![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数字图像处理
kangdk
追本溯源
展开
-
空间滤波
滤波借用于频域处理,在频域处理中,滤波是指接收或拒绝一定的频率分量。空间滤波机理空间滤波器由一个领域(典型地是一个较小的矩阵),对该领域包围的图像像素执行的预定义操作。滤波产生一个新像素,新像素的坐标为领域中心的坐标,像素的值是滤波的结果。 一般来说,使用大小为 m∗nm*n 的滤波器对大小为 M∗NM*N 的图像进行线性空间滤波,可由下式表示:g(x,y)=∑s=−aa∑t=−bbw(s,t)f原创 2016-05-25 15:03:11 · 752 阅读 · 0 评论 -
频域滤波
图像的低频与图像中变化缓慢的灰度分量有关,图像的高频与图像中变化快速的灰度分量有关。频率域相乘等同于空间域卷积。使用频率域滤波器平滑图像频率域平滑可以通过对高频的衰减来达到,即低通滤波。使用频率域滤波器锐化图像频率域的锐化可以通过低频的衰减来达到,即高通滤波选择性滤波带通滤波、带阻滤波原创 2016-05-25 16:48:40 · 851 阅读 · 0 评论 -
视觉同时定位与建图(vSLAM)
Visual simultaneous localization and mapping: a survey,视觉SLAM的综述翻译 2017-02-17 17:06:27 · 7496 阅读 · 0 评论 -
灰度变换
s=T(r),r s分别代表处理前后的像素值,T是将r映射到s的一种变换。 1. 图像反转 将灰度级范围为[0,L-1]的一幅图像反转,使用下面公式: s=L−1−rs=L-1-r 2. 对数变换 s=clog(1+r)s=c\log(1+r) 其中cc为常数,并假设r≥0r\ge0 主要作用:将rr中范围较窄的低灰度值转化为ss中较宽范围的灰度值。 3. 幂律(伽马)变换 s=c原创 2016-05-24 15:58:35 · 540 阅读 · 0 评论 -
基于深度学习的图像语义分割技术概述之5.4未来研究方向
针对当前研究现状,该概述论文列出以下研究方向。3D数据集:尽管利用3D数据信息进行语义分割的方法和技术已经被提出,但是3D数据集的缺乏仍然是一个重要的问题。大规模3D语义分割数据集的需求是巨大的,但是相比低维度数据标记,其更加困难。尽管已经存在一些值得肯定的工作,但是依然有必要制作更大、质量更好、多样化的数据。现有的大多是仿真数据集,但是标记真实的三维世界的数据是重要的。其重要性可以从ILSVRC翻译 2017-05-10 09:54:39 · 4886 阅读 · 0 评论 -
基于深度学习的图像语义分割技术概述之4常用方法
4 深度学习图像分割的常用方法深度学习在多种高级计算机视觉任务中的成功—特别是监督CNNs(Convolutional Neural Networks,卷积神经网络)在图像分类、对象检测方面的成功—鼓舞着研究人员探索此类网络对于像素级标记,如语义分割方面的能力。这些深度学习技术的关键优点,就是突破了传统方法方法的边界,对于手头问题,能够自动学习合适的特征表示。例如,传统方法手动特征提取方式,为翻译 2017-06-01 14:50:08 · 13520 阅读 · 3 评论