图像处理形态学感受_matlab形态学图像处理:二值图像分割 - CSDN
精华内容
参与话题
  • 但我们需要做进一步的细处理,让我们得到比较好的白色的车牌区域掩码。 本期内容 本期就是要处理这个问题,先来仔细分析这个问题。我们想要得到的区域是“辽H….”这一块白色的区域,这个区域有什么特点呢?第一...

    个人简书:https://www.jianshu.com/u/9dae9c45f4a0

    前情提要

    上期我们提到了一个做抠车牌的案例,得到了一幅这样的图。
    mask.jpg
    但我们需要做进一步的细处理,让我们得到比较好的白色的车牌区域掩码。

    本期内容

    本期就是要处理这个问题,先来仔细分析这个问题。我们想要得到的区域是“辽H….”这一块白色的区域,这个区域有什么特点呢?第一、连贯,不像其他地方很多小小的白点;第二、整个区域近似一个矩形,不像车窗前那些区域,虽然连贯,但是形状比较蛇皮。这两个特点可以作为筛选的突破口,我们将介绍一些手段能够根据这些特点进行处理。

    一、腐蚀膨胀

    腐蚀顾名思义,是把每一个白色区域都往内缩,有些小的噪点就会缩没了。膨胀则相反。可以看看这里的图感受一下。腐蚀的原理是:对于一个点,观察它的周围(邻域)的像素点哪个值最小,就把当前点的值替换成最小值;膨胀则替换成最大值。
    腐蚀膨胀原理
    比如当前要处理的点是P点,邻域大小是3x3,也就是我们要看看P点周围的8个点和它本身,共9个点,如果是腐蚀操作则把P点的值换成最小值,P点周围有黑色的点,值为0,则P点会变成黑色;如果是膨胀操作P点不发生改变。

    对于车牌的掩码图上的噪声,我们就可以用腐蚀操作去掉一些,但车牌区域也会受到影响,所以腐蚀完以后还要膨胀回去,但是噪声已经消失了,所以噪声不会被膨胀回来。先腐蚀后膨胀,这个叫开运算,如果是先膨胀再腐蚀就叫闭运算,是用来填充白色区域内的黑洞的。下面是这个操作的代码。

    # 腐蚀
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 矩形结构
    mask = cv2.erode(mask, kernel)
    
     # 膨胀
    mask = cv2.dilate(mask, kernel)

    kernel是一个3x3的矩阵,值全为1,这个叫矩形核,cv2.getStructuringElement的第一个参数正是指定用哪种形状的核,除了矩形核,还有十字架核cv2.MORPH_CROSS和椭圆核cv2.MORPH_ELLIPSE。

    效果如下:
    矩形开运算

    3x3的十字架核是这样的:
    十字架核
    不同形状的核的区别是:腐蚀膨胀的最小最大值是从核的值为1的地方找的,值为0的地方则不理会。

    二、滤波

    滤波是信号处理中减少噪声的方法,图像滤波的方法有很多种:中值滤波、高斯滤波、均值滤波等等,不一而足。
    个人常用的是中值滤波,下面介绍这个。
    中值是中位数,有序数列中位于中间位置的值,比如[1,2,3,3,6]里的中位数就是3。跟腐蚀膨胀类似,我们的处理也是基于一个核,对于每个像素的处理都是把这个核的中心挪到这个像素的位置再进行处理,这是图像处理中很常见的操作,叫图像卷积
    中值滤波
    对于一个3x3的图,中间有一个白色噪点的情况,使用中值滤波则会把这个白点涂黑,从而达到去除噪声的目的。下面是一个示例代码:

    mask = cv2.medianBlur(mask, 7)

    用7x7的核对图像做中值滤波,效果如下:
    中值滤波效果
    其他类型的滤波器基本上只是核里面填充的值不一样,对图像卷积后就产生了不同的作用,如索贝尔算子卷积后能得到图像的梯度。这些滤波器的值都是经过了人为设计,而近几年很火的深度学习技术中有一种卷积神经网络(CNN),它的原理就是各种滤波器的叠加,这些滤波器的值是靠它自己根据训练数据学习后自己填充的。

    算法加速

    图像卷积操作的耗时与核的大小成正相关,假如图像大小是NxN,核大小是KxK,则时间复杂度接近O(N*N*K*K)。

    我了解到在用十字架核对图像做膨胀操作时有一种快速的方法,复杂度是O(N*N)。具体请参考这里。大概原理是先求每一个点离最近的白色点的曼哈顿距离,然后再遍历一次存放距离的图,把小于K的地方都设为白色。我在MacBook Pro的i5-5257U CPU上测试了11x11的十字架核在640x360的图上用OpenCV处理的用时是20-30ms,但使用上面的方法用时与核大小无关,用时稳定在2-3ms。

