2017年12月_saltriver

原创高斯模糊

我们前面提到，可以使用加权平均操作来降低图像的噪声，其基本原理就是按照领域像素的重要程度来进行加权。那这个加权平均的滤波器是怎样的呢？我们可以构建如下的加权平均滤波器：离中心点越近的权值比越远的权值要高，但这个滤波器的尺寸太小，通常很难看出区别，而且更重要的是权重大小的设置比较繁琐。我们知道，高斯函数呈现出的特征就是中间高，两边低的钟形。下图是二维高斯函数的可视化图形：能不能利用高斯函数的这种性质，

2017-12-24 11:13:00 1922 1

原创中值滤波器

我们前面提到，使用平均操作或加权平均操作可以降低图像的噪声，并由此引出了空间滤波器的概念。这种平均操作或加权平均操作的空间滤波器，根据平均操作的特点，可以叫做均值滤波器。均值，就是平均值得意思。我们在《统计学-掌握数据的总体状态》中知道，对数据的统计有平均值，还可以有中位数。例如一组数：50,60,17,6,80，90,25。其平均值是：(50+60+17+6+80+90+25)/=46.86。而

2017-12-24 11:08:59 5654 1

原创图像模糊有什么用

我们前面提到，使用平均操作或加权平均操作可以降低图像的噪声，并由此引出了空间滤波器的概念。这种平均操作或加权平均操作的空间滤波器，根据平均操作的特点，可以叫做均值滤波器；其主要应用就是降低噪声，根据应用的特点，也可以叫做平滑滤波器。我们再次感受下这种均值滤波器或平滑滤波器的作用。下面是一张哈勃望远镜拍摄的星空原始图像(来自冈萨雷斯的《数字图像处理)，我们将这张图像和使用平滑滤波器后生成的图像进行一下

2017-12-24 11:03:08 13031 12

原创空间滤波器是怎么来的

前面提到，我们可以用平均或加权平均来降低噪声，以增强图像。前面我们是对像素点的周边8领域进行的操作，要是我们想对周边更多领域进行操作呢？如果我们想要调整加权的权重值呢？那么用前2篇文章中的方法显然是非常烦琐且不灵活的。我们注意到，对8领域进行平均或加权平均操作，实质上是对3×3的一个矩形区域进行操作。如果相邻像素再扩大一圈，就是5×5的矩形区域：我们前面说：图像就是矩阵，那么这个相邻像素构成的区

2017-12-24 10:58:07 4846 4

原创为什么用加权平均来降噪

前面提到，我们想到了用平均操作来降低噪声。降低噪声的意义是显而易见的，当我们需要图像增强，以提升图像的质量时，必须降低甚至消除噪声。用平均操作来降低噪声是一种好方法，其基于的原理是：每个像素点的值与其周边像素点的值比较接近。但是，我们进一步分析，如果一个像素点的值没有被噪声污染，那么用这种操作就改变了像素点的真实值，带来了副作用。同时，在像素点的8领域周边像素中，其水平和垂直方向的4领域像素与中心像

2017-12-24 10:45:41 2661 2

原创图像平均操作为什么能降噪

前面提到，带有噪声的图像可以看作原始图像函数与噪声函数的和。 f(x,y)=I(x,y)+Noise(x,y)f(x, y) = I(x, y) + Noise(x, y)那么我们怎样从带有噪声的图像f(x, y)中去掉Noise得到I(x, y)呢？很自然的能想到，既然能加上噪声函数，那么把噪声函数减去不就行了。是这样的，当然可以这样想。但是，绝大多数时候我们并不知道噪声函数是怎样的，即使知道噪

2017-12-24 10:41:23 8749 6

原创图像为什么能相减

前面提到，我们可以把图像看作一个函数，函数和函数之间是可以相加的。 f(x,y)=I1(x,y)+I2(x,y)f(x, y) = I_1(x, y) + I_2(x, y) 那么，既然函数可以相加，函数也是可以相减的。所以，图像之间是不是也能相减呢？答案是肯定的。我们知道10-8=2，表示8和10之间的差别是相差2。那么图像相减同样是用于表示图像之间的差别。在冈萨雷斯的《数字图像处理》书中，介

2017-12-23 22:41:10 4822

原创给图像添加噪声

如果你把图像看作信号，那么噪声就是干扰信号。我们在采集图像时可能因为各种各样的干扰而引入图像噪声。前面提到，我们可以把图像看作一个函数，那么带有噪声的图像，就可以看作是原始图像函数与噪声函数相加的和。 f(x, y) = I(x, y) + noise常见的噪声有椒盐噪声（salt and pepper noise），为什么叫椒盐噪声？因为图像的像素点由于噪声影响随机变成了黑点（dark spot

2017-12-23 22:38:26 31133 3

原创图像为什么能相加

我们知道2个矩阵是可以执行加法运算的，那2个图像能不能相加呢？当然是可以的。前面提到，图像就是函数，函数可以相加，图像当然也可以相加。我们知道2个矩阵相加必须是同一维度的，即行列相同，图像当然也一样，即宽度和高度相同。我们看下面2副图像： import cv2boats = cv2.imread("boats.bmp", 0)goldhill = cv2.imread("goldhill.bm

2017-12-23 22:34:18 3450 5

原创图像就是矩阵

学过线性代数的对矩阵并不陌生。一般来说，图像是一个标准的矩形，有着宽度（width）和高度（height）。而矩阵有着行（row）和列（column），矩阵的操作在数学和计算机中的处理都很常见且成熟，于是很自然的就把图像作为一个矩阵，把对图像的操作转换成对矩阵的操作，实际上所有的图像处理工具都是这么做的。我们看看下面这张图像：用opencv读取：import cv2mountain = cv2.i

2017-12-23 22:26:43 33376 13

原创图像就是函数

计算机视觉旨在从图像中提取有用的信息，这已经被证实是一个极具挑战性的任务。那么图像是什么？或者说我们把图像看作什么？有人说图像就是一张图片，一个场景，一个矩形(rectangle)，一个矩阵（matrix）。我们先看一个图像实例：这是一张黑白图像，也就是常说的灰度图。更多的图像是彩色的RGB图像。灰度图处理起来更加简单方便，因此这里使用灰度图像，重在理解。我们把这幅图像加上坐标刻度，如下图所示：

2017-12-19 22:07:35 5697 11

原创统计学---极端异常值的检测

你在整理统计公司人的收入情况，手一抖，不小心把某个人的月薪26249变成262490了，某个人的月薪16895变成1689.5了。于是变成了如下的情况：incomes=[25590, 23306, 26780, 29463, 22485, 262490, 24985, 1689.5, 17700, 18257, 24132, 21479, 19304, 16511, 18573, 26606, 20

2017-12-19 21:59:01 23244

saltriver的专栏