图像处理
文章平均质量分 77
筱筱西雨
一个不知名菜鸟
展开
-
形态学算法应用之重建开操作的python实现——数字图像处理
标准开操作即先进行腐蚀,然后对腐蚀结果利用同一个结构元进行膨胀;重建开操作即先进行腐蚀(这一步骤与标准开操作相同),然后利用该腐蚀结果作为标记,原图像作为模板,进行重建,整个过程叫做重建开操作。形态学开操作首先删除小物体,再通过膨胀试图恢复遗留前景重建开操作由于有了G的约束,解决了传统开操作高度依赖准确结构元才能正确恢复形状的缺点重建开操作的作用是:准确提取图像中与结构元(腐蚀时的,膨胀时用一般的就可以了)相似的模式。原创 2024-03-03 17:09:13 · 1186 阅读 · 0 评论 -
形态学算法应用之连通分量提取的python实现——图像处理
连通分量的定义:令S是一个像素子集,如果S中的全部像素之间存在一个通路(m通路或8通路),则可以说两个像素p和q在S中是连通的。对于S中的任何像素p,S中连通到该像素的像素集称为S的连通分量。应用背景:在许多自动图像分析应用中,如何识别出图像中的不同之处,往往是从其二值图像中提取连通分量。流程:第一步,用阈值210对原图进行阈值操作,得到二值图像,可用函数cv2.threshold(img, 210, 1, cv2.THRESH_BINARY)实现;原创 2024-02-09 00:00:00 · 3134 阅读 · 0 评论 -
形态学算法之边界提取的简单python实现——图像处理
边缘是图像的最重要的特征,。边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘提取,指数字图像处理中,对于图片轮廓的一个处理。对于边界处,灰度值变化比较剧烈的地方,就定义为边缘。也就是拐点,拐点是指函数发生凹凸性变化的点。二阶导数为零的地方。并不是一阶导数,因为一阶导数为零,表示是极值点。边缘提取:边缘检测的基本思想首先是利用边缘增强算子,突出图像中的局部边缘,然后定义象素的“边缘强度”,通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在,监测到的边界可能会变宽或在某点处发生间断。原创 2024-02-08 00:24:46 · 4395 阅读 · 0 评论 -
形态学操作之开操作与闭操作的python实现——数字图像处理
先用B对A进行腐蚀,将A中的小细节,小连通区域消除(注意这里是彻底消除),然后用B将A中没有被消除的地方恢复成原来的样子,最终只有被B完全消除掉的小细节没有了,A中其余的部分并没有改变。开操作是先进行腐蚀后进行膨胀的操作。:先用B对A进行膨胀,将A的细节放大,将A中本不能够连接起来的地方连接起来,然后用B对结果进行腐蚀,将被放大的地方还原(注意,已经被连接起来的地方不会在被腐蚀抹掉)先用B对A进行腐蚀,再用B对其结果进行膨胀,并不会得到原来的A,即膨胀与腐蚀并不像+和-一样是一对完全互补的操作。原创 2024-02-07 01:14:59 · 1829 阅读 · 0 评论 -
形态学操作之腐蚀及膨胀的数学原理——数字图像处理
在数学上,腐蚀和膨胀是集合论的操作,通常应用于图像处理中的二值图像。可以将二值图像视为一个集合,其中包含所有像素值为1(或高亮)的像素点的集合。这些操作都是基于图像与一个给定的结构元素(一个小的形状或模板)的关系来定义的。原创 2024-01-28 04:00:00 · 1663 阅读 · 0 评论 -
腐蚀及膨胀的python实现——数字图像处理
形态学操作主要包含:腐蚀,膨胀,开运算,闭运算,形态学梯度运算,顶帽运算,黑帽运算等操作。腐蚀操作与膨胀操作是形态学的运算基础,将腐蚀与膨胀结合,就可以实现开运算,闭运算,形态学梯度等不同形式的运算。腐蚀是最基本的形态学操作之一,它能够将图像的边界点消除,使图像沿着边界向内收缩,也可以将小于指定结构体元素的部分去除。腐蚀主要用来“收缩”或者“细化”二值图像中的前景,借此实现去噪声,元素分割等功能。原创 2024-01-27 23:17:16 · 2457 阅读 · 0 评论 -
