学习
文章平均质量分 91
学习算法、数字图像处理、计算机视觉编程以及机器学习等的总结
不学逍遥游
愿你的生活多姿多彩
展开
-
算法分析与设计——分治法最近点对
分治法最近点对分治法分治法将一个难以直接解决的大问题划分成一些规模较小的子问题,分别求解各个子问题,再合并子问题的解得到原问题的解。一般来说,分治法的求解过程由以下三个阶段组成:划分:把规模为n的原问题划分为k个规模较小的子问题。求解子问题:各个子问题的解法与原问题的解法通常是相同的,可以用递归的方法求解各个子问题,有时递归也可以用循环来实现。合并:把各个子问题的解合并起来,合并的代价因情况不同有很大的差异,分治算法的效率很大程度上依赖于合并的实现。最近点对问题问题描述设p1=(x1,原创 2021-01-21 16:17:01 · 3810 阅读 · 0 评论 -
算法分析与设计——蛮力法0/1背包
蛮力法0/1背包蛮力法蛮力法是一种简单直接解决问题的方法,常常直接基于问题的描述,所以蛮力法也是最容易应用的方法。蛮力法所依赖 的基本技术是遍历,即采用一定的策略依次处理待求解问题的所有元素,从而找出问题的解。由于其需要依次穷举待处理的元素,因此蛮力法是一种典型的指数级时间算法。问题给定n个重量为{w1,w2,···,wn}、价值为{v1,v2,···,vn}的物品和一个容量为C的背包,0/1背包是一个求解这些物品中的一个最有价值的子集,并且能够装入到背包中。应用实例有n项可投资的项目,每个项原创 2020-11-22 00:54:02 · 9086 阅读 · 3 评论 -
Citavi下载及使用
Citavi下载及使用下载百度搜索Citavi找到官网。进入官网后选择“下载”。在下载页面点击“直接下载”。安装下载完成后找到安装程序直接完成安装即可。使用注册账户输入邮箱后发送邮件到你的邮箱,点击“Confirm email”,进入界面输入个人信息及密码后完成注册。打开主界面创建新的项目...原创 2020-11-17 22:20:57 · 18025 阅读 · 0 评论 -
机器学习——推荐算法
文章目录推荐算法1 协同过滤算法1.1 算法概述推荐算法推荐系统的核心问题是为用户推荐与其兴趣相似度比较高的商品。 此时需要一个函数f(x)来计算候选商品与用户之间的相似度,并向用户推荐相似度比较高的商品。为了能够预测出函数f(x),可以利用的历史数据主要有:用户的历史行为数据、与该用户相关的其他用户信息、商品之间的相似性、文本的描述等等。假设集合C表示所有的用户,集合S表示所有需要推荐的商品。函数f表示商品x到用户c之间的有效性的效用函数:其中,R是一个全体的排序集合,对于每一个用户c∈C,希原创 2020-11-19 13:26:15 · 2008 阅读 · 0 评论 -
机器学习——神经网络
文章目录神经网络1 感知机1.1 感知机模型1.2 感知机学习策略1.3 感知机学习算法1.3.1 原始形式算法1.3.2 对偶形式算法1.4 感知机的实现1.4.1 实现感知机算法的原始形式和对偶形式1.4.2 利用sklearn感知机算法进行分类2 神经网络2.1 神经网络2.2 感知机网络2.3 多层前馈神经网络总结神经网络人工神经网络算法模拟生物神经网络,是一种模式匹配算法,通常用于解决分类和回归问题。神经网络的一个重要的用途就是接受和处理传感器产生的复杂的输入并进行自适应性的学习。它是机器学习原创 2020-09-28 21:14:20 · 831 阅读 · 0 评论 -
机器学习——支持向量机
文章目录支持向量机1 SVM简介2 线性可分支持向量机2.1 线性可分支持向量机2.2 函数间距和几何间距2.2.1 函数间距2.2.2 几何间距2.3 间距最大化2.4 支持向量和间距边界2.5 实验3 线性支持向量机3.1 线性支持向量机的原理3.2 线性支持向量机的过程3.3 支持向量3.4 合页损失函数3.5 实验4 非线性支持向量机4.1 核技巧4.2 核技巧在支持向量机中的应用4.3 常用核函数4.4 非线性支持向量机算法4.5 实验总结支持向量机1 SVM简介在机器学习领域,SVM是一个原创 2020-09-21 22:16:43 · 1380 阅读 · 0 评论 -
