图像_图像合成 - CSDN
精华内容
参与话题
  • 如何学好图像处理——从小白到大神?

    万次阅读 多人点赞 2020-04-17 02:28:38
    什么是数字图像处理?历史、以及它所研究的内容。 说起图像处理,你会想到什么?你是否真的了解这个领域所研究的内容。纵向来说,数字图像处理研究的历史相当悠久;横向来说,数字图像处理研究的话题相当广泛。 ...

    什么是数字图像处理?历史、以及它所研究的内容。

     

    说起图像处理,你会想到什么?你是否真的了解这个领域所研究的内容。纵向来说,数字图像处理研究的历史相当悠久;横向来说,数字图像处理研究的话题相当广泛。

    数字图像处理的历史可以追溯到近百年以前,大约在1920年的时候,图像首次通过海底电缆从英国伦敦传送到美国纽约。图像处理的首次应用是为了改善伦敦和纽约之间海底电缆发送的图片质量,那时就应用了图像编码,被编码后的图像通过海底电缆传送至目的地,再通过特殊设备进行输出。这是一次历史性的进步,传送一幅图片的时间从原来的一个多星期减少到了3小时。

    1950年,美国的麻省理工学院制造出了第一台配有图形显示器的电子计算机——旋风I号(Whirlwind I)。旋风I号的显示器使用一个类似于示波器的阴极射线管(Cathode Ray Tube,CRT)来显示一些简单的图形。1958年美国Calcomp公司研制出了滚筒式绘图仪,GerBer公司把数控机床发展成为平板式绘图仪。在这一时期,电子计算机都主要应用于科学计算,而为这些计算机配置的图形设备也仅仅是作为一种简单的输出设备。

    随着计算机技术的进步,数字图像处理技术也得到了很大的发展。1962年,当时还在麻省理工学院攻读博士学位的伊凡·苏泽兰(Ivan Sutherland)成功开发了具有划时代意义的“画板”(Sketchpad)程式。而这正是有史以来第一个交互式绘图系统,同时这也是交互式电脑绘图的开端。从此计算机和图形图像被更加紧密地联系到了一起。鉴于伊凡·苏泽兰为计算机图形学创立所做出的杰出贡献,他于1988年被授予计算机领域最高奖——图灵奖。

    1964年,美国加利福尼亚的喷气推进实验室用计算机对“旅行者七号”太空船发回的大批月球照片进行处理,以校正航天器上摄影机中各种类型的图像畸变,收到了明显的效果。在后来的宇航空间技术中,数字图像处理技术都发挥了巨大的作用。

    到了20世纪60年代末期,数字图像处理已经形成了比较完善的学科体系,这套理论在20世纪70年代发展得十分迅速,并开始应用于医学影像和天文学等领域。1972年,美国物理学家阿伦·马克利奥德·柯麦科(Allan MacLeodCormack)和英国电机工程师戈弗雷·纽博尔德·豪恩斯弗尔德(Godfrey Newbold Housfield)发明了轴向断层术,并将其用于头颅诊断。世界第一台X射线计算机轴向断层摄影装置由EMI公司研制成功,这也就是人们通常所说的CT(Computer Tomograph)。CT可通过一些算法用感知到的数据去重建通过物体的“切片”图像。这些图像组成了物体内部的再现图像,也就是根据人的头部截面的投影,经计算机处理来进行图像重建。鉴于CT对于医学诊断技术的发展所起到的巨大推动作用,柯麦科和豪恩斯弗尔德于1979年获得了诺贝尔生理或医学奖。

    随后在2003年,诺贝尔生理或医学奖的殊荣再次授予了两位在医疗影像设备研究方面做出杰出贡献的科学家——美国化学家保罗·劳特伯尔(Paul Lauterbur)和英国物理学家彼得·曼斯菲尔(Peter Mansfield)。两位获奖者在利用磁共振成像(Magnetic Resonance Imaging,MRI)显示不同结构方面分别取得了开创性成就。瑞典卡罗林斯卡医学院称,这两位科学家在MRI领域的开创性工作,代表了医学诊疗和研究的重大突破。而事实上,核磁共振的成功同样也离不开数字图像处理方面的发展。即使在今天,诸如MRI图像降噪等问题依然是数字图像处理领域的热门研究方向。

    说到数字图像的发展历程,还有一项至关重要的成果不得不提,那就是电荷耦合元件(Charge-coupled Device,CCD)。CCD最初是由美国贝尔实验室的科学家维拉德·波义耳(Willard Sterling Boyle)和乔治·史密斯(George Elwood Smith)于1969年发明的。CCD的作用就像胶片一样,它能够把光学影像转化为数字信号。今天人们所广泛使用的数码照相机、数码摄影机和扫描仪都是以CCD为基础发展而来的。换句话说,我们现在所研究的数字图像主要也都是通过CCD设备获取的。由于波义耳和史密斯在CCD研发上所做出的巨大贡献,他们两人共同荣获了2009年度的诺贝尔物理学奖。

    数字图像处理在今天是非常热门的技术之一,生活中无处不存在着它的影子,可以说它是一种每时每刻都在改变着人类生活的技术。但长久以来,很多人对数字图像处理存在着较大的曲解,人们总是不自觉地将图像处理和Photoshop联系在一起。大名鼎鼎的Photoshop无疑是当前使用最为广泛的图像处理工具。类似的软件还有Corel公司生产的CorelDRAW等软件。

    尽管Photoshop是一款非常优秀的图像处理软件,但它的存在并不代表数字图像处理的全部理论与方法。它所具有的功能仅仅是数字图像处理中的一部分。总的来说,数字图像处理研究的内容主要包括如下几个方面:

    • 1)图像获取和输出
    • 2)图像编码和压缩
    • 3)图像增强与复原
    • 4)图像的频域变换
    • 5)图像的信息安全
    • 6)图像的区域分割
    • 7)图像目标的识别
    • 8)图像的几何变换

    但图像处理的研究内容,又不仅限于上述内容!所以说图像处理的研究话题是相当宽泛的。那现在图像处理都应用在哪些领域呢?或许我们可能熟知的例子有(当然,你应该还能举出更多例子):

    • 1)一些专业图像处理软件:Photoshop、CorelDRAW……
    • 2)一些手机APP应用:美图秀秀、玩图……
    • 3)一些医学图像处理应用:MRI、彩超图像处理……
    • 4)一些制造业上的应用:元器件检测、瑕疵检测……
    • 5)一些摄像头、相机上的应用:夜间照片的质量改善……
    • 6)一些电影工业上是应用:换背景、电影特技……

     

    什么样的人会去学(或者需要学)图像处理?