图像分割的作用以及运用领域
在图像分割过程中,图像被分解成若干互不重叠的区域,这些区域通常对应于实际场景中的各种物体或图像的特定部分。:在遥感应用中,图像分割用于处理来自卫星或航空摄影的图像,以识别地表特征,如土地覆盖、水体、林地等,对环境监测、城市规划和农业管理等领域有重要应用。:在自动驾驶技术中,图像分割用于从车载相机捕获的图像中识别道路、行人、车辆和其他障碍物,这对于路径规划和碰撞预防至关重要。:在安全和监控领域,图像分割可以用于人群监控、异常行为检测、车辆识别等,提高监控系统的效率和准确性。原创 2024-01-25 20:47:50 · 1439 阅读 · 0 评论 -
彩色图像处理之彩色图像分割的python实现——数字图像处理
许多图像分割技术基于优化问题,旨在最小化或最大化某个准则,如聚类内距离的总和(K-means聚类),或者区域内像素与区域外像素之间的对比度(图割算法)。图像分割的本质是将图像分割成相互不相交的区域,有的区域表示图像目标信息,有的区域表示图像背景信息。彩色图像分割的数学原理实际上是一种将图像从像素级转换到特征空间,并在这个空间中根据定义的准则进行优化的过程。相似性度量:根据提取的特征,分割算法会计算像素之间的相似性。彩色图像分割的关键在于准确识别和划分图像中的不同区域或对象,这通常涉及复杂的算法和技术。原创 2024-01-25 20:40:25 · 1767 阅读 · 0 评论 -
彩色图像处理之彩色图像直方图处理的python实现——数字图像处理
在灰度图像处理中,直方图均衡化自动地确定一种变换,改变换试图产生具有均匀灰度的直方图。由于彩色图像是由多个分量组成的,所以必须考了适应多于一个分量的直方图的灰度级技术。独立地进行彩色图像分量的直方图均衡通常是不可取的,这将产生不正确的彩色。一个更符合逻辑的方法是均匀地扩展彩色强度,而保留彩色本身。图像直方图是反映一个图像像素分布的统计表,其横坐标代表了图像像素的种类,可以是灰度的,也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。原创 2024-01-22 03:13:31 · 2221 阅读 · 2 评论 -
彩色图像处理之伪彩色图像处理的python实现——数字图像处理
伪彩色处理(pseudocoloring)是指根据一定准则给灰度值赋予彩色值的处理。宏观来说就是将黑白图像转化为彩色图像,或者是将单色图像变换成给定彩色分布的图像。由于人眼对彩色的分辨能力远远高于对灰度的分辨能力,所以将灰度图像转化成彩色表示,就可以提高对图像细节的辨别力。因此,伪彩色处理的主要目的是提高人眼对图像的细节分辨能力,以达到图像增强的目的。伪彩色处理的基本原理是将黑白图像或者单色图像的各个灰度级匹配到彩色空间中的一点,从而使单色图像映射成彩色图像。对黑白图像中不同的灰度级赋予不同的彩色。原创 2024-01-21 00:00:00 · 2050 阅读 · 0 评论 -
RGB图像转换为HIS彩色模型的python实现——数字图像处理
色度值表示:每个颜色通道的强度值通常用0-255这256个数字来表示,0表示没有这个颜色,255表示此颜色最浓。HIS模型是一种颜色模型,它通过色调(Hue)、饱和度(Saturation)和亮度(Intensity)三个参数来描述颜色,被称为HSI颜色模型。:图像由一定大小的矩阵描述,每一个矩阵元素称为一个像素,每个像素用三个颜色通道(R、G、B值)来表示该位置的颜色。RGB图像就是常见的数字图像,它采用红色®、绿色(G)、蓝色(B)三原色的强度来表示每个像素的颜色信息。第二步是计算颜色的饱和度S。原创 2024-01-20 00:00:00 · 2174 阅读 · 0 评论 -
RGB全彩色到RGB稳定色的转换的python实现—— 数字图像处理
