数字图像处理-图像增强

最新推荐文章于 2024-04-19 22:35:46 发布
最新推荐文章于 2024-04-19 22:35:46 发布
阅读量918 收藏 12
点赞数 4
分类专栏： 数字图像处理技术 文章标签： matlab 机器学习 图像处理
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_50722482/article/details/131246903
版权

数字图像处理-图像增强

文章目录

1.灰度映射函数

​ 考虑使用下图所示的门形灰度映射函数，其作用是将某个灰度值范围（这里为s1到s2间）变得比较突出（较高的灰度值t2）,而将其余灰度值变为某个低灰度值（t1）

在这里插入图片描述

其实这就和神经网络中的激活函数类似，下图是sigmoid激活函数：

img

clc;
clear;
%读取图片
f = imread("lenna_RGB.tif");

%将图片转为灰度图像
f = rgb2gray(f);
[M,N] = size(f); %获取f的大小

%设定参数
t1 = 30;
t2 = 200;

%设定阈值
s1 = 50;
s2 = 120;

%将图像的灰度值映射到t1,t2
g = uint8(zeros(M,N));
for i=1:M
    for j=1:N
        if(f(i,j)<s1 || f(i,j) > s2)
            g(i,j) = t1;
        else
            g(i,j) = t2;
        end
    end
end

%同时增大s1,S2
s1 = 70;
s2 = 140;
%将图像的灰度值映射到t1,t2
g1 = uint8(zeros(M,N));
for i=1:M
    for j=1:N
        if(f(i,j)<s1 || f(i,j) > s2)
            g1(i,j) = t1;
        else
            g1(i,j) = t2;
        end
    end
end

%同时减小s1,S2
s1 = 30;
s2 = 100;
%将图像的灰度值映射到t1,t2
g2 = uint8(zeros(M,N));
for i=1:M
    for j=1:N
        if(f(i,j)<s1 || f(i,j) > s2)
            g2(i,j) = t1;
        else
            g2(i,j) = t2;
        end
    end
end

%减小s1,增大S2
s1 = 30;
s2 = 140;
%将图像的灰度值映射到t1,t2
g3 = uint8(zeros(M,N));
for i=1:M
    for j=1:N
        if(f(i,j)<s1 || f(i,j) > s2)
            g3(i,j) = t1;
        else
            g3(i,j) = t2;
        end
    end
end

%增大s1,减小S2
S1 = 70;
S2 = 100;
%将图像的灰度值映射到t1,t2
g4 = uint8(zeros(M,N));
for i=1:M
    for j=1:N
        if(f(i,j)<s1 || f(i,j) > s2)
            g4(i,j) = t1;
        else
            g4(i,j) = t2;
        end
    end
end
figure();
subplot(3,2,1);imshow(f);title("原图");
subplot(3,2,2);imshow(g);title("门型映射");
subplot(3,2,3);imshow(g1);title("同时增大s1,s2");
subplot(3,2,4);imshow(g2);title("同时减小s1,s2");
subplot(3,2,5);imshow(g3);title("减小s1,增大s2");
subplot(3,2,6);imshow(g4);title("增大s1,减小s2");

效果图：
在这里插入图片描述

2设有一幅图像有如图所示直方图，请用手工方法列表计算该直方图的均衡化直方图。

​ 根据灰度级确定灰度直方图，然后通过灰度直方图计算tk,然后取整扩展，之后确定映射关系，最后根据映射关系计算均衡直方图。

在这里插入图片描述

表1：直方图均衡化计算列表

序号运算步骤和结果
1原始图像和灰度级k01234567
2原始直方图Sk0.1740.0880.0860.080.0680.0580.0620.384
3计算tk0.1740.2620.3480.4280.4960.5540.6161
4取整扩展12233447
5确定映射关系0->11,2->23,4->35,6>47>7
6计算均衡化直方图0.1740.1740.1480.120.384