机器学习——数据降维
文章目录数据降维1 维度灾难与降维2 主成分分析2.1 PCA原理2.2 PCA算法2.3 PCA算法实验数据降维数据降维又称维数约简,就是降低数据的维度。其方法有很多种,从不同角度入手可以有不同的分类,主要分类方法有:根据数据的特性可以划分为线性降维和非线性降维,根据是否考虑和利用数据的监督信息可以划分为无监督降维、有监督降维和半监督降维,根据保持数据的结构可以分为全局保持降维、局部保持降维和全局与局部保持一致降维等。需要根据特定的问题选择合适的数据降维方法。数据降维一方面可以解决“维数灾难”,缓解原创 2020-09-17 19:03:12 · 13157 阅读 · 1 评论 -
机器学习——决策树算法
文章目录决策树算法基本概念决策树算法决策树算法是一种分类算法。在分类问题中,决策树算法通过样本中某一维属性的值,将样本划分到不同的类别中。可以举一个生活中的例子来简单说明什么是决策树算法。案例:一个女孩的母亲给女孩介绍一个男朋友。女儿:多大年纪了?母亲:28。女儿:长得帅吗?母亲:帅。女儿:收入高吗?母亲:中等。女儿:是公务员吗?母亲:是。女儿:那就见见。上述案例就可以用决策树表示为:基本概念决策树的组成:根节点:第一个选择的点;中间节点:中间的过程;叶子结点:最终的结果(原创 2020-09-15 14:39:44 · 897 阅读 · 0 评论 -
机器学习——聚类算法
文章目录聚类算法1 k-Means算法1.1 基本概念1.2 k-Means算法原理1.3 k-Means算法的可视化演示1.4 实验2 DBSCAN算法2.1 基本概念2.2 DBSCAN算法原理2.3 DBSCAN算法的可视化演示2.4 实验总结聚类算法在机器学习中,若训练样本的标记信息未知,则称为无监督学习。无监督学习通过对无标记训练样本的学习来寻找这些数据的内在性质,其主要的工具就是聚类算法。1 k-Means算法k-Means算法也称为k-平均或k-均值算法,是一种聚类算法,它是一种基于相原创 2020-09-09 15:35:57 · 1077 阅读 · 0 评论 -
机器学习——逻辑回归算法
文章目录逻辑回归算法逻辑回归概念Sigmoid函数逻辑回归模型代价函数最终运用梯度下降求解实验总结逻辑回归算法首先明确一个概念,逻辑回归并不是解决回归问题,而是解决分类问题,它是通过训练数据中的正负例,学习样本特征得到标签之间的假设函数,是一种典型的线性分类器。逻辑回归概念面对一个回归或者分类问题,建立代价函数,然后通过优化方法迭代求解出最优的模型参数,然后测试验证求解模型的好坏。逻辑回归实际是一种分类方法,主要用于两分类问题,即输出只有两种,分别代表两个类别。用Sigmoid函数就可以让逻辑回归原创 2020-09-07 13:16:10 · 2910 阅读 · 0 评论 -
机器学习——梯度下降算法
文章目录梯度下降算法概念前提条件目标函数训练集训练步骤代码表示梯度下降算法最优化算法在机器学习中是一种求解最合适的权重参数的算法,梯度下降算法就是其中的一种。概念梯度下降算法是一个最优化的算法,它是沿梯度下降的方向求解极小值。前提条件目标函数使用梯度下降算法的第一个前提条件就是目标函数,即告诉梯度下降要求哪个函数的解,例如在线性回归方程中求解最小二乘法的公式:这个公式在线性回归中的最终目的,就是求偏导取驻点最后得到θ的一个极小值。而在这里则是利用梯度下降算法去求得最小值。训练集这个目标原创 2020-09-06 15:04:56 · 3222 阅读 · 0 评论 -
机器学习——线性回归数学推导
文章目录线性回归数学推导基础知识线性回归的计算利用矩阵知识对线性公式进行整合误差项的分析线性回归数学推导基础知识线性回归的数学推导主要涉及以下几个知识点:利用矩阵的知识对线性公式进行整合误差项的分析似然函数的理解矩阵求偏导线性回归的最终求解线性回归的公式:可以借助下面的表格来理解:对应于线性回归方程,工资和房屋面积是线性回归模型中的x,可贷款金额是y。对于不同的工资和房屋面积对可贷款金额的影响程度是不一样的,每一个特征的参数就是上述模型中的a值。b是一个误差项,例如有两个人工资原创 2020-09-06 12:31:37 · 3279 阅读 · 1 评论 -