而 RGB 稳定色通常指的是一组在特定环境下表现出视觉稳定性的颜色,这些颜色在不同的显示设备或不同的观看条件下保持一致的视觉效果。总之,从 RGB 全彩色到 RGB 稳定色的转换是一个复杂的过程,涉及到颜色校正、伽马校正、颜色空间转换,以及考虑显示设备的特性和环境因素。在某些情况下,可能需要将 RGB 颜色转换到另一个颜色空间(例如 sRGB、Adobe RGB 等),这些颜色空间被设计用来提供更一致和可预测的颜色表现。在 RGB 颜色空间中进行伽马校正可以使颜色在不同的设备上具有更一致的视觉效果。原创 2024-01-18 00:00:00 · 442 阅读 · 0 评论 -
彩色模型之生成RGB彩色立方体的隐藏面和剖面的python实现(不同通道如何合作以产生不同的颜色)——数字图像处理
首先生成灰度值为128的R分量图,接着生成两幅GB分量图(可以用np.meshgrid函数生成,也可以用双层循环的方式生成),最后用cv2.merge函数将三个通道合成为一幅彩色图像并显示。总结来说,这段代码演示了 RGB 颜色模型的工作原理,特别是如何通过改变和组合不同的颜色通道来创建多种颜色和效果。通过调整每个通道的强度,可以生成广泛的颜色范围,这是数字图像处理中的一个基本概念。原创 2024-01-17 00:00:00 · 523 阅读 · 0 评论 -
压缩编码之不同缩放参数对重建图像质量的影响的python实现——JPEG变换编码不同压缩率的模拟
整个JPEG压缩原理就是通过DCT变换去空间冗余来达到图片压缩的。经过DCT变换之后DCT系数只保留的左上角的数据(低频分量数据),右下角部分均变成0.因此,想要进一步压缩就可以从量化表下手。量化表的量化系数越大,得到的量化后的DCT系数就越小,高频信息消失的更多,图片容量就越小。原创 2024-01-16 00:29:33 · 733 阅读 · 0 评论 -
压缩编码之JPEG变换编码不同压缩率的模拟的实现——数字图像处理
在JPEG压缩编码原理介绍中就知道整个JPEG压缩原理就是通过DCT变换去空间冗余来达到图片压缩的。经过DCT变换之后DCT系数只保留的左上角的数据(低频分量数据),右下角部分均变成0.因此,想要进一步压缩就可以从量化表下手。量化表的量化系数越大,得到的量化后的DCT系数就越小,高频信息消失的更多,图片容量就越小。原创 2024-01-16 00:00:00 · 721 阅读 · 0 评论 -
压缩编码之离散余弦变换(DCT)之不同块大小对图像质量和压缩效果的影响的python实现
这样,我们就知道,分辨率表示的是图片在长和宽上占的点数的单位。像素与分辨率像素是数码影像最基本的单位,每个像素就是一个小点,而不同颜色的点(像素)聚集起来就变成一幅动人的照片,数码相机经常以像素作为等级分类依据,但不少人认为像素点的多少是CCD光敏单元上的感光点数量,其实这种说法并不完全正确,不少厂商通过特殊技术,可以在相同感光点的CCD光敏单元下产生分辨率更高的数码相片,块的大小直接影响这种权衡:较小的块提供更好的图像质量但较低的压缩率,而较大的块则提供更高的压缩率但可能牺牲图像的细节质量。原创 2024-01-15 00:00:00 · 2179 阅读 · 0 评论 -
无失真编码之算术编码的python实现——数字图像处理
算术编码的本质是为整个输入序列分配一个码字,而不是给每个字符分别指定码字,因此平均意义上可以为单个字符分配码长小于1的码字。算术编码用到两个基本的参数:符号的概率和它的编码间隔。信源符号的概率决定压缩编码的效率,也决定编码过程中信源符号的间隔,而这些间隔包含在L到H之间。编码过程中的间隔决定了符号压缩后的输出。给定事件序列的算术编码步骤如下:1.编码器在开始时将“当前间隔”设置为[ L, H);原创 2024-01-10 00:00:00 · 938 阅读 · 0 评论 -
无失真编码之霍夫曼编码的python实现——数字图像处理
