2017-11-24 22:42:45 xxxqcbQ 阅读数 242
  • Tensorflow-图像处理视频教程

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程以图像处理软件Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。

    1241 人正在学习 去看看 唐宇迪

        一直想记录自己图像处理算法修炼心路历程,今天终于鼓足勇气写下第一篇,万事开头难。

        算法写了快4个月了,目前写的比较多的是基础算法,比如通用的圆、直线检测算法,还真不能小瞧这类算法,想在工程上做到又快又准,真的不是一件容易的事情。这里应该算是有bug的,又快又好应当有个明确的量化指标。

        对于圆检测的基本逻辑是:Sobel/Canny算子处理→拿出边界→边界筛选→最小二乘拟合(对噪声很敏感)。


2018-10-16 08:27:01 qq_33810188 阅读数 348
  • Tensorflow-图像处理视频教程

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程以图像处理软件Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。

    1241 人正在学习 去看看 唐宇迪

· 能从硬件结构方面消除不利影响,最好不要从图像算法方面消除不利影响(预防隐患法则)

· 截至目前为止,图像算法没有一个标准的算法流程适合所有的图像处理,所以具体问题具体分析

· 图像算法处理的实际应用遵循海森堡不确定性原则,所以在实际应用中不断优化算法十分必要

· 图像算法处理的实际应用符合墨菲定律,所以图像算法前期的设计隐患一定会在实际应用中产生

· 图像处理算法一定是定量分析算法,模糊不定的处理方式必然会导致问题

· 图像处理问题归根结底是一个数学问题,所以扎实的数学功底必不可少!

---------------------------------------------------------------------------------------------------------------

1.图像算法的设计一定要考虑数据结构类型,不友好的数据结构会使后续的代码结构十分繁琐冗余!

2.无论函数名,还是参数名,在取名的时候千万避免名称相似(例如,如果有一个camsPixels,不可再取一个camPixels,否则在查看代码时,直观上很容易分辨错误!浪费解读代码时间!);

3.不要重复命名函数,否则哪天封装多个带有重复名称的函数时,会出现命名冲突!

4.尽量不要重复造轮子,能够借鉴的代码要借鉴并优化,不断学习别人的代码风格和代码逻辑;

5.一位优秀的算法工程师,也必须是一位不错的软件工程师!

6.

 

 

2008-04-03 16:18:00 dahan_wangtao 阅读数 665
  • Tensorflow-图像处理视频教程

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程以图像处理软件Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。

    1241 人正在学习 去看看 唐宇迪
    浮雕算法:
R=(R-r)+Number
B=(B-b)+Number
G=(G-g)+Number
模糊算法:
取一个像素块(3*35*57*7),求出像素块总的RGB值,然后取平均值做当前像素点的RGB值。
锐化算法:
R=R+(R-r)+Number
B=B+(B-b)+Number
G=G+(G-g)+Number
其中R,G,B是像素对应的RGB值,r,g,b是该点相临像素的RGB值,Number是决定浮雕效果的阀值,取值(100150)之间效果较好。
 
2014-06-07 10:46:19 zhuangxiaobin 阅读数 2432
  • Tensorflow-图像处理视频教程

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程以图像处理软件Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。

    1241 人正在学习 去看看 唐宇迪

这是利用数学算法,进行高难度图像处理的一个例子。事实上,图像处理的数学算法,已经发展到令人叹为观止的地步。

Scriptol列出了几种神奇的图像处理算法,让我们一起来看一下。

一、像素图生成向量图的算法

数字时代早期的图片,分辨率很低。尤其是一些电子游戏的图片,放大后就是一个个像素方块。Depixelizing算法可以让低分辨率的像素图转化为高质量的向量图。

二、黑白图片的着色算法

让老照片自动变成彩色的算法

三、消除阴影的算法

不留痕迹地去掉照片上某件东西的阴影的算法

四、HDR照片的算法

  

 

 

 

所谓"HDR照片",就是扩大亮部与暗部的对比效果,亮的地方变得非常亮,暗的地方变得非常暗,亮暗部的细节都很明显。

实现HDR的软件有很多,这里推荐G'MIC。它是GIMP图像编辑软件的一个插件,代码全部开源。

五、消除杂物的算法

所谓"消除杂物",就是在照片上划出一块区域,然后用背景自动填补。Resynthesizer可以做到这一点,它也是GIMP的一个插件。

六、自动合成照片的算法

根据一张草图,选择原始照片,然后把它们合成在一起,生成新照片。这是清华大学的科研成果

七、美容算法

自动对容貌进行"美化"的算法

 

转载自:http://www.ruanyifeng.com/blog/2011/08/amazing_algorithms_of_image_processing.html

2018-11-28 22:50:27 entoon 阅读数 1160
  • Tensorflow-图像处理视频教程

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程以图像处理软件Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。

    1241 人正在学习 去看看 唐宇迪

在实际应用当中,有时候需要进行图像增强来改善图像的视觉效果。在此问题处理当中,按照颜色可以分为灰度图像增强和彩色图像增强。按照作用域分类,可以分为空域处理和频域处理。

