数字图像与机器视觉基础补充

最新推荐文章于 2022-04-10 23:09:31 发布
最新推荐文章于 2022-04-10 23:09:31 发布
阅读量2.2k 收藏
点赞数
文章标签： 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45654230/article/details/121864606
版权
本文深入探讨了位图文件结构，通过实例展示了不同格式图片的压缩比。运用奇异值分解进行图像降维处理，并通过代码实现。接着，使用开闭运算检测硬币和细胞图像中的对象数量。最后，展示了条形码的检测与解析过程，涉及图像预处理和条形码识别技术。
摘要由CSDN通过智能技术生成

一、准备一张图片

信息显示图片大小为1.24M，位图大小计算：1.24M×1024≈1230KB=1300234字节，这是不包含文件头信息的大小。
用UltraEdit打开lena.bmp，可以看到这个文件的全部数据如下图所示：

 

例如：111.bmp为256位色图：

 计算方式：256014408/8/1024=3600KB。
色彩格式和图片文件格式都在影响图片大小：

将图片分别保存为.bmp,.gif,.jpg,.png图片格式 

 

因为BMP不是压缩的，所以以它为基准计算压缩比

bmp压缩比为：-438％。
gif压缩比为：85％。
jpg压缩比为：10％

二、用奇异值分解，对一张图片进行降维处理

1.贴入代码：

import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprint


def restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K):
        uk = u[:, k].reshape(m, 1)
        vk = v[k].reshape(1, n)
        a += sigma[k] * np.dot(uk, vk)
    a[a < 0] = 0
    a[a > 255] = 255
    # a = a.clip(0, 255)
    return np.rint(a).astype('uint8')


def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K+1):
        for i in range(m):
            a[i] += sigma[k] * u[i][k] * v[k]
    a[a < 0] = 0
    a[a > 255] = 255
    return np.rint(a).astype('uint8')


if __name__ == "__main__":
    A = Image.open("C:/Users/86199/Pictures/lena/lena.jpg", 'r')
    print(A)
    output_path = r'./SVD_Output'
    if not os.path.exists(output_path):
        os.mkdir(output_path)
    a = np.array(A)
    print(a.shape)
    K = 50
    u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])
    u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])
    u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])
    plt.figure(figsize=(11, 9), facecolor='w')
    mpl.rcParams['font.sans-serif'] = ['simHei']
    mpl.rcParams['axes.unicode_minus'] = False
    for k in range(1, K+1):
        print(k)
        R = restore1(sigma_r, u_r, v_r, k)
        G = restore1(sigma_g, u_g, v_g, k)
        B = restore1(sigma_b, u_b, v_b, k)
        I = np.stack((R, G, B), axis=2)
        Image.fromarray(I).save('%s\\svd_%d.png' % (output_path, k))
        if k <= 12:
            plt.subplot(3, 4, k)
            plt.imshow(I)
            plt.axis('off')
            plt.title('奇异值个数：%d' % k)
    plt.suptitle('SVD与图像分解', fontsize=20)
    plt.tight_layout()
    # plt.subplots_adjust(top=0.9)
    plt.show()

2.结果：

三、 采用图像的开闭运算，检测出2个样本图像中硬币、细胞的个数

1.硬币

贴入代码：

import cv2
import numpy as np

def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("C:/Users/86199/Pictures/computer/coin.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

#腐蚀（腐蚀主要为了把每个硬币区分开。过大会造成缺失，过低会无法区分开。参数可以自己设置以达到合适。）
kernel = np.ones((17, 17), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

#膨胀（膨胀到合适的值，这样每一个白色区域就是一个硬币。）
kernel = np.ones((3, 3), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)

#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]

#标识硬币
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
imgStack = stackImages(1, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

2.结果：

 3.细胞

贴入代码：

import cv2
import numpy as np

def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("C:/Users/86199/Pictures/computer/cell.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

#腐蚀（腐蚀主要为了把每个硬币区分开。过大会造成缺失，过低会无法区分开。参数可以自己设置以达到合适。）
kernel = np.ones((17, 17), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

#膨胀（膨胀到合适的值，这样每一个白色区域就是一个硬币。）
kernel = np.ones((3, 3), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)

#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]

#标识硬币
cv2.drawContours(img, contours, -1, (0, 255,0), 3)

#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
imgStack = stackImages(1, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

4.结果

四、条形码 

1.代码：

import cv2
import numpy as np
import imutils
from pyzbar import pyzbar
def stackImages(scale, imgArray):
    """
        将多张图像压入同一个窗口显示
        :param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半
        :param imgArray:元组嵌套列表，需要排列的图像矩阵
        :return:输出图像
    """
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range(0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),
                                                None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank] * rows
        hor_con = [imageBlank] * rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor = np.hstack(imgArray)
        ver = hor
    return ver