它基于字符出现的频率构建一个最优的前缀编码树,其中没有任何编码是另一个编码的前缀。结果显示了图像中灰度值经过霍夫曼编码后的码表,如灰度值128被编码为长度为1的码字“0”,灰度值87被编码为长度为2的码字“10”等。霍夫曼编码的主要优点在于其根据字符出现的频率生成编码,使得频率高的字符具有较短的编码,频率低的字符具有较长的编码。由于霍夫曼编码是前缀编码,任何编码都不是另一个编码的前缀,因此可以无误地从编码数据中恢复原始数据。根据霍夫曼树得到的编码,替换原始数据中的每个字符,完成数据的编码过程。原创 2024-01-09 00:00:00 · 1567 阅读 · 0 评论 -
频率域滤波图像复原的python实现——数字图像处理
结果图中的第一行是经大气湍流模型退化后的图像在逆滤波和维纳滤波后的结果:逆滤波参数和上个实验一样,限制滤波频率是通过对比值G(u,v)/H(u,v)应用一个阶数为10,截止频率为60的巴特沃斯低通函数来实现的;维纳滤波器的优点是适应面较广,无论平稳随机过程是连续的还是离散的,是标量的还是向量的,都可应用。维纳滤波是利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法,1942年美国科学家N.维纳为解决对空射击的控制问题所建立,是40年代在线性滤波理论方面所取得的最重要的成果。原创 2024-01-08 00:00:00 · 1520 阅读 · 0 评论 -
频率域滤波图像复原之逆滤波的python实现——数字图像处理
图像复原是一种客观的操作,通过使用退化现象的先验知识重建或恢复一副退化的图像;图像在形成、传输和记录的过程中,由于受多种原因的影响,图像的质量会有下降,典型表现为图像模糊、失真、有噪声等,这一降质的过程称为图像的退化。而图像复原试图利用退化现象的某种先验知识(即退化模型),把已经退化了的图像加以重建和复原。其目的就是尽可能地减少或去除在获取图像过程中发的图像质量的下降(退化),恢复被退化图像的本来面目。逆滤波复原过程:对退化的图像进行二位傅里叶变换;计算系统点扩散函数的二位傅里叶变换;原创 2024-01-07 00:00:00 · 1483 阅读 · 0 评论 -
频率域滤波图像复原之带阻滤波器的python实现——数字图像处理
带阻滤波器可分为窄带阻滤波器和宽带阻滤波器,在实际电路中,常利用无源低通滤波器和高通滤波器并联构成无源带阻滤波电路,然后接相同比例运算电路,从而得到有源带阻滤波电路。它能通过大多数频率分量、但将某些范围的频率分量衰减到极低水平的滤波器。其中点阻滤波器(notch filter)是一种特殊的带阻滤波器,它的阻带范围极小,有着很高的Q值(Q Factor)。这是分别对应于图像水平方向和垂直方向的正铉噪声。在构建滤波器的时候就需要考虑,尽可能的过滤除这些具有这些亮点对应的正铉噪声,希望尽可能消减细节。原创 2024-01-06 00:00:00 · 1505 阅读 · 0 评论 -
python实现理想高通滤波器——数字图像处理
实际的高通滤波器通常会有一个过渡带,即从完全阻断到完全通过的过渡是渐进的,而不是突然的。此外,理想高通滤波器在理论上会引入无限的延迟,这在实际应用中是不可接受的。D(u, v) 是频域坐标 (u, v) 与频域中心的欧几里得距离,即 D(u, v) = sqrt((u - M/2)^2 + (v - N/2)^2),这里 M 和 N 是图像的尺寸。在截止频率以上,滤波器的增益(或者说对信号的放大程度)为1,即完全通过这些频率的信号;我们可以看到,与理想的低通滤波器一样,所得到的图像有很明显的振铃现象。原创 2024-01-05 04:31:56 · 1132 阅读 · 0 评论 -
不同阶数的巴特沃斯低通滤波器的空间域表示——数字图像处理
阶数高的时候高频衰减快。高于截止频率以后,n阶butterworth衰减速度是20n分贝/10倍频。但是做数字滤波的时候你会发现阶数越高系统响应越慢,如果采样间隔是t,通过一个n阶的butterworth,结果和原信号相比基本会有nt的延迟,随着阶数增大,振铃现象逐渐明显,频域的butterworth滤波器也更加接近理想滤波器。Butterworth低通滤波器可以通过改变次数n,对过度特性进行调整。过大的n会造成振铃现象。原创 2024-01-05 00:00:00 · 790 阅读 · 0 评论 -