     

    1)如果你是我上述那些应用领域的从业者,你当然需要掌握图像方面的理论和技术;2)相关专业的研究人员、大专院校的博士生、研究生。

    所谓相关专业又是指什么呢?这个答案也可能相当宽泛,例如(但不仅限于此):Computer Science, Software Engineering, Electronic Engineering, Biomedical Engineering, Automation, Control, Applied Mathematics……

     

    如何学好图像处理——我的一些箴言

     

    1)对于初级入门者

     

    一个扎实的基础和对于图像处理理论的完整的、系统的整体认识对于后续的深入研究和实践应用具有非常非常重要的意义。

    我经常喜欢拿武侠小说《天龙八部》中的一段情节来向读者说明此中的道理,相信读者对这部曾经被多次搬上银幕的金庸作品已经耳熟能详了。书中讲到有个名叫鸠摩智的番僧一心想练就绝世武学,而且他也算是个相当勤奋的人了。但是,他错就错在太过于急功近利,甚至使用道家的小无相功来催动少林绝技。看上去威力无比,而且可以在短时间内“速成”,但实则后患无穷。最终鸠摩智走火入魔,前功尽废,方才大彻大悟。这个故事其实就告诉我们打牢基础是非常重要的,特别是要取得更长足的发展,就更是要对基本原理刨根问底,力求甚解,从而做到庖丁解牛,游刃有余。

    一些看似高深的算法往往是许多基础算法的组合提升。例如,令很多人望而却步的SIFT特征构建过程中,就用到了图像金字塔、直方图、高斯滤波这些非常非常基础的内容。但是,它所涉及的基础技术显然有好几个,如果缺乏对图像处理理论的系统认识,你可能会感觉事倍功半。因为所有的地方好像都是沟沟坎坎。

    关于课程——

    在这个阶段其实对于数学的要求并不高,你甚至可以从一些感性的角度去形象化的理解图像处理中很多内容(但不包括频域处理方面的内容)。具体到学习的建议,如果有条件(例如你还在高校里读书)你最好能选一门图像处理方面的课程,系统地完整的地去学习一下。这显然是入门的最好办法。如此一来,在建立一个完整的、系统的认知上相当有帮助。如果你没办法在学校里上一门这样的课,网上的一些公开课也可以试试。但现在中文MOOC上还没有这方面的优质课程推荐。英文的课程则有很多,例如美国加州伦斯勒理工学院Rich教授的数字图像处理公开课——https://www.youtube.com/channel/UCaiJlKxXamoODQtlx486qJA?spfreload=10。

    关于教材——

    显然,只听课其实还不太够,如果能一并读一本书就最好了。其实不用参考很多书,只要一本,你能从头读到尾就很好了。如果你没有条件去上一门课,那读一本来完整的自学一下就更有必要了。这个阶段,去网上到处找博客、看帖子是不行的。因为你特别需要在这个阶段对这门学问建立一个系统的完整的知识体系。东一块、西一块的胡拼乱凑无疑是坑你自己,你的知识体系就像一个气泡,可能看起来很大,但是又脆弱的不堪一击。

    现在很多学校采用冈萨雷斯的《数字图像处理》一书作为教材。这是一本非常非常经典的著作。但是我必须要提醒读者:

    1)这是一本专门为Electronic Engineering专业学生所写的书。它需要有信号与系统、数字信号处理这两门课作为基础。如果你没有这两门课的基础,你读这本书要么是看热闹,要么就是看不懂。

    下面是冈书中的一张插图。对于EE的学生来说,这当然不是问题。但是如果没有我说的那两门课的基础,其实你很难把握其中的精髓。H和h,一个大小一个小写,冈书中有的地方用H,有的地方用h,这都是有很深刻用意的。原作者并没有特别说明它们二者的区别,因为他已经默认你应该知道二者是不同的。事实上,它们一个表示频域信号,一个表示时域信号,这也导致有时候运算是卷积,有时候运算是乘法(当然这跟卷积定理有关)。所以我并不太建议那些没有这方面基础的学生在自学的时候读这本书。

     

    2)冈萨雷斯教授的《数字图像处理》第一版是在1977年出版的,到现在已经快40年了;现在国内广泛使用的第二版是2002年出版的(第三版是2007年但是其实二者差异并不大),到现在也有20年左右的时间了。事实上,冈萨雷斯教授退休也有快30年了。所以这本书的内容已经偏于陈旧。数字图像处理这个领域的发展绝对是日新月异,突飞猛进的。特别在最近二三十年里,很多新思路,新方法不断涌现。如果你看了我前面推荐的Rich教授的公开课(这也是当前美国大学正在教学的内容),你一下子就会发现,原来我们的教育还停留在改革开放之前外国的水平上。这其实特别可怕。所以我觉得冈萨雷斯教授的《数字图像处理》作为学习过程中的一个补充还是不错的,但是如果把它作为主参考,那真的就是:国外都洋枪洋炮了,我们还在大刀长矛。

     

    那么现在问题来了,对于图像处理学习者而言到底看什么书好呢?我的意见是你可以选择下面两本书中的任何一本《数字图像处理原理与实践(Matlab版)》,以及《数字图像处理:技术详解与Visual C++实践》,当然选择的标准之一就是到底你更擅长使用MATLAB还是C++。

       

     

     

     

    2)对于中级水平者

     