3.直方图均衡化

​ 收集10幅灰度图像，包括过亮、过暗、对比度暗淡等图像，使用MATLAB的直方图均衡方法对其进行直方图均衡。依次显示原图、原图直方图、均衡后的图像及其直方图，尝试总结一下直方图均衡方法对什么样的图像改善效果较好。这里需要新建一个灰度图像的文件夹，并把灰度图像放置在里面命名为1-10.jpg

clear;
clc;
for i=1:10
    s = "灰度图像\"+i+".jpg";
    figure;
    f = imread(s);
    subplot(2,2,1);imshow(f);title('原图');
    subplot(2,2,2);imhist(f);title('原图直方图');
    f1 = histeq(f,256);
    subplot(2,2,3);imshow(f1);title('均衡图');
    subplot(2,2,4);imhist(f1);title('均衡直方图');
end

效果图（仅展示了三张）：

4.直接均衡化 和 rgb均衡化

分别用以下两种直方图均衡方法处理画面偏红的lenna模特图像，比较一下那种方法更能改善颜色质量。

（1）直接用直方图均衡方法处理lenna彩色图像。

（2）将lenna彩色图像先分离出R、G、B三个分量，然后用直方图均衡方法分别对其进行处理，最后将处理后的三个分量合成lenna彩色图像。

clear;
clc;
figure();
f = imread("lenna_RGB.tif");
subplot(3,2,1);imshow(f);title("原图");
subplot(3,2,2);imhist(f,256);title("原图直方图");
f1 = histeq(f);
subplot(3,2,3);imshow(f1);title("直接均衡图");
subplot(3,2,4);imhist(f1,256);title("直接均衡直方图");
r =  f(:,:,1);
g =  f(:,:,2);
b =  f(:,:,3);
r1 = histeq(r);
g1 = histeq(g);
b1 = histeq(b);
f2 = cat(3,r1,g1,b1);
subplot(3,2,5);imshow(f2);title("分开均衡图");
subplot(3,2,6);imhist(f2,256);title("分开均衡直方图");

原图和效果图：

在这里插入图片描述

5 平滑 & 阈值

编程先将一幅灰度图像用3×3平均滤波器平滑一次，再进行如下增强

在这里插入图片描述

其中，G[f(x, y)]是f(x,y)在(x, y)**处的梯度；T是非负阈值。

(1)比较原始图像和增强图像，看哪些地方得到了增强；

(2)改变阈值T的数值，看对增强效果有哪些影响。

在这里插入图片描述

dx(i, j)可用sobel垂直梯度模板，dy(i, j)可用sobel水平梯度模板(见冈萨雷斯教材表2.5)，需先将*f(x,y)灰度转换为[0,1]*间的浮点数。

对图像计算出所有点处的dx和dy，然后再通过求两幅滤波后图像的绝对值的和，可得相应G[f(x,y)]。

clear;
clc;
f = imread("lenna_RGB.tif");
%转灰度图像
f = rgb2gray(f);
subplot(221); imshow(f);title("原图");
%转double
f = im2double(f);

%使用3*3的高斯平均进行平滑，对边缘进行忽略即从2开始
a = [1 2 1;2 4 2;1 2 1]; %高斯平均
[M,N] = size(f);
for i=2:M-1
    for j = 2:N-1
        f(i,j) = sum(sum(f(i-1:i+1,j-1:j+1).*a))/18;
    end
end
subplot(222);imshow(f);title("平滑后图像")

%sobel垂直梯度模板
Gx = fspecial("sobel");
Gy = Gx';
%求梯度并进行梯度增强
t = 0.1 ;%阈值
f1 = f(:,:);
for i=2:M-1
    for j=2:N-1
        dx =  sum(sum(f(i-1:i+1,j-1:j+1).*Gx));
        dy =  sum(sum(f(i-1:i+1,j-1:j+1).*Gy));
        G = abs(dx)+abs(dy);
        if(G >= t)
            f1(i,j) = G;
        end
    end
end
subplot(223);imshow(f1);title("t = 0.1 图像增强后图像");