Python基础——Anaconda的安装使用
文章目录Anaconda的使用下载Anaconda查看模块目录、模块的安装与更新Notebook使用Anaconda的使用下载Anaconda地址:https://www.anaconda.com/products/individual结合操作系统的情况选择不同的下载链接进行安装。查看模块目录、模块的安装与更新进入主界面:查看模块:在左侧菜单栏选择Environments,root空间下的文件即为安装完成后的默认模块。可以在root空间下的菜单栏,选择Not installed、Upgr原创 2020-09-05 18:54:51 · 252 阅读 · 0 评论 -
机器学习——数学基础
文章目录机器学习-数学基础矩阵及矩阵的基本表示矩阵的基本运算几种特殊矩阵行列式向量及向量的基本运算矩阵特征值、特征向量的计算奇异值分解条件概率、全概率、贝叶斯概率公式机器学习-数学基础矩阵及矩阵的基本表示在数学中,矩阵(Matrix)是一个按照长方阵列排列的复数或实数集合,如:在机器学习领域,当遇到粗体大写字母A,则认为是表示一个矩阵。上图右侧为一个m行n列的矩阵。在机器学习领域中,将一张图片当做一个矩阵。因为图片是由像素点组成的,所以将图片的参数分成m×n个像素点。对于多张图片,可以将图片的数原创 2020-09-05 12:41:31 · 518 阅读 · 0 评论 -
计算机视觉编程——OpenCV
文章目录OpenCV1 OpenCV的Python接口2 OpenCV基础知识2.1 读取和写入图像2.2 颜色空间2.3 显示图像及结果3 处理视频3.1 视频输入3.2 将视频读取到NumPy数组4 跟踪4.1 光流4.2 Lucas-Kanade算法4.2.1 使用跟踪器4.2.2 使用发生器5 应用实例5.1 图像修复5.2 利用分水岭变换进行分割5.3 利用霍夫变换检测直线OpenCVOpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Wind原创 2020-09-04 10:31:02 · 1309 阅读 · 0 评论 -
计算机视觉编程——图像分割
文章目录图像分割1 图割1.1 从图像创建图1.2 用户交互式分割2 利用聚类进行分类3 变分法图像分割图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。1 图割在图论中,图是由若干个节点和连接节点的边构成的集合。图割是将一个有向图分割成两个互不相交的集合,可以用来解决诸如立体深度重建、图像拼接和图像分割等计算机视觉方面的不同问题。图割的基本思想是:相似且彼此相近的像素应该划分到同一个区域。原创 2020-08-31 15:03:02 · 1797 阅读 · 0 评论 -
计算机视觉编程——图像内容分类
文章目录图像内容分类1 K近邻分类法(KNN)1.1 一个简单的二维示例1.2 用稠密SIFT作为图像特征1.3 图像分类:手势识别2 贝叶斯分类器3 支持向量机3.1 使用LibSVM图像内容分类1 K近邻分类法(KNN)在分类方法中,最简单且用的最多的就是KNN(K近邻分类法),这种算法把要分类的对象与训练集中已知类标记的所有对象进行对比,并由k近邻对指派到哪个类进行投票。其弊端在于需要预先设定k值,k值的选择会影响分类的性能。此外这种方法要求将整个训练集存储起来,如果训练集非常大,搜索效率就很低原创 2020-08-30 11:54:34 · 670 阅读 · 0 评论 -
计算机视觉编程——图像搜索
文章目录图像搜索1 基于内容的图像检索2 视觉单词3 图像索引3.1 建立数据库3.2 添加图像4 在数据库中搜索图像4.1 利用索引获取候选图像4.2 用一幅图像进行查询4.3 确定对比基准并绘制结果5 使用几何特性对结果排序6 建立演示程序以及Web应用6.1 用CherryPy创建Web应用6.2图像搜索演示程序图像搜索1 基于内容的图像检索在大型图像数据库上,CBIR(基于内容的图像检索)用于检索在视觉上具有相似性的图像。这样的返回的图像可以是颜色相似、纹理相似、图像中的物体或者场景相似。矢原创 2020-11-19 13:27:16 · 467 阅读 · 1 评论 -
