2019-06-11 13:43:28 qxqxqzzz 阅读数 31
  • Java经典算法讲解

    在面试中,算法题目是必须的,通过算法能够看出一个程序员的编程思维,考察对复杂问题的设计与分析能力,对问题的严谨性都能够体现出来。一个算法的好坏,直接影响一个方法调用的性能,进而影响软件的整体性能。算法是学习所有编程语言的基础,在Java的学习过程中首先也会选择以算法起步,本次课程重点讲解Java开发中常用的基本算法。

    29973 人正在学习 去看看 张中强

1、OCR识别和字符切分算法改进;

2、图像处理算法研究。

 

 

1,连通域 腐蚀 膨胀定义、原理

 

2,gd sgd bgd:原理 区别

3,c++ 和 python 的区别

4,如何解决过拟合问题(训练集上表现好,测试集表现差)

5,图像处理算法与机器学习,非机器学习图像处理

6,ocr识别算法与机器学习,非机器学习ocr识别

7,字符切分算法与机器学习,非机器学习字符切分

8,

2007-07-03 22:32:00 begtostudy 阅读数 7863
  • Java经典算法讲解

    在面试中,算法题目是必须的,通过算法能够看出一个程序员的编程思维,考察对复杂问题的设计与分析能力,对问题的严谨性都能够体现出来。一个算法的好坏,直接影响一个方法调用的性能,进而影响软件的整体性能。算法是学习所有编程语言的基础,在Java的学习过程中首先也会选择以算法起步,本次课程重点讲解Java开发中常用的基本算法。

    29973 人正在学习 去看看 张中强

以往的图像处理函数实现,多是针对图像句柄。算法实现 需要操作复杂的图像文件。

但是,这种方式算法实现和调试的周期比较长。为了加速开外,我在中间插入的矩阵库。因为图像处理算法多是针对矩阵,所以实现和调试比较快。

 

PS:2009.10.27

这是我博客最烂的帖子,但是却有如此多的访问量,唉。

其实算法的代码是不可能公开的,因为算法的关键部分申请了软件著作权的。

不过,其基础图像库和矩阵类,两个部分早已在这个博客里公开了。

图像库:http://code.google.com/p/begtostudy-imagelib/

矩阵类:http://blog.csdn.net/begtostudy/archive/2006/12/18/1448216.aspx

至于核心算法只能去看我的硕士论文了。不过估计你们找不到,呵呵。

2016-09-30 13:38:52 jia20003 阅读数 12841
  • Java经典算法讲解

    在面试中,算法题目是必须的,通过算法能够看出一个程序员的编程思维,考察对复杂问题的设计与分析能力,对问题的严谨性都能够体现出来。一个算法的好坏,直接影响一个方法调用的性能,进而影响软件的整体性能。算法是学习所有编程语言的基础,在Java的学习过程中首先也会选择以算法起步,本次课程重点讲解Java开发中常用的基本算法。

    29973 人正在学习 去看看 张中强

图像处理之积分图算法

一:积分图来源与发展

积分图像是Crow在1984年首次提出,是为了在多尺度透视投影中提高渲染速度。随后这种技术被应用到基于NCC的快速匹配、对象检测和SURF变换中、基于统计学的快速滤波器等方面。积分图像是一种在图像中快速计算矩形区域和的方法,这种算法主要优点是一旦积分图像首先被计算出来我们可以计算图像中任意大小矩形区域的和而且是在常量时间内。这样在图像模糊、边缘提取、对象检测的时候极大降低计算量、提高计算速度。第一个应用积分图像技术的应用是在Viola-Jones的对象检测框架中出现。

二:积分图像概念

在积分图像(Integral Image - ii)上任意位置(x, y)处的ii(x, y)表示该点左上角所有像素之和,表示如下:



从给定图像I从上到下、从左到右计算得到和的积分图像公式如下:


其中(x<0 || y<0) 时ii(x,y)=0, i(x,y)=0

得到积分图像之后,图像中任意矩形区域和通过如下公式计算:



三:代码实现:

积分图像算法的Java代码实现如下:

package com.gloomyfish.ii.demo;

public class IntIntegralImage extends AbstractByteProcessor {
	// sum index tables
	private int[] sum;
	private int[] squaresum;
	// image
	private byte[] image;
	private int width;
	private int height;

	public byte[] getImage() {
		return image;
	}

	public void setImage(byte[] image) {
		this.image = image;
	}
	
	public int getBlockSum(int x, int y, int m, int n) {
		int swx = x + n/2;
		int swy = y + m/2;
		int nex = x-n/2-1;
		int ney = y-m/2-1;
		int sum1, sum2, sum3, sum4;
		if(swx >= width) {
			swx = width - 1;
		}
		if(swy >= height) {
			swy = height - 1;
		}
		if(nex < 0) {
			nex = 0;
		}
		if(ney < 0) {
			ney = 0;
		}
		sum1 = sum[ney*width+nex];
		sum4 = sum[swy*width+swx];
		sum2 = sum[swy*width+nex];
		sum3 = sum[ney*width+swx];
		return ((sum1 + sum4) - sum2 - sum3);
	}
	
	public int getBlockSquareSum(int x, int y, int m, int n) {		
		int swx = x + n/2;
		int swy = y + m/2;
		int nex = x-n/2-1;
		int ney = y-m/2-1;
		int sum1, sum2, sum3, sum4;
		if(swx >= width) {
			swx = width - 1;
		}
		if(swy >= height) {
			swy = height - 1;
		}
		if(nex < 0) {
			nex = 0;
		}
		if(ney < 0) {
			ney = 0;
		}
		sum1 = squaresum[ney*width+nex];
		sum4 = squaresum[swy*width+swx];
		sum2 = squaresum[swy*width+nex];
		sum3 = squaresum[ney*width+swx];
		return ((sum1 + sum4) - sum2 - sum3);
	}

	@Override
	public void process(int width, int height) {
		this.width = width;
		this.height = height;
		sum = new int[width*height];
		squaresum = new int[width*height];
		// rows
		int p1=0, p2=0, p3=0, p4;
		int offset = 0, uprow=0, leftcol=0;
		int s=0;
		for(int row=0; row<height; row++ ) {
			offset = row*width;
			uprow = row-1;
			for(int col=0; col<width; col++) {
				leftcol=col-1;
				p1=image[offset]&0xff;// p(x, y)
				p2=(leftcol<0) ? 0:sum[offset-1]; // p(x-1, y)
				p3=(uprow<0) ? 0:sum[offset-width]; // p(x, y-1);
				p4=(uprow<0||leftcol<0) ? 0:sum[offset-width-1]; // p(x-1, y-1);
				s = sum[offset]= p1+p2+p3-p4;
				squaresum[offset]=s*s;
				// System.out.print("\t[" + offset+"]=" + s);
				offset++;
			}
			// System.out.println();
		}
	}
	
	public static void main(String[] args) {
		byte[] data = new byte[]{1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1};
		IntIntegralImage ii = new IntIntegralImage();
		ii.setImage(data);
		ii.process(7, 3);
		
		int sum = ii.getBlockSum(3, 2, 3, 3);
		System.out.println("sum = " + sum);
	}
}

后续应用相关博文会陆续出炉!
2019-12-05 14:28:08 weixin_42878575 阅读数 59
  • Java经典算法讲解

    在面试中,算法题目是必须的,通过算法能够看出一个程序员的编程思维,考察对复杂问题的设计与分析能力,对问题的严谨性都能够体现出来。一个算法的好坏,直接影响一个方法调用的性能,进而影响软件的整体性能。算法是学习所有编程语言的基础,在Java的学习过程中首先也会选择以算法起步,本次课程重点讲解Java开发中常用的基本算法。

    29973 人正在学习 去看看 张中强


1 前言
智能车辆感知层主要有摄像头、雷达等,其中摄像头是视觉识别的重要元件。智能车辆可以通过摄像头进行交通标识识别,配合其它感知元件进行环境感知。交通信号灯是智能车辆在城市环境中行驶的主要指示信号,如交通信号灯等交通标示识别,是智能车辆进行路径规划、车道动态控制的前提因素。本文介绍了在简单工况下,利用MATLAB图像处理工具箱的相关函数在颜色空间中对信号灯颜色进行分割等操作,然后再通过信号灯形状特征等进行进一步的判断从而识别交通信号灯的简便方法。

