2005-04-30 17:30:00 zhangyuk 阅读数 12266

   图像处理简介

 

计算机数字图像处理(简称图像处理)起源于60年代中期,美国NASA用计算机技术处理卫星传回的图像信息。60年代后期,图像处理随着CTX光机、超声波仪器等在医学领域广泛使用而转向民用。现在,图像处理技术在航空航天、军事、工业自动化检测、安全识别、娱乐等领域得到广泛应用。

 

       在图像处理领域,对图像的基本操作是图像变换和图像分析。前者用某种方式改变图像,后者仅仅根据图像的信息得出一定的结论。对图像的灰度调节、几何变换等操作属于图像变换;测量两个物体距离、计算物体面积等操作属于图像分析。在具体的应用中,往往先对图像进行一定的变换,使图像上的特征更加突出,然后对图像进行分析。

       图像分类

 

       计算机图像大致可以分为:二值图像、灰度图像和彩色图像三种。

       二值图像中,每个像素要么是黑,要么是白。理论上,二值图像的每个像素只需要一个bit表示:0表示黑,1表示白。但是有时为了处理方便,仍然用每个像素8bit的方式存储二值图像。在图像处理中,二值图像是非常有用的,二值图像能够清晰地呈现物体的轮廓,这种非01的图像在很多图像处理算法中是必须的。例如,文字识别、轮廓分析等。下面的左图是原始图像,右图是它的二值图像。

        

把一个图像转换成二值图像的操作叫做“二值化”。“二值化”的关键是选取合适的“阈值”,低于这个阈值的像素被转换成黑色,高于这个阈值的像素被转换成白色。当然,在商品化的软件包中,二值化的时候除了阈值还考虑其他的因素。

       计算机图像的另一种格式是灰度图像。灰度图像的每个像素通常用一个byte表示,分别代表256个灰度级。人眼能够识别的灰度级大约是100个。通常,最高的灰度级(255)呈现最亮的像素,最低的灰度级(0)呈现最暗的像素,在最暗和最亮的像素之间有256个不同的灰度级。

       在计算机处理中,彩色图像的色彩信息可以用多种方式呈现,这些表示彩色图像的不同呈现方式叫做图像的“色彩空间”。彩色图像通常使用RGB彩色空间和HSL彩色空间。RGB彩色空间使用三原色呈现图像色彩。HSL通常使用色相、饱和度和亮度呈现图像色彩。

 

       有时,图像的色彩信息是必要的。比如,从红苹果中挑出青苹果,就必须使用色彩信息。有的时候色彩信息是没有必要的,这时候通常把彩色图像转换成灰度图像或二值图像。比如文字识别,通常用二值图像处理即可。有些图像处理算法,只能用于灰度图像和二值图像。

 

       有时,使用不同的色彩空间可以简化问题的处理。比如,判定两个物体颜色是否相同,如果用RGB色彩空间,就需要分别比较RGB值,但是如果把图像转换成HSL色彩空间,那么只要比较hue的值就可以了。

       合理地运用二值图像、灰度图像、彩色图像以及彩色图像的不同色彩空间,是进行图像处理的第一步。

作者简介:张昱(e-zhangyu@vip.sina.com

 

 

 

 

 

 

 

2016-05-23 16:36:01 American199062 阅读数 2083

1. PS中的颜色替换工具

打开前景色拾色器,设置Photoshop CS6前景色

1.“模式”选项可以调整替换颜色与底图的混合模式

选择模式:色相,涂抹后效果(色相是调整图像颜色的形式,得到不同颜色图像)

选择模式:饱和度,涂抹后效果(饱和度是得到新旧不同的图像;明暗是调整图像中的光线强弱)

这样可以免去勾画选区的步骤,节省时间

 

2.图像的类型,位图式与矢量式图像

图像是以数字方式来记录、处理和保存的,所以图像也可以说是数字化图像。图像类型大一致可以分为以下两种:矢量式图像与位图式图像。

(1)矢量式图像 

矢量式图像以数学描述的方式来记录图像内容。它的内容以线条和色块为主,例如一条线段的数据只需要记录两个端点的坐标、线段的粗细和色彩等。因此它的文件所占的容量较小,也可以很容易地进行放大、缩小或旋转等操作,并且不会失真,可用以制作3D图像。但这种图像有一个缺点,即不易制作色调丰富或色彩变化太多的图像,而且绘制出来的图形不是很逼真,无法像照片一样精确地描述自然界的景观,同时也不易在不同的软件间交换文件。制作矢量式图像的软件有FreeHand 、Illustrator、 CorelDRAW 、AutoCAD等。