计算机视觉编程——图像聚类
文章目录图像聚类1 K-means聚类1.1 SciPy聚类包1.2 图像聚类图像聚类将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。聚类可以用于识别、划分图像数据集、组织和导航,以及对聚类后的图像进行相似性可视化。1 K-means聚类K-means聚类是一种将输入数据划分成k个簇的简单的聚类方法。其算法要反复提炼初始评估的类中心:以随机或猜测的方式初始化类中心将每个数据点归并原创 2020-08-16 01:32:58 · 2830 阅读 · 0 评论 -
计算机视觉编程——多视图几何
文章目录多视图几何1 外极几何1.1 一个简单的数据集1.2 用Matplotlib绘制三维数据1.3 计算F:八点法1.4 外极点和外极线2 照相机和三维结构的计算2.1 三角剖分2.2 由三维点计算照相机矩阵2.3 由基础矩阵计算照相机矩阵3 多视图重建3.1 稳健估计基础矩阵3.2 三维重建示例3.3 多视图的扩展示例4 立体图像5 总结多视图几何1 外极几何1.1 一个简单的数据集1.2 用Matplotlib绘制三维数据1.3 计算F:八点法1.4 外极点和外极线2 照相机和三维结构原创 2020-08-14 00:14:01 · 1437 阅读 · 0 评论 -
计算机视觉编程——增强现实基础
文章目录增强现实1 PyGame和PyOpenGL2 从照相机矩阵到OpenGL格式3 在图像中放置虚拟物体4 综合集成增强现实增强现实是将物体和相应信息放置在图像数据上的一系列操作的总称。1 PyGame和PyOpenGLPyGame是非常流行的游戏开发工具包,可以简单地处理显示窗口、输入设备、事件,以及其他内容。PyOpenGL是OpenGL图形编程的Python绑定接口,可以安装在几乎所有的系统上并且具有很好的图形性能。我们使用OpenGL将一个三维模型放置在一个场景中。为了使用PyGam原创 2020-08-10 16:14:04 · 687 阅读 · 0 评论 -
计算机视觉编程——照相机模型
文章目录照相机模型1 针孔照相机模型1.1 照相机矩阵1.2 三维点的投影1.3 照相机矩阵的分解1.4 计算照相机中心2 照相机标定3 以平面和标记物进行姿态估计4 总结照相机模型1 针孔照相机模型针孔照相机模型是计算机视觉中广泛使用的照相机模型。该相机从一个小孔采集射到暗箱内部的光线。在真空照相机模型中,在光线投射到图像平面之前,从唯一一个点经过。图1 针孔照相机模型在图中示出了与针孔相机映射有关的几何形状。该图包含以下基本对象:一个原点在O点的三维正交坐标系,这也是相机光圈的位置。坐标系原创 2020-08-08 23:08:57 · 2769 阅读 · 0 评论 -
计算机视觉编程——图像到图像的映射
文章目录匹配地理标记图像1 从Panoramio下载地理标记图像匹配地理标记图像1 从Panoramio下载地理标记图像原创 2020-08-08 12:20:35 · 3533 阅读 · 2 评论 -
局部图像描述子——SIFT(尺度不变特征变换)
文章目录SIFT(尺度不变特征变换)1 兴趣点、描述子2 检测兴趣点3 匹配描述子4 总结SIFT(尺度不变特征变换)SIFT即尺度不变特征变换,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。SIFT算法的特点有:SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;多量性,即使少数的几个物体也可以产生大量的原创 2020-08-06 00:16:58 · 2463 阅读 · 1 评论 -
局部图像描述子——Harris角点检测器
