2019-09-06 00:46:34 zhuhaodonglei 阅读数 55
  • Python+OpenCV3.3图像处理视频教程

    Python+OpenCV3.3图像处理视频培训课程:该教程基于Python3.6+OpenCV新版本3.3.0详细讲述Python OpenCV图像处理部分内容,包括opencv人脸识别、人脸检测、数字验证码识别等内容。是Python开发者学习图像知识与应用开发佳实践课程。

    5244 人正在学习 去看看 贾志刚

图像处理
    图像分类
        单通道图像
            二值图像
            灰度图像
        多通道图像
            索引图像
            彩色图像
    常用方法
        图像变换
            傅立叶变换
            沃尔什变换
            离散余弦变换
            小波变换
        图像编码压缩
            对图像施加某种变换或基于区域、特征进行编码的方法
            最常用的无损压缩算法取空间或时间上相邻像素值的差,再进行编码。如游程码。
            有损压缩算法大都采用图像交换的途径,例如对图像进行快速傅里叶变换或离散的余弦变换。
        图像增强
            空间域
                一些平滑去噪的方法:局部求平均值法和中值滤波
                灰度等级直方图处理
            频域
                低通滤波器可以滤除噪声
                高通滤波器可以增强边缘信息
        图像复原
            图像复原要求对图像降质的原因有一定的了解,一般讲应根据降质过程建立“降质模型”,再采用某种滤波方法,恢复或重建原来的图像。
        图像分割
            传统方法用到连通域,连通域的问题在于阈值的选择
        图像描述
            主要使用深度学习来解决
        图像分类
            参考
                https://blog.csdn.net/jiaoyangwm/article/details/79120601
            步骤
                特征提取
                特征编码
                特征汇聚
                分类器
                    支持向量机
                    K 近邻
                    神经网络
                    随机森林
        检测
            直线检测:霍夫变换
            边缘检测
                参考
                    https://blog.csdn.net/u013270326/article/details/81412566
                算子
                    Sobel
                    Roberts
                    Laplacian
                    Canny
        特征提取
            参考:https://blog.csdn.net/Assure_zhang/article/details/80503196
    神经网络发展
        贝叶斯网络
        SVN(支持向量机)
        BP:反向传播进行参数调整网络
        CNN:卷积神经网络
        RNN:循环神经网络

2018-10-29 18:45:30 lgyuWT 阅读数 1131
  • Python+OpenCV3.3图像处理视频教程

    Python+OpenCV3.3图像处理视频培训课程:该教程基于Python3.6+OpenCV新版本3.3.0详细讲述Python OpenCV图像处理部分内容,包括opencv人脸识别、人脸检测、数字验证码识别等内容。是Python开发者学习图像知识与应用开发佳实践课程。

    5244 人正在学习 去看看 贾志刚

选定的图像,图形或物体,对待处理的图像进行遮挡,来控制图像处理的区域或处理过程。用于覆盖特定图像或物体称为掩模或模板。光学图像处理中,掩模可以做胶片、滤光片等。数字图像处理中,掩模为二维矩阵数组,有时也用多值图像。

数字图像处理中,图像掩模主要用于:

  1. 提取感兴趣区,用预先制作的感兴趣区掩模与待处理图想相乘,得到感兴趣图像,感兴趣内图像值保持不变,而区外图像值都为0.
  2. 屏蔽作用,用掩模对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数计算,或进队屏蔽区做处理统计。
  3. 结构特征提取,用相似性变量或图像匹配方法检测和图像中与淹没相似的结构特征。
  4. 特殊形状图像的制作。用选定的图像、图形或物体,对待处理的图像进行遮挡,来控制图像处理的区域或处理过程。用于覆盖特定的特定图像或物体称为掩模或模板。

掩模是一种图像滤波的模板,实用掩模经常处理的是遥控图像。当提取道路或者河流,或者房屋时,通过一个n*n的矩阵来对图像进行像素过滤,然后将我们需要的地物或者标志突出显示出来。这个矩阵就是一种掩模。

2014-03-31 11:34:33 Linoi 阅读数 5138
  • Python+OpenCV3.3图像处理视频教程

    Python+OpenCV3.3图像处理视频培训课程:该教程基于Python3.6+OpenCV新版本3.3.0详细讲述Python OpenCV图像处理部分内容,包括opencv人脸识别、人脸检测、数字验证码识别等内容。是Python开发者学习图像知识与应用开发佳实践课程。

    5244 人正在学习 去看看 贾志刚

专栏地址:http://blog.csdn.net/column/details/imagep.html

本篇博客主要记录Image图像处理软件的基本图像处理,包括黑白图像、图像柔化、图像锐化。


图像黑白化

现在我们得到的大多数图像都是彩色图像,那么如果想要把它变成黑白图像,该怎么操作呢?

