2019-04-19 21:48:16 qq_37692302 阅读数 220
  • 机器学习算法实战——神秘奥妙的支持向量机

    支持向量机算法是机器学习的重要算法,如今已应用在图像处理、 语音识别和自然语言处理等方面。本课程详细讲解支持向量机的原理、相关概念、 推导过程和代码实战。包括:Logistic函数、最大化间隔、凸二次优化、核函数、 数据中的噪声点处理等知识。最后用了手写字分类实例,详细讲解了相关的代码实战。

    48 人正在学习 去看看 穆辉宇

目录

一、彩色基础

二、彩色模型

三、色彩转换

四、彩色图像处理基础

五、彩色图像处理

六、彩色图像的噪声

七、彩色图像的压缩

附加知识点


一、彩色基础

彩色定义:彩色是物体的一种属性,他依赖于一下三个方面的因素。

(1)光源——照射光的谱性质或谱能量分布

(2)物体——被照射物体的反射性质

(3)成像接收器(眼睛或成像传感器)——光谱能量吸收性质

二、彩色模型

彩色模型也称彩色空间或彩色系统,是用来精确标定和生成各种颜色的一套规则和定义,它的用途是在某些标准下用通常可接受的方式简化彩色规范。彩色模型通常可以采用坐标系统来描述,而位于系统中的每种颜色都可由坐标空间中的单个点来表示。

RGB模型该模型是工业界的一种颜色标准,是通过对红绿蓝三个颜色亮度的变化以及他们相互之间的叠加来得到各种各样的颜色的,该标准几乎包括了人类视觉所能感知的所有颜色,是目前运用最广的颜色模型之一。

每种颜色出现在红、绿、蓝的原色光谱分量中。RGB原色值位于3个角上;二次色青色、深红色和黄色位于另外3个角上,黑色位于原点处,白色位于远离远点最远的角上。该模型中,灰度沿着连接这两点的直线从黑色延伸到白色。假定所有的颜色值都归一化了。

用RGB彩色模型表示的图像包含三个图像分量,分别于红、绿、蓝三原色相对应。当送入RGB监视器时,这三幅图像在荧光屏上混合产生一幅合成的彩色图像。在RGB空间中,用于表示每一个像素的比特数称为像素深度。

24比特深度的图像通常称为真彩色或全彩色图像。

CMY模型:采用青、品红、黄色三种基本原色按一定比例合成颜色的方法。由于色彩的显示不是直接来自于光线的色彩,而是光线被物体吸收掉一部分之后反射回来的剩余光线所产生的,因此CMY模型又称减色法混合模型。

RGB模型为光的三基色,CMY描述的是颜料的三原色;一般应用于彩色打印机和复印机等。可由RGB转换得到(已经归一化): 
这里写图片描述

CMYK模型:CMY模型中加上黑色。

等量的颜料原色青色、深红色和黄色可以生成黑色,但产生的黑色是不纯的,因此加入第四种颜色——黑色,构成CMYK彩色模型,及“四色打印”

HSI模型:HSI模型是从人的视觉系统出发,直接使用颜色三要素——色调(hue)、饱和度(Sturation)和亮度(Intensity,有时也翻译作密度或灰度)来描述颜色。色调和饱和度统称为色度

@亮度是指人感觉光的明暗程度。光的能量越大,亮度越大。

@色调是彩色最重要的属性,决定颜色的本质,由物体反射光线中占优势的波长来决定,不同的波长产生不同的颜色感觉。由角度表示,反映了该颜色最接近什么样的光谱波长(即彩虹中的哪种颜色)0度为红色,120度为绿色,240度为蓝色。0度到240度覆盖了所有可见光谱的颜色,240度到300度是人眼可见的非光谱色(紫色)

 

@饱和度是指颜色的深浅和浓淡程度,饱和度越高,颜色越深。饱和度的深浅和白色的比例有关,白色比例越多,饱和度越低。

HSV模型:是人们用来从调色板或颜色轮中挑选颜色(例如颜料、墨水等)所采用的的彩色系统之一。HSV表示色调、饱和度和数值。该系统比RGB更接近于人们的经验和对彩色的感知