python实现巴特沃斯低通滤波器——数字图像处理
巴特沃斯滤波器的幅度是 ω 的一个单调函数,并且也是唯一的无论阶数,幅度对角频率曲线都保持同样的形状的滤波器。其他滤波器高阶的幅度对角频率图和低级数的幅度对角频率有不同的形状。巴特沃斯低通滤波器(Butterworth Low-Pass Filter)是图像处理中常用的一种频率域滤波器,它相较于理想低通滤波器提供了更平滑的过渡,以减少图像处理时引入的振铃效应。巴特沃斯低通滤波器能有效地平滑图像,去除高频噪声,同时保留更多的图像细节,相较于理想低通滤波器,它在保持细节的同时减少了图像处理引入的失真。原创 2024-01-04 00:00:00 · 1488 阅读 · 0 评论 -
频率域图像增强之理想低通滤波器的python实现——数字图像处理
做法流程:首先对图像做傅里叶变换并中心化其频谱。接着生成不同截止频率的理想低通滤波器,在计算D(u,v)时,不能直接用书上的公式计算(u,v)和原点(0,0)的距离,由于频谱经过了中心化,频率中心已经平移到了(M/2,N/2),所以要计算(u,v)到(M/2,N/2)的距离。最后,,将图像频谱与生成的理想低通滤波器传递函数H(u,v)相乘,再做去中心化和傅里叶反变换,便可以得到滤波后的图像。可以看到,半径越小,图片越模糊。低通滤波器容许低频信号通过, 但减弱(或减少)频率高于截止频率的信号的通过。原创 2024-01-03 02:53:53 · 1871 阅读 · 0 评论 -
数字图像处理中最最最主要的基本概念大全——方便新手学习
总结来说,锐化和平滑是图像处理中两种相反的操作:锐化用于增强图像的细节和边缘,而平滑则用于减少细节和噪声,使图像看起来更柔和。如SIFT(尺度不变特征变换)和SURF(加速稳健特征),用于提取图像中的关键点和描述符,常用于图像匹配和识别。应用场景:用于改善模糊的图像、增强细节,或者在预处理中使特征更加明显,便于后续的图像分析和处理。是一种自动调整图像对比度的方法,通过有效地扩展常用的亮度来增加图像的全局对比度。在频域中执行的滤波,如低通和高通滤波,可以分别去除图像中的高频噪声和增强边缘。原创 2024-01-02 21:31:15 · 599 阅读 · 0 评论 -
使用拉普拉斯算子的图像锐化的python代码实现——数字图像处理
在图像增强中,平滑是为了消除图像中噪声的干扰,或者降低对比度,与之相反,有时为了强调图像的边缘和细节,需要对图像进行锐化,提高对比度,所以图像锐化还是非常重要的,拉普拉斯锐化图像是根据图像某个像素的周围像素到此像素的突变程度有关,也就是说它的依据是图像像素的变化程度。一个函数的一阶微分描述了函数图像是朝哪里变化的,即增长或者降低;而二阶微分描述的则是图像变化的速度,急剧增长下降还是平缓的增长下降。那么据此可以猜测出依据二阶微分能够找到图像的色素的过渡程度,例如白色到黑色的过渡就是比较急剧的。原创 2024-01-02 21:10:37 · 2766 阅读 · 0 评论 -
数字图像处理滤波器汇总大全
平滑 vs 非平滑:平滑和非平滑滤波器的区别在于它们的目的——平滑滤波器用于降低噪声和细节,非平滑滤波器用于增强特定特征。例如,高斯滤波器是线性的也是平滑的,而中值滤波器是平滑的也是非线性的。通用 vs 特定应用:某些滤波器(如高斯滤波器)适用于多种任务,而边缘检测和自适应滤波器更适合特定的应用。线性 vs 非线性:线性滤波器通常是简单的,适用于广泛的应用,而非线性滤波器更专业,适用于特定的任务。特点:这类滤波器的响应取决于像素值的非线性组合,如中值滤波器和某些类型的边缘检测滤波器。原创 2024-01-02 02:52:24 · 1557 阅读 · 0 评论 -
python实现平滑线性滤波器——数字图像处理