2 系统分析
2.1 交通信号灯
道路交通信号灯1是指挥交通运行的信号灯,一般由红灯、绿灯、黄灯组成三个无图案圆形单位组成的一组灯,指导机动车通行。绿灯亮时,准许车辆通行,但转弯的车辆不得妨碍被放行的直行车辆、行人通行;黄灯亮时,已越过停止线的车辆可以继续通行;红灯亮时,禁止车辆通行。
国标GB14887中对道路交通信号灯有明确规定,如发光单元尺寸Φ200mm、Φ300 mm、Φ400 mm三种规格发光单元在信号灯壳体上安装孔的直径分别为Φ200mm、Φ290 mm、Φ390 mm,尺寸允许偏差±2 mm。对于无图案信号灯,出光面直径分别为Φ185mm、Φ275 mm、Φ365 mm,尺寸允许偏差±2 mm;对于有图案信号灯,出光面直径分别为Φ185mm、Φ275 mm、Φ365 mm,尺寸允许偏差±2 mm,图像尺寸符合国标附录。
发光亮度在各个方向上的平均值不低于表1中的最小亮度值,且不大于15000cd/m2。在可观察信号灯点亮区域内,亮度应均匀,在基准轴上的发光亮度的最大值与最小值之比应不大于2。
表1 有图案信号灯最低亮度值
在这里插入图片描述
发光强度在基准轴上不小于150cd,且不大于400 cd,其它方向上的发光强度应不低于表2规定。
表2 有图案信号灯轮廓最低光强
在这里插入图片描述

2.2 彩色视觉

彩色视觉(color vision)是一个生物体或机器基于物体所反射,发出或透过的光的波长(或频率) 以区分物体的能力。颜色可以以不同的方式被测量和量化;事实上,人对颜色的感知是一个主观的过程,即,脑响应当进入的光与眼中的若干种视锥细胞作用时所产生的刺激。
彩色视觉常用颜色空间也称彩色模型(又称彩色空间或彩色系统)描述,它的用途是在某些标准下用通常可接受的方式对彩色加以说明。彩色模型是坐标系统和子空间的阐述。位于系统的每种颜色都有单个点表示。采用的大多数颜色模型都是面向硬件或面向应用的。
其中RGB颜色空间是依据人眼识别的颜色定义出的空间,可表示大部分颜色。以R(Red红)、G(Green绿)、B(Blue蓝)三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,所以俗称三基色模式。在大自然中有无穷多种不同的颜色,而人眼只能分辨有限种不同的颜色,RGB模式可表示一千六百多万种不同的颜色,在人眼看来它非常接近大自然的颜色,故又称为自然色彩模式。
亮度、色调、饱和度三个基本特征来描述;其中亮度是指明暗程度,色调是指光的颜色,饱和度是指颜色的深浅程度。颜色空间2模型如图1所示。
H参数表示色彩信息,即所处的光谱颜色的位置。该参数用一角度量来表示,红、绿、蓝分别相隔120度。
S为一比例值,范围从0到1,它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。S=0时,只有灰度。
V表示色彩的明亮程度,范围从0到1。有一点要注意:它和光强度之间并没有直接的联系。

