图像处理与计算机视觉
文章平均质量分 90
图像处理与计算机视觉
二进制人工智能
图像,点云,机器学习, Python, C++
展开
-
【数字图像处理】二值图和灰度图的形态学处理
也就是说用结构元素找出在目标图像内部可以完全放下该结构元素的值为 1 的区域。腐蚀具有缩小图像中的物体和消除图像中比结构元素小的成分的作用。将原图中的一个非零点不断膨胀,然后与原图相交,得到连通分量,之后将连通分量从原图去掉;求某点的腐蚀运算就是计算该点结构元素覆盖范围内各点最小值作为该点的腐蚀结果。求某点的膨胀运算就是计算该点局部范围内各点的最大值作为该点的膨胀结果。经膨胀运算后,图像亮的区域范围将扩大。使用击中击不中获取与结构元素相同形状的图像边缘像素,然后将其删除,通过迭代多。, 那么称B击不中A。原创 2024-04-02 19:29:14 · 1221 阅读 · 0 评论 -
【数字图像处理】颜色空间的转换
HSI/ HSV 颜色空间模型是从人的视觉系统出发, 用 H (Hue)、 S(Saturation)、 I(Intensity) 或 V(Value) 分别代表色调、 色饱和度、 亮度三种独立的颜色特征。CMY 颜色空间正好与 RGB 颜色空间互补, 即用白色减去 RGB 颜色空间中的某一颜色值就等于这种颜色在 CMY 颜色空间中的值。YCbCr 颜色空间采用一个亮度信号 (Y) 和两个色差信号 (Cb , Cr ) 来表示。对于[0,1]的 R、G、B 值,HSV 各个分量计算如下。原创 2024-04-01 14:46:33 · 1246 阅读 · 0 评论 -
【数字图像处理】图像的最近邻插值、双线性插值和双三次插值
用OXY表示H×W的原始图像,GXY表示H×Y的目标图像。原创 2024-04-01 10:53:38 · 973 阅读 · 0 评论 -
【数字图像处理 】 灰度变换增强图像
对数变换的作用是对图像的低灰度范围进行扩展,并对高灰度范围进行压缩,得到的结。时,扩展图像暗区、压缩图像亮区。暗区对比度增强、亮区对比度减弱。时,压缩图像暗区,扩展图像亮区。暗区对比度减弱,亮区对比度增强。直方图均衡化映射函数。原创 2024-03-26 21:12:14 · 1005 阅读 · 0 评论 -
【数字图像处理】改变图像灰度级别
灰度级别为4时,原始图像中属于[0, 64)的值被量化为0,属于[64,128)的值被量化为64,属于[128,192)的值被量化为128,属于[192, 256)的值被量化为192.灰度级别为2时,原始图像中属于[0,128)的值被量化为0,属于[256)的值被量化为128。灰度级别256,128,64,32,16,8,4,2 对应。改变图像灰度级别与压缩量化的区别?首先,进行灰度级量化。原创 2024-03-26 10:36:30 · 1287 阅读 · 0 评论 -
基于单高斯视频背景估计的运动目标分割
(3) 帧差法:将连续两帧的图像数据进行差分法,即进行相减操作, 如果其相减后的绝对值小于阈值,则认为其为背景点,令像素点变为0。在掩码中将属于背景的像素点置零,其他置1,得到运动目标的分割掩码。用掩码对当前帧分割,即可得到运动目标。(2) 对输入进行高斯滤波,平滑输入的图像,从而减少因为形态学处理导致的更明显的掩码误判。则判定该像素点为背景点,否则为前景点。(1) 使用形态学方法对掩码进行处理,填补掩码的各个非零区域。为更新参数,表示背景更新的速度快慢,取值范围为0~1。(1)单高斯背景模型的初始化。原创 2024-01-11 10:04:35 · 1109 阅读 · 0 评论 -
【ICLR 2022】重新思考点云中的网络设计和局部几何:一个简单的残差MLP框架
【ICLR 2022】RETHINKING NETWORK DESIGN AND LOCAL GEOMETRY IN POINT CLOUD: A SIMPLE RESIDUAL MLP FRAMEWORK原创 2023-02-21 10:00:00 · 1286 阅读 · 1 评论 -
【AAAI 2022】OctAttention: Octree-based Large-scale Contexts Model for Point Cloud Compression
OctAttention: 基于八叉树的点云压缩大范围上下文模型原创 2023-02-18 11:02:23 · 1387 阅读 · 0 评论 -