双层for循环遍历图像的每个像素点,每次取与模板大小相同的图像块与模板相乘并求和,np.multiply可以实现矩阵逐元素相乘,np.sum实现矩阵求和。对于图像中的每个像素,核覆盖的区域内的像素值与核的相应权重相乘,然后求和得到新的像素值。最简单的平滑线性滤波器是均值滤波器,它使用的核具有相等的权重,即所有邻域像素的权重相同。高斯滤波器使用的核基于高斯函数,它为中心像素赋予更高的权重,而远离中心的像素权重较低。采用的平滑模板大小分别为3,5,9,15,35,大小为3的模板。常见的平滑线性滤波器。原创 2024-01-02 02:12:15 · 905 阅读 · 0 评论 -
空间域图像增强之直方图均衡的python代码实现——冈萨雷斯数字图像处理
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度,直方图均衡化通过有效地扩展常用的亮度来实现这种功能。直方图均衡化通常用来增加许多图像的全局对比度,尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度,直方图均衡化通过有效地扩展常用的亮度来实现这种功能。原创 2024-01-01 15:32:26 · 1304 阅读 · 0 评论 -
python观察图像的幅度谱和相位谱——冈萨雷斯数字图像处理
相位谱包含了频率成分在图像中出现的位置信息。它描述了不同频率分量相对于基频的相位差。相位谱在图像重建中非常重要。它决定了图像中不同频率成分的相对位置,对图像的视觉内容有重大影响。实验表明,相位信息对于人眼识别图像内容比幅度信息更为关键。综合应用在图像处理中,幅度谱和相位谱常常被用于图像分析、图像增强、滤波以及图像压缩等任务。例如,通过修改幅度谱和相位谱,可以实现图像的去噪、锐化等效果。然而,需要注意的是,过度修改这些谱可能会导致图像内容的严重失真。要求实现下述图像。原创 2023-12-31 17:14:53 · 2631 阅读 · 0 评论 -
python观察图像的直流分量——冈萨雷斯数字图像处理
DCT帮助将图像从空间域(像素强度)转换到频率域。这种转换对图像压缩非常有用,因为人眼对图像中的高频变化(如细小的边缘或纹理)不太敏感。原创 2023-12-31 06:17:49 · 956 阅读 · 0 评论 -
论文浅读之PIP-Net: Patch-Based Intuitive Prototypes for Interpretable Image Classification
这篇文章的主要贡献包括:1 提出了一种新型的可解释图像分类模型PIP-Net,它基于原型部分学习可解释的原型,实现内置解释性。2 PIP-Net采用自监督学习的新正则化方法,学习原型之间的相似性,使得 latent 空间中的相似性能更好地与人类视觉感知相一致,从而减小了所谓的语义差距。3 PIP-Net可解释为一个稀疏的打分表,它可以检测图像是否属于任何类,或是否属于多个类。它也可以对OOD数据进行分类并说“我没有看到过这个”。原创 2023-12-30 16:02:19 · 1202 阅读 · 0 评论 -
傅里叶变换的性质之二维DFT的平移性和旋转性——冈萨雷斯数字图像处理
本函数的第一个参数是输入图像,要求是灰度格式。图像的平移并不会影响图像的频谱,同时,图像的相位会随着图像的旋转而旋转,而且这个实验表明矩形的平移并不会对频谱有丝毫的影响,而频谱随着矩形的旋转而旋转相同的角度。旋转性指的是当一个图像在空间域内旋转时,其频率域表示也相应地旋转同样的角度。在二维DFT中,当一个图像在空间域内平移时,其频率域表示(即DFT)的振幅不会改变,但相位会改变。平移性指的是函数在空间域内平移时,其频率域表示也相应改变的性质。平移一个图像不会改变其频率内容,只会改变每个频率成分的相位。原创 2023-12-30 03:22:11 · 1870 阅读 · 0 评论 -
python实现图像的二维傅里叶变换——冈萨雷斯数字图像处理
傅立叶频谱图上我们看到的明暗不一的亮点,实际上图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小(可以这么理解,图像中的低频部分指低梯度的点,高频部分相反)。这样通过观察傅立叶变换后的频谱图,也叫功率图,我们首先就可以看出,图像的能量分布,如果频谱图中暗的点数更多,那么实际图像是比较柔和的(因为各点与邻域差异都不大,梯度相对较小),反之,如果频谱图中亮的点数多,那么实际图像一定是尖锐的,边界分明且边界两边像素差异较大的。二维傅里叶变换通过将图像从空间域转换到频率域,揭示了图像中的频率信息。原创 2023-12-29 23:48:01 · 1711 阅读 · 0 评论 -