文章目录Harris角点检测器1 Harris角点检测算法2 Harris角点检测代码3 在图像间寻找对应点4 总结Harris角点检测器1 Harris角点检测算法Harris角点检测算法(也称Harris & Stephens角点检测器)是一个极为简单的角点检测算法。该算法的主要思想是,如果像素周围显示存在多于一个方向的边,则认为该点为兴趣点,该点也就是称为角点。角点就是极值点,即在某方面属性特别突出的点,是在某些属性上强度最大或者最小的孤立点、线段的终点。在图像域中点x上的对称半正定矩原创 2020-08-05 14:13:22 · 1560 阅读 · 0 评论 -
计算机视觉编程——基本的图像操作和处理
文章目录基本的图像操作和处理1 Python图像处理类库基本的图像操作和处理1 Python图像处理类库PIL(Python Imagine Library Python,图像处理类库)提供了通用的图像处理功能以及大量有用的基本图像操作,比如图像缩放、裁剪、旋转、颜色转换等。...原创 2020-08-04 12:25:20 · 3603 阅读 · 1 评论 -
数字图像处理——形态学图像处理及图像分割
文章目录形态学图像处理1 膨胀和腐蚀1.1 膨胀1.2 腐蚀2 开操作和闭操作形态学图像处理数学形态学的语言是集合论。它为大量的图像处理问题提供了一种一致的有力方法。数学形态学中的集合表示图像中的不同对象。例如,在一幅二值图像中所有黑色像素的集合是图像完整的形态学描述。在二值图像中,正在被讨论的集合是二维整数空间的元素,在这个二维整数空间中,集合的每个元素都是一个多元组,是一个黑色(或白色,取决于事先约定)像素在图像中的坐标(x,y)。1 膨胀和腐蚀膨胀和腐蚀是许多形态学算法的基础。1.1 膨胀原创 2020-07-25 22:49:14 · 6463 阅读 · 0 评论 -
数字图像处理——第八章 图像压缩
文章目录图像压缩1 图像压缩基础1.1 编码冗余1.2 像素间冗余1.3 心理视觉冗余1.4 保真度准则2 无损压缩方法3 有损压缩方法4 图像压缩标准图像压缩图像压缩所解决的问题是尽量减少表示数字图像时需要的数据量。减少数据量的基本原理是除去其中多余的数据。1 图像压缩基础术语“数据压缩”指减少表示给定信息的量所需的数据量。数据和信息之间必须给予明确的区分。数据是信息传递的手段,对相同数量的信息可以以不同数量的数据表示。数据冗余是数字图像压缩的主要问题。如果n1和n2代表两个表示相同信息的数据集原创 2020-07-13 12:45:19 · 7976 阅读 · 0 评论 -
数字图像处理——第六章 彩色图像处理
文章目录彩色图像处理1 彩色模型1.1 RGB彩色模型1.2 CMY和CMYK模型2 伪彩色处理3 全彩色处理基础彩色图像处理彩色图像处理分为两个主要领域:全彩色处理和伪彩色处理。在第一类中,通常要求图像用全彩色传感器获取;在第二类中,问题是对一种特定的单色灰度或灰度范围赋予一种颜色。到目前为止,多数数字图像处理是在伪彩色层面完成的。1 彩色模型彩色模型(也称彩色空间或彩色系统)的用途是在某些标准下用通常可接受的方式简化彩色规范。本质上,彩色模型是坐标系统和子空间的规范,位于系统中的每种颜色都由单个原创 2020-07-06 19:53:03 · 3404 阅读 · 0 评论 -
数字图像处理——第五章 图像复原
文章目录图像复原1. 图像退化/复原过程的模型2. 噪声模型2.1 周期噪声2.2 噪声参数估计3 只有噪声存在的空间域图像恢复图像复原与图像增强相似,图像复原的目的也是改善给定的图像,但图像增强主要是一个主观的过程,而图像复原是一个客观的过程。图像复原试图利用退化现象的某种先验知识来复原被退化的图像。因而,复原技术是面向退化模型的,并且采用相反的过程进行处理,以便恢复出原图像。1. 图像退化/复原过程的模型退化过程可以被模型化为一个退化函数和一个加性噪声项,处理一幅输入图像f(x, y)产生一幅退原创 2020-07-01 15:37:54 · 4332 阅读 · 0 评论 -
数字图像处理——第四章 频率域图像增强
文章目录频率域图像增强1. 傅里叶变换1.1 一维傅里叶变换总结频率域图像增强1. 傅里叶变换1.1 一维傅里叶变换单变量连续函数f(x)的傅里叶变换F(u)定义为等式:反变换可以定义为:上述这两个式子,就反映了通过一个函数可以做变换求到其傅里叶变换,或已知傅里叶变换可以完全地求出原始函数。单变量离散函数f(x)(其中x=0,1,2,…,m-1)的傅里叶变换由以下等式给出:同样,若给出F(u),能用反DFT来获得:F(u)的值的范围覆盖的域(u的值)称为频率域,因为u决定了变换的频原创 2020-06-24 17:00:28 · 4804 阅读 · 0 评论 -