用于汽车传感器的混合点云语义压缩:性能评估
Hybrid Point Cloud Semantic Compression for Automotive Sensors: A Performance Evaluation原创 2023-02-15 12:27:47 · 760 阅读 · 0 评论 -
【CVPR 2018】PU-Net: Point Cloud Upsampling Network
【CVPR 2018】PU-Net: Point Cloud Upsampling Network原创 2023-02-03 12:51:27 · 1291 阅读 · 0 评论 -
IPDAE: Improved Patch-Based Deep Autoencoder for Lossy Point Cloud Geometry Compression
IPDAE: Improved Patch-Based Deep Autoencoder for Lossy Point Cloud Geometry Compression采样点的octree编码集成的压缩和训练过程熵编码的可学习上下文模型对抗学习均匀性度量实验结果原创 2022-12-30 14:05:27 · 669 阅读 · 0 评论 -
【MMAsia 2021】Patch-Based Deep Autoencoder for Point Cloud Geometry Compression
Patch-Based Deep Autoencoder for Point Cloud Geometry Compression原创 2022-12-26 14:47:30 · 858 阅读 · 0 评论 -
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds摘要In this paper, we propose a general autoencoder-based architecture for lossy geometry point cloud compression.it is the first autoencoder-based geometry compression codec that directly原创 2022-10-04 14:22:13 · 704 阅读 · 0 评论 -
【ICLR 2017】端到端优化的图像压缩
端到端优化的图像压缩原创 2022-09-14 15:11:06 · 2324 阅读 · 0 评论 -
【NIPS 2019】PVCNN:用于高效3D深度学习的点-体素 CNN
.原创 2022-08-25 13:42:39 · 2178 阅读 · 0 评论 -
【CVPR 2018】PIXOR: 点云中三维目标的实时检测
PIXOR (`OR`iented 3D object detection from`PIX` el-wise neural network predictions)原创 2022-08-19 12:01:21 · 1427 阅读 · 0 评论 -
【IROS 2019】RangeNet++: 快速准确的LiDAR语义分割
RangeNet++原创 2022-08-05 17:48:21 · 1871 阅读 · 0 评论 -
【CVPR 2021】Cylinder3D:用于LiDAR点云分割的圆柱体非对称3D卷积网络
这篇论文提出了Cylinder3D:* 针对点云的稀疏性和密度不均匀性,对点云进行圆柱体划分的体素化* 使用不对称的3D卷积网络来生成体素级输出* 引入逐点细化模块,减少了因体素化带来的标签干扰Cylinder3D在SemanticKITTI和nuScenes点云分割数据集上的表现达到当时的第一,并且能很好地推广到LiDAR全景分割和三维检测的任务中。............原创 2022-07-28 13:56:37 · 1750 阅读 · 0 评论 -
【CVPR2020】RandLA-Net:大规模点云的高效语义分割