%求梯度并进行梯度增强
t = 2.8; %阈值
f2 = f(:,:);
for i=2:M-1
    for j=2:N-1
        dx =  sum(sum(f(i-1:i+1,j-1:j+1).*Gx));
        dy =  sum(sum(f(i-1:i+1,j-1:j+1).*Gy));
        G = abs(dx)+abs(dy);
        if(G >= t)
            f2(i,j) = G;
        end
    end
end
subplot(224);imshow(f2);title("t = 2.8 图像增强后图像");

效果图,可以看到t=2.8时,效果较好

在这里插入图片描述

6 滤波（锐化&高频）

​ 分别使用锐化滤波和高频提升滤波对一幅图像（自备）进行锐化。分别显示原图像、平滑后的图像、锐化滤波图像、高频提升滤波图像，以及最后锐化后的增强图像。

  • 高斯平滑滤波
  • 拉普拉斯锐化滤波
  • 高频提升滤波
  • 锐化增强
clear;
clc;
%自备照片 锐化滤波 高频提升滤波
f = imread("月球.jpg");

%转为灰度图像并转为double数据类型
f = tofloat(rgb2gray(f));
%由于要直到平滑和锐化后的效果所以可以增加一些噪声来查看结果
fnoisy = imnoise(f,"salt & pepper",0.0002);
%使用高斯平滑滤波
gaussian = fspecial("gaussian");
fg = imfilter(fnoisy,gaussian,"replicate");
%使用拉普拉斯锐化滤波图像
la = fspecial("laplacian",0);
fla =imfilter(fnoisy,la);
%高频提升滤波
A = 3;
fh = (A-1)*fnoisy-fg;
%锐化后的增强图像
frla = fnoisy  - fla;


subplot(2,3,1);imshow(f);title("原图");
subplot(2,3,2);imshow(fnoisy);title("高斯加噪图");
subplot(2,3,3);imshow(fg);title("高斯平滑图");
subplot(2,3,4);imshow(fla);title("拉普拉斯锐化滤波图像");
subplot(2,3,5);imshow(fh);title("高频提升滤波图");
subplot(2,3,6);imshow(frla);title("锐化后的增强图像");

效果图：
在这里插入图片描述

7. 非线性滤波

右图是一幅受到噪声污染的图像（原始图像见本实验素材），请使用非线性滤波改善其视觉效果。

  • 几何平均
  • 中值滤波
  • 最大最小锐化变换
clear;
clc;
%获取噪声图片
f = imread("characters_noise.tif");
f = rgb2gray(f);
%使用非线性滤波改善其视觉效果
%1.平滑滤波
%几何平均
m=3;n=3;
gmean = @(A) prod(A,1).^(1/size(A,1));
g = padarray(f,[m n],'replicate','post');
f1 = colfilt(g,[m n],'sliding',gmean);
[M N] = size(g);
f1 = f1((1:M-m),(1:N-n));
%中值滤波
f2 = medfilt2(f,[m n],'symmetric');
%2锐化滤波
%最大最小锐化变换
f3 = f;
[M N] = size(f3);
for i=1:M-m+1
    for j=1:N-n+1
        temp = f3(i:i+m-1,j:j+n-1);
        temp = temp(:);
        Max = max(temp);
        Min = min(temp);
        if(Max -f3(i+(m-1)/2,j+(n-1)/2)<=f3(i+(m-1)/2,j+(n-1)/2)-Min)
            f3(i+(m-1)/2,j+(n-1)/2) = Max;
        else
            f3(i+(m-1)/2,j+(n-1)/2) = Min;
        end
    end
end
f4 = f;
for i=1:M-m+1
    for j=1:N-n+1
        temp = f4(i:i+m-1,j:j+n-1);
        temp = temp(:);
        med = median(temp);
        f4(i+(m-1)/2,j+(n-1)/2) = med;
    end
end
subplot(221);imshow(f);title("原图");
subplot(222);imshow(f1);title("几何平均");
subplot(223);imshow(f4);title("中值滤波");
subplot(224);imshow(f3);title("最大最小锐化变换");

