图像处理
hairuiJY
在不归路上愈走愈远!
展开
-
一些常用的图像处理网站
最近看到一篇博文里边总结了部分很好的关于图像处理的网站,特此分享!来源:http://blog.csdn.net/pingxu1987/article/details/42584041Image Processing On Line (IPOL): http://www.ipol.im/Matlab (general purpose): http://cn.mathwor转载 2017-03-14 19:18:44 · 1222 阅读 · 0 评论 -
关于统计变换(CT/MCT/RMCT)算法的学习和实现
原文地址http://blog.sina.com.cn/s/blog_684c8d630100turx.html刚开会每周的例会,最讨厌开会了,不过为了能顺利毕业,只能忍了。闲话不多说了,下面把上周学习的一个简单的算法总结一下,以备后面写毕业论文的时候可以参考一下。一、Census Transform(CT)算法的学习 Census Transform 算法是Rami转载 2017-07-21 16:37:49 · 1234 阅读 · 0 评论 -
图像滤波---双边滤波和引导滤波的基本原理
为了等快遗忘时候再复习一遍,感谢大神总结:http://blog.csdn.net/pi9nc/article/details/26592377双边滤波 双边滤波很有名,使用广泛,简单的说就是一种同时考虑了像素空间差异与强度差异的滤波器,因此具有保持图像边缘的特性。先看看我们熟悉的高斯滤波器 其中W是权重,i和j是像素索引,K是归一化常量。原创 2017-07-19 09:35:28 · 2320 阅读 · 0 评论 -
图像滤波---双边滤波和导向滤波的推导与实践
为了等快要遗忘时候再复习一遍!感谢大神总结:http://blog.csdn.net/pi9nc/article/details/26592377上一篇文章已经说了引导滤波的基本理论,而且我们也知道引导滤波可以写出时间复杂度与窗口大小无关的算法,现在就来使用C++并借助OpenCV实现这一算法。 实现这种算法的关键思想是盒式滤波(box filter),而且必须是通过积分图来实现原创 2017-07-19 09:41:25 · 2915 阅读 · 1 评论 -
图像滤波----高斯滤波/中值滤波/均值滤波
高斯滤波: 高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。 高斯滤波后图像被平滑的程度取决于标准差。它的输原创 2017-07-25 20:13:00 · 4674 阅读 · 0 评论 -
MATLAB绘制二维高斯曲面
meshgrid函数用于根据给定的横纵坐标点生成坐标网格,以便计算二元函数的取值。设二维高斯函数表达式为:程序如下:clc;sig=1.5;w_x=(-5:0.1:5);w_y=(-5:0.1:5);[X,Y]=meshgrid(w_x,w_y);W=exp(-(X.^2+Y.^2)./sig.^2);mesh(w_x,w_y,W); %绘制三维曲面的函数原创 2017-08-06 10:19:21 · 19962 阅读 · 0 评论 -
相关滤波跟踪(MOSSE)
转自:http://blog.csdn.net/autocyz/article/details/48136473 在信号处理中,有这么一个概念——相关性(correlation),用来描述两个因素之间的联系。而相关性又分为cross-correlation(互相关,两个信号之间的联系)和auto-correlation(自相关,本身在不同频域的相关性)。2010年CVPR,Davi转载 2017-11-14 09:17:04 · 673 阅读 · 0 评论 -
形态学图像处理--matlab
转自:http://blog.csdn.net/hesays/article/details/41850873Matlab 形态学图像处理 本章的练习主要是形态学的一些基本概念和技术,这些构成了一组提取图像特征的有力工具,针对二值图像和灰度图像的腐蚀、膨胀和重构的基本操作可以组合使用,以执行非常宽泛的任务。其练习代码和结果如下[plai转载 2017-11-06 12:37:10 · 1733 阅读 · 0 评论 -
RANSAC与LSP
Ransac和最小二乘法都用于模型的最优估计;RANSAC是考虑局部有用的那些数据,取有用数据的模型;LSP考虑的是全局数据,取全局误差最小的模型原创 2018-06-24 17:30:37 · 417 阅读 · 0 评论 -