深度神经网络对点云进行处理不可避免地需要在保证不丢失有用的点特征的前提下对这些点进行下采样。而大规模的点云跨度可达数百米,包含数百万个点,采样的时间和空间复杂度都较高。这篇论文* 分析并比较了现有的点云采样方法,得出随机采样(Random Sampling)是最适合大规模点集这一结论。* 设计了一个局部特征聚合器(Local Feature Aggregation),它通过逐步增加每个点的感受野来避免随机采样导致的特征丢失。 ...............原创 2022-07-17 21:48:45 · 4072 阅读 · 0 评论 -
交并比(Intersection over Union)
IoU原创 2022-07-09 10:00:24 · 553 阅读 · 0 评论 -
Chamfer距离
。原创 2022-07-09 09:59:58 · 545 阅读 · 0 评论 -
【CVPR2021】Cycle4Completion:使用带缺失区域编码的循环变换实现无配对点云补全
Cycle4Completion: Unpaired Point Cloud Completion using Cycle Transformation with Missing Region Coding原创 2022-07-08 11:41:24 · 998 阅读 · 0 评论 -
【NIPS 2017】PointNet++:度量空间中点集的深层次特征学习
PointNet要么对一个点操作,要么对所有点操作,却没有对局部进行操作,这导致它无法捕获点集的局部特征,限制了其识别细节的能力以及对复杂场景的推广能力。PointNet++则是一种分层点集处理模型,它将PointNet卷积式地应用于输入点集的嵌套分组,逐层学习点集的局部特征。另外,点集在不同区域的密度不均匀会影响网络训练,PointNet++通过组合多个尺度范围内的特征来解决这个问题。实验表明,PointNet++网络能够高效、稳健地学习深层点集特征,并在一些3D点云基准测试中达到当时的最佳。...原创 2022-06-25 10:59:42 · 714 阅读 · 0 评论 -
豪斯多夫距离(Hausdorff distance)
文章目录豪斯多夫距离(Hausdorff distance)引言Hausdorff距离豪斯多夫距离(Hausdorff distance)引言当谈到距离时,我们通常指的是最短的距离:例如,如果说一个点XXX距离多边形PPP的距离为DDD,我们通常假设DDD是XXX到PPP的最近点的距离。同样的逻辑也适用于两个多边形:对于两个多边形AAA和BBB,我们通常将它们的距离理解为AAA的任意点和BBB的任意点之间的最短距离。形式上,这称为minimin 函数,因为AAA和BBB之间的距离DDD由下式给出:原创 2022-05-26 11:56:05 · 7471 阅读 · 0 评论 -
【论文复现】遗传算法图像去噪:Effective Hybrid Genetic Algorithm (EHGA)
Effective Hybrid Genetic Algorithm (EHGA)STEP 1:输入图像读取图像X(i,j)X(i,j)X(i,j),其中i,j∈[0,255]i,j\in[0,255]i,j∈[0,255]STEP 2:初始化初始种群通过对图像X(i,j)X(i,j)X(i,j)执行DAMF,AWMF和FNAFSM得到由三个个体组成的初始种群:D={XDAMF,XAWMF,XNAFSM}D=\{X_{DAMF},X_{AWMF},X_{NAFSM}\}D={XDAMF,XAWM原创 2022-02-21 18:28:25 · 1672 阅读 · 0 评论 -
【论文复现】均值滤波改进:Adaptive Weighted Mean Filter(AWMF)
Adaptive Weighted Mean Filter(AWMF)Firstly, we enlarge its window size continuously until the maximum and minimum values of two successive windows are equal respectively.Secondly, the given pixel value will be replaced by the weighted mean of the current原创 2022-02-20 17:27:00 · 1163 阅读 · 1 评论 -
【论文复现】中值滤波改进:Different Applied Median Filter(DAMF)
