图像处理
文章平均质量分 60
ZJU_fish1996
这个作者很懒,什么都没留下…
展开
-
ASTC纹理压缩格式(Adaptive Scalable Texture Compression)
ASTC(Adaptive Scalable Texture Compression)介绍Adaptive Scalable Texture Compression(ASTC)是一种世界领先的新型纹理压缩格式。这种压缩格式已经加入Khronos标准,并已在某些硬件平台中提供。本文介绍了它的工作原理、使用方法和如何最大程度地使用它。更深入的信息可以参考编码器提供的规范[Eva]。背景ASTC由ARM Limited针对目前已有的填充率较低的纹理压缩开发的一种灵活解决方案。在过...翻译 2020-12-03 14:35:44 · 14308 阅读 · 0 评论 -
[图像] 金字塔模型
图像金字塔 方法一:将图像分割成不同大小的方格,在每个方格提取视觉单词。 如,第0层为原图像,第1层为2x2等分图像,第2层为4x4等分图像…… 在金字塔的每一层,求得图像X和Y同一个单元格视觉单词直方图,并计算直方图的交,得到了相似度。 (公式中Hl(i)代表第l层第i个直方图,min(Hx,Hy)的意思是对直方原创 2016-01-20 14:55:30 · 3278 阅读 · 0 评论 -
[图像] 二值图像的位置、朝向与投影
二值图像就是由0,1组成的图像。我们可以通过一些简单的计算获取图像的一系列信息。 面积: 所有1的总和 位置: 图像的位置一般由质心来表达,我们可以直接根据质心的定义来计算x轴方向和y轴方向的质心,然后得到中心(xm,ym) 朝向: 《机器视觉》一原创 2016-07-14 14:37:13 · 5198 阅读 · 0 评论 -
[图像] 标注二值图像中的不同物体
我们在计算二值图像的一阶矩、二阶矩性质时,实际上计算的是图像中所有“物体”的平均值,而我们更希望的往往是计算每个物体单独的值。这就需要我们把每个物体先区分开来。 一种类似于找到图中所有联通分支的方法是,找到一个b(i,j) = 1的点(在二值图像中黑色的像素点),先给它一个标记,然后在它的邻域中递归搜索,标记那些同样满足b(i,j) = 1的点,不满足则退出递归。当这个过程结束了原创 2016-07-18 23:17:26 · 1537 阅读 · 0 评论 -
字典编码(C++实现)
#include #include#include#include#include using namespace std;int main(){// freopen("test.txt","r",stdin); const int max=100; string a; string b[max]; cin>>a; int i,count=1; for(i=0;i<a原创 2015-11-12 11:14:44 · 7619 阅读 · 0 评论 -
标准DPCM编码(Matlab实现)
以下代码中,f代表源码,f1代表预测码,e代表预测码与源码差值,en代表变换后的差分值(通过含e的公式计算得到,因为有特定对应值,也可以通过查表实现)。f2是通过变换后的差分值得到的预测码。 最终输出的结果是en,也就是变换后的差分值。function en = my_dpcm(f)[~,n] = size(f);f1 = zeros(1,n);f2 = zeros(1,n原创 2015-11-12 10:40:55 · 6319 阅读 · 5 评论 -
[视觉] 计算机视觉知识点小结
Gestalt Laws(格式塔法则)Law of Proximity(接近原则) 物体越接近,那么它们更容易被感知为同一组的。Law of Similarity(相似原则) 若物体具有相似特征,那么它们更容易被感知为同一组的。Law of Common Fate(共方向原则) 若物体向共同方向运动,那么它们原创 2017-01-07 00:13:33 · 5186 阅读 · 1 评论 -
数字视音频处理知识点小结
视频结构化与非线性编辑部分镜头检测 镜头是视频流数据的最小物理数据单元,所谓镜头检测就是给定有n个镜头的视频V,找到每个镜头的开始和结尾部分。也被称作边界检测(boundary detection)或转换检测(transition detection)。镜头边缘检测算法的实质及核心问题 实质:找到一种或几种原创 2017-01-06 01:29:25 · 5524 阅读 · 2 评论 -
泊松图像编辑(poisson Image Editing)
reference : 《poisson Image Editing》概述 使用基于求解泊松方程的通用插值方法,我们可以引入多种无缝编辑图像区域的新工具。第一套工具可以将透明或者不透明的原图某一区域无缝拼接到目标区域上,第二套工具基于相似的数学原理,它支持用户无缝地修改指定区域内的图像的外观。这些变化可以在一定范围内的影响纹理、光照、特定区域颜色,或者让一个矩翻译 2017-05-26 00:12:23 · 13380 阅读 · 4 评论 -