Flann特征点匹配简述(Lowe's algorithm)
/***好记性不如烂笔头,记下来便于以后复习***/ 特征匹配的结果会得到两个特征集合的对应关系列表。第一组特征集被称为训练集(train),第二组被称为查询集(query)。Flann 在调用匹配函数之前,为了提高匹配速度,训练一个匹配器。训练阶段是为了优化cv::FlannBasedMatcher的性能。train类将会建立特征集的索引树。将 query image...原创 2018-10-04 18:34:00 · 16559 阅读 · 2 评论 -
Opencv中的仿射变换和透射变换
OpenCV提供了一些关于透视变换的接口,例如getPerpectiveTransform, warpPerspective等。这里主要说明一下warpPerspective是如何工作的。 其实OpenCV中很多图像变换的映射关系都是反直觉的,如这里的warpPerspective和remap函数。直觉告诉我们,这些函数的输入是原图的像素坐标,通过映射表或矩阵运算,输出的是目标图像的像素坐标。...原创 2018-10-04 19:16:23 · 2855 阅读 · 0 评论 -
图像处理----数学形态学
形态学,即数学形态学(mathematical Morphology),是图像处理中应用最为广泛的技术之一,主要用于从图像中提取对表达和描绘区域形状有意义的图像分量,使后续的识别工作能够抓住目标对象最为本质〈最具区分能力-most discriminative)的形状特征,如边界和连通区域等。同时像细化、像素化和修剪毛刺等技术也常应用于图像的预处理和后处理中,成为图像增强技术的有力补充。本原创 2017-04-14 20:58:33 · 1293 阅读 · 0 评论 -
Opencv学习---霍夫变换
最简单的霍夫变换是在图像中识别直线。在平面直角坐标系(x-y)中,一条直线可以用下式表示。 y=kx+b 对于直线上一个确定的点(x0,y0),有:y0=kx0+b 这表示参数平面(k-b)中的一条直线。因此,图像中的一个点对应参数平面中的一条直线,图像中的一条直线对应参数平面中的一个点。对图像上所有的点作霍夫变换,最终所要检测的直线对应的一定是参数原创 2017-04-13 20:13:23 · 357 阅读 · 0 评论 -
霍夫圆变换(Hough)原理
霍夫圆变换是将二维图像空间中一个圆转换为该圆半径、圆心横纵坐标所确定的三维参数空间中一个点的过程,因此,圆周上任意三点所确定的圓,经Hough变换后在 三维参数空间应对应一点。该过程类似于选举投票过程,圆周上任意三个点为一选举人,而这三个点所确定的圆则为一侯选人(以下称为候选圆〉。遍历圆周上所有点,任意三个点所确定的候选圆进行投票。遍历结束后,得票数最高点(理论上圆周上任意三点确定的圆在Hough原创 2017-04-14 08:46:52 · 13228 阅读 · 0 评论 -
图像分割(一)——原理概念
图像分割(Segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程,就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的目的是简化或改变图像的表示形式,使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线,曲线等)。更精确的,图像分割是对图像中的每个像素加标签的一个过程原创 2017-04-14 19:25:36 · 25266 阅读 · 0 评论 -
图像分割(二)——阈值分割/区域生长/区域分裂合并法
一、基于阈值的分割方法 阈值分割是最经典的分割技术,也是最简单实用的。许多情况下,图像中目标区域与背景区域或者说不同区域之间其灰度值存在差异,此时可以将灰度的均一性作为依据进行分割。阈值分割即通过一个或几个阈值将图像分割成不同的区域。 阈值分割方法的核心在于如何寻找适当的阈值。最常用的阈值方法是基于灰度直方图的方法,如最大类间方差法(OTSU)、最小误差法、最大原创 2017-04-14 19:30:16 · 37560 阅读 · 0 评论 -
图像分割(三)——分水岭算法/边缘检测/直方图法