Different applied median filter(DAMF)椒盐噪声:https://blog.csdn.net/u011995719/article/details/83375196A:=[aij]m×nA:=[a_{ij}]_{m\times n}A:=[aij]m×n:图像矩阵0≤aij≤2550\le a_{ij}\le 2550≤aij≤255:如果aij=0a_{ij}=0aij=0或aij=255a_{ij}=255aij=255,则称它为噪声条目,否则称为正则条原创 2022-02-20 17:26:34 · 1242 阅读 · 3 评论 -
【论文复现】中值滤波改进:Noise Adaptive Fuzzy Switching Median Filter(NAFSMF)
Noise Adaptive Fuzzy Switching Median Filter(NAFSMF)阶段一Initially, the detection stage will utilizethe histogram of the corrupted image to identify noise pixels.These detected “noise pixels” will then be subjected to the secondstage of the filtering ac原创 2022-02-20 17:26:08 · 1608 阅读 · 0 评论 -
图像线性平滑空间滤波(加权均值滤波器,几何均值滤波,谐波均值滤波,逆谐波均值滤波),非线性平滑空间滤波(中值滤波,最大值滤波,最小值滤波)MATLAB自写函数实现
文章目录平滑空间域滤波1 理论1.1 空间域滤波1.1.1 空间域滤波和邻域处理1.1.2 边界处理1.1.3 互相关和卷积1.2 线性空间滤波1.2.1 加权均值滤波1.2.2 均值滤波的变形1.2.2.1 几何均值滤波1.2.2.2 谐波均值滤波1.2.2.3 逆谐波均值滤波1.3 非线性空间滤波1.3.1 中值滤波1.3.2 最大值滤波1.3.3最小值滤波2 上代码!2.1添加噪声2.2 图像边界处理2.3 生成高斯模板2.4 线性滤波函数2.5 非线性滤波函数3 demo结果3.1 高斯噪声3..原创 2021-02-02 19:39:30 · 4446 阅读 · 2 评论 -
Roberts、Prewitt、Sobel、Laplacian、LoG 和 Canny 边缘检测算子(MATLAB自写函数实现)
原创 2021-02-19 13:08:37 · 2378 阅读 · 0 评论 -
鸟瞰计算机视觉
文章目录1 视觉概述2 计算机视觉相关的学科2.1 图像工程2.2 机器视觉2.3 模式识别2.4人工智能和机器学习2.5计算机图形学3 计算机视觉应用领域1 视觉概述计算机视觉源自人类视觉,即一般所说的视觉。视觉在人类对客观世界的观察和认知中起重要作用。人类从外界获得的信息约有75%来自视觉系统,这既说明视觉信息量巨大,也表明人类对视觉信息有较高的利用率。人类视觉过程可看作是一个复杂的从感觉(感受到的是对3-D世界之2-D投影得到的图像)到知觉(由2-D图像认知3-D世界的内容和含义)的过程,如下图所原创 2021-01-24 19:02:20 · 556 阅读 · 0 评论 -
图像质量评价指标:PSNR,SSIM,IEF,UQI
Peak signal to noise ratio (PSNR)PSNR=10⋅log(2552MSE)\mathrm{PSNR}=10 \cdot \log \left(\frac{255^{2}}{\mathrm{MSE}}\right)PSNR=10⋅log(MSE2552)MSE=1M×N∑i=0M−1∑j=0N−1[O(i,j)−F(i,j)]2\mathrm{MSE}=\frac{1}{M \times N} \sum_{i=0}^{M-1} \sum_{j=0}^{N-1}[O(i,原创 2021-08-27 14:26:06 · 6244 阅读 · 0 评论 -
RGB图像转化为灰度图原理