    对于有些滤波器还可以采用一种叫可分离卷积的方法加速。数学上的原理可以参考维基,本质是利用了线性操作的结合性,卷积是线性操作,矩阵乘法也是,因此可以把某些可拆分成两个向量相乘的滤波器从原来的直接卷积变成两个向量分别卷积。以下是索贝尔算子求x方向梯度拆分的样子。
    可分离卷积
    复杂度从O(N*N*K*K)变成O(N*N*K)。

    展开全文
  • MATLAB图像处理_感悟和总结

    千次阅读 2015-01-16 14:56:01
    两个星期的图像处理研究学习差不多告一段落; 真的应了一句话,只有你接触某个领域,才真正可以体会到某个领域的魅力所在: 到目前为止

        两个星期的图像处理研究学习差不多告一段落;

        真的应了一句话,只有你接触某个领域,才真正可以体会到某个领域的魅力所在:

        到目前为止,学习的一些图像处理知识,都是最基础的,其实和机器学习、计算机视觉、人工智能等方面比起来,只是小菜一碟;感觉图像处理方面的知识博大精深,确实如此,这是一项研究生花两年的时间都不一定能掌握好的东西。只能说和嵌入式方向一样,都是水比较深。搞过这个之后,才深知自己的数学知识没学到位,后悔大学数学没有好好学,现在又有重新学数学的念头了,甚至有考个研究生的冲动了。。。

        是不是很蛋疼的事呢?我也不知道,就是觉得数学在挡我事了,我一定要把它搞定,其实,算法代码谁都会用,但关键你会写么?也许有人说我只要会用就OK了,的确,但如果你会写呢?。。。

        所以,说到底还是数学知识,以前大学里认为学的数学以后根本在实际工作中用不到,现在才发现错了;不是用不到,只是你没碰到!

        现在决定,明年,不,今年的一大重要目标,除了嵌入式、就是数学知识的提高。


        暂定的数学学习计划:

        复习《高等数学》、《线性代数》、《概率论》、《信号与系统》

        前面几个学的感觉自己水平提高到一定程度之后,最少要把那该死的FFT搞透彻;再重拾《数字信号处理》、《数字图像处理》等好书,研究一下,落实到具体的应用、代码上,不至于白学。

        具体什么时候执行,等过完年吧,与其他计划一起执行。


        对于数字图像处理,要学的还很多,可能这段时间会成为工作的一个段落而画上句号,但自己要不断的补充完善:

    可以补充的方面有以下这些:

        图像基础;灰度变换与空间滤波;频率滤波;小波变换

        图像增强;    图像复原;    图像分割; 图像压缩;  图像形态学操作等等;

        目标识别/跟踪、人工智能等;


    以下是一些比较好的网页链接,有空可以多看看:

    http://blog.csdn.net/dcraw/article/details/7617891

    http://blog.csdn.net/dcraw/article/details/7367990


        

        

    展开全文
  • 图像处理的基本步骤:图像获取、滤波与增强、图像复原、彩色图像处理、小波与分辨率处理、压缩、形态学处理、分割、表示与描述、目标识别、第二章 数字图像基础角膜、巩膜外壳、脉络膜、视网膜。视锥细胞亮视觉,视...
    《数字图像处理-冈萨雷斯》笔记
    第一章 绪论
    图像处理实例:伽马射线成像、X射线成像、紫外波段成像、可见光以及红外线成像、微波波段成像、无线电波成像、声波成像。


    图像处理的基本步骤:图像获取、滤波与增强、图像复原、彩色图像处理、小波与分辨率处理、压缩、形态学处理、分割、表示与描述、目标识别、


    第二章 数字图像基础


    角膜、巩膜外壳、脉络膜、视网膜。
    视锥细胞亮视觉,视杆细胞暗视觉。
    韦伯比:类似于光强的分辨率。目标给出响应,比值越小,表示亮度辨别能力越好。
    彩色光源质量因素:发光强度(实际指的是能量)、光通量、亮度。
    数字图像一般默认左上角是原点,x轴向下,y轴向上。
    灰度值跨越的值域非正式地称为动态范围。动态范围定义为最大可度量灰度和最小可检测灰度之比。
    存储图像所需的比特数b = M * N * k (比特数=长*宽*灰度级; b=1024*1024*8);
    等偏爱曲线:人对图像的主观感受跟随图像大小和灰度级之间的关系。