[图像] 灰度映射
计算得到每一灰度值出现的累计分布次数cdf(v)。 通过以下公式将原灰度映射到新的灰度: MXN为分辨率,L为灰度值个数,cdf min为最小的累计分布次数。原创 2016-01-20 12:44:10 · 1775 阅读 · 0 评论 -
[图像] 上下文形状描述符
使用canny算子提取边界点。 首先用高斯平滑去噪,然后进行边缘检测,这里使用了一阶差分卷积模板: 得到了水平竖直方向两个边缘检测图像,对这两个图像计算梯度即得到最终的结果。 检测最终的结果在横纵向上是否超过一定阈值,如果超过则为边界点,也称极值点。 计算极值点的方向(y/x),并且规整到0,原创 2016-01-19 21:42:15 · 1504 阅读 · 1 评论 -
[图像] 直方图的距离
L1距离:L2距离:直方图的交:Hausdorff距离: 已知两个直方图:(10 20 5) (5 15 15)L1距离:|10 - 5| + |20 - 15| + |5 - 15| = 20L2距离:直方图的交:已知两个直方图:(3 6 7)(10 1 2 5)Hausdorff距离(假设D代表绝对值距离):h(A, B) = m原创 2016-01-18 10:26:46 · 5544 阅读 · 1 评论 -
[图像] 奇异值分解与隐性语义分析
对于一个mxn大小的矩阵,可以分解为以下三个矩阵的乘积。 其中,U和V都是正交矩阵(矩阵与其倒置矩阵的乘积为单位矩阵),是对角矩阵(对角线外的值都是0)。 进行SVD分解的方法: 首先要知道矩阵的秩,也就是最大线性不相关的行(列)向量的个数,比如对于以下两个矩阵 矩阵1 矩阵2 第一个矩阵两行(原创 2016-01-18 12:05:44 · 1447 阅读 · 0 评论 -
[图像] 灰度共生矩阵
灰度共生矩阵表达了在某一条件下,两种灰度值像素同时出现的次数。 如果图像的灰度值有256种,那么灰度共生矩阵的大小为256X256。 这种约束关系可由(d,theta)表示。(1,0)表示灰度值j与灰度值i在右边相邻,(1,1)表示灰度值j在灰度值右上角处,等等。 既然灰度共生矩阵表示的是共同出现的次数,那么它应该满足对称性,也就是i与j共同出现的次数等于j与i共同出原创 2016-01-18 14:35:27 · 3670 阅读 · 1 评论 -
[图像] sift特征
第一步:构造原始图像尺度空间 利用高斯滤波,通过改变方差来得到不同尺度的图像。 ,一般取模板中心坐标为(0,0)构造滤波矩阵。方差越大越模糊,一般来说距离为的权重为0。 第二步:构造高斯差图像 将相邻尺度的图像相减,构造高斯差图像。得到的结果提取出了边界信息。 这里构建的应该是高斯-差分金字塔模型,也就是不断隔行隔列下采样,先构造出金字塔模型,再进行原创 2016-01-18 16:53:18 · 888 阅读 · 0 评论 -
[Matlab]简单的人脸祛痘
function f = my_clean( g,n )% n 为操作次数,默认为1,g为原图g2 = g;if( nargin == 1 ) n = 1;end%得到原图像的大小[ M,N,~ ] = size( g );while( n ~=0 ) n = n - 1; %进行交互选择处理区域 mask = roipoly( g2 );原创 2016-01-11 16:04:04 · 7227 阅读 · 10 评论 -
[图像] K-means聚类(视觉单词)
输入图像的n个sift特征点,聚合得到k个集合,每个集合的聚类质心就是视觉单词。 前面已经提到每个sift特征点是一个128维的向量,最终得到的每个视觉单词也是一个128维的向量。 第一步:任意选择k个sift特征点作为初始聚类质心。 第二步:对于每个sift特征点,计算它们与k个聚类质心的欧式距离,找到最小的那个聚类质心,将该特征点放入此聚类质心集合中。原创 2016-01-18 17:16:02 · 2903 阅读 · 0 评论 -
[图像] Tamura纹理
粗糙度: 对每个像素点计算不同大小窗口的平均强度值,并求不重叠窗口的平均强度差,对每个像素点在若干个窗口中选择一个最优窗口(差值最大)的值作为S best值,求所有S best的平均值。1)计算不同2^k X 2^K窗口的平均强度值(k=0,1,…,5)(这个公式k=0应该就是自身,带进去有问题,网上的代码都忽略了0这个取值)2)计算能量变化 取能使E达原创 2016-01-18 19:34:59 · 3669 阅读 · 0 评论 -
[图像] PCA主成份分析
一种将具有相关性的数据投影到另一空间,且投影得到的特征向量互不相干的方法叫做主成份分析。PCA最大程度保留了原始高维的总体方差,也就是把数据向方差最大的方向投影,所以它的重建误差也是最小的。 协方差:(x代表一个样本数据,它是一个d-维向量,xi与xj代表不同的样本数据) 协方差矩阵: 推导过程: 假设原样本数据x投原创 2016-01-19 10:41:05 · 963 阅读 · 0 评论