一个简单的方法就是——利用cvtColor实现。

cvtColor的原型如下:

C++: void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0 )

在cvtColor中利用CV_BGR2GRAY, CV_RGB2GRAY就可以实现从RGB图像转换为黑白图像。

转换公式如下:

\text{RGB[A] to Gray:} \quad Y  \leftarrow 0.299  \cdot R + 0.587  \cdot G + 0.114  \cdot B


Code:

void MainWindow::on_actionBlackWhite_triggered()
{
    cv::Mat bw;
    cv::cvtColor(image,bw,CV_BGR2GRAY);
    QImage bimg = QImage((const uchar*)(bw.data),bw.cols,bw.rows,QImage::Format_Indexed8);
    ui->Imagedisplaylabel->setPixmap(QPixmap::fromImage(bimg));
    //ui->Imagedisplaylabel->setScaledContents(true);
    //ui->Imagedisplaylabel->resize(ui->Imagedisplaylabel->width(),ui->Imagedisplaylabel->height());

}


Example:


References:

彩色空间及cvtColor解析




图像柔化

图像柔化其实也就是图像模糊(平滑),算是一个非常简单的操作。


Code:

void MainWindow::on_actionSmooth_triggered()
{
    cv::Mat Smooth;
    cv::namedWindow("Ori");
    cv::imshow("Ori",image);
    cv::GaussianBlur(image,Smooth,cv::Size(5,5),5);
    cv::namedWindow("S");
    cv::imshow("S",Smooth);
}


Example:




图像锐化

所谓图像锐化就是要突出图像的边缘信息,加强图像的轮廓特征,以便于人眼的识别。图像锐化是与图像平滑相反的一类处理。它主要分为:空域处理方法和频域处理方法。这里要讲的是类似Photoshop的unsharpe mask锐化,从概念上讲,unsharpe mask就是首先从原图上生成一个模糊拷贝,用原图减去这个拷贝,得到原图的边界,类似于经过一次高斯过滤查找到图像的边界。这个图像边界就是我们需要的mask。

整个锐化过程如下所示:


(上图改进方案见文献Image Enhancement via Adaptive Unsharp Masking

一个简单的实例:


Code:

void MainWindow::on_actionSharpe_triggered()
{
    cv::namedWindow("ori_s");
    cv::imshow("ori_s",image);
    cv::Mat sharpe;
    cv::GaussianBlur(image,sharpe,cv::Size(5,5),5);
    cv::addWeighted(image,1.5,sharpe,-0.6,0,sharpe);
    cv::namedWindow("sharpe");
    cv::imshow("sharpe",sharpe);
}

Example:


References:

SHARPENING: UNSHARP MASK

GUIDE TO IMAGE SHARPENING

Unsharp masking[Wikipedia]

利用unsharp mask锐化图像



更多图像处理资源,请关注博客:LinJM-机器视觉微博:林建民-机器视觉

2017-09-24 16:11:39 u013488089 阅读数 957
  • Python+OpenCV3.3图像处理视频教程

    Python+OpenCV3.3图像处理视频培训课程:该教程基于Python3.6+OpenCV新版本3.3.0详细讲述Python OpenCV图像处理部分内容,包括opencv人脸识别、人脸检测、数字验证码识别等内容。是Python开发者学习图像知识与应用开发佳实践课程。

    5244 人正在学习 去看看 贾志刚
2017-09-23 14:05:42 hhy_csdn 阅读数 2311
  • Python+OpenCV3.3图像处理视频教程

    Python+OpenCV3.3图像处理视频培训课程:该教程基于Python3.6+OpenCV新版本3.3.0详细讲述Python OpenCV图像处理部分内容,包括opencv人脸识别、人脸检测、数字验证码识别等内容。是Python开发者学习图像知识与应用开发佳实践课程。

    5244 人正在学习 去看看 贾志刚
写在前面:本教程由西安电子科技大学 电子工程学院 全光吉教授学院选修课《视频图像处理》英文讲稿修改而来。本博客做了相关内容的翻译和些许修改。在必要的地方对教程涉及到的代码进行了解释。

Chapter 1 Introduction

一、课本与参考书籍
《Introduction to Digital Image Processing with MATLAB》
PDF版下载链接:http://download.csdn.net/download/ZhuolovLing/1715334
《Digital Image Processing》
PDF版下载链接:
https://www.ebookee.net/Digital-Image-Processing-3rd-Edition_1863898.html