#读取图片
src = cv2.imread("C:/Users/86199/Pictures/computer/tm.png")
img = src.copy()

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#高斯滤波
img_2 = cv2.GaussianBlur(img_1, (5, 5), 1)


#Sobel算子
sobel_x = cv2.Sobel(img_2, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img_2, cv2.CV_64F, 0, 1, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
img_3 = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

#均值方波
img_4 = cv2.blur(img_3, (5, 5))

#二值化
ret, img_5 = cv2.threshold(img_4, 127, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

#闭运算
kernel = np.ones((18, 18), int)
img_6 = cv2.morphologyEx(img_5, cv2.MORPH_CLOSE, kernel)

#开运算
kernel = np.ones((100,100), int)
img_7 = cv2.morphologyEx(img_6, cv2.MORPH_OPEN, kernel)

#绘制条形码区域
contours = cv2.findContours(img_7, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = imutils.grab_contours(contours)
c = sorted(contours, key = cv2.contourArea, reverse = True)[0]
rect = cv2.minAreaRect(c)
box = cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(img, [box], -1, (0,255,0), 6)

#显示图片信息
cv2.putText(img, "results", (30, 30), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_2, "GaussianBlur",(40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_3, "Sobel", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_4, "blur", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_5, "threshold", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_6, "close", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)
cv2.putText(img_7, "open", (40, 40), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 0, 0), 3)

#输出条形码
barcodes = pyzbar.decode(src)
for barcode in barcodes:
    barcodeData = barcode.data.decode("utf-8")
    cv2.putText(img, barcodeData, (50, 70), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 3)

#显示所有图片
imgStack = stackImages(0.5, ([img_1, img_2,img_3,img_4],[img_5,img_6,img_7,img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

2.结果：

 

五、总结

通过本次实验，初步对位图的文件头、信息头、颜色表他们各自的组成，以及32/16位图，256/16/单色位图他们之间的差异有了一定的了解。

六、参考

比较不同深位图片并对图片进行降维计数等处理

数字图像与机器视觉基础补充(1)