四、分水岭算法 分水岭算法是以数学形态学作为基础的一种区域分割方法。其基本思想是将梯度图像看成是假想的地形表面,每个像素的梯度值表示该点的海拔高度。原图中的平坦区域梯度较小,构成盆地,边界处梯度较大构成分割盆地的山脊。分水岭算法模拟水的渗入过程,假设水从最低洼的地方渗入,随着水位上升,较小的山脊被淹没,而在较高的山脊上筑起水坝,防止两区域合并。当水位达到最高山脊时,算法结束,每一原创 2017-04-14 19:34:45 · 11179 阅读 · 0 评论 -
图像分割(四)——聚类分析/小波变换
七、聚类分析 空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示,根据它们在特征空间的聚集对特征空间进行分割,然后将它们映射回原图像空间,得到分割结果。其中,K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。 K均值算法先选K个初始类均值,然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。原创 2017-04-14 19:37:48 · 7163 阅读 · 0 评论 -
图像处理中的形态学(二)
三、数学形态学在图像处理中的主要应用近年来,数学形态学在图像处理方面得到了日益广泛的应用。下面主要就数学形态学在边缘检测、图像分割、图像细化以及噪声滤除等方面的应用做简要介绍。(1)边缘检测边缘检测是大多数图像处理必不可少的一步,提供了物体形状的重要信息。对于二值图像,边缘检测是求一个集合A的边界,记为B(A):对于灰度图像,边缘检测是求一幅图像的形态学梯度,记为g:数学形转载 2017-04-14 20:33:28 · 1379 阅读 · 0 评论 -
图像处理中的形态学(三)
四、选取结构元素的方法 分析表明,各种数学形态学算法的应用可分解为形态学运算和结构元素选择两个基本问题,形态学运算的规则已由定义确定,于是形态学算法的性能就取决于结构元素的选择,亦即结构元素决定着形态学算法的目的和性能。因此如何自适应地优化确定结构元素,就成为形态学领域中人们长期关注的研究热点和技术难点。目前较多采用多个结构元素对图像进行处理的方法。(1) 多结构元素运算转载 2017-04-14 20:53:52 · 1277 阅读 · 0 评论 -
图像处理中的形态学(一)
一、引言 数学形态学是一门建立在集论基础上的学科,是几何形态学分析和描述的有力工具。数学形态学的历史可回溯到19世纪。1964年法国的Matheron和Serra在积分几何的研究成果上,将数学形态学引入图像处理领域,并研制了基于数学形态学的图像处理系统。1982年出版的专著《Image Analysis andMathematical Morphology》是数学形态学发展的重要转载 2017-04-14 20:22:18 · 7483 阅读 · 0 评论 -
图像分割及常用方法介绍
图像分割(Segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程,就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的目的是简化或改变图像的表示形式,使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线,曲线等)。更精确的,图像分割是对图像中的每个像素加标签的一个过程原创 2017-04-14 17:12:06 · 6450 阅读 · 0 评论 -
图像分割常用的方法
图像分割(Segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程,就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的目的是简化或改变图像的表示形式,使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线,曲线等)。更精确的,图像分割是对图像中的每个像素加标签的一个过程原创 2017-04-14 17:01:47 · 1883 阅读 · 0 评论 -
opencv 学习--- 双线性插值算法原理简述
***好记性不如烂笔头*** 转自: https://www.cnblogs.com/yssongest/p/5303151.html1,原理 在图像的仿射变换中,很多地方需要用到插值运算,常见的插值运算包括最邻近插值,双线性插值,双三次插值,兰索思插值等方法,OpenCV提供了很多方法,其中,双线性插值由于折中的插值效果和运算速度,运用比较广泛。 越是简单的模型越适合用来举例子,...转载 2019-01-12 13:19:02 · 977 阅读 · 0 评论