复习一下。

名词解释

数字图像：数字图像是通过数字技术捕获存储和处理的图像。它由一个矩阵或二维数组的像素组成，每个像素包含图像在该位置上的颜色或亮度信息。

像素：像素是构成数字图像的最小单位。每个像素代表图像中某个位置的颜色或亮度值。

分辨率：分辨率指的是图像中像素的密度，通常以每英寸的像素数(PPI)或图像的总像素数（如1920*1080）表示

二值化：二值化是将灰度图像转化为只有黑白两色的图像的过程。常见的方法是阈值处理。

卷积：卷积是通过滑动滤波器(核)对图像进行处理的操作，用于提取图像特征，如边缘检测，模糊等。

Hough变换：Hough变换是一种用于检测图像中噪声的技术，通过对像素进行平权或加权平均来实现。

霍夫变换是一种流行的检测形状的技术，如果你可以用数学形式表示形状的话。它可以检测形状，即使它是破碎或扭曲了一点

锐化：锐化是增强图像边缘的技术，使图像细节更加清晰。常见的方法包括拉普拉斯算子和非锐化遮蔽。

图像锐化的目的是加强图像中景物的细节边缘和轮廓。锐化的作用是使灰度反差增强。

监督学习：监督学习是一种机器学习方法，模型在已知输入输出对的数据集上进行训练，从而预测未知数据的输出。

非监督学习：非监督学习是一种机器学习方法，模型在没有标签数据的情况下进行训练，发现数据的模式或结构。

池化：池化是一种下采样技术，用于减少卷积神经网络中特征图的尺寸，常见的方法有最大池化和平均池化。

直方图：直方图是图像中像素值分布的图表，用于显示亮度或颜色值的频率。

直方图是什么？可以将直方图视为图形或绘图，可以全面了解图像的强度分布。它是在X轴上具有像素值（范围从0到255，并非总是）的图和在Y轴上的图像中的对应像素数。

RGB颜色系统模型：RGB颜色系统模型使用红绿蓝三种基本颜色系统模型通过加法混合生成各种颜色，是数字图像处理中常用的颜色系统模型。

YUV颜色系统模型：将颜色分为亮度（Y）和色度（U和V）广泛用于视频压缩和传输。

问答题：给出一个9*9的数字图像（也可能是二值图像）计算直方图，平滑，锐化，形态学等操作

1. 计算直方图
直方图显示了图像中每个灰度级别的频率分布。对于一个9x9的图像，可以通过以下步骤计算直方图：

步骤：

1. 初始化数组： 创建一个长度为256的数组（对于灰度图像，每个值的范围是0-255）来存储每个灰度级别的频率。
2. 遍历图像： 遍历图像中的每一个像素，获取其灰度值并增加相应灰度级别的计数。
3. 输出直方图：最终数组中的每个元素即为对应灰度级别在图像中出现的次数。

import numpy as np

def calculate_histogram(image):
    histogram = np.zeros(256, dtype=int)
    for pixel in image.flatten():
        histogram[pixel] += 1
    return histogram



image = np.array([[12, 56, 34, 123, 67, 89, 123, 56, 12],
                  [56, 34, 123, 67, 89, 123, 56, 12, 56],
                  [34, 123, 67, 89, 123, 56, 12, 56, 34],
                  [123, 67, 89, 123, 56, 12, 56, 34, 123],
                  [67, 89, 123, 56, 12, 56, 34, 123, 67],
                  [89, 123, 56, 12, 56, 34, 123, 67, 89],
                  [123, 56, 12, 56, 34, 123, 67, 89, 123],
                  [56, 12, 56, 34, 123, 67, 89, 123, 56],
                  [12, 56, 34, 123, 67, 89, 123, 56, 12]])
histogram = calculate_histogram(image)
print(histogram)

2.平滑

 平滑是通过减少图像中的噪声来使图像更平滑。常用的方法有均值滤波和高斯滤波。

均值滤波示例代码（Python，使用OpenCV）：
```python
import cv2

smoothed_image = cv2.blur(image, (3, 3))  # 3x3 均值滤波
print(smoothed_image)




高斯滤波示例代码（Python，使用OpenCV）：
```python
smoothed_image = cv2.GaussianBlur(image, (3, 3), 0)  # 3x3 高斯滤波
print(smoothed_image)