    纸上得来终觉浅,绝知此事要躬行。对于一个具有一定基础的,想更进一步的中级水平的人来说,这个阶段最重要的就是增强动手实践的能力。

    还是说《天龙八部》里面的一个角色——口述武功、叹为观止的王语嫣。王语嫣的脑袋里都是武功秘籍,但问题是她从来都没练过一招一式。结果是,然并卵。所以光说不练肯定不灵啊。特别是,如果你将来想从事这个行业,结果一点代码都不会写,那几乎是不可想象的。学习阶段,最常被用来进行算法开发的工具是Matlab和OpenCV。你可以把这两个东西都理解为一个相当完善的库。当然,在工业中C++用得更多,所以Matlab的应用还是很有限的。前面我们讲到,图像处理研究内容其实包括:图像的获取和编解码,但使用Matlab和OpenCV就会掩盖这部分内容的细节。你当然永远不会知道,JPEG文件到底是如何被解码的。

    如果你的应用永远都不会涉及这些话题,那么你一直用Matlab和OpenCV当然无所谓。例如你的研究领域是SIFT、SURF这种特征匹配,可以不必理会编解码方面的内容。但是如果你的研究话题是降噪或者压缩,可能你就绕不开这些内容。最开始学的时候,如果能把这部分内容也自己写写,可能会加深你的理解。以后做高级应用开发时,再调用那些库。所以具体用什么,要不要自己写,是要视你所处的阶段和自己的实际情况而定的。以我个人的经验,在我自学的时候,我就动手写了Magic House,我觉得这个过程为我奠定了一个非常夯实的基础,对于我后续的深入研究很有帮助。

     

    下面这个文中,我给出了一些这方面的资源,代码多多,很值得参考学习:图像处理与机器视觉网络资源收罗

    http://blog.csdn.net/baimafujinji/article/details/32332079

     

    3)对于高级进阶者

     

    到了这个程度的读者,编程实现之类的基本功应该不在话下。但是要往深,往高去学习、研究和开发图像处理应用,你最需要的内容就变成了数学。这个是拦在很多处于这个阶段的人面前的一大难题。如果你的专业是应用数学,当然你不会感觉有问题。但如果是其他专业背景的人就会越发感觉痛苦。

    如果你的图像处理是不涉及机器学习内容的,例如用Poisson方程来做图像融合,那你就要有PDE数值解方面的知识;如果你要研究KAZE特征,你就必须要知道AOS方面的内容。如果你研究TV降噪,你又要知道泛函分析中的BV空间内容……这些词你可能很多都没听过。总的来说,这块需要的内容包括:复变函数、泛函分析、偏微分方程、变分法、数学物理方法……

    如果你要涉足机器视觉方法的内容,一些机器学习和数据挖掘方法的内容就不可或缺。而这部分内容同样需要很强大的数学基础,例如最大似然方法、梯度下降法、欧拉-拉格朗日方程、最小二乘估计、凸函数与詹森不等式……

    当然,走到这一步,你也已经脱胎换骨,从小白到大神啦!路漫漫其修远兮,吾将上下而求索。

     

    (全文完)

     

     

    展开全文
  • 二值图像、灰度图像、彩色图像

    万次阅读 多人点赞 2018-03-31 14:44:08
    ____tz_zs二值图像二值图像(Binary Image),按名字来理解只有两个值,0和1,0代表黑,1代表白,或者说0表示背景,而1表示前景。其保存也相对简单,每个像素只需要1Bit就可以完整存储信息。如果把每个像素看成随机...

    ____tz_zs

    二值图像

    二值图像(Binary Image),按名字来理解只有两个值,0和1,0代表黑,1代表白,或者说0表示背景,而1表示前景。其保存也相对简单,每个像素只需要1Bit就可以完整存储信息。如果把每个像素看成随机变量,一共有N个像素,那么二值图有2的N次方种变化,而8位灰度图有255的N次方种变化,8为三通道RGB图像有255*255*255的N次方种变化。也就是说同样尺寸的图像,二值图保存的信息更少。二值图像(binary image),即图像上的每一个像素只有两种可能的取值或灰度等级状态,人们经常用黑白、B&W、单色图像表示二值图像。 


    灰度图像

    灰度图像是二值图像的进化版本,是彩色图像的退化版,也就是灰度图保存的信息没有彩色图像多,但比二值图像多,灰度图只包含一个通道的信息,而彩色图通常包含三个通道的信息,单一通道的理解可以理解为单一波长的电磁波,所以,红外遥感,X断层成像等单一通道电磁波产生的图像都为灰度图,而且在实际中灰度图易于采集和传输等性质的存在导致基于灰度图像开发的算法非常丰富。

    灰度图像(gray image)是每个像素只有一个采样颜色的图像,这类图像通常显示为从最暗黑色到最亮的白色的灰度,尽管理论上这个采样可以任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同,在计算机图像领域中黑白图像只有黑色与白色两种颜色;但是,灰度图像在黑色与白色之间还有许多级的颜色深度。灰度图像经常是在单个电磁波频谱如可见光内测量每个像素的亮度得到的,用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存,这样可以有256级灰度(如果用16位,则有65536级)。 

    彩色图像

    彩色图像,每个像素通常是由红(R)、绿(G)、蓝(B)三个分量来表示的,分量介于(0,255)。


    彩色图像的灰度化、二值化

    ·
    # -*- coding: utf-8 -*-
    """
    @author: tz_zs
    彩色图像的灰度化、二值化
    """
    from skimage import io
    from skimage.color import rgb2gray
    import numpy as np
    import matplotlib.pyplot as plt
    
    img = io.imread("53788-106.jpg")  # (1080, 1920, 3)
    io.imshow(img)
    io.show()
    print(img)
    '''
    [[[255 255 255]
      [255 255 255]
      [255 255 255]
      ..., 
      [217 224 234]
      [217 224 234]
      [217 224 234]]
    
      ..., 
     [[188 165 131]
      [195 175 140]
      [186 166 131]
      ..., 
      [163 138 108]
      [156 131 101]
      [153 128  98]]]
    '''
    