三、色彩转换

RGB->HSI: 
这里写图片描述 这里写图片描述 
这里写图片描述 
这里写图片描述 
HSI->RGB: 
1. 0<=H<120: 
这里写图片描述 
2. 120<=H<240: 
这里写图片描述 
这里写图片描述 
3. 240<=H<360: 
这里写图片描述 
这里写图片描述

四、彩色图像处理基础

1、伪彩色图像处理
伪彩色图像处理指基于一种指定的规则对灰度值赋以颜色的处理。伪彩色的主要应用是人目视视察和解释单幅图像或序列图像中的灰度级事件。(灰度图像->灰度分层处理->彩色图像)。

伪彩色图像处理有三种方法:灰度分层法、灰度级-彩色变换法、频域滤波法

 

2、灰度分层

将灰度图像中的像素灰度理解为高度,则可以将图像转为三维,通过插入分割平面,将图像划分为不同的“层”,为每一层赋以一种彩色。


3、灰度级到彩色变换

多光谱图像处理中,不同的传感器在不同的频段产生独立的单色图像,常组合为一副彩色图像。

典型的变换传递函数:

4、 频域滤波法

频域滤波法伪彩色处理技术原理示意图:


5、 全彩色图像处理

 

全彩色图像处理技术总的可以分为两大类:

(1)对3个平面分量单独处理,然后将分别处理过的三个分量合成彩色图像,对每个分量的处理技术可以应用到对灰度图像处理的技术上,然后合成彩色图像。

如下线性滤波:

其实彩色图像的处理方法与灰度图像极其类似,很多时候我们把彩色图像分割成各分量的图像,然后使用灰度图像处理方法来处理它们。

(2)直接对彩色像素进行处理。因为全彩色图像至少有3个分量,彩色像素实际上是一个向量,直接处理就是同时对所有分量进行无差别的处理。

令c代表RGB彩色空间的一个任意向量: 
 
c的分量仅是一幅彩色图像在一点处的RGB分量,可以认为彩色分量是坐标(x,y)的函数: 
 
即把彩色图像分解为各分量的灰度图像。 

 

五、彩色图像处理

1、彩色变换
彩色变换主要涉及在单一色彩模型内处理彩色图像的分量,而不是这些分量在不同模型间的转换。 
 

其中f(x,y)是彩色输入图像,g(x,y)是变换或处理后的彩色输出图像,T是在空间邻域(x,y)上对f的操作。

用彩色变换调整图像亮度

g(x,y)=kf(x,y)  0<k<1

HIS彩色空间,可以作简单变换:

$s_{3}=k$r_{3},这里$s_{1}=$r_{1},$s_{2}=$r_{2},仅仅改变亮度分量$r_{3}

RGB彩色空间,3个分量都必须变换:

$s_{i}=k$r_{i} i=1,2,3

CMY空间为一个相似的线性变换集:

$s_{i}=k$r_{i}+(1-k),i=1,2,3
主要思路还是将彩色图像的各分量分开,以灰度图像处理的方式分别处理。 
<1>. 补色; 

在如图所示的彩色环上,与一种色调直接相对立的另一种色调称为补色。

作用:增强嵌在彩色图像暗区的细节

补色变换函数:


<2>. 彩色分层; 

突出图像中特殊的彩色区域对从其周围分离出目标物是很有用的。

基本思路:
(1)显示感兴趣的颜色以便从背景中把它们分离出来;
(2)像模板那样使用由彩色定义的区域,以便进一步处理。

●最直接的方法是沿用灰度分层技术。
●最简单的方法之一是把某些感兴趣区域以外的区域的彩色映射为不突出的自然色。

<3>. 色调和彩色矫正; 

一幅图像的灰度范围也叫做“主调型”,它提供一般彩色强度的分布信息。
➢高主调图像的多数信息集中在高亮度处
➢低主调图像的彩色主要位于低亮度处:
➢中间主调图像位于其中间亮度处
◆正像在单色情况下,彩色图像亮度最好在高亮度和阴影之间均匀分布