3锐化

锐化是通过增强图像中的边缘细节来使图像更加清晰。常用的方法有拉普拉斯算子和非锐化掩蔽。
 

拉普拉斯锐化示例代码（Python，使用OpenCV）：
```python
laplacian = cv2.Laplacian(image, cv2.CV_64F)
sharpened_image = cv2.convertScaleAbs(image - laplacian)
print(sharpened_image)

4.形态学操作

 形态学操作是基于图像形状进行处理的技术，包括膨胀、腐蚀、开运算和闭运算。

知识

腐蚀操作示例代码（Python，使用OpenCV）：
```python
kernel = np.ones((3, 3), np.uint8)
eroded_image = cv2.erode(image, kernel, iterations=1)
print(eroded_image)

膨胀操作示例代码（Python，使用OpenCV）：
```python
dilated_image = cv2.dilate(image, kernel, iterations=1)
print(dilated_image)

开运算和闭运算示例代码（Python，使用OpenCV）：
```python
# 开运算
opened_image = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
print(opened_image)

闭运算
closed_image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)
print(closed_image)

总结：

 1. 计算直方图： 通过遍历图像像素计算每个灰度级别的频率。
2. 平滑： 使用均值滤波或高斯滤波减少图像噪声。
3. 锐化： 使用拉普拉斯算子增强图像边缘细节。
4. 形态学操作：进行腐蚀、膨胀、开运算和闭运算来处理图像形状。

程序题：

瑕疵检测
瑕疵检测通常通过比较图像的纹理、颜色或形状特征来识别图像中的异常部分。常用的方法有图像差分、阈值分割和边缘检测等。

伪代码示例
```python
def detect_flaws(image):
    gray_image = convert_to_grayscale(image)
    

    blurred_image = gaussian_blur(gray_image, kernel_size=5)
    
    edges = canny_edge_detection(blurred_image, low_threshold=50, high_threshold=150)
    
    contours = find_contours(edges)
    
    flaws = []
    for contour in contours:
        if is_flaw(contour):
            flaws.append(contour)
    
    return flaws

def is_flaw(contour):
    # Define criteria to determine if a contour represents a flaw
    # For example, based on contour area, shape, etc.
    area = calculate_area(contour)
    if area < MIN_AREA or area > MAX_AREA:
        return True
    return False

C语言示例代码
```c
#include <opencv2/opencv.hpp>
#include <vector>

using namespace cv;
using namespace std;

void detect_flaws(Mat image) {
    Mat gray_image;
    cvtColor(image, gray_image, COLOR_BGR2GRAY);
    
    Mat blurred_image;
    GaussianBlur(gray_image, blurred_image, Size(5, 5), 0);
    
    Mat edges;
    Canny(blurred_image, edges, 50, 150);
    
    vector<vector<Point>> contours;
    findContours(edges, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
    
    for (size_t i = 0; i < contours.size(); i++) {
        if (is_flaw(contours[i])) {
            drawContours(image, contours, (int)i, Scalar(0, 0, 255), 2);  // Mark the flaw in red
        }
    }
    
    imshow("Flaws Detected", image);
    waitKey(0);
}

bool is_flaw(vector<Point> contour) {
    // Define criteria to determine if a contour represents a flaw
    // For example, based on contour area, shape, etc.
    double area = contourArea(contour);
    if (area < MIN_AREA || area > MAX_AREA) {
        return true;
    }
    return false;
}

int main() {
    Mat image = imread("image.jpg");
    detect_flaws(image);
    return 0;
}

药品数量计算

药品数量计算通常通过图像分割和轮廓检测来计数药品颗粒。可以使用颜色阈值分割或其他分割方法，然后通过检测图像中的轮廓来计数。
 

伪代码示例
```python
def count_pills(image):
    gray_image = convert_to_grayscale(image)
    
    binary_image = apply_threshold(gray_image, threshold_value=128)
    
    contours = find_contours(binary_image)
    
    pill_count = len(contours)
    
    return pill_count

谢谢观看，有错请指出🤓，来自AI整理👈