    # 灰度化
    img_gray = rgb2gray(img)  # (1080, 1920)
    io.imshow(img_gray)
    io.show()
    print(img_gray)
    '''
    [[ 1.          1.          1.         ...,  0.87542549  0.87542549
       0.87542549]
     [ 1.          1.          1.         ...,  0.85973922  0.85973922
       0.85973922]
     [ 1.          1.          1.         ...,  0.86366078  0.86366078
       0.86366078]
     ..., 
     [ 0.64347137  0.6277851   0.71405961 ...,  0.66333137  0.67901765
       0.7103902 ]
     [ 0.57931961  0.62637843  0.70286039 ...,  0.6594098   0.62411569
       0.60450784]
     [ 0.65661216  0.6930451   0.65775098 ...,  0.55352745  0.52607647
       0.51431176]]
    '''
    
    # 二值化
    # rows, cols = img_gray.shape
    # for i in range(rows):
    #     for j in range(cols):
    #         if (img_gray[i, j] <= 0.5):
    #             img_gray[i, j] = 0
    #         else:
    #             img_gray[i, j] = 1
    
    img_binary = np.where(img_gray >= 0.5, 1, 0)  # (1080, 1920)
    print(img_binary)
    '''
    [[1 1 1 ..., 1 1 1]
     [1 1 1 ..., 1 1 1]
     [1 1 1 ..., 1 1 1]
     ..., 
     [1 1 1 ..., 1 1 1]
     [1 1 1 ..., 1 1 1]
     [1 1 1 ..., 1 1 1]]
    '''
    
    io.imshow(img_binary)
    io.show()
    # plt.imshow(img_binary)
    # plt.show()
    

    ·


    ·


    ·

    灰度图的显示

    ·

    # -*- coding: utf-8 -*-
    """
    @author: tz_zs
    
    灰度图的显示情况
    """
    import numpy as np
    import matplotlib.pyplot as plt
    from PIL import Image
    
    '''
    img = Image.open('53788-106.jpg')
    print(img)  # <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=1920x1080 at 0x16BECF00898>
    img = np.array(img)
    '''
    img = plt.imread('53788-106.jpg')
    print(img)
    '''
    [[[255 255 255]
      [255 255 255]
      [255 255 255]
      ..., 
      ..., 
      [163 138 108]
      [156 131 101]
      [153 128  98]]]
    '''
    
    plt.figure(1)  # 第一个figure
    
    plt.imshow(img)
    if img.ndim == 3:
        img = img[:, :, 0]
    print(img)
    '''
    [[255 255 255 ..., 217 217 217]
     [255 255 255 ..., 213 213 213]
     [255 255 255 ..., 214 214 214]
     ..., 
     [181 177 199 ..., 191 195 203]
     [166 178 196 ..., 190 181 176]
     [188 195 186 ..., 163 156 153]]
    '''
    
    plt.figure(2)  # 第二个figure
    
    plt.subplot(221)
    plt.imshow(img)  # 一般显示的情况下,显示为热力图
    plt.subplot(222)
    plt.imshow(img, cmap='gray')  # 灰度图正确的表示方法1
    plt.subplot(223)
    plt.imshow(img, cmap=plt.cm.gray)  # 灰度图正确的表示方法2
    plt.subplot(224)
    plt.imshow(img, cmap=plt.cm.gray_r)  # 黑白反转
    plt.show()
    

    ·


    ·


    ·



    很多图片识别为什么将彩色图像灰度化?

    https://www.zhihu.com/question/24453478

    截取:

    • 我们识别物体,最关键的因素是梯度(现在很多的特征提取,SIFT,HOG等等本质都是梯度的统计信息),梯度意味着边缘,这是最本质的部分,而计算梯度,自然就用到灰度图像了。颜色本身,非常容易受到光照等因素的影响,同类的物体颜色有很多变化。所以颜色本身难以提供关键信息。
    • 大多数的医学图像RGB提供的信息量很少(几乎没有),所以可以直接灰度图像来进行后续计算。在这些问题上,反而对灰度图像预处理更重要(当然,CNN发展以后这些预处理作用也小了)。
    • 灰度化之后颜色信息丢失,很多color-based算法就不可能这么做,但是很多简单的识别算法对于颜色的依赖性不强,hand-craft特征更多关注边缘梯度信息。工程中很多应用加上color信息之后鲁棒性会下降。灰度化之后矩阵维数下降,运算速度大幅度提高,并且梯度信息仍然保留。





    展开全文
  • MATLAB图像处理

    万人学习 2018-10-22 21:38:06
    全面系统的学习MATLAB在图像处理中的应用
  • 图像理论知识_什么是数字图像处理?

    万次阅读 多人点赞 2018-04-21 18:03:06
    数字图像处理,即数字,将图像转化为数字的形式,对图像做处理,我们平时所见到的图像,在计算机中都是一组数字,当通过相机捕获现实世界的景物时,相机会捕获现实世界的光源信号,并转化为数字信号保存到存储器上,...

    数字图像处理,即数字,将图像转化为数字的形式,对图像做处理,我们平时所见到的图像,在计算机中都是一组数字,当通过相机捕获现实世界的景物时,相机会捕获现实世界的光源信号,并转化为数字信号保存到存储器上,当显示时,GPU会根据这些数字信息,并控制LRT将其绘制到屏幕上,呈现出来!

    一幅图像可以定义成一个二维空间函数,即s = f(x,y),s是二维空间,x和y是空间中的坐标,f是位于二维空间中x和y坐标处的灰度值(为什么说是灰度值?因为这里是用单字节表示,即单通道)!并且当x和y位于的s空间坐标处的f值是有限的离散数值(自然整数)时才可以称为数字图像!这里有限的大小是指固定的,为什么这么说?因为在计算机当中,是以字节作为基本单位来描述数据的,当把一幅图像转化成一组数据时,这组数据里的每个数组大小都是以一个字节作为基本单位存储到存储单元中的,上限值是一个字节的取值范围:2~8次方 = 256,并且每个数组对应着图像的各个颜色信息!