(2)位图式图像 

能够制作出颜色和色调变化丰富的图像,可以逼真地表现自然界的景观,同时也可以很容易地在不同软件之间交换文件,这就是位图式图像的优点。而缺点则是它无法制作真正的3D图像,并且图像缩放和旋转时会产生失真现象,同时文件较大,对内存和硬盘空间容量的需求也较高。位图式图像是由许多点组成的,这些点称为像素(pixel)。当许许多多不同颜色的点(即像素)组合在一起后便构成了一幅完整的图像。位图式图像在保存文件时,它需要记录下每一个像素的位置和色彩数据,因此,图像像素越多(即分辨率越高),文件也就越大,处理速度也就越慢。但由于它能够记录下每一个点的数据信息,因而可以精确地记录色调丰富的图像,可以逼真地表现自然界的图像,达到照片般的品质。Adobe Photoshop属于位图式的图像软件,用它保存的图像都为位图式图像,但它能够与其他矢量图像软件交换文件,且可以打开矢量式图像。在制作Photoshop图像时,像素的数目和密度越高,图像就越逼真。

 

3.选框工具(M)

按Shift键则可以画正方形或者正圆;

如果按Alt键可以从中心点绘制矩形或者圆;

如果按ALT+Shift则可以从中心点绘制正方形或者正圆的选框。

如果想取消选框工具选择“选择/取消选区”或者按Ctrl+D组合键。

按Alt+Delete键可填充前景色、按Ctrl+Delete键可填充背景色。

 

4.选择特定的颜色范围

因此,Photoshop又提供了一种比魔棒工具更具有弹性的选择方法——用特定的颜色范围选取。因此,Photoshop又提供了一种比魔棒工具更具有弹性的选择方法——用特定的颜色范围选取。

方法:选择、色彩范围

在色彩范围对话框中间有一个预览框,显示当前已经选取的图像范围。如果当前尚未进行任何选取,则会显示整个图像。该框下面的两个单选按钮用来显示不同的预览方式。

a、Image(图像):选择此单选按钮时,在预览框显示整个图像。

b、Selection(选择范围):选择此单选按钮时,在预览框中只显示出被选取的范围。

 

打开Select下拉列表框,选择一种选取颜色范围的方式。

a、选择Sampled Colors(取样颜色)选项时,用户可以用吸管取颜色。当鼠标指针移向图像窗口或预览框中时,会变成吸管形状,单击即可选取当前颜色。同时可以配合“颜色容差”滑杆进行使用。滑杆可以调整颜色选取范围,值越大,所包含的近似颜色越多,选取的范围就越大。

b、选择红色、黄色、绿色、青色、蓝色和洋红选项遇可以指定选取图像中的6种颜色,此时滑杆不起作用。

c、选择高光、中间调和暗调选项可以选取图像不同亮度的区域。

d、选择Out Of Gamut(溢色)选项可以将一些无法印刷的颜色选取出来。该选项只用于RGB模式下的图像。

 

打开“选取范围预览”下拉列表框,从中选择一种选取范围在图像窗口中显示的方式。

a、None(无):表示在图像窗口中不显示预览。

b、灰度:表示在图像窗口中以灰色调显示未被选取的区域。

c、黑色杂边:表示在图像窗口中以黑色显示未被选取的区域。

d、白色杂边:表示在图像窗口中以白色显示未被选取的区域。

e、快速蒙板:表示在图像窗口中以默认的蒙板颜色显示未被选取的区域。

 

利用ColorRange(颜色范围)对话框中的其他两个吸管按钮,可以用来增加或减少选取的颜色范围。当要增加一个选取范围时,选择有“+”号的吸管;当要减少选取范围时,选择“—”号吸管,然后移动鼠标指针至预览框或图像窗口中单击即可完成。

 