<4>. 直方图处理; 

灰度直方图均衡自动地确定一种变换,这种变换试图产生具有均匀的灰度值的直方图。在单色图像情况下能成功处理低、中和高主调图像。
彩色图像是由多个分量组成的,独立地进行彩色图像分量的直方图均衡通常是不明智的,这将产生不正确的彩色
一个更合乎逻辑的方法是均匀地扩展彩色强度,保留彩色本身(即色调)不变
<5>. 平滑和锐化; 

见下
<6>. 基于彩色的图像分割。

见下

2、平滑和锐化
平滑 
 

➢如标量图像一样,该向量分量可以用传统的灰度邻域处理单独地平滑RGB图像的每一个平面得到。

➢用邻域平均值平滑可以在每个彩色平面的基础上进行。

 
锐化 

●采用拉普拉斯算子进行图像锐化处理。
●向量的拉普拉斯被定义为一向量,其分量等于输入向量的独立标量分量的拉普拉斯微分。
●在RGB彩色系统中,向量c的拉普拉斯变换为:

可以通过分别计算每一分量图像的拉普拉斯去计算全彩色图像的拉普拉斯
3、基于彩色的图像分割
HSI彩色空间分割

●在色调图像中描述彩色是很方便的。
●为了在色调图像中分割出感兴趣的特征区,饱和度被用作一个模板图像。在彩色图像分割中强度图像不常使用,因为它不携带彩色信息。
➢H色调图像方便描述彩色
➢S饱和度图像做模板分离感兴趣的特征区➢I强度图像不携带彩色信息,
RGB向量空间分割

●通常用RGB彩色向量分割的结果更好,该方法是直接的。
●(假如目标是在RGB图像中分割特定彩色区域的物体。给定一个感兴趣彩色的有代表性的彩色点样本集,可得到一个彩色“平均”估计,这种彩色是我们希望分割的彩色。

●令这个平均彩色为RGB向量A。Z代表RGB空间中的任意一点,Z和A间的欧氏距离由下式给出,$D_{0}是特定的距离阈值。

如果D(Z,A)<=$D_{0},则Z与A相似

如果D(Z,A)>$D_{0},则Z与A不相似
彩色边缘检测

六、彩色图像的噪声

彩色图像噪声的内容在每个彩色通道中具有相同的特性,但是,可能对不同彩色通道造成的影响不同。

➢个别通道的电子学故障。
➢由于每个彩色通道的相对照射强度的差异造成不同的噪声程度。

七、彩色图像的压缩

➢数据压缩在存储和传输彩色图像中起核心作用,因为描述彩色要求的比特数比描述灰度的数量大3到4倍。
➢作为压缩对象的数据是各彩色像素的分量。
➢压缩是减小或消除冗余度或者不相干数据的处理。

附加知识点

彩色图像:每个像素由R、G、B三个分量表示,每个通道取值范围0~255。数据类型一般为8位无符号整形。

灰度图像: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。

二值图像(黑白图像):每个像素点只有两种可能,0和1.0代表黑色,1代表白色。数据类型通常为1个二进制位。

索引图像:类似于查字典,为了解决彩色图像消耗空间大的问题,一般应用于色彩构成比较简单的场景。
其中,索引图像包括一个数据矩阵X,一个颜色映像矩阵Map。其中Map是一个包含三列、若干行的数据阵列,其中每个元素的值均为[0, 1]之间的双精度浮点型数据。Map矩阵的每一行分别表示红色、绿色和蓝色的颜色值。在MATLAB中,索引图像是从像素值到颜色映射表值的“直接映射”。像素颜色由数据矩阵X作为索引指向矩阵Map进行索引,例如,值1指向矩阵Map中的第一行,值2指向第二行,以此类推。