效果图：
在这里插入图片描述

8 傅里叶频谱

​ 编程实现计算一幅图像包含指定能量(功率谱)百分比的圆周半径，函数定义如下，其中r为功率半径，f为输入的图像矩阵，b为图像能量百分比：

r = p o w e r R a d i u s ( f , b ) r = powerRadius(f, b) r=powerRadius(f,b)
提示：

  1. 能量百分比计算如下，其中P(u,v)为功率谱：

​ 在这里插入图片描述
在这里插入图片描述

  1. 傅里叶频谱，即我们经常看到的频谱图像可以使用函数abs得到，功率谱为频谱的平方，则：P(u,v)=abs(F)^2

    3.F为图像f经paddedisze函数填充后的居中的傅里叶变换，即：

P Q = p a d d e d s i z e ( s i z e ( f ) ) F = s h i f t ( f f t 2 ( f , P Q ( 1 ) , P Q ( 2 ) ) ) PQ = paddedsize(size(f)) F = shift(fft2(f, PQ(1), PQ(2))) PQ=paddedsize(size(f))F=shift(fft2(f,PQ(1),PQ(2)))

clear;
clc;
f = imread("Lena_Soderberg.jpg");
f = tofloat(f);
%调用powerRadius获得B图像能量的半径
r1 = powerRadius(f,90);
r2 = powerRadius(f,95);
r3 = powerRadius(f,99);

powerRadius.m

function r = powerRadius(f,b)
r =-1;
f = tofloat(f);
%使用paddedisze函数填充PQ
PQ = paddedsize(size(f));
%F为图像f经paddedisze函数填充后的居中的傅里叶变换
F = fftshift(fft2(f, PQ(1), PQ(2)));
%得到功率谱
P = abs(F).^2;
%从功率谱中找到匹配的半径
s = sum(sum(P(1:PQ(1),1:PQ(2))));
[mid] = floor((size(P)+1)/2);
for i = 1:min([PQ(1)-mid(1),PQ(2)-mid(2),mid(1)-1,mid(2)-1])
    if((sum(sum(P(mid(1)-i:mid(1)+i,mid(2)-i:mid(2)+i)))/s*100 >=b))
        r = i;
        break;
    end
end

效果图：

在这里插入图片描述

​ 结果是得到了90%,95%,99%的能量谱的半径，发现90%的能量仅需要半径为12就可以，而仅增加9%的能量，半径去变成了120，可以得到的是越靠近中心得点得能量越高。

9 低通过滤器

​ 依次使用包含了原始图像中90%、95%、99%的能量的圆周r作为截断频率D0，使用理想低通过滤器和巴特沃斯低通过滤器(n=1)对图像进行过滤，显示原图及用不同截断频率的各过滤器过滤后的图像。

  • 理想低通D90
  • 1阶巴特沃斯低通D90
  • 理想低通D95
  • 1阶巴特沃斯低通D95
  • 理想低通D99
  • 1阶巴特沃斯低通D99
clear;
clc;
f=imread('lenna_RGB.tif');
f = rgb2gray(f);
[f, revertclass] = tofloat(f);
PQ = paddedsize(size(f));


%这里添加各个阻断频率
D_90 = powerRadius(f,90);
D_95 = powerRadius(f,95);
D_99 = powerRadius(f,99);

%得到过滤器
H_real_90 = lpfilter('ideal',PQ(1),PQ(2),D_90);
H_btw_90 = lpfilter('btw', PQ(1), PQ(2),D_90,1);
H_real_95 = lpfilter('ideal',PQ(1),PQ(2),D_95);
H_btw_95 = lpfilter('btw', PQ(1), PQ(2),D_95,1);
H_real_99 = lpfilter('ideal',PQ(1),PQ(2),D_99);
H_btw_99 = lpfilter('btw', PQ(1), PQ(2),D_99,1);

%使用傅里叶变换*过滤器并反变换后回到tofloat之前
g_real_90 = revertclass(dftfilt(f, H_real_90));
g_btw_90 = revertclass(dftfilt(f, H_btw_90));
g_real_95 = revertclass(dftfilt(f, H_real_95));
g_btw_95 = revertclass(dftfilt(f, H_btw_95));
g_real_99 = revertclass(dftfilt(f, H_real_99));
g_btw_99 = revertclass(dftfilt(f, H_btw_99));