图像空域处理方法通常有灰度变换,直方图均衡,图像平滑和锐化。频域处理有DFT变换,采用滤波的方法进行图像增强。现有的方法自适应的效果都比较差,这里提出一种模糊自适应的方法,利用遗传算法完成图像的增强。

1,选着合适的评价函数,得到图像质量的适应度函数值

2,利用遗传算法,选择,交叉,变异 优化处理

3,得到优化结果,完成图像的自适应增强。
本案例采用beta函数来实现图像灰度变换曲线的自动拟合。相关代码如下
function Incmp_Beta_Result=IncmpBeta(a,b,X)
[m n]=size(X);
aaa=Gammln(a+b)-Gammln(a)-Gammln(b);
for i=1:m
for j=1:n
if X(i,j)<0 | X(i,j)>1
helpdlg(‘变量X的取值范围不在0和1之间’,‘错误!’);
return
end
if X(i,j)==0 | X(i,j)==1
bt(i,j)=0;
else
bt(i,j)=exp(aaa+alog(X(i,j))+blog(1-X(i,j)));
end
end
end

for i=1:m
for j=1:n
if X(i,j)<((a+1)/(a+b+2))
Incmp_Beta_Result(i,j)=bt(i,j)*Betacf(a,b,X(i,j))/a;
else
Incmp_Beta_Result(i,j)=1-bt(i,j)*Betacf(b,a,1-X(i,j))/b;
end
end
end

%//////////////Betacf过程//////////////////////////////
function Betacf_Result=Betacf(a,b,x)
itmax=100;
eps=0.0000003;
am=1;
bm=1;
az=1;
qab=a+b;
qap=a+1;
qam=a-1;
bz=1-qabx/qap;
for m=1:itmax
em=m;
tem=em+em;
d=em
(b-m)x/((qam+tem)(a+tem));
ap=az+dam;
bp=bz+d
bm;
d=-(a+em)(qab+em)x/((a+tem)(qap+tem));
aap=ap+d
az;
bpp=bp+dbz;
aold=az;
am=ap/bpp;
bm=bp/bpp;
az=aap/bpp;
bz=1;
if abs(az-aold)<eps
abs(az)
Betacf_Result=az;
break;
end
end
Betacf_Result=az;

%/////////////计算gama函数程序////////////////////////
function Gammln_result=Gammln(xx)
cof(1)=76.18009173;
cof(2)=-86.50532033;
cof(3)=24.01409822;
cof(4)=-1.231739516;
cof(5)=0.00120858003;
cof(6)=-0.00000536382;
stp=2.50662827465;
half=0.5;
one=1.0;
fpf=5.5;
x=xx-one;
tmp=x+fpf;
tmp=(x+half)log(tmp)-tmp;
ser=one;
for j=1:6
x=x+one;
ser=ser+cof(j)./x;
end
Gammln_result=tmp+log(stp
ser);
%----------programs end here---------------

适应度函数
function [sol eval]=fitnesszq_gray(sol,options)
%实现灰度图像增强的适应度函数
%%遗传算法的适应度函数。公式3-23的编程实现。
%////////////////////////////////////////////////////////////////////
a=sol(1);
b=sol(2);
P=imread(‘my.png’);
[M,N]=size§;
PP=double§;
n=M*N;
%求beta函数
syms t x
B=double(int((t.(a-1)).*((1-t).(b-1)),t,0,1));%分母
lmin=double(min(min§));
lmax=double(max(max§));
%原图像 P 归一化处理得到 G
G=(PP-lmin)/(lmax-lmin);
GP=IncmpBeta(a,b,G);
FP=round((lmax-lmin).GP+lmin);%原图像的变换
count=imhist(uint8(FP));
th=5;
NN=sum(count>th);%求像素个数大于一给定阈值的灰度级的数量
H=0;
co=count/(M
N);
%cc=co>0;
for i=1:256
if co(i)>0
H=H+co(i).*log2(co(i));
end
end
%H=-sum(co.*log2(co));
HH=-H;%求熵
delta=sum(sum(FP.2))/n-(sum(sum(FP))/n).2;%求方差
U=FP./(lmax-1);%模糊变换函数
pmr1=0;pmr2=0;
for i=1:M
for j=1:N-1
pmr1=pmr1+abs(U(i,j)-U(i,j+1));
end
end
for i=1:M-1
for j=1:N
pmr2=pmr2+abs(U(i,j)-U(i+1,j));
end
end
pmr=pmr1+pmr2;
area=sum(sum(U));%模糊几何量
Comp=area./(pmr.^2);
%本节设计的适应度函数
Fitness=log10(NN.*HH.*delta/Comp) %没有加;是为了在运行窗口可以看到运行中的结果

eval=Fitness;
%----------all programs end here---------------
%%%%来自PeP工作室%%%%邮箱matlabcc2018@126.com
https://item.taobao.com/item.htm?spm=a1z10.1-c.w4004-21346770580.6.36127221LMIfNH&id=587675105138

没有更多推荐了,返回首页