图中圆圈内的就是索引图像的索引表,下面的就是其对应RGB颜色表。

图中小圆圈处的索引号是5,对应RGB颜色的第5行,所以该处RGB颜色实际是0.2902 0.0627 0.0627

索引图像的作用就是体积小,方便传输,只需要把索引表传输过去,接收方用对应的RGB颜色表还原就行。

2016-09-25 11:27:35 hjrcrj 阅读数 357
  • 机器学习算法实战——神秘奥妙的支持向量机

    支持向量机算法是机器学习的重要算法,如今已应用在图像处理、 语音识别和自然语言处理等方面。本课程详细讲解支持向量机的原理、相关概念、 推导过程和代码实战。包括:Logistic函数、最大化间隔、凸二次优化、核函数、 数据中的噪声点处理等知识。最后用了手写字分类实例,详细讲解了相关的代码实战。

    48 人正在学习 去看看 穆辉宇

数字图像处理主要内容

  1. 图像获取表示和表现:图像模数转换,数字图像打印
  2. 图像复原:提高图像品质(退化原因已知)
  3. 图像增强:提高图像品质(退化原因已知)
  4. 图像分割:计算机把一副图像中的不同物体区分出来
  5. 图像分析:图像的特征提取,分类,识别,理解
  6. 图像重建:根据输入数据,转化出图像
  7. 图像压缩编码:压缩大数据量图像,便于存储和传输

数字图像

表示

用一个MxN矩阵,左上角(0,0),右下角M-1,N-1,表示图像,矩阵每一个元素都是一个像素。

灰度

灰度值0-255,表示从暗到明,用不同灰度值把采样的连续值表示出来。

颜色

每一个像素,用RGB三个值表示,三个值取值范围都是[0-255],共有255*255*255种可能,可以表示很多颜色,

分类

  1. 矢量图:用公式描述一幅图像,数据量小且缩放图像不失真,不易制作色彩丰富图像。
  2. 位图:用像素矩阵表示,色彩丰富,数据量大。

图像增强

灰度变换

灰度范围从[a,b]分段线性变换或非线性变换到[c,d]。

直方图

灰度级的函数,所有灰度出现频率统计的结果,与位置无关。
,反应了图像中每一灰度级出现的次数或频率。

均衡化

把分布集中的直方图,图像形状不变,均匀分布,增强图像对比度。

规定化

直方图按照设定的规则变化。

图像平滑

噪声

图像中,本不该出现的内容,频域中高频分量。

模板卷积

一个存储加权系数的3x3矩阵,与原图像函数卷积运算

卷积

函数A作用到函数B,设定一个区间,加权这段区间中A对B的所有影响,权值一般随时间递减或递增。

邻域平均

卷积模板实现用一个像素A相邻的像素的平均值或加权平均值表示像素A,然后把卷积算子与原图像卷积。

中值滤波

以像素中心做正方形窗,窗内所有灰度值从小到大排序,取中值作为输出结果,把窗内的所有值都换成这个中值。

图像平均

同一景物的多幅图像的矩阵累加,再取平均值。

图像锐化

梯度算子

图像是在x,y轴上的矩阵,梯度矩阵就是根据偏导x,和偏导y组成的矩阵,梯度就是求偏导,就是高中学的斜率,反应图像灰度变化的情况,二阶微分就是求两次导也叫二阶偏导,反应变化的变化率。和路程除以时间等于速度,速度求导等于加速度之类的类似。

拉普拉斯算子

实现在x和y方向求2阶偏导的一个2x2卷积矩阵。

锐化

把一个图像f(x,y)与梯度算子或拉普拉斯算子卷积后得到的矩阵就是锐化后的图像

非锐化滤波

原图像矩阵减去锐化后的矩阵

高频增强滤波

原图像矩阵加上锐化后的矩阵

伪彩色处理

  1. (时域)把不同灰度区间用不同的颜色表示
  2. (频域)不同频率用不同颜色表示

同态滤波

根据光照变化,自动调整图像质量

2016-09-20 18:34:30 heyuchang666 阅读数 3590
  • 机器学习算法实战——神秘奥妙的支持向量机

    支持向量机算法是机器学习的重要算法,如今已应用在图像处理、 语音识别和自然语言处理等方面。本课程详细讲解支持向量机的原理、相关概念、 推导过程和代码实战。包括:Logistic函数、最大化间隔、凸二次优化、核函数、 数据中的噪声点处理等知识。最后用了手写字分类实例,详细讲解了相关的代码实战。