%显示结果
figure;
subplot(3,3,1); imshow(f); title('原始图像');
subplot(3,3,2); imshow(g_real_90); title('理想低通D90')
subplot(3,3,3); imshow(g_btw_90); title('1阶巴特沃斯低通D90');
subplot(3,3,4); imshow(f); title('原始图像');
subplot(3,3,5); imshow(g_real_95); title('理想低通D95')
subplot(3,3,6); imshow(g_btw_95); title('1阶巴特沃斯低通D95');
subplot(3,3,7); imshow(f); title('原始图像');
subplot(3,3,8); imshow(g_real_99); title('理想低通D99')
subplot(3,3,9); imshow(g_btw_99); title('1阶巴特沃斯低通D99');

paddedsize.m

function  PQ = paddedsize(AB, CD, PARAM)
%PADDEDSIZE Computes padded sizes useful for FFT-based filtering
% PQ = PADDEDSIZE(AB), where AB is a two-element size vector,
% computes the two-element size vector PQ = 2*AB.
%
% PQ = PADDEDSIZE(AB, 'PWR2') computes the vector PQ such that
% PQ(1)=PQ(2)=2^nextpow2(2*m), where m is MAX(AB).
%
% PQ = PADDEDSIZE(AB, CD), where AB and CD are two-element size vectors,
% computes the two-element size vector PQ. The elements of PQ are the 
% smallest even integers greater than or equal to AB+CD-1.
% PQ = PADDEDSIZE(AB, CD, 'PWR2') computes the vector PQ such that
% PQ(1)=PQ(2)=2^nextpow2(2*m), where m is MAX([AB CD]).

if nargin == 1
    PQ = 2*AB;
elseif nargin == 2 & ~ischar(CD)
    PQ = AB + CD -1;
    PQ = 2 * ceil(PQ/2); %ceil(x)：返回不小于x的最小整数
elseif nargin == 2
    m = max(AB); % Maximum dimension.
    % Find power-of-2 at least twice m
    P = 2^nextpow2(2*m);
    PQ = [P, P];
elseif (nargin == 3) && strcmpi(PARAM, 'pwr2')
    m = max([AB CD]); % Maximum dimension.
    P = 2^nextpow2(2*m);
    PQ = [P, P];
else
    error('Wrong number of inputs');
end

powerRadius.m

function r = powerRadius(f,b)
r =-1;
f = tofloat(f);
%使用paddedisze函数填充PQ
PQ = paddedsize(size(f));
%F为图像f经paddedisze函数填充后的居中的傅里叶变换
F = fftshift(fft2(f, PQ(1), PQ(2)));
%得到功率谱
P = abs(F).^2;
%从功率谱中找到匹配的半径
s = sum(sum(P(1:PQ(1),1:PQ(2))));
[mid] = floor((size(P)+1)/2);
for i = 1:min([PQ(1)-mid(1),PQ(2)-mid(2),mid(1)-1,mid(2)-1])
    if((sum(sum(P(mid(1)-i:mid(1)+i,mid(2)-i:mid(2)+i)))/s*100 >=b))
        r = i;
        break;
    end
end

效果图：
在这里插入图片描述

​ 结果是得到了以90%,95%,99%的能量谱的半径作为阶段频率得理想低通过滤和巴特沃斯过滤得到得图像，发现仅90%的能量半径得图像非常模糊，而仅增加9%的能量，半径去变成了120，可以得到的是效果更加得清晰自然。而巴特沃斯过滤得到得图像更加得清晰自然相较于理想低通过滤。

10高通滤波

​ 依次使用包含了原始图像中90%、95%、99%的能量的圆周r作为截断频率D0，使用理想高通过滤器和巴特沃斯高通过滤器(n=1)对图像进行过滤，显示原图及用不同截断频率的各过滤器过滤后的图像。

clear;
clc;
f=imread('lenna_RGB.tif');
f = rgb2gray(f);
[f, revertclass] = tofloat(f);
PQ = paddedsize(size(f));