    列如如下是一幅图像:


    那么被转化成数字存储到计算机当中后的数据是这样的:


    上面的每个值分别对应着图像的各个点,用于描述图像每个点上的颜色信息,当我们要显示这些数据时,计算机会把这组数据写入到显存里,由GPU根据显存数据将其显示到屏幕上(ps:这里补充一点,显存的存储方式是以矩阵存储的,分别对应显示器屏幕的每个点(3个值对应一个点),向每个点上写入数据,GPU就会控制LRT向屏幕的那个点放射RGB光线!),将这些颜色点打到屏幕的荧光粉处就会发出与图片对应的光,那么这些点聚合在一起之后就形成了一幅完整的图像!

    这里说一点,如果是单通道的情况下,CPU会组合写入显存,列如上面这幅图像是单通道,CPU会将第一个元素写入到显存后另外两个值也会写入与该值一样的值,并且根据屏幕分辨率,写入对应范围的显存矩阵,具体请参考:RGB颜色空间、色调、饱和度、亮度、HSV颜色空间详解

    操作系统是如何获取分辨率的?

    答:显示器中自带一个小型flash(闪存,断电也能保存数据的小型存储器),这种存储器不大,只能存储分辨率和亮度对比度等信息,操作系统从中获取信息,并根据信息和内存中的显示数据根据获取到的信息按比例经过算法写入到显存矩阵中!

    那么问题来了,当我们点击显示器的调节对比度亮度的按钮时是什么芯片在根据按键情况写入到flash中?

    答:显示器中使用MCU单元,当我们按下某个按键时按键对应的寄存器上的值就会发生改变,MCU会将改变后的寄存器值写入到flash中,MCU会通过串口或其他连接方式连接到CPU主板上外设总线,并根据外设总线连接到显存上,可以直接写入显存数据,GPU是根据内部总线连接到外部总线获取显存数据的,当我们每次修改时MCU会以动画的形式将改变结果呈现到屏幕中,这一步不需要操作系统也可以进行,MCU会直接写入到显存当中,所以即使没有操作系统当我们修改分辨率对比度时也能看到改变时产生的与用户交互的界面,该界面是根据操作状态实时画出来的!


    人类的眼睛仅能捕获电磁波谱的可见光波(通俗易懂的说就是太阳平时放射出来的电磁波(太阳辐射),或者是电子加速或电子与磁场交互产生的能源),但是一些不可见的光波人类是无法捕获的,列如:无线电波,超声波,计算机可以利用天线接收器,等产品捕获无线电波或超声波并根据电波频率将其成像出来!

    什么是图像处理和计算机视觉?

    图像处理:是使用输入和输出图像内容的,即对输入图像的内容做处理,列如将一个RGB图像裁剪一半,就是把一幅图像的数字信息的一半给删除掉,并输出到屏幕上或输出到存储器的其它位置保存起来!

    计算机视觉:对图像进行识别!

    但有时有的处理又不能算是图像处理,列如计算某个图像的灰度程度,这仅仅只是取出RGB三个值,并计算平均值,这样的处理太过于简单,甚至都没有对图像数据做任何处理!

    还有一个是位于图像处理和计算机视觉中间的:图像分析!

    图像分析:即对一幅图像进行分析,比如:运动分析,图像质量分析,噪声分析,目标分析!

    图像识别分为三个等级:

    假如说我们拿到了一张图像,要求是判断这个图像中有没有一只猫!


    那么首先要考虑的是这张图像是否有噪声或者图像不清晰,图像质量较差的情况,为了解决这些问题应当先对其进行模糊平滑处理降低图像噪声,在对比度增强和锐度增强,让颜色更加鲜艳,图像更加清晰,这些算是预处理即初级处理!

    那么当图像变得清晰可见时,我们就进行中级处理,从预处理后的图像中将特征提取出来,这里不是识别,只是将一幅图像中的带有轮廓边缘的物体(即RGB值比较凸出的一部分)裁剪减少目标信息,过滤掉一些可能影响后续识别的信息!这里是中级处理,特征提取!


    最后在根据已经提取的特征进行识别,这里就是高级处理!

    在最后当你识别完成之后已经将要识别出的物体存在于图像中二维空间的位置给标出来了,就可以对其进行图像识别,从图像中找到小猫


    经过图像识别找到小猫,并加以分析!



    相关链接:RGB颜色空间、色调、饱和度、亮度、HSV颜色空间详解


    展开全文
  • 图像直方图

    万次阅读 2019-05-02 20:47:00
    图像直方图概述 1.图像直方图概述   直方图广泛运用于很多计算机视觉运用当中,通过标记帧与帧之间显著的边缘和颜色的统计变化,来检测视频中场景的变化。在每个兴趣点设置一个有相近特征的直方图所构成 “标签”...

    1.图像直方图概述

      直方图广泛运用于很多计算机视觉运用当中,通过标记帧与帧之间显著的边缘和颜色的统计变化,来检测视频中场景的变化。在每个兴趣点设置一个有相近特征的直方图所构成 “标签”,用以确定图像中的兴趣点。边缘、色彩、角度等直方图构成了可以被传递给目标识别分类器的一个通用特征类型。色彩和边缘的直方图序列还可以用来识别网络视频是否被复制。
      其实,简单来说,直方图就是对数据进行统计的一种方法,并且将统计值组织到一系列实现定义好的 bin 当中。其中, bin 为直方图中经常用到的一个概念,可以译为 “直条” 或 “组距”,其数值是从数据中计算出的特征统计量,这些数据可以是诸如梯度、方向、色彩或任何其他特征。且无论如何,直方图获得的是数据分布的统计图。通常直方图的维数要低于原始数据。
      图像直方图(Image Histogram)是用以表示数字图像中亮度分布的直方图,标绘了图像中每个亮度值的像素数。这种直方图中,横坐标的左侧为纯黑、较暗的区域,而右侧为较亮、纯白的区域。因此一张较暗图片的直方图中的数据多集中于左侧和中间部分,而整体明亮、只有少量阴影的图像则相反。CV 领域常借助图像直方图来实现图像的二值化。
      直方图的意义如下:
      ● 直方图是图像中像素强度分布的图形表达方式。
      ● 它统计了每一个强度值所具有的像素个数。