图1 颜色空间模型在这里插入图片描述

2.3 MATLAB图像处理工具箱
Matlab对图像的处理功能主要集中在它的图像处理工具箱 ( Image Processing Toolbox ) 中,图像处理工具箱是由一系列支持图像处理操作的函数组成,可以进行诸如几何操作、线性滤波和滤波器设计、图像变换、图像分析与图像增强、数学形态学处理等图像处理操作,主要有以下功能模块:
Image Acquisition Toolbox ( 图像采集工具箱)
Image Processing Toolbox ( 图像处理工具箱)
Signal Processing Toolbox(信号处理工具箱)
Wavelet Toolbox(小波分析工具箱)
Statistics Toolbox(统计工具箱)
Bioinformatics Toolbox(生物信息学工具箱)
Matlab其具有上手容易,开发周期短,见效快;程序代码编写量明显减少;提供多种图像处理工具包等特点,比较适合进行图像识别相关工作。
2.4 识别系统方案实施
本文分析了道路交通信号灯色彩特点、图形学特点等特征,结合彩色视觉RGB颜色空间基本特征,并利用Matlab图像处理工具箱进行图像的灰度分割、边缘检测等操作,能够实现多交通信号灯的识别,并制定其系统流程如图2所示:
在这图2  识别系统流程图里插入图片描述
图2 识别系统流程图
其中红色信号灯识别为例,首先将RGB 值转换为相应的色调、饱和度和明度 (HSV) 坐标。rgb 可以是 p×3 颜色图数组或 m×n×3 图像数组。hsv 的大小与 rgb 相同。其次,利用红色色彩特征值,搜索敏感区域识别红色颜色区域;并结合交通信号灯外形特征完成结构元素。再次,对图形结构元素实现二值化图像,填充背景色。
部分主要代码如下:
%hsv三元色图像
hsv=rgb2hsv(a);
h=hsv(:,:,1);
s=hsv(:,:,2);
v=hsv(:,:,3);
figure(2)
imshow(hsv);
title(‘HSV图像’); %转换为hsv图像并显示
bw1=h>0.9|h<0.05; %0.9,0.05
bw1=bw1.*(s>0.5); %检测红色区域
se=strel(‘disk’,3); %创建一个指定半径R的平面结构元素
bw2=imopen(bw1,se); %用结构元素SE实现二值图像的bw1的形态开运算。
bw2=bwfill(bw2,‘holes’); %填充二进制图像的背景色
figure
imshow(bw2)

   依据以上方案在MATLAB环境中完成了整个算法搭建及实现,算法运行正常,随后分别针对网络资源道路交通信号灯图片、实际路况道路交通信号灯图片进行功能测试。

4 试验效果
4.1 网络资源验证
为了验证算法实际效果,首先通过网络资源下载相关交通信号灯图片,利用已完成的算法进行离线交通信号灯识别效果验证,其效果如图3、图4所示;
在这里插入图片描述
图3 网络资源红灯识别效果
在这里插入图片描述
图4 网络资源黄灯识别效果

4.2 实际路况验证进行实际效果检验,其效果如图5、图6所示;

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
图4 实际路口红灯识别效果

根据验证效果分析,利用道路交通信号灯色彩特点、图形学特点等特征,结合彩色视觉RGB颜色空间基本特征,并利用Matlab图像处理工具箱进行图像的灰度分割、边缘检测等操作,可以实现简单路况道路交通信号的识别。

5 结论
本文实现的评估方案是建立在道路交通信号灯色彩和形状特征基础上,利用MATLAB图像处理工具箱相关函数进行识别;相对于基于深度学习的方案,无需进行大量的前期数据采集、标注等工作,可以快速搭建及实现。经过测试可以满足简单路况道路交通信号的识别需求。
下一步计划对色彩干扰、图形干扰等干扰因素进行剔除,提高识别精度;并图像坐标上半区域敏感区域进行筛选,预计减少50%运算量;其次根据实际车速,选取合理的间隔帧,提高实时,可进一步优化方案。

参考文献
1 道路交通信号灯GB14887-2011
2 陈超. MATLAB应用实例精讲[M]. 北京:电子工业出版社,2011.11.

欢迎使用Markdown编辑器

你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:

  1. 全新的界面设计 ,将会带来全新的写作体验;
  2. 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
  3. 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
  4. 全新的 KaTeX数学公式 语法;
  5. 增加了支持甘特图的mermaid语法1 功能;
  6. 增加了 多屏幕编辑 Markdown文章功能;
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
  8. 增加了 检查列表 功能。

功能快捷键

撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G

合理的创建标题,有助于目录的生成

直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的:

项目 Value
电脑 $1600
手机 $12
导管 $1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列 第二列 第三列
第一列文本居中 第二列文本居右 第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:

TYPE ASCII HTML
Single backticks 'Isn't this fun?' ‘Isn’t this fun?’
Quotes "Isn't this fun?" “Isn’t this fun?”
Dashes -- is en-dash, --- is em-dash – is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to-HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ(n)=(n1)!nN\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N 是通过欧拉积分

Γ(z)=0tz1etdt. \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能,丰富你的文章

Mon 06Mon 13Mon 20已完成 进行中 计划一 计划二 现有任务Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法,参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:

张三李四王五你好!李四, 最近怎么样?你最近怎么样,王五?我很好,谢谢!我很好,谢谢!李四想了很长时间,文字太长了不适合放在一行.打量着王五...很好... 王五, 你怎么样?张三李四王五

这将产生一个流程图。:

链接
长方形
圆角长方形
菱形
  • 关于 Mermaid 语法,参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图:

Created with Raphaël 2.2.0开始我的操作确认?结束yesno
  • 关于 Flowchart流程图 语法,参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。


  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

2018-06-21 20:28:04 zx520113 阅读数 462
  • Java经典算法讲解

    在面试中,算法题目是必须的,通过算法能够看出一个程序员的编程思维,考察对复杂问题的设计与分析能力,对问题的严谨性都能够体现出来。一个算法的好坏,直接影响一个方法调用的性能,进而影响软件的整体性能。算法是学习所有编程语言的基础,在Java的学习过程中首先也会选择以算法起步,本次课程重点讲解Java开发中常用的基本算法。

    29973 人正在学习 去看看 张中强

        5、图像滤波(平滑)

        图像滤波(平滑),即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像预处理中不可缺少的操作,其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

        常用的图像滤波算法高斯滤波、均值滤波、中值滤波、双边滤波等。

        卷积的定义:假设被卷积的图像为I,卷积核为K。

        

        I与K的二维离散卷积计算步骤如下:

        首先将K翻转成,然后用K沿着I的每一个位置相乘求和,得到full卷积,,从filter和image刚相交开始做卷积。


        valid卷积:

        当filter全部在image里面的时候,进行卷积运算。

        same卷: 

        当filter的中心(K)与image的边角重合时,开始做卷积运算。

        在OpenCV中通过调用signal.convolve2d()实现卷积。

 

        高斯滤波:高斯滤波(高斯平滑)是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。

        高斯卷积算子的构建:

        首先计算高斯矩阵:

        

        再计算高斯矩阵的和:

        最后用高斯矩阵除以本身的和,即归一化,得到高斯卷积算子:

         

        在OpenCV中,通过调用cv2.getGaussianKernel(ksize,sigma,ktype)实现一维水平方向上的高斯平滑,再进行一维垂直方向上的高斯平滑。

 

        均值平滑:均值滤波,是最简单的一种线性滤波操作,输出图像的每一个像素是核窗口内输入图像对应图像像素的平均值。其算法比较简单,计算速度快,但是均值滤波本身存在着固有的缺陷,即它不能很好地保护图像细节,在去除噪声的同时,也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。但均值滤波对周期性的干扰噪声有很好的抑制作用。

        均值平滑:

        利用矩阵积分,计算出矩阵中任意矩形区域内的和,快速均值平滑:

        

        在OpenCV中,通过调用cv2.blur()实现均值滤波。

 

        中值滤波:中值滤波法是一种非线性平滑技术,将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的中值代替 ,常用于消除图像中的椒盐噪声。中值滤波对脉冲噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊,但它会洗去均匀介质区域中的纹理。

        再OpenCV中,通过调用cv2.medianBlur()实现中值滤波。

 

        双边滤波:双边滤波(Bilateral filter)是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的,具有简单、非迭代、局部的特点,能够对低频信息进行较好的额滤波。双边滤波器的好处是可以做边缘保存,这个特点对于一些图像模糊来说很有用。

        双边滤波根据每个位置的领域,对应该位置构建不同的权重模板,首先,构建winH*winW的空间距离权重模板,与构建高斯卷积核的过程类似,winH*winW均为奇数,0<=h<winH,0<=w<winW。

        

        然后,构建winH*winW的相似权重模板,是通过(r,c)处的值与其领域值得差值的指数衡量。

        

        最后将closenessWeight和similarityWeight的对应位置相乘,然后进行归一化,便可得到改位置的权重模板,将所得到的权重模板和该位置领域的对应位置相乘求和,最后就得到该位置的输出值。

        在OpenCV中,通过调用cv2.bilateralFilter()实现双边滤波。

        联合双边滤波与双边滤波不同之处在于,双边滤波是根据原图对每一个位置,通过该位置和其领域的灰度值的差的指数来估计相似性;而联合双边滤波是首先对原图进行高斯平滑,根据平滑的结果,用当前的位置及其领域的值得差来估计相似性权重模板。

没有更多推荐了,返回首页