%这里添加各个阻断频率
D_90 = powerRadius(f,90);
D_95 = powerRadius(f,95);
D_99 = powerRadius(f,99);

%得到过滤器
H_real_90 = hpfilter('ideal',PQ(1),PQ(2),D_90);
H_btw_90 = hpfilter('btw', PQ(1), PQ(2),D_90,1);
H_real_95 = hpfilter('ideal',PQ(1),PQ(2),D_95);
H_btw_95 = hpfilter('btw', PQ(1), PQ(2),D_95,1);
H_real_99 = hpfilter('ideal',PQ(1),PQ(2),D_99);
H_btw_99 = hpfilter('btw', PQ(1), PQ(2),D_99,1);

%使用傅里叶变换*过滤器并反变换后回到tofloat之前
g_real_90 = revertclass(dftfilt(f, H_real_90));
g_btw_90 = revertclass(dftfilt(f, H_btw_90));
g_real_95 = revertclass(dftfilt(f, H_real_95));
g_btw_95 = revertclass(dftfilt(f, H_btw_95));
g_real_99 = revertclass(dftfilt(f, H_real_99));
g_btw_99 = revertclass(dftfilt(f, H_btw_99));

%显示结果
figure;
subplot(3,3,1); imshow(f); title('原始图像');
subplot(3,3,2); imshow(g_real_90); title('理想高通D90')
subplot(3,3,3); imshow(g_btw_90); title('1阶巴特沃斯高通D90');
subplot(3,3,4); imshow(f); title('原始图像');
subplot(3,3,5); imshow(g_real_95); title('理想高通D95')
subplot(3,3,6); imshow(g_btw_95); title('1阶巴特沃斯高通D95');
subplot(3,3,7); imshow(f); title('原始图像');
subplot(3,3,8); imshow(g_real_99); title('理想高通D99')
subplot(3,3,9); imshow(g_btw_99); title('1阶巴特沃斯高通D99');

效果图：
在这里插入图片描述

​ 结果是得到了以90%,95%,99%的能量谱的半径作为阶段频率得理想高通过滤和巴特沃斯过滤得到得图像，发现90%的能量半径得图像中仅显示了高频像素使得高频特征更加得明显，再99%得半径下基本上已经将所有得频率都给阶段掉了。