RGB图像转化为灰度图原理以及MATLAB实现1 原理在RGB彩色模型中表示的图像由三个分量图像组成,每种原色一幅分量图像。利用MATLAB对图像进行读取,可以知道存储RGB图像数据为2562563 uint8,其中256*256表示长和宽的像素个数,3表示红绿蓝三个分量图像,uint8表示每个分量图像(R、G、B)的像素点值的位宽为8比特,即可表示0-255的范围灰度数字图像是每个像素只有一个采样颜色的图像,通常显示为从最暗黑色到最亮的白色的灰度。因此我们可以将RGB模型转化为YUV模型(亮度-色原创 2021-01-03 12:43:11 · 5285 阅读 · 1 评论 -
【机器人学与计算机视觉基础】(三)三维空间位姿描述
文章目录位置与姿态描述3 三维空间位姿描述3.1 三维空间姿态描述3.1.1 正交旋转矩阵3.1.2 三角度表示法3.1.3 双向量表示法3.1.4 绕任意向量旋转3.1.5 单位四元数3.2 平移与旋转组合3.2.1 四元数向量对3.2.2 4×4齐次变换矩阵位置与姿态描述3 三维空间位姿描述三维情况实际上是前一节讨论的二维情况的延伸。我们在二维坐标系上增加一个额外的坐标轴,通常用zzz表示,它同时与xxx轴和yyy轴正交。zzz轴的方向服从右手规则:与各坐标轴平行的单位向量记作x^、y^\ha原创 2021-01-02 10:55:13 · 3196 阅读 · 1 评论 -
【机器人学与计算机视觉基础】(二) 二维空间位姿描述
位置与姿态描述2 二维空间位姿描述讨论2维空间通常要用到笛卡儿坐标系,笛卡儿坐标系是以xxx轴和yyy轴为正交轴的坐标系,通常绘制成xxx轴水平、yyy轴竖直,两轴的交点称为原点。在笛卡尔坐标系中,平行于坐标轴的单位向量x^\hat{x}x^和y^\hat{y}y^表示。一个点用其在xxx轴和yyy轴上的坐标(x,y)(x,y)(x,y)表示,或者写成向量:p=xx^+yy^\boldsymbol{p}=x \hat{\boldsymbol{x}}+y \hat{\boldsymbol{y}}p=x原创 2021-01-01 11:17:52 · 1565 阅读 · 1 评论 -
【机器人学与计算机视觉基础】(一)位姿的抽象符号表示
位置与姿态描述1 位姿的抽象符号表示提示:在本节中,我们会用到这几个抽象的符号:“ξ\xiξ”、“·”和“⊕\oplus⊕”。读者只需直到它们的作用就行,在后面会将其转化为MATLAB中实现的标准的数学对象和运算符。机器人和计算机视觉中的一个基本要求是能够表示物体在环境中的位置和方向。这些物体包括机器人、摄像机、工件、障碍物和路径。空间中的点可以被描述为一个坐标向量,也被称为一个约束向量。如下图所示,点PPP由一个相对于绝对坐标系的坐标向量表示。更多时候我们需要考虑组成物体的一组点。我们认为原创 2020-12-30 11:48:48 · 1536 阅读 · 1 评论 -
【数字图像处理】基于一阶与二阶导数的锐化算子的比较
基于一阶与二阶导数的锐化算子的比较原创 2020-10-26 13:29:32 · 4002 阅读 · 0 评论 -
【数字图像处理】全!使用MATLAB为图像添加噪声
文章目录噪声模型1 噪声种类1 .1 高斯噪声1.2 瑞利噪声1.3 伽玛噪声1.4 指数噪声1.5 均匀分布噪声1.6 脉冲噪声(椒盐噪声)噪声模型图像噪声主要来源于图像的获取和传输过程。(1)图像传感器的工作情况受各种因素的影响,如图像获取中的环境条件和传感元器件自身的质量。例如,当使用CCD摄像机获取图像时,光照强度和传感器的温度是生成图像中产生大量噪声的主要因素。(2)图像在传输过程中主要由于所用传输信道被干扰而受到噪声污染。比如,通过无线网络传输的图像可能会因为光或其他大气因素的干扰被污染原创 2020-10-20 10:30:15 · 29330 阅读 · 2 评论 -
【数字图像处理】图像复原
图像复原图像复原是图像处理重要的研究领域。在成像过程中,由于成像系统各种因素的影响,可能使获得的图像不是真实景物的完善影像。图像在形成、传播和保存过程中使图像质量下降的过程,称为图像退化。图像复原就是重建退化的图像,使其最大限度恢复景物原貌的处理。图像复原的概念与图像增强相似。但图像增强可以针对本来完善的图像,经过某一处理,使其适合于某种特定的应用,是一个主观的过程。图像复原的目的也是改善图像质量,但图像复原更偏向于利用退化过程的先验知识使已被退化的图像恢复本来面目,更多的是一个客观过程。引起图像退化原创 2020-10-26 12:51:20 · 24079 阅读 · 2 评论