python实现一维傅里叶变换——冈萨雷斯数字图像处理
在这个表示中,F(ω) 表示频域上的复数函数,f(t) 表示时域上的函数,ω 表示频率,j 表示虚数单位。生成包含1个、5个和10个正弦波信号的时域图和它们的FFT(傅立叶变换)的频域图,将它们放置在3x2的子图布局中。F.append(np.abs(F_signal[range(20)])/n):将计算的FFT结果归一化并存储在列表F中,仅保留前20个频率成分。x = np.arange(0, 1, 0.005):创建一个从0到1的时间向量 x,采样间隔为0.005秒,用于表示信号的时间范围。原创 2023-12-28 00:00:00 · 775 阅读 · 0 评论 -
python降低图像的灰度分辨率——冈萨雷斯数字图像处理
(Gray Level Quantization):灰度量化是最常见的方法之一,它涉及将原始图像中的灰度级别映射到较少的离散值。例如,将256级灰度映射到16级灰度,每个新的灰度级别代表一定范围内的原始灰度级别。用opencv读入原图后,以2的幂次(20-27)为量化间隔对原图的灰度量化8次。用opencv读入原图后,以2的幂次(20-27)为量化间隔对原图的灰度量化8次。即灰度级,指的是用于量化灰度的比特数,通常用2的整数次幂来表示,最常用8bit,bit数的减小倾向于对比度增加。原创 2023-12-27 00:00:00 · 804 阅读 · 0 评论 -
python降低图像的空间分辨率——冈萨雷斯数字图像处理
采样可以用数组的切片索引实现,例如img[0:rows:2,:,:]表示以2为间隔,依次取图像的第0行,第2行,第4行…M大小的图像包含了NM个值来表示信息,降低图像的空间分辨率以后,图像的信息量也降低了,这个时候必然不需要NM个值来表示图像的信息,所以当我们要求节约空间的时候,是可以把图像变小的.降低图像的空间分辨率意味着减少图像中可见的细节,使图像变得模糊或粗糙。降低图像空间分辨率的方法很多,本质上都是消除图像的一些细节信息.最简单的降低空间分辨率的方法就是在邻域内的平均(比如2。原创 2023-12-26 15:10:09 · 1404 阅读 · 0 评论 -
python实现同时对比显示——冈萨雷斯数字图像处理
图像大小为250×250×3(pyplot无法直接显示单通道灰度图,所以需要将其转换为3通道),图中的三个灰度分别为200、150和100.可以用np.ones创建图像大小的数组(注意指定dtype=np.uint8).之后用索引切片指定图像中心区域的灰度值。然后,通过对 img1 和 img2 的特定区域赋值为 center_gray,在两个图像的中心区域创建了一个中等灰色的正方形。img1 和 img2 是两个空白图像,分别初始化为深灰色(deep_gray)和浅灰色(light_gray)。原创 2023-12-26 14:43:27 · 461 阅读 · 0 评论 -
python实现图像的几何变换——冈萨雷斯数字图像处理
*计算新像素位置:**根据缩放比例,为原始图像中的每个像素计算在缩放后图像中的新位置。图像的平移是一种基本的图像处理操作,它将图像中的每个像素沿着指定的方向和距离移动,以创建一个新的平移后的图像。**像素插值:**由于缩放过程中新像素位置可能并不对应原始图像中的确切像素,因此需要通过插值算法来确定这些新位置的像素值。**处理边界问题:**在缩放过程中,新图像的尺寸可能与原始图像不完全相符,特别是在不均匀缩放的情况下。计算新的像素位置:对于每个取出的像素,根据平移向量的值计算其在目标图像中的新位置。原创 2023-12-24 03:50:04 · 1603 阅读 · 0 评论