Afraidlight
关注
  • 4
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
图像增强技术总结
极客园地
03-04 332
最近科研需要改进算法，需要先对图像进行增强后处理，所以对图像增强技术做一个总结。图像增强的目的就是要提高图像的质量，在图像处理中，有两种提高图像质量的方法：一是图像在采集的过程中，知道图像质量降低的原因，根据原因进行图像恢复，图像复原等处理，二是不管图像质量降低的过程，针对图像本身增强，后者就是本文讨论的内容。图像增强处理技术基本上可以分成两大类，一类是空域处理方法,一类是频域处理方法。
2024年图像数据增强算法汇总(Python)_图像融合数据增强(1)
2301_82242426的博客
05-01 498
真实场景中我们不可能仅从一个角度拍摄目标，这样收集到的数据集会造成目标识别模型过拟合，也就是只能从拍摄的角度去识别该物体，目标换个形态或者是拍摄角度更换，模型就识别不出来了。
深入探究图像增强（C语言实现）
Ochazuke的博客
04-19 1033
数字图像处理基础，图像的增强与图像平滑，文章讲解的实现方法在文末均附源码
数字图像处理，经典对比度增强算法
热门推荐
EbowTang的练习场
07-28 5万+
直方图均衡化的英文名称是Histogram Equalization.  　　图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数
图片数据的基本预处理与数据增强
qq_44289607的博客
02-14 1万+
小数据集算力够，倾向于使用数据增强，帮助小数据集防止过拟合。如果数据集本身就是一些比较大的图片，复杂度比较高，反而不会去使用数据增强了。
图像增强主要有哪些方法
qq_34244712的博客
05-19 1万+
图像增强是按照特定的需要去除或者突出图像中的某些信息，改善图像的视觉效果，使图像更适合分析。 一般主要分为两种方法，空间域和频率域。空间域直接在图像像素上操作，频率域，其操作是在图像的傅里叶变换上操作。 线性变换------可以应用在由于照明不足，图像对比度比较低的情况中，通过分段的线性变换函数，来对图像对比度进行拉伸。 非线性变换------对数变换完成图像灰度级的扩展或者压缩。伽马变换可以用在电脑的显示器或者网站中图像的伽马校正，也可以用在图像的对比度增强中。 加法运算------对于有
数字图像处理-图像增强-目标检测
11-29
实现了低对比度图像的直方图均衡化处理，提高了图像的对比度和显示效果。适合数字图像处理领域。
贾永红-数字图像处理--chap3.ppt
09-07
图像变换是数字图像处理中的一个重要概念，它的目的是使图像处理问题简化、有利于图像特征提取和增强对图像信息的理解。图像变换是一种二维正交变换，它具有可逆性、算法简单、能量集中在低频率成分上等特点。 1. ...
数字图像处理-复习整理.docx
06-25
数字图像处理技术是指对数字图像进行处理、分析和识别的技术，包括图像变换、图像增强、图像恢复、图像压缩编码、图像分割、图像特征提取、彩色图像处理和多光谱及高光谱图像处理等方面。数字图像处理技术广泛应用于...
数字图像处理-平滑滤波处理
07-13
数字图像处理——平滑滤波处理 数字图像处理中的平滑滤波是一种常用的图像处理技术，用于去除图像中的噪声和细节，使图像变得更加平滑。平滑滤波可以通过在图像上应用不同的滤波算子来实现。 最常用的平滑滤波器...
数字图像处理-图像增强技术(MATLAB)设计实现-毕设资料内附源代码.doc
05-29
数字图像处理-图像增强技术(MATLAB)设计实现-毕设资料内附源代码： 内容摘要 数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。图像增强是数字图像处理的过程中经常采用的一种方法，它对...
图像数据增强
07-17
图像数据增强，包括旋转，颜色变暗，变量，镜像等等，基于python，可进行批量图像处理。保证可用，好用。对于做深度学习特别好用。
数字图像处理图像增强MATLAB程序及仿真
04-01
数字图像处理图像增强MATLAB程序及仿真，带有源代码，数字图像处理必备。
图像能量代码用于图像处理中 matlab编写
06-04
计算图像能量的子函数 function outval = energygray1(I) %clc; %clear all; %I=imread('1.bmp'); L=256; %灰度级 %Ps=zeros(L,1); %统计直方图结果数据 Hist=zeros(L,1); [row,col]=size(I);
数字图像处理之图像增强
04-07
Matlab编写的关于数字图像处理中图像增强的代码，包含线性灰度变换和中值滤波等。
数字图像处理图像增强
10-24
数字图像处理中线性变换，直方图及直方图均衡化处理，非线性变换，图像平滑，图像锐化等课件资源
图像特征提取（纹理特征）
weixin_42805841的博客
07-26 2万+
图像纹理特征总体简述 纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性 纹理具有三大标志： 某种局部序列性不断重复 非随机排列 纹理区域内大致为均匀的统一体 不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。 纹理特征体现全局特征的...
计算机图像处理之灰度映射增强
kongla
09-14 2002
图像增强图象增强的含义和目的灰度变换直方图修正图像平滑图像锐化伪彩色处理图像增强实例——同态滤波 学习目标 掌握灰度变换、直方图修正技术 掌握空域滤波增强方法 -图像平滑、图像锐化 了解彩色增强 图象增强的含义和目的 灰度变换 直方图修正 图像平滑 图像锐化 伪彩色处理 图像增强实例——同态滤波 ...
数字图像处理-图像增强 Python
最新发布
05-31
图像增强是数字图像处理的重要应用之一，它是指对原始图像进行某些变换，使图像更加清晰、易于观察和分析。Python是一种流行的编程语言，具有丰富的图像处理库和工具，因此在Python中进行图像增强非常方便。 在...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

Afraidlight

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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