      直方图是对数据的统计集合,并将统计结果分布于一系列预定义的 bins 中。这里的数据不仅仅指的是灰度值,且统计数据可能是任何有效描述图像的特征。
      假设有一个矩阵包含一张图像的信息(灰度值 0 - 255),既然已知数字的范围包含 256 个值,于是可以按一定规律将这个范围分割成子区域(也就是 bins)。如:
             
      然后再统计每一个 bin(i) 的像素数目。采用这一方法来统计上面的数字矩阵,可以得到下图(其中 x 轴表示 bin,y 轴表示各个 bin 中的像素个数):
        

      直方图的一些术语和细节:
      ● dims:需要统计的特征数目。在上例中,dims = 1 ,因为仅仅统计了灰度值(灰度图像)。
      ● bins:每个特征空间子区段的数目,可译为 “直条” 或 “组距”,在上例中, bins = 16。
      ● range:每个特征空间的取值范围。在上例中,range = [0, 255]。

    2.直方图的计算与绘制

      直方图的计算在 OpenCV 中可使用 calcHist() 函数,而计算完成之后,可以采用 OpenCV 中的绘图函数,如绘制矩形的 rectangle() 函数,绘制线段的 line() 来完成。

    2.1 计算直方图:calcHist() 函数

      calcHist() 函数用于计算一个或多个阵列的直方图。

    void calcHist(
    	const Mat* images,	//输入的数组或数据集
    	int nimages,		//输入数组的个数
    	const int* channels,	//需要统计的通道(dim)索引	
    	InputArray mask,	//可选的操作掩码,用于标记出统计直方图的数组元素数据
    	OutputArray hist,	//输出的目标直方图	
    	int dims,			//需要计算的直方图的维数
    	const int* histSize,	//存放每个直方图尺寸的数组
    	const float** ranges,	//每一维数值的取值范围
    	bool uniform = true,	//指示直方图是否均匀的标识符
    	bool accumulate = false		//累计标识符,主要是允许多从多个阵列中计算单个直方图,
    								//或者用于在特定的时间更新直方图。
    )
    

      ● 第一个参数:const Mat* 类型的 iamges,输入的数组(或数据集),它们需为相同的深度(CV_8U 或 CV_32F)和相同的尺寸。
      ● 第二个参数:int 类型的 nimages,输入数组的个数,也就是第一个参数中存放了多少张 “图像”,有几个原数组。
      ● 第三个参数:const int* 类型的 channels,需要统计的通道(dim)索引。第一个数组通道从 0 到 images[0].channels() - 1,而第二个数组通道从 images[0].channels() 计算到 images[0].channels() + images[1].channels() - 1。
      ● 第四个参数:InputArray 类型的 mask,可选的操作掩码。如果此掩码不为空,那么它必须为 8 位,并且与 images[i] 有同样的大小和尺寸。这里的非零掩码元素用于标记出统计直方图的数组元素数据。
      ● 第五个参数:OutputArray 类型的 hist,输出的目标直方图,一个二维数组。
      ● 第六个参数:int 类型的 dims,需要计算的直方图的维数,必须是正数,且不大于 CV_MAX_DIMS(在 OpenCV3 中等于 32)。
      ● 第七个参数:const int* 类型的 histSize,存放每个维度的直方图尺寸的数组。
      ● 第八个参数:const float** 类型的 ranges,表示每一个维度数组(第六个参数 dims)的每一维的边界阵列,可以理解为每一维数值的取值范围。
      ● 第九个参数:bool 类型的 uniform,指示直方图是否均匀的标识符,有默认值 true。
      ● 第十个参数:bool 类型的 accumulate,累计标识符,有默认值 false。若其为 true,直方图在配置阶段不会被清零。此功能主要是允许多从多个阵列中计算单个直方图,或者用于在特定的时间更新直方图。

    2.2 寻找最值:minMaxLoc() 函数

      minMaxLoc() 函数的作用是在数组中找到全局最小值和最大值。

    void minMaxLoc(
    	InputArray src,
    	double* minVal,
    	double* maxVal = 0,
    	Point* minLoc = 0,
    	Point* maxLoc = 0,
    	InputArray mask = noArray()
    )
    

      ● 第一个参数:InputArray 类型的 src,输入的单通道阵列。
      ● 第二个参数:double* 类型的 minVal,返回最小值的指针。若无需返回,此参数设置为 NULL。
      ● 第三个参数:double* 类型的 maxVal,返回最大值的指针,若无需返回,此参数设置为 NULL。
      ● 第四个参数:Point* 类型的 minLoc,返回最小位置的指针(二维情况下)。若无需返回,此值置为 NULL。
      ● 第五个参数:Point* 类型的 maxLoc,返回最大位置的指针(二维情况下)。若无需返回,此值置为 NULL。
      ● 第六个参数:InputArray 类型的 mask,用于选择子阵列的可选掩膜。

    2.3 示例程序:绘制 H-S 直方图

      下面的示例说明如何计算彩色图像的色调,饱和度二维直方图。
      ● 色调(Hue),饱和度(Saturation)。所以 H-S 直方图就是 色调——饱和度 直方图。

    #include<opencv2/opencv.hpp>
    #include<time.h>
    #include<iostream>
    
    using namespace std;
    using namespace cv;
    
    int main() {
    	system("color 2F");
    
    	//载入原图,转化为 HSV 颜色模型
    	Mat srcImage, hsvImage;
    	srcImage = imread("1.jpg");
    	cvtColor(srcImage, hsvImage, COLOR_BGR2HSV);
    
    	//将色调量化为 30 个等级,将饱和度量化为 32 个等级
    	int hueBinNum = 30;		//色调的直方图直条数量
    	int saturationBinNum = 32;		//饱和度的直方图直条数量
    	int histSize[] = { hueBinNum,saturationBinNum };
    	//定义色调的变化范围为 0 到 179
    	float hueRanges[] = { 0,180 };
    	//定义饱和度的变化范围为 0(黑、白、灰)到 255(纯光谱颜色)
    	float saturationRanges[] = { 0,256 };
    	const float* ranges[] = { hueRanges,saturationRanges };
    	MatND dstHist;	//Mat 一般指二维矩阵,MatND 指多维矩阵( > 2 )
    	//calcHist 函数中将计算第 0 通道和第 1 通道的直方图
    	int channels[] = { 0,1 };
    