    临接和邻域:
    N4(p) 4领域,
    N8(p) 8领域,
    ND(p) 对角领域。
    邻接:
    四领域和八领域好理解,m邻接的意思是:
    1)q、p在四邻域中;
    2)q在p的对角领域中,并且p和q的四领域没有交集。
    那么就称p、q是m邻接的。


     


    第三章 灰度变换与空间滤波


    一些基本的灰度变换函数
    1、 图像反转:s = L-1-r
    2、 对数变换:s=clog(1+r) 对数变换拉伸对应的灰度值,反对数效果相反。对数变换实现了图像灰度扩展和压缩的功能。它扩展低灰度值而压缩高灰度值,让图像的灰度分布更加符合人的视觉特征。
    3、 gamma变换:   在屏幕上精确显示图像则伽马校正很重要。
    4、 分段线性变换;
    5、 灰度直方图
    6、 灰度直方图均衡:直方图均衡化处理之后,原来比较少像素的灰度会被分配到别的灰度去,像素相对集中, 处理后灰度范围变大,对比度变大,清晰度变大,所以能有效增强图像
    7、 直方图匹配:使其直方图与另一幅图像的直方图或特定函数形式的直方图进行匹配。


    平滑空间滤波
    1、 平滑线性滤波(均值滤波)
    2、 统计排序非线性滤波(中值、最大值、最小值)






    锐化空间滤波
    锐化的主要目的是突出灰度的过渡部分。
    1、 拉普拉斯算子——二阶微分图像锐化
     拉普拉斯算子:
     
    锐化结果:
     
    2、 Sobel算子——一阶微分锐化(边缘检测和边缘增强应用)
    Sobel算子:
     


    第四章 频率域滤波


    傅里叶级数:
      


    卷积:
     




    频域平滑


    1、 ILPF理想低通滤波器
    2、 BLPF巴特沃斯低通滤波器
    3、 GLPF高斯低通滤波器


    频域锐化


    4、 IHPF理想高通滤波器
    5、 BLPF巴特沃斯高通滤波器
    6、 GLPF高斯高通滤波器


     

    第五章 图像复原与重建


    一些重要的噪声类型:
    高斯噪声;瑞利噪声;伽马噪声;指数噪声;均匀噪声;脉冲(椒盐)噪声;


    当仅存在加性噪声的时候,可以选择空间滤波的方法。


    均值滤波器
    算术均值滤波器:
    几何均值滤波器:
    谐波均值滤波器:对盐粒噪声效果较好,不适用于胡椒噪声。他善于处理像高斯噪声那样的其他噪声。
    逆谐波均值滤波器:
     
    Q成为滤波器阶数,Q为正数时消除胡椒噪声,Q为负数时消除椒盐噪声。Q=0时就成为了算术均值滤波器。

    统计排序滤波器
    中值滤波器:
    最大最小值滤波器:
    修正的阿尔法均值滤波器:

    自适应滤波器
    自适应局部降低噪声滤波器:

    自适应中值滤波器:


    展开全文
  • 二、形态学操作 1、什么是形态学操作 2、形态学操作的分类 三、OpenCV中的基本形态学操作 0、核生成的API 1、膨胀 1.API 2.代码展示 3.执行结果 2、腐蚀 一、前言 继续填坑。 如果想看其他有关于OpenCV...

    目录

    一、前言

    二、形态学操作

    1、什么是形态学操作

    2、形态学操作的分类

    三、OpenCV中的基本形态学操作

    0、核生成的API

    1、膨胀

    1.API

    2.代码展示

    3.执行结果

    2、腐蚀


    一、前言

    继续填坑。

    如果想看其他有关于OpenCV学习方法介绍、学习教程、代码实战、常见报错及解决方案等相关内容,可以直接看我的OpenCV分类:

    【OpenCV系列】:https://blog.csdn.net/shuiyixin/article/category/7581855

    如果你想了解更多有关于计算机视觉、OpenCV、机器学习、深度学习等相关技术的内容,想与更多大佬一起沟通,那就扫描下方二维码加入我们吧!