二、正式开始:如何衡量图像处理的好坏程度

2.1客观评价标准

引入概念:
MSE(Mean Squared Error)均方误差
均方误差公式

PSNR(Peak Signal to Noise Ration)峰值信噪比
峰值信噪比的计算
通常在经过影像压缩之后,输出的影像通常都会有某种程度与原始影像不一样。为了衡量经过处理后的影像品质,我们通常会参考PSNR 值来认定某个处理程序够不够令人满意。
有关峰值信噪比的详细知识可以在下面的网站得到:
http://fengzirufengsifeng.blog.163.com/blog/static/2182150222013467127148/

2.2主观评价标准

引入概念:

结构相似性 SSIM(Structure Similarity)

结构相似性的计算公式

结构相似性是一种衡量两张图片相似性的评价指标,通常评价的两张图片,一张是未经处理的原始图片,另一张是经过图像处理的失真图片。SSIM在衡量图片质量方面有着出色的表现,详情可以参考百度百科:https://baike.baidu.com/item/SSIM/2091025?fr=aladdin

三、 图像处理的应用

图像处理都有哪些应用呢?
图像锐化(Image Sharpening)
图像去噪(noise removal)
图像超分辨(Super Resolution)
图像边缘检测(edge-detection)
等等

四、 图像采样与数字图像的获取

在做数字图像处理之前,我们首先要获得一份数字图像的样本。
4.1 信号的采样
我们首先来复习一下关于信号采样的相关知识。
对于一个一维连续信号,比如随时间变化的正弦信号
x(t) = sin(t)
第一次,在一个周期内取10个采样点,第二次,在一个周期内取100个采样点。之后我们将采到的数据点画出来,并将其看做是对原始信号的一个复原。常识告诉我们,在一个周期内采100个点有很大概率比采10个点的效果要好得多。
前人已经将采样信号能否复原原始信号的规律总结了出来,即奈奎斯特采样定律:若要完全复原原始信号,采样的频率至少要为信号最大频率的2倍。
详细介绍在奈奎斯特定理

4.2 低通滤波器
下面介绍低通滤波器(Low-pass filter LPF)。
低通滤波器允许频率低于截止频率(cutoff frequency)的信号通过,并将高于截止频率的信号以相应的衰减。低通滤波器的频率响应将取决于它的具体设计。低通滤波器在音频处理领域通常还被叫做高截止滤波器或三倍截止滤波器。此外,低通滤波器是高通滤波器的组成之一。
低通滤波器

4.3 数字图像的获取
CCD 相机
平板扫描仪(Flat-Bed Scanner)
X射线成像与计算机断层成像(CT)
X射线成像

4.4 数字图像的数学描述

我们或许可以把一张平面图片想象成一个二元函数 f(x,y)。一个(x,y)有序实数对可以确定图像上任意一点,它确定的函数值代表了该处像素值的明暗程度,它可是以任意的正实数。
当然我们考虑到任意的实数所占的空间实在是太大了,对于计算机处理可能并不是一个好主意,而且将函数区间分的无限小似乎也没有太多必要,因为无论是人类的视觉辨识能力或者计算机的处理精度都是有上限的。
通常来说,我们倾向于将像素值的明暗程度等分到某一个合适的区间(即,做一系列离散采样),既不太影响计算机处理的精度,也不会对人们的视觉感受造成太大的失真。
比如,对于灰度图片来说(灰度图片的像素点在纯黑和纯白之间变化,没有别的颜色),我们常采取这样的方案:

0.0 (black), 0.003921, 0.007843, … , 1.0 (white)

0/255 (black), 1/255, 2/255, …, 255/255 (white)

0 (black), 1, 2, …, 255 (white)

即f(x,y) 的值只取1到256之间的整数,而且像素点从0(全黑)变化到255(全白)。这样做的好处之一就是每个点的像素值用一个字节(Byte)8个bit就可以表示。
这里写图片描述
这是对上图所做的离散化处理并用MATLAB画出f(x,y)的函数图像。
这里写图片描述

因此,我们可以认为,数字图像就是原始图像采样点组成的一个大矩阵。矩阵中的每个元素成为一个像素(Pixel)。
这里写图片描述

4.5 低通滤波器的MATLAB实现
先占坑,勘察好资源再写

五、再谈图像处理领域分类

5.1 图像增强

5.1.1 图片锐化、散焦图片的去模糊
5.1.2 边缘高亮标注
5.1.3 增强图像对比度、高亮度处理
5.1.4 图像去噪

5.2 图像重构(图像修复)

5.2.1 图像去模糊,由线性运动造成
5.2.2 去光学畸变
5.2.3 去周期性噪声

图像去雨(deraining)
去隔行(deinterlacing)
去马赛克(demosaicking)
图像超分辨(super-resolution)
图像分割(Image Segmentation)

图像处理的MATLAB

博文 来自: hhy_csdn

形态学图像处理

阅读数 2643

图像处理基本知识

阅读数 12319

没有更多推荐了,返回首页