    	//正式调用 calcHist ,进行直方图计算
    	calcHist(
    		&hsvImage,	//输入的数组
    		1,		//数组个数为 1
    		channels,	//通道索引
    		Mat(),		//不使用掩膜
    		dstHist,	//输出的目标直方图
    		2,		//需要计算的直方图的维度为 2
    		histSize,	//存放每个维度的直方图尺寸的数组
    		ranges,		//每一维数值的取值范围数组
    		true,		//指示直方图是否均匀的标识符,true 表示均匀的直方图
    		false		//累计标识符,false 表示直方图在配置阶段会被清零
    	);
    	
    	//为绘制直方图准备参数
    	double  maxValue = 0;	//最大值
    	//查找数组和子数组的全局最小值和最大值存入 maxValue 中
    	minMaxLoc(dstHist, 0, &maxValue, 0, 0);	
    	int scale = 10;		//直方图放大倍数
    	Mat histImage = Mat::zeros(saturationBinNum * scale, hueBinNum * 10, CV_8UC3);
    
    	//双重循环,实现直方图绘制
    	for (int hue = 0; hue < hueBinNum; hue++) {
    		for (int saturation = 0; saturation < saturationBinNum; saturation++) {
    			//直方图直条的值
    			float binValue = dstHist.at<float>(hue, saturation);
    			int intensity = cvRound(binValue * 255 / maxValue);		//强度
    			
    			//正式进行绘制
    			rectangle(
    				histImage,
    				Point(hue * scale, saturation * scale),
    				Point((hue + 1) * scale - 1, (saturation + 1) * scale - 1),
    				Scalar::all(intensity),
    				FILLED
    			);
    		}
    	}
    	imshow("素材图", srcImage);
    	imshow("H-S 直方图", histImage);
    
    	waitKey(0);
    	return 0;
    }
    

    素材图:

    H-S 图:

    2.4 示例程序:计算并绘制图像一维直方图

    #include<opencv2/opencv.hpp>
    #include<time.h>
    #include<iostream>
    
    using namespace std;
    using namespace cv;
    
    int main() {
    	system("color 2F");
    
    	Mat srcImage = imread("1.jpg", 0);
    	imshow("原图", srcImage);
    	if (!srcImage.data) {
    		printf("图像读取失败!");
    		return 0;
    	}
    
    	MatND dstHist;
    	int dims = 1;
    	float hranges[] = { 0,255 };
    	const float *ranges[] = { hranges };	//这里需为 const 类型 
    	int size = 256;
    	int channels = 0;
    	
    	//计算图像的直方图
    	calcHist(&srcImage, 1, &channels, Mat(), dstHist, dims, &size, ranges);
    	int scale = 1;
    
    	Mat dstImage(size * scale, size, CV_8U, Scalar(0));
    
    	//获取最大值和最小值
    	double minValue = 0;
    	double maxValue = 0;
    	minMaxLoc(dstHist, &minValue, &maxValue, 0, 0);
    
    	//绘制出直方图
    	int hpt = saturate_cast<int>(0.9 * size);
    	for (int i = 0; i < 256; i++) {
    		float binValue = dstHist.at<float>(i);	//注意 hist 中是 float 类型
    		int realValue = saturate_cast<int>(binValue * hpt / maxValue);
    		rectangle(dstImage, Point(i * scale, size - 1), 
    			Point((i + 1) * scale - 1, size - realValue), Scalar(255));	
    	}
    	imshow("一维直方图", dstImage);
    
    	waitKey(0);
    	return 0;
    }
    

    素材图与其一维直方图:

    Mat特指2维矩阵,MatND是多维矩阵(>=3维)

    2.5 示例程序:绘制 RGB 三色直方图

    #include<opencv2/opencv.hpp>
    #include<time.h>
    #include<iostream>
    
    using namespace std;
    using namespace cv;
    
    int main() {
    	system("color 2F");
    
    	Mat srcImage = imread("1.jpg");
    	imshow("素材图", srcImage);
    	if (!srcImage.data) {
    		printf("图像读取失败!");
    		return 0;
    	}
    
    	int bins = 256;
    	int hist_size[] = { bins };
    	float range[] = { 0,256 };
    	const float *ranges[] = { range };
    	MatND redHist, greenHist, blueHist;
    	int channels_r[] = { 0 };
    
    	//进行直方图的计算(红色分量部分)
    	calcHist(&srcImage, 1, channels_r, Mat(),	//不使用掩膜
    		redHist, 1, hist_size, ranges, true, false);
    	
    	//进行直方图计算(绿色分量部分)
    	int channels_g[] = { 1 };
    	calcHist(&srcImage, 1, channels_g, Mat(),
    		greenHist, 1, hist_size, ranges, true, false);
    
    	//进行直方图计算(蓝色分量部分)
    	int channels_b[] = { 2 };
    	calcHist(&srcImage, 1, channels_b, Mat(),
    		blueHist, 1, hist_size, ranges, true, false);
    
    	//准备参数绘制三色直方图
    	double maxValue_red, maxValue_green, maxValue_blue;
    	minMaxLoc(redHist, 0, &maxValue_red, 0, 0);
    	minMaxLoc(greenHist, 0, &maxValue_green, 0, 0);
    	minMaxLoc(blueHist, 0, &maxValue_blue, 0, 0);
    	int scale = 1;
    	int histHeight = 256;
    	//bins * 3 是因为要绘制三个通道,每个通道的像素取值在 0-bins
    	Mat histImage = Mat::zeros(histHeight, bins * 3, CV_8UC3);	
    
    	//开始绘制
    	for (int i = 0; i < bins; i++) {
    		float binValue_red = redHist.at<float>(i);
    		float binValue_green = greenHist.at<float>(i);
    		float binValue_blue = blueHist.at<float>(i);
    