     

    二、形态学操作

    1、什么是形态学操作

    形态学操作本身是图像处理要研究的内容,而计算机视觉要实现相关功能,也要实现图像的处理。在图像处理技术中,有一些的操作会对图像的形态发生改变,这些操作一般称之为形态学操作。讲的再专业一些:

    图像形态学操作是基于形状的一系列图像处理操作的合集,主要是基于集合论基础上的形态学数学。

    2、形态学操作的分类

    了解了什么是形态学操作,我们再来了解一下常用的几个形态学操作:

    首先是两个基本操作

    (1)膨胀:跟卷积操作类似,假设有图像A和结构元素B,结构元素B在A上面移动,其中B定义其中心为锚点,计算B覆盖下A的最大像素值用来替换锚点的像素,其中B作为结构体可以是任意形状。

    (2)腐蚀:腐蚀跟膨胀操作的过程类似,唯一不同的是以最小值替换锚点重叠下图像的像素值。

    其次基于基本操作的操作

    (1)开操作:先腐蚀后膨胀,可以去掉小的对象。

    (2)闭操作:先膨胀后腐蚀,可以填充小对象。

    (3)形态学梯度:膨胀减去腐蚀。

    (4)顶帽:顶帽是原图像与开操作图像之间的差值图像。

    (5)黑帽:黑帽是闭操作图像与原图像之间的差值图像。

     

    三、OpenCV中的基本形态学操作

    可能大家对于定义还是比较模糊,没有直观的感受,接下来,我就以具体的例子,带领大家一起来了解膨胀与腐蚀。

    在讲之前,我们先来了解一下核。

    0、核生成的API

    在形态学中,因为要涉及到区域像素操作,我们就要设计一个核,在核范围内对像素进行操作。所以我们需要创建一个核,在这里,我们用到一个新的API:getStructuringElement()

    我们来看一下API:

    Mat getStructuringElement(
        int shape, 
        Size ksize, 
        Point anchor = Point(-1,-1)
        );

    其函数参数如下:

    (1)int类型的shape,元素形状,可以是cv::MorphShapes之一。

    (2)Size类型的ksize,结构化元素的大小。

    (3)Point类型的anchor,默认值(-1,-1),表示锚定位于中心。请注意,只有十字形元素的形状取决于锚定位置。在其他情况下,锚只是调节形态学操作结果的移动量。

    这里主要说一下第一个参数,该参数主要有如下几种选择:

    (1)MORPH_RECT:矩形结构区域。

    (2)MORPH_CROSS,十字形结构区域。

    (3)MORPH_ELLIPSE,椭圆结构区域,内接于矩形Rect(0,0,esize.width,0.esize.height)的填充椭圆。

     

    1、膨胀

    前面我们讲到,膨胀就是计算B覆盖下A的最大像素值用来替换锚点的像素。我们还记得,像素范围是在[0-255],对于彩图来说,是一个六位的16进制数,如123456,其中12表示前两位,代表红色,34表示中间两位,代表绿色,56表示最后两位,代表蓝色。如果这6位都是最大,即为FFFFFF(255,255,255),图像的水印就是白色,如下图

    纯白色水印

    如果这六位都是最小,即000000(0,0,0),图像水印就是纯黑色,如下图:

    纯白色水印

    我们要使用像素最大值,来替换锚点的像素,也就是用区域内的像素最大的值代替区域内锚点的值,所谓锚点,就是区域的中心点。

    我们考虑最简单的区域,一个3×3的正方形区域,锚点就是正方形区域的中心点,假设我们有下图中这个一维像素数组,

    对于图中黄色区域,由于其中的最大值为255,所以其锚点处(红色数字)由9变为255。

    当所有的都执行完该操作之后,生成的图像如下:

    膨胀

     我们以一幅图像为例,来直观的看一下执行膨胀前后的操作:

    原图与膨胀后的操作

    我们发现,经过膨胀操作,黑色变得更瘦了,我们可以理解为白色膨胀了。

     

    1.API

    讲完了原理,我们来讲一下API

    void dilate(
        InputArray src,
        OutputArray dst, 
        InputArray kernel,
        Point anchor = Point(-1,-1),
        int iterations = 1,
        int borderType = BORDER_CONSTANT,
        const Scalar& borderValue = morphologyDefaultBorderValue()
    );
    

    函数参数含义如下:

    (1)InputArray类型的src,输入图像。通道数可以任意,但深度应为CV_8U、CV_16U、CV_16S、CV_32F或CV_64F之一。。

    (2)OutputArray类型的dst,即目标图像,与输入图像有相同的尺寸和类型。

    (3)InputArray类型的kernel,用于膨胀的结构元素;如果elemenat=Mat(),则使用3 x 3矩形结构元素。可以使用getStructuringElement创建内核。

