或者使用其他图像处理库。同时，我们也可以使用多线程或多进程技术来提高函数的执行效率。在本文中，我们开发了一个实用的图像处理函数。在本文中，我们将开发一个名为。
红外画面空中目标检测系统源码分享
xuehaishijue的博客
10-02 1252
数据集信息展示在现代计算机视觉领域，尤其是在空中目标检测的研究中，数据集的构建与选择至关重要。本研究所采用的数据集名为“Air Vehicles”，专门针对红外画面中的空中目标检测任务而设计。该数据集包含四个主要类别，分别是“Airplane”（飞机）、“Bird”（鸟类）、“Drone”（无人机）和“Helicopter”（直升机）。这些类别的选择不仅涵盖了多种常见的空中目标，还反映了当前无人机技术和航空活动的快速发展。
[C#]C# winform部署yolov11目标检测的onnx模型
FL1623863129的博客
10-03 996
最后运行项目选择x64 Debug即可，由于初次运行可能报错，如果报错请查看https://blog.csdn.net/FL1623863129/article/details/135424751。（2）下载模型：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt。（4）然后将yolo11.onnx模型放进FIRC\bin\x64\Debug\weights。
2024年计算机视觉与艺术研讨会（CVA 2024）
最新发布
2302_79376097的博客
10-05 766
此次大会旨在汇聚全球在计算机视觉与艺术领域内的研究者、工程师、科学家和行业专家，共同探讨和分享这一跨学科领域内的最新研究成果、技术进展和创新应用。本次会议将提供一个优质的交流平台，参与者将有机会了解领域内的最新研究趋势、面临的挑战与机遇，以及未来可能的发展方向。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

百年后封笔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值