    		//计算高度时的乘除与下面绘图的 histHeight - intensity 是为了便于显示,否则有的色度很低
    		//要绘制的高度
    		int intensity_red = cvRound(binValue_red * histHeight / maxValue_red);	
    		int intensity_green = cvRound(binValue_green * histHeight / maxValue_green);	
    		int intensity_blue = cvRound(binValue_blue * histHeight / maxValue_blue);	
    		//绘制红色分量直方图
    		rectangle(histImage, Point(i * scale, histHeight - 1),
    			Point((i + 1) * scale - 1, histHeight - intensity_red), 
    			Scalar(255,0,0));
    
    		//绘制绿色分量直方图
    		rectangle(histImage, Point((i + bins) * scale, histHeight - 1),
    			Point((i + bins + 1) * scale - 1, histHeight - intensity_green), 
    			Scalar(0, 255, 0));
    
    		//绘制分量直方图
    		rectangle(histImage, Point((i + bins * 2) * scale, histHeight - 1), 
    			Point((i + bins * 2 + 1) * scale - 1, histHeight - intensity_blue), 
    			Scalar(0, 0, 255));
    	}
    
    	imshow("图像的 RGB 直方图", histImage);
    
    	waitKey(0);
    	return 0;
    }
    

    素材图:

    三色直方图:

    展开全文
  • 图像的通道和深度

    千次阅读 2019-05-18 18:07:53
    二值图像图像的像素点不是0 就是1 (图像不是黑色就是白色),图像像素点占的位数就是 1 位,图像的深度就是1,也称作位图。 灰度图像图像的像素点位于0-255之间,(0:全黑,255代表:全白,在0-255之间插入了...
  • 图像处理算法其实都很简单

    万次阅读 多人点赞 2018-05-03 16:07:12
     线性滤波可以说是图像处理最基本的方法,它可以允许我们对图像进行处理,产生很多不同的效果。做法很简单。首先,我们有一个二维的滤波器矩阵(有个高大上的名字叫卷积核)和一个要处理的二维图像。然后,对于图像...
  • 数字图像处理之图像复原

    万次阅读 多人点赞 2018-02-26 17:58:04
    一、图像复原与图像增强的区别图像的增强是一个主观的过程,其目的是改善图片的质量,对感兴趣的部分加以增强,对不感兴趣的部分予以抑制。而图像复原是一个客观的过程,针对质量降低或失真的图像,试图恢复其原始的...
  • 图像的深度 depth

    千次阅读 2019-11-19 09:56:50
    转载自:...    ...图像深度是指存储每个像素所用的位数,他也是用来度量图像的色彩分辨率的。他确定了彩色图像的每个像素可能有的色彩数,或者确定灰度图像...
  • 图像识别算法

    万次阅读 多人点赞 2019-08-15 17:36:40
    图像特征提取是图像分析与图像识别的前提,它是将高维的图像数据进行简化表达最有效的方式,从一幅图像的的数据矩阵中,我们看不出任何信息,所以我们必须根据这些数据提取出图像中的关键信息,一些基本元件以及它们...
  • Image captioning-数据格式

    千次阅读 2018-01-24 10:00:48
    规划: 整体内容是四块: 首先是训练和评估数据,我们选择的是微软COCO图片数据数据,后面简单会介绍数据的格式,处理方式 整体topic的主线是沿着show and tell的发展 介绍各种attention以及其他encoder机制的...
  • 图像滤波算法总结

    万次阅读 多人点赞 2018-09-11 00:01:13
    该篇主要是对图像滤波算法一个整理,主要参考的大神的博客: https://blog.csdn.net/qq_15606489/article/details/52755444 1:图像滤波既可以在实域进行,也可以在频域进行。图像滤波可以更改或者增强图像。通过...
  • 图像是视觉信息的直接反应,图像呈现出
  • Matlab保存图像的5种方法

    万次阅读 多人点赞 2018-07-09 10:34:56
    1、使用imwrite 函数如图像是img,则可以使用imwrite(img,'result.jpg'); 这种方法保存图像大小和显示的大小是一样的。下面的方法得到的图像和原图像的大小不一样;下面是用该方法保存的图片我们注意到,用imwrite...
  • MATLAB中将彩色的图像转化为灰度图像

    万次阅读 热门讨论 2009-10-30 19:23:00
    MyYuanLaiPic = imread(e:/...%读取RGB格式的图像MyFirstGrayPic = rgb2gray(MyYuanLaiPic);%用已有的函数进行RGB到灰度图像的转换[rows , cols , colors] = size(MyYuanLaiPic);%得到原来图像的矩阵的参数MidGrayPi
  • 图像处理 图像分析和图像理解

    万次阅读 2018-06-11 13:22:11
    图像处理:利用计算机对图像进行去除噪声、增强、复原、分割、特征提取、识别、等处理的理论、方法和技术。狭义的图像处理主要是对图像进行各种加工,以改变图像的视觉效果并为自动识别奠定基础,或对图像进行压缩...
  • 图像识别过程(概念)

    万次阅读 多人点赞 2018-05-21 15:31:54
    图像识别过程分为图像处理和图像识别两个部分。 图像处理(imageProcessing)利用计算机对图像进行分析,以达到所需的结果。 图像处理可分为模拟图像处理和数字图像处理,而图像处理一般指数字图像处理。 这种处理...
  • 数字图像处理的技术方法和应用

    万次阅读 2016-11-18 10:56:01
    所谓数字图像处理,是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。20 世纪 50 年代,电子计算机已经发展到一定水平,人们开始利用计算机来处理图形和图像信息,这便是早期的图像处理。早期图像处理...
  • 找到几个在线查看函数图像的网站

    万次阅读 2017-09-26 21:50:33
    我最近找到几个在线查看函数图像的网站,直接查看函数图像样子,正在更新! 第一个:Desmos 第二个:fooplot 第三个:91maths
  • 图像信噪比SNR求解

    万次阅读 2014-06-12 08:34:53
    ((通常也采用图像信号与噪声的方差之比来近似估计图像的信噪比。))
1 2 3 4 5 ... 20
收藏数 1,187,963
精华内容 475,185
关键字:

图像