选中Invert(反相)复选框可反转选取范围与非选取范围,效果同单击Select/Inverse命令。

 

当一切设定完毕后,单击OK按钮即可完成范围选取。

注:Color Range对话框中的Load和Save按钮可以用来装入或保存Color Range对话框中的设定。保存后的文件扩展名为.AXT。

快速得到相应颜色的选区,让后用套索工具处理…

 

(3)控制选取范围

相交选取范围,按下Shift+Alt键选取范围的功能相同

复制选区,按下ctrl+alt键,并移动鼠标

按ctrl+t可以对选区实行自由变换,可进行缩放;旋转;斜切;扭曲;透视等

 

5.内容感知移动工具

在人物的外围粗劣地抠图转换成选区

在模式“移动”,按住鼠标左键不放将人物拖到想要的位置

在模式“扩展”,按住鼠标左键不放将人物拖到想要的位置

 

6.剪切工具和透视裁切工具

裁剪工具是以改变画布大小的方式裁剪图像,而透视裁切工具则是以改变图像大小的方式裁剪图像。

 

7.滤镜之“转化为智能滤镜”的使用

Photoshop CS6“转换为智能滤镜”用途: 因为普通的滤镜功能一执行,原图层就被更改为滤镜的效果了,如果效果不理想想恢复,只能从历史记录里退回到执行前。而智能滤镜,就像给图层加样式一样,在Photoshop CS6“图层面板”,你可以把这个滤镜给删除,或者重新修改这个滤镜的参数,可以关掉滤镜效果的小眼睛而显示原图,所以很方便再次修改。这就是Photoshop CS6智能滤镜的好处

导入素材后,点击滤镜、转换为智能滤镜

勾选选区出选区

其它,要打开素材时,不需要通过“文件—打开”方式打开素材,只需要先打开PS,然后将桌面上的图片拖入到PS中,素材就出现在已经打开的图层上面,以节省时间。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2015-12-29 11:21:24 u013088062 阅读数 30196

  最近有人问我图像处理怎么研究,怎么入门,怎么应用,我竟一时语塞。仔细想想,自己也搞了两年图像方面的研究,做个两个创新项目,发过两篇论文,也算是有点心得,于是总结总结和大家分享,希望能对大家有所帮助。在写这篇教程之前我本想多弄点插图,让文章看起来花哨一点,后来我觉得没必要这样做,大家花时间沉下心来读读文字没什么不好,况且学术和技术本身也不是多么花哨的东西。

  一、图像处理的应用

  这个其实没什么好说的,一种技术的应用价值不是靠嘴上说,而是要看有多少人去搞,很简单的道理。其实我觉得判断一项技术有没有价值、有多大价值的最简单最有效的方法就是看有多少人在研究它。如果大家都在研究,那必然说明它很火,至少目前很火,以后的几年里依然还会火。因此,如果你不确定图像处理是不是有价值,那就查查全国图像处理工程师的数量就行了。

当然这里还是简单提一下。如果你真的只想问“图像处理有什么用?”,相信百度会给出比我更专业的答案。不过作为图像处理的行内人,我还是从几个基本的点来具体说一下。

  1、身份认证

  21世纪是刷脸的时代,这一点无可厚非。首先是银行,据说重庆的银行已经使用了人脸识别的验证系统来进行辅助的认证。其次是门禁系统,以前是指纹,虹膜,现在就是人脸。指纹、虹膜的识别虽然准确,但是有侵犯性,采集的过程中有侵犯性,验证的过程中也有侵犯性,反正让谁天天录指纹(采集指纹信息),用眼睛瞪摄像头(采集虹膜信息),谁都会觉得不舒服的,况且手还会脱皮。相比之下,人脸的识别就方便多了,拍张照片(采集人脸信息)谁都不会介意。最后是监控,一个摄像头所拍的监控能从不同的角度记录成百上千的人(比如车站等密集场所的监控),让警察去辨认将是一个浩大的工程,要是系统能够自动判别人员信息,无疑会给办案带来极大方便。