    48 人正在学习 去看看 穆辉宇
数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。在计算机中,按照颜色和灰度的多少可以将图像争为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型。目前,大多数图像处理软件都支持这四种类型的图像。

(1) 二值图像:

        一幅二值图像的二维矩阵仅由0、1两个值构成,“0”代表黑色,“1”代白色。由于每一像素(矩阵中每一元素)取值仅有0、1两种可能,所以计算机中二值图像的数据类型通常为1个二进制位。二值图像通常用于文字、线条图的扫描识别(OCR)和掩膜图像的存储。

(2) 灰度图像:

        灰度图像矩阵元素的取值范围通常为[0,255]。因此其数据类型一般为8位无符号整数的(int8),这就是人们经常提到的256灰度图像。“0”表示纯黑色,“255”表示纯白色,中间的数字从小到大表示由黑到白的过渡色。在某些软件中,灰度图像也可以用双精度数据类型(double)表示,像素的值域为[0,1],0代表黑色,1代表白色,0到1之间的小数表示不同的灰度等级。二值图像可以看成是灰度图像的一个特例。

(3) 索引图像:

        索引图像的文件结构比较复杂,除了存放图像的二维矩阵外,还包括一个称之为颜色索引矩阵MAP的二维数组。MAP的大小由存放图像的矩阵元素值域决定,如矩阵元素值域为[0,255],则MAP矩阵的大小为256ⅹ3,用MAP=[RGB]表示。MAP中每一行的三个元素分别指定该行对应颜色的红、绿、蓝单色值,MAP中每一行对应图像矩阵像素的一个灰度值,如某一像素的灰度值为64,则该像素就与MAP中的第64行建立了映射关系,该像素在屏幕上的实际颜色由第64行的[RGB]组合决定。也就是说,图像在屏幕上显示时,每一像素的颜色由存放在矩阵中该像素的灰度值作为索引通过检索颜色索引矩阵MAP得到。索引图像的数据类型一般为8位无符号整形(int8),相应索引矩阵MAP的大小为256ⅹ3,因此一般索引图像只能同时显示256种颜色,但通过改变索引矩阵,颜色的类型可以调整。索引图像的数据类型也可采用双精度浮点型(double)。索引图像一般用于存放色彩要求比较简单的图像,如Windows中色彩构成比较简单的壁纸多采用索引图像存放,如果图像的色彩比较复杂,就要用到RGB真彩色图像。

(4) RGB彩色图像:

        RGB图像与索引图像一样都可以用来表示彩色图像。与索引图像一样,它分别用红(R)、绿(G)、蓝(B)三原色的组合来表示每个像素的颜色。但与索引图像不同的是,RGB图像每一个像素的颜色值(由RGB三原色表示)直接存放在图像矩阵中,由于每一像素的颜色需由R、G、B三个分量来表示,M、N分别表示图像的行列数,三个M x N的二维矩阵分别表示各个像素的R、G、B三个颜色分量。RGB图像的数据类型一般为8位无符号整形,通常用于表示和存放真彩色图像,当然也可以存放灰度图像。
2019-05-25 09:35:48 tuoshao123 阅读数 358
  • 机器学习算法实战——神秘奥妙的支持向量机

    支持向量机算法是机器学习的重要算法,如今已应用在图像处理、 语音识别和自然语言处理等方面。本课程详细讲解支持向量机的原理、相关概念、 推导过程和代码实战。包括:Logistic函数、最大化间隔、凸二次优化、核函数、 数据中的噪声点处理等知识。最后用了手写字分类实例,详细讲解了相关的代码实战。