数字图像与机器视觉基础1

TT17
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数字图像处理MFC程序设计之图像的打开显示
静 水 流 深
12-10 3027
最近想把以前做过的数字图像处理实习写成一个教程，用的是CBmpFile类，武汉大学遥感信息工程学院的学生也许都会用这个类来实现图像处理，废话就不多说了，直接开始吧。。。     一、图像的显示        VC6.0工程向导创建MFC多文档应用程序，注意选择CScrollView视图，完成后，将bmpfile头文件放入工程文件夹下，在Doc.h中添加头文件包含，以及成员变量：
MFC图片简单算法处理
m0_56564951的博客
04-01 988
MFC图片简单算法处理 （使用VS2019） 一、创建MFC应用 二、添加控件变量 （ 选中控件后右击选择添加变量） 1、为两个picture控件添加control变量，类型为CStatic，变量名分别为m_picture1和m_picture2. 2、添加保存图片路径和名称变量，CString类型，变量名strFilePath，strFileName 三、添加按键程序代码 双击“打开图片”按钮进入消息映射函数，添加以下代码： 1.为按键添加打开文件的功能，并打开任意格式的文件，并在打开文件右下角添加文
网络摄像机—图像压缩方式—JPEG、MJPEG
weixin_33836874的博客
08-02 575
 JPEG（英文全称：Joint　Photographic　Experts　Group）压缩技术可以说是所有图像压缩技术的基础。它适合静态图像的压缩，直接处理整个画面，压缩倍数为20-80倍，分辨率没有选择的余地。所以要等到整个压缩档案传输完成才开始进行解压缩成影像画面，而这样的方式造成传输一个高解析画面时须耗时数十秒甚至数分钟。         而MJPEG(Motion JPEG)是在JPE...
M-JPEG、MPEG4、H.264都有何区别
视频质量测试mazhitong1227的博客
01-02 9927
M-JPEG、MPEG4、H.264都有何区别；压缩方式是网络视频服务器和网络摄像机的核心技术，；随着多媒体技术的发展，相继推出了许多压缩编码标准；1、JPEG/M-JPEG；①、JPEG是一种静止图像的压缩标准，它是一种标；当硬件处理速度足够快时，JPEG能用于实时动图像；②、M-JPEG源于JPEG压缩技术，是一种简单；2、H.261/H.263；      M-JPEG、MPEG4、
数字图像处理与机器视觉源码
12-18
7. **Chapter 9 - 机器视觉基础** 可能介绍机器视觉的基本理论，如视觉传感器、立体视觉、运动分析等，为更复杂的视觉应用打下基础。 8. **Chapter 12 - 图像配准** 图像配准用于将多个图像对齐，常见于医学影像...
数字图像处理知识点总结
最新发布
05-13
- **广义定义**：涵盖了与图像相关的所有处理过程，包括但不限于图像分析、理解及机器视觉等领域。 #### 二、空域增强技术 - **背景**：用于解决图像在成像、复制、扫描、传输以及显示过程中质量下降的问题。 - **...
中科大数字图像分析课程ppt.zip
02-03
《数字图像分析：从基础到深度学习》 在信息技术飞速发展的今天，图像处理与分析已经成为科研和工程领域不可或缺的一部分。中国科学技术大学的这门研究生课程“数字图像分析”深入探讨了这一领域的核心理论和实践...
python机器视觉免费学习资源
12-07
数字图像处理是机器视觉的基础，学习者可以通过这个课件了解图像的获取、存储、显示以及如何对图像进行预处理，以便后续的分析和识别。 "software"：这个目录可能包含了用于机器视觉的软件工具或库，比如OpenCV...
冈萨雷斯数字图像处理MATLAB版(中文版)
08-29
8. **图像分析与理解**：涉及形状描述、特征提取（如角点检测、关键点匹配）、模板匹配等，这些技术常用于机器视觉和计算机视觉领域的应用。 9. **实际应用**：可能还会涵盖一些具体的应用场景，如医学图像处理、...
读取和修改JPEG图片文件的头信息EXIF和JFIF
xywy2008的专栏
07-24 2万+
1. JPEG图片格式的历程和简单介绍可参考下面这篇文章 http://blog.csdn.net/kickxxx/article/details/8173332 
Opencv教程（Python）
HUASHUDEYANJING的博客
11-28 2万+
1、显示图片、视频、电脑摄像头 显示图片 import cv2 #LOAD AN IMAGE USING 'IMREAD' img = cv2.imread("Resources/lena.png") # # DISPLAY cv2.imshow("Lena Soderberg",img) #图像显示时间 cv2.waitKey(0) 显示视频 import cv2 frameWidth = 640 frameHeight = 480 cap = cv2.VideoCapture("Resourc.
三小时学习opencv中，出现的stackImages函数解释
qq_45871272的博客
09-23 2800
由于我用的vscode使用了color command这个插件，因此实际显示会有不同颜色。 具体内容与注释如下 # ~ 本文件是为了把多张照片拼凑到一起 # ^ 设置几张图片拼接 def stackImages(scale,imgArray): rows = len(imgArray) cols = len(imgArray[0]) # & 输出一个 rows * cols 的矩阵（imgArray） print(rows,cols) # & 判
图像处理标准图像——“Lena图”的由来
whik1194的博客
04-04 1万+
据说，做图像处理工作的肯定都见过这个女人！ 七百万册！这是《花花公子》杂志1972年11月刊的销售量，也是历史上最高的销售纪录！这一切都要归功于一个女人——Lena Soderberg（莱娜·瑟德贝里）。（文末有福利！） 1973年的夏天，美国南加州大学信号与图像处理研究所里，年轻的助理教授亚历山大（Alexander Sawchuk）和研究员威廉（William Pratt）正为一篇学术论文忙的焦头烂额，他们想从一堆常用的测试图片中找出一张适合测试图像压缩算法的图片，最好是人脸，表面光滑，内容多层次，不
8位, 16位，24位，32位图片显示原理及对比
热门推荐
csdn66_2016的博客
09-26 6万+
  我们都知道一张图片可以保存为很多种不同的格式，比如bmp/png/jpeg/gif等等。这个是从文件格式的角度看，我们抛开文件格式，看图片本身，我们可以分为8位， 16位， 24位， 32位等。   单击右键，属性-&gt;详细信息即可查看图片位深度： 8位：  2^8 = 2^2(B) 2^3(G) 2^3(R) = 256  (256色)    可以总共显示256种颜色 16位：...
利用Python OpenCV进行圆孔检测、计算半径、圆心到四边距离
风的博客
04-10 1万+
利用Python OpenCV进行圆孔检测
数字图像处理基础：人眼视觉、成像模型与图像工程
"补充图象和视觉基础-数字图像处理课件(冈萨雷斯第三版)"，这是一份关于数字图像处理的课程资料，涵盖了从基础理论到具体操作的多个方面，包括图象和视觉基础、人眼视觉、颜色视觉、光度学、成像模型、图像变换、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值