    (4)Point类型的anchor:锚定在元素中的位置;默认值(-1,-1)表示锚定在元素中心。。

    (5)int类型的iterations:应用膨胀的次数。。

    (6)int类型的borderType:像素外推方法,参见cv::BorderTypes。

    (7)Scalar类型的borderValue:恒定边框时的边框值。

    一般来说,我们只需要设置前三个参数,后面的参数默认即可。

    2.代码展示

    #include<opencv2\opencv.hpp>
    #include<iostream>
    
    using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat src, dst;
    	src = imread("E:/image/girl.png");
    	if (!src.data)
    	{
    		cout << "could not load image !";
    		return -1;
    	}
    	
    	imshow("src", src);
    
    	Mat kernel = getStructuringElement(MORPH_RECT, Size(3,3), Point(-1,-1));
    
    	dilate(src, dst, kernel);
    	imshow("dilate-src", dst);
    
    	waitKey(0);
    	return 0;
    }

    3.执行结果

    原图
    膨胀操作

    2、腐蚀

    前面我们讲到,腐蚀就是计算B覆盖下A的最小像素值用来替换锚点的像素。我们要使用像素最小值,来替换锚点的像素,也就是用区域内的像素最小的值代替区域内锚点的值,所谓锚点,就是区域的中心点。

    我们考虑最简单的区域,一个3×3的正方形区域,锚点就是正方形区域的中心点,假设我们有下图中这个一维像素数组,

    对于图中黄色区域,由于其中的最大值为1,所以其锚点处(红色数字)由9变为1。

    当所有的都执行完该操作之后,生成的图像如下:

    腐蚀

     我们以一幅图像为例,来直观的看一下执行腐蚀前后的操作:、

    通过对比,我们发现,就是黑色的区域变胖了,我们考虑一下腐蚀,比如浓硫酸的腐蚀,越腐蚀,黑色的部分就越多,所以腐蚀就是深色越来越浓,越来越多。

    1.API

    void erode(
        InputArray src,
        OutputArray dst, 
        InputArray kernel,
        Point anchor = Point(-1,-1),
        int iterations = 1,
        int borderType = BORDER_CONSTANT,
        const Scalar& borderValue = morphologyDefaultBorderValue()
    );

    函数参数含义如下:

    (1)InputArray类型的src,输入图像。该函数对通道是独立处理的,且可以处理任意通道数的图片,但需要注意,待处理的图片深度应该为CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F之一。

    (2)OutputArray类型的dst,即目标图像,与输入图像有相同的尺寸和类型。

    (3)int类型的d,滤波过程中使用的每个像素邻域的直径。如果是非正的,则从sigmaSpace计算。

    (4)double类型的sigmaColor ,颜色空间中过滤器sigma。参数值越大,意味着像素邻域(参见sigmaSpace)中的更多颜色将混合在一起,从而产生更大的半等色区域。

    (5)double类型的sigmaSpace,在坐标空间中过滤器sigma。参数值越大,意味着更远的像素将相互影响,只要它们的颜色足够接近(参见sigmaColor)。当d大于0时,它指定邻域大小,而不考虑sigmaSpace。否则,d与sigmaSpace成比例。

    (6)int类型的borderType,用于在图像外部外推像素的边框模式,具体请参见cv::BorderTypes。

     

    2.代码展示

    #include<opencv2\opencv.hpp>
    #include<iostream>
    
    using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat src, dst;
    	src = imread("E:/image/girl.png");
    	if (!src.data)
    	{
    		cout << "could not load image !";
    		return -1;
    	}
    	
    	imshow("src", src);
    
    	Mat kernel = getStructuringElement(MORPH_RECT, Size(3,3), Point(-1,-1));
    
    	erode(src, dst, kernel);
    	imshow("erode-src", dst);
    
    	waitKey(0);
    	return 0;
    }

    3.执行结果

    腐蚀后的图像

     

    好啦今天的内容就讲到这里啦,希望大家能够多多练习,才能真正学懂啊!