    48 人正在学习 去看看 穆辉宇

数字图像处理---高斯噪声

import cv2 as cv
import numpy as num
import random
#彩色图像读取
NoiseImg=cv.imread("H:\\tupian\\image\\logo.png",1)
#展示原图进行对比
cv.imshow("origin",NoiseImg)
#列表存取图像长、宽
size=NoiseImg.shape
#索引每一个像素点
for i in range(size[0]):
      for j in range(size[1]):
            for k in range(3):
                  #为每一个像素点加上随机高斯噪声
                  NoiseImg[i,j,k]=NoiseImg[i,j,k]+random.gauss(0,10)
                  #对像素进行限界处理
                  if NoiseImg[i,j,k]<0:
                        NoiseImg[i,j,k]=0
                  elif NoiseImg[i,j,k]>255:
                        NoiseImg[i,j,k]=255
            k=0
cv.imshow("change",NoiseImg)
cv.waitKey(0)
cv.destroyAllWindows

效果图对比

链接
 [

2014-06-29 12:40:21 u012771236 阅读数 12712
  • 机器学习算法实战——神秘奥妙的支持向量机

    支持向量机算法是机器学习的重要算法,如今已应用在图像处理、 语音识别和自然语言处理等方面。本课程详细讲解支持向量机的原理、相关概念、 推导过程和代码实战。包括:Logistic函数、最大化间隔、凸二次优化、核函数、 数据中的噪声点处理等知识。最后用了手写字分类实例,详细讲解了相关的代码实战。

    48 人正在学习 去看看 穆辉宇
前面已经说了,数字图像处理是指通过计算机对数字图像进行去除噪声增强复原分割提取特征等处理的方法和技术。

其主要目的有三个方面:
  1. 提高图像的视感质量,如进行图像的亮度、彩色变换,增强、抑制某些成分,对图像进行几何变换等,以改善图像的质量。
  2. 图像数据的变换、编码和压缩,以便于图像的存储和传输
  3. 提取图像中所包含的某些特征或特殊信息,这些被提取的特征或信息往往为计算机分析图像提供便利。提取特征或信息的过程是模式识别或计算机视觉的预处理提取的特征可以包括很多方面,如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。

图像增强(增强图像中的有用信息)

  1. 图像增强是指对图像的某些特征,如边缘轮廓对比度等进行强调或锐化,以便于显示、观察或进一步分析与处理
  2. 增强的首要目标是使处理后的图像比原始图像更适合于特定应用
  3. 主要方法:
    • 空间域: 
      • 点运算(灰度变换、直方图修正法)
      • 区域运算(空间滤波)
    • 频域:
      • 高通滤波、 低通滤波、中值滤波;

灰度变换(gray-scale transformation, GST)是一种空间域上的点运算处理方法,根据一定的关系,逐点改变原图像中每一个像素灰度值的方法(且只跟该点原来的灰度值有关),其表示形式如下:

  • 对于输入图象f(x,y),输出图像g(x,y),T(in)为灰度变换函数,则g(x,y)=T( f(x,y) )。

其主要目的如下:
  • 改善画质,使图像显示效果更加清晰
  • 有选择性地突出图像中感兴趣的特征或抑制某些不需要的特征,使图像与视觉响应特征相匹配(图像增强)

其主要应用如下:
  • 图像求反
  • 对比度拉伸
  • 图像灰度分割(二值化)

图像求反:

这种方法适用于增强嵌入图像暗色区域的白色或灰色细节。
src = imread('Fig0303(a)(breast).tif');
imshow(src);
result = imadjust(src, [0 1], [1 0]);
figure, imshow(result);


对比度拉伸:

(普通线性变换)
src = imread('Fig0316(a)(moon).tif');
imshow(src);
result = imadjust(src, stretchlim(src), [ ]);
figure, imshow(result);


(使用对数变换)
src = imread('Fig0305(a)(spectrum).tif');
imshow(src);
result = im2uint8( mat2gray( log(1 + double(src)) ) );
figure, imshow(result);


图像灰度分割(二值化):

在图像处理领域,二值图像运算量小,并且能够体现图像的关键特征,因此被广泛使用。
src = imread('Fig0409(a)(bld).tif');
imshow(src);
[row clumn] = size(src);
for p = 1:row
    for q = 1:clumn
        if src(p,q)>=125
            src(p,q)=255;
        else
            src(p,q)=0;
        end
    end
end
figure,imshow(src);