  2、监控安防

  安防监控可以说是图像处理领域最有潜力的应用领域。如今各个城市都在疯狂的安装监控摄像头,全国时刻都有无数的摄像头在录监控,但是安防监控的后端处理却没跟上。什么是后端处理,简单的说就是监控录像的视频处理。注意这里的视频处理可就不止包含人脸识别了,还有行人检测、异常检测、显著性检测、协同跟踪等。人脸识别之前说了,这里简单说说行人异常检测。图像处理中的行人异常检测在外行人眼中是一个非常有魔力的东西。毕竟让摄像头通过监控视频就能判断出当前画面中谁是好人谁是坏人(当然直接分为好人和坏人还是太武断了),在一般思维中貌似是不可能的。但是请不要忽略这样一个事实,就是目前大部分监控视频的分析处理都是由人工来完成的,警察破案时经常动不动就调出最近几天的监控视频,然后从头看到尾,其工程量之大可想而知。也正是这样才催生了人们对智能监控方面的研究,因为有这方面的实际需求。当然我们的视频分析程序不会直接给出诸如“好人or坏人”这样的武断而片面的判断结果。就当前的技术水平而言,能够统计当下监控画面中的人数(行人检测)、定位他们的人脸(人脸检测)、识别他们的身份(人脸识别)、判别他们的表情(表情识别)、检测他们的动作(异常检测),这就已经够了。这样以后人们就不会再面对长达几十甚至上百个小时的监控视频发呆,而是直接分析计算机给出的数据,当前画面中有多少人、都是谁、谁的动作可疑等。总之,接下来智能监控发展会很迅速,因为需求很迫切。

  3、深度学习(Deep Learning)

  通俗的说一句,“图像处理是深度学习应用的天堂”。深度学习这个概念可能有人不太熟悉,大家可以自行百度,我这里给出一个相对通俗的解释:“如果你不知道什么叫深度学习,就想想《终结者》中的T-800”。当然这句话不是我说的,是出自业界的一位大牛之口。当然这可能有点小片面,不过深度学习确实是公认的新一代人工智能的基础。

  这里举两个例子。一是谷歌的人工大脑项目。谷歌公司可以说是深度学习方面的牵头企业了,其在2012年公布的谷歌大脑项目,动用了1.6万个计算节点,训练数周,得到的人工智能模型能够自主识别猫脸图像,为新一代人工智能开辟了道路,之后微软深度学习研究院、百度深度学习研究院等机构都开始大量投入,各个高校也搞得风声水起,原因很简单,大家都知道它会火。

  第二就是图像识别方面的竞赛。最有权威的就是ImageNet竞赛。大家在一个拥有上千万张,上千类别的图像数据库上训练和测试自己的算法,比拼识别率。近几年来,摘得桂冠的一直都是深度学习模型,确切的说是卷积神经网络。更多有关ImageNet历年的竞赛信息大家可以自行百度。

  说道深度学习在图像处理的应用,不得不提中国的汤晓鸥教授,说他是国内深度学习的领头羊也不为过。他提出的DeepID人脸识别算法(一共分为三代),在一些大规模人脸数据库上的正确率(若LFW库)已经达到了99.75%,单纯从数字上讲的话可以说已经超越了人类的识别率,为此汤教授还开办了公司,开发FaceSDK(虽然还没有公布)。不过拿计算机和人脑相比本身就是不合理的,各有所长嘛。不过可见DeepLearning在图像识别领域的强大威力。至于深度学习与图像处理的关系这里就不用多说了,谷歌大脑识别的是图像,深度学习竞赛用的是图像,DeepID识别的还是图像人脸,虽然深度学习在其他方面诸如语音识别等也有应用,在图像处理依然是其主要的应用领域。

  二、图像处理研究工具

  图像处理的研究分为算法研究和应用两个部分。用到的主要编程语言有Matlab、C/C++、Python等,原因很简单,它们都有很多相应的第三方库,不用我们从零开始编程。

  1、Matlab

  MathWork公司的Matlab软件可以说是算法研究的利器,它的强大之处在于其方便快捷的矩阵运算能力和图形仿真能力,单从简洁性和封装性来说,确实完爆其他语言。但高度封装必然会相应的损失一部分灵活性,况且Matlab严格的讲更像是一个工具,而非一门编程语言。顺便提一句,它在2015年编程语言排行榜中位于第20名,仅次于IOS开发的Objective-C。