    展开全文
  • 图像的形态学操作 接着前面的图像入门,现在介绍一些简单的图像处理方法,同时在介绍方法之后,还会附上Python的实现,主要是基于Opencv这一库来进行实现。 网上关于简单的图像处理的文章有很多很多,后面简单的...
  • 一系列操作基于形状来操作图像形态学操作通过在图像上应用结构元素来产生输出图像。 改变物体的形状,比如腐蚀就是“变瘦”,膨胀就是“变胖”,如下面这张图所示: 然后包括膨胀与腐蚀在内,一系列的这两者各种...
  • 图像处理(图像学习)的基础必备知识

    万次阅读 多人点赞 2016-04-12 22:12:34
    基础储备知识列表(图像必备基础) 1. 图像会表示成一个2D实数矩阵f(x,y),也称为是图像在那个像素的灰度或者是亮度,对于double类型的是0.0黑 1.0白,对于unit8类型是0黑,255是白 2. 图像常见的数字形式...
  • 主要内容:图像获取、图像增强、图像复原、彩色图像处理、(小波变换)、形态学处理、分 割、识别、压缩编码。 基本步骤: 图像获取:利用电磁波不同波段的成像特点进行成像,以及利用其他方式...
  • 图像的形态学操作 接着前面的图像入门,现在介绍一些简单的图像处理方法,同时在介绍方法之后,还会附上Python的实现,主要是基于OpenCV这一库来进行实现。 网上关于简单的图像处理的文章有很多很多,后面简单的...
  • 图像处理的基本步骤:图像获取、滤波与增强、图像复原、彩色图像处理、小波与分辨率处理、压缩、形态学处理、分割、表示与描述、目标识别。 其中数字图像获取到形态学处理(低级图像处理):输入图像->输出图像 ...
  • 深度学习在图像处理领域中的应用综述[J].高教学刊,2018(09):72-74 1.特征表达/提取方法->特征学习 图像特征是指图像的原始特性或属性,可以分为视觉特征或统计特征。视觉特征主要是人的视觉直觉感受的自然特征...
  • 医学图像处理综述

    千次阅读 2019-07-10 19:38:06
    医学图像处理的对象是各种不同成像机理的医学影像,临床广泛使用的医学成像种类主要有X-射线成像 (X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中,主要是通过...
  • OPENCV图像处理基础

    2020-06-28 16:45:54
    OPENCV图像处理基础1.图像处理基础1.1 数字图像1.1.1 数字图像概念:1.1.2 数字...图像基本操作2.1 Opencv中的绘图函数2.2 图像的几何变换2.3 图像滤波与增强2.4 形态学操作2.5 代码实现3.图像分割3.1 图像分割概念3.2
  • Image Morphology(图像形态学

    千次阅读 2017-05-31 19:15:22
    形态学操作原理分析及实际代码展示
  • 《数字图像处理》复习提纲

    千次阅读 2019-06-11 09:44:34
    本文在撰写过程中参考了由何东健教授主编、西安电子科技大学出版社出版的《数字图像处理》(第三版),一切著作权归原书作者和出版社所有。特别感谢长安大学软件系老师的认真负责的教导。 第1章 概论 1.1 数字...
  • 数字图像处理总复习讲义

    千次阅读 多人点赞 2018-12-07 20:13:38
    之前没写完的复习资料放弃了~还是按照老师给的总复习PPT来...数字图像处理:借助于数字计算机来处理数字图像。 图像的来源:主要是电磁能谱,此外还有声波,超声波和电子及计算机产生。 数字图像基础 视觉感知要...
  • 《深度学习在图像处理领域中的应用综述》部分概念解读: 1.特征表达/提取方法->特征学习 图像特征是指图像的原始特性或属性,可以分为视觉特征或统计特征。视觉特征主要是人的视觉直觉感受的自然特征(图像的...
  • 第二章:基本知识 1、 通过图像传感器... 3、 图像处理主要可以分为空间域处理和频率域处理,包括:图像平滑、图像锐化、图像复原和重建、小波和多分辨率处理、图像压缩、形态学处理、图像分割、表示和描述...
  • 这个部分是《opencv-tutorials.pdf》的部分,这部分也是几大部分中例子最多的,其实这个教程的例子都很不错,不过有些看得出来还是c接口的例子,说明例子有些年头了,其实在“opencv/sources/samples”有不同的接口...
  • 医学图像处理的对象是各种不同成像机理的医学影像,临床广泛使用的医学成像种类主要有X-射线成像 (X-CT)、核磁共振成像(MRI)、核医学成像(NMI)、超声波成像(UI)四类。在目前的影像医疗诊断中,主要是通过...
1 2 3 4 5 ... 20
收藏数 1,956
精华内容 782
关键字:

图像处理形态学感受