  • MATLAB函数小结:


imadjust()

imadjust在数字图像处理中用于进行图像的灰度变换(调节灰度图像的亮度或彩色图像的颜色矩阵),该函数先将图像映射到[0 1],例如uint8类型的图像会先乘以255来决定实际应用中的值。
调用格式:
J = imadjust(I)
将灰度图像 I 中的亮度值映射到 J 中的新值并使 1% 的数据是在低高强度和饱和,这增加了输出图像 J 的对比度值。此用法相当imadjust(I,stretchlim(I))

J = imadjust(I,[low_in; high_in],[low_out; high_out])
将图像I中的亮度值映射到J中的新值,即将low_in至high_in之间的值映射到low_out至high_out之间的值。low_in 以下与 high_in 以上的值被剪切掉了,也就是说,low_in 以下的值映射到 low_out,high_in 以上的值映射到high_out。它们都可以使用空的矩阵[],默认值是[0 1]

J = imadjust(I,[low_in; high_in],[low_out; high_out],gamma)
将图像 I 中的亮度值映射到 J 中的新值,其中 gamma指定描述值I和值J关系的曲线形状。如果gamma小于1,此映射偏重更高数值(明亮)输出,如果gamma大于1,此映射偏重更低数值(灰暗)输出,如果省略此参数,默认为(线性映射)。

newmap = imadjust(map,[low_in; high_in],[low_out; high_out],gamma)
调整索引色图像的调色板map。如果low_in, high_in, low_out, high_out 和 gamma 都是标量,那么对 r,g,b 分量同时都做此映射。对于每个颜色分量都有唯一的映射,当 low_in 和 high_in 同时为1*3向量或者 low_out 和 high_out 同时为1*3向量或者 gamma 为1*3向量时。调整后的颜色矩阵 newmap 和 map 有相同的大小。

RGB2 = imadjust(RGB1,...)
对 RGB 图像 RGB1 的红、绿、蓝调色板分别进行调整。随着颜色矩阵的调整,每一个调色板都有唯一的映射值。

stretchlim() 

 LOW_HIGH = stretchlim(src, tol)
该函数找到对比度扩展图像的对照,可用于imadjust(),
tol =  [LOW_FRACT HIGH_FRACT] 指定图像低像素值和高像素值饱和度的百分比
如果tol是一个标量,tol = LOW_FRACT、HIGH_FRACT = 1 - LOW_FRACT,饱和度等于低像素值和高像素值的百分比。
如果在参数中忽略toll,那么饱和度水平为2%,tol的默认值为[0.01  0.99]。
如果选择tol = 0, LOW_HIGH = [min(I(:)); max(I(:))].

mat2gray()

调用格式:
I = mat2gray(A, [amin amax])
将图像矩阵A中介于amin和amax的数据归一化处理, 其余小于amin的元素都变为0, 大于amax的元素都变为1。I = (A-amin)/(amax-amin)

I = mat2gray(A)
将图像矩阵A归一化为图像矩阵I, 归一化后矩阵中每个元素的值都在0到1范围内(包括0和1)。I = (A-amin)/(amax-amin)

im2uint8()

函数功能: 把图像数据类型转换为无符号八位整型。如果输入图像是无符号八位整型的,返回的图像和
源图像相同。如果源图像不是无符号八位整型的,该函数将返回和源图像相同但数据类型为uint8的图像
(必要时对图像进行调整)。
调用格式:
I = im2uint8(src)
灰度图像src数据类型转换成无符号八位整型的后, 返回。(但src并不发生改变)

RGB2 = im2uint8(RGB1)
把真彩色图像的数据类型转换成无符号八位整型的, 并返回。注意这里并不是将真彩色图像转换成为黑白图像, 这里仅仅改变了图像数据的类型。

I = im2uint8(BW)
把二值图像BW的数据格式转换成uint8格式的, 由于二值图像的图像数据仅仅取0和1, 所以这里的转换效果仅仅是把1映射成255。


没有更多推荐了,返回首页