数字图像处理——第三章 空间域图像增强(空间滤波)
文章目录1. 空间滤波基础2.平滑空间滤波器1. 空间滤波基础某些邻域处理工作是操作邻域的图像像素值以及相应的与邻域有相同维数的子图像的值。这些子图像可以被称为滤波器、空间掩模、核、模板或窗口,其中前三个词是更为普遍的术语。在滤波器子图像中的值是系数值,而不是像素值。空间滤波的机理就是在待处理图像中逐点地移动掩模,在每一点(x, y)处,滤波器在该点的响应通过事先定义的关系来计算。对于线性空间滤波其响应由滤波器系数与滤波掩模扫过区域的相应像素值的乘积之和给出。一般来说,使用大小为mn的滤波器对大小为原创 2020-06-08 16:24:37 · 4373 阅读 · 0 评论 -
数字图像处理——第三章 空间域图像增强(灰度变换和直方图处理)
文章目录空间域图像增强1. 背景知识2. 基本灰度变换2.1 图像反转2.2 对数变换2.3 幂次变换2.4 分段线性变换函数2.4.1 对比拉伸2.4.2 灰度切割2.4.3 位图切割3. 基本灰度变换函数3.1 函数imadjust和stretchlim3.2 函数im2uint84. 直方图处理4.1 生成并绘制图像直方图4.2 直方图均衡化空间域图像增强图像增强是图像处理中最具吸引力的领域之一,增强处理的首要目标是处理图像,对图像进行加工,使其比原始图像更适合特定的应用。空间域是指图像平面本身,原创 2020-06-05 18:55:19 · 6753 阅读 · 0 评论 -
MATLAB中代码优化的两种方法
MATLAB中的代码优化MATLAB中的代码优化有两种重要的方法:预分配组和向量化循环。我们举一个简单的例子来看,创建一个MATLAB函数来计算f(x) = sin(x / 100π):function y = sinfun1(M)x = 0: M - 1;for k = 1: numel(x) y(k) = sin(x(k) / (100 * pi));end这里 我们使用函数timeit来计算调用函数所需的时间。(timeit可用于得到函数调用的可靠的、可重复的时间测量。)此时原创 2020-05-28 16:26:27 · 3067 阅读 · 1 评论 -
MATLAB基础
文章目录MATLAB基础1. 初识MATLAB1.1 MATLAB桌面1.2 MATLAB编辑器1.3 保存和检索工作会话数据2. 图像输入、输出和显示3. 类和图像类型3.1 MATLAB中用于图像处理的类3.2 工具箱支持的四种图像类型4. M函数编程4.1 M文件4.2 运算符4.2.1 算术运算符4.2.2 关系运算符4.2.3 逻辑运算符4.3 流控制4.4 数组索引4.5 函数句柄、单元数组和结构4.5.1 函数句柄4.5.2单元矩阵MATLAB基础1. 初识MATLAB1.1 MAT原创 2020-05-27 18:10:39 · 572 阅读 · 0 评论 -
数字图像处理——第二章 数字图像基础
数字图像基础1. 基本概念取样:数字化坐标值。量化:数字化幅度值。k比特图像:一副数字图像的灰度级为2^k。动态范围:系统中最大可度量灰度与最小可检测灰度之比。饱和度:超过这个值的灰度级将被减掉的一个最高值。对比度:最高和最低灰度级间的灰度差。空间分辨率是图像中可辨别的最小细节的度量。线对:假设有一幅宽度为W的垂直线的图,在线间还有宽度为W的线。线 对就是由这样的两条线组成的,其宽度为2W,并且每单位距离有1/2W对线。图像分辨率:单位距离内可分辨的最大线对数量。灰度级分原创 2020-05-26 22:24:19 · 1852 阅读 · 0 评论 -
数字图像处理——第一章 绪论
初学数字图像处理,从什么是数字图像处理、数字图像处理的应用、数字图像处理的基本步骤和图像处理系统的组成四个角度,简要学习一些基本的概念知识,为后边的学习做一个铺垫。原创 2020-05-24 19:52:07 · 3628 阅读 · 0 评论