  对于算法研究人员(尤其是高校的硕士博士),首选工具自然是matlab,因为它简便快捷,封装性好,更重要的是全世界几乎所有的算法大牛、精英教授都会首先公布对应的Matlab源码,然后在逐步改写成其他语言进行实际应用。所以,如果你想做图像处理方面的研究,Matlab是必须掌握的,而且是熟练掌握。当你有一些想法需要验证时,最好明智的先用matlab编写出来测试。如果你上来就用看似高大上的C++来实验,不仅错误BUG一大堆,到头来可能效果还不佳,就算效果好,时间也会耽搁不少,毕竟算法开发还是要快的,这样才能赶在别人之前发论文。总之,只要是接触图像算法,终究逃不过Matlab,就算你是软件开发的,不研发算法,但总得能看懂别人的Matlab算法吧。

  对于之前没怎么接触过Matlab与图像处理的人,在这里推荐一本相关的书籍《MATLAB图像处理实例详解(附光盘)》。这本书对于Matlab图像处理入门还是很有帮助的。记得我当时刚上研究生时就靠两本书入门的,一是冈萨雷斯的《数字图像处理》,二是这本《MATLAB图像处理实例详解》。不过这里友情提示,在看这类教程(不仅仅是Matlab)时千万不要试图去记忆所有的工具函数,这种做法是十分愚蠢的。正确的做法是根据自己的情况快速翻阅这类工具书,可以找出里面的有实际意义的源码来敲一敲练练手感,至于具体的工具函数,只需要知道Matlab提供了这方面的功能就行了,以后用到了再回来查,或者谷歌百度。我觉得在入门阶段,最重要的不是看了多少书,听了多少课,而是尽快自己敲出一段代码,运行出结果,来建立自信和成就感,这才是支持我们走下去的最实在的动力。记得我当时看了没多久就自己敲了一个蹩脚的车牌检测的Matlab程序,现在看来真是漏洞百出,不过当时我真的很兴奋,很有成就感,觉得自己能干这行,对于初学者来说,这种感受弥足珍贵。

  2、OpenCv

  Opencv是Intel公司开发的C++图像处理工具包,形象的理解为就是C++版的Matlab。当初Intel公司开发这个工具包的初衷也是方便大家共享,希望大家能够在一个共同架构的基础上共同建造摩天大楼,而不是各自在自己的地基上盖平房。与Matlab不同,Opencv是面向开发的,稳定性好,异常处理机制周全,但有一点需要注意,由于Opencv是开源的,那么如果你在项目中直接调用了它的API,那就意味着你的项目也必须开源。因此在真正的产品开发过程中,往往需要从Opencv库里面挖代码,而不是直接调用,幸好Intel公司允许我们看源码,自己编译一把就可以了。

  说道C++和Opencv,有一个问题不得不提,那就是深度学习领域大名鼎鼎的Caffe框架。这是一个典型的基于C++和OpenCv的深度学习框架,由谷歌深度学习团队、“谷歌大脑”负责人之一贾扬清学者编写,并公布了源码。如今各个深度学习机构都在大量使用这个框架进行研究。

  这里同样对推荐两本关于Opencv方面的教程。一本是CSDN博客大牛毛星云写的《OpenCV3编程入门》,这是它根据自己多年的博客整理成的书,很详细,很典型的一本教程,介绍了OpenCv中相对前沿的知识。我翻看过这本教程,中规中矩,里面的代码通俗易懂,尤其适合初学者。当然大家同样要注意不要犯了死读书的毛病,只看它的功能,敲代码练手感即可,不要试图记忆API函数。重要的工具用多了自然会记住,不重要的工具记住了也没用。

  这里推荐的第二本书是《图像识别与项目实践――VC++、MATLAB技术实现》,这本书是一本偏向于工程应用的书,我之所以推荐它是因为它给出了很多有新意、能运行的代码。其中里面有一个项目让我印象很深,是一个车牌检测的实例。简单描述一下:由于车牌中的字符数是固定的,因此它通过判断横向区域笔画的跳变数以及笔画宽度来定位车牌区域。这个想法让人耳目一新,并且它还给出了详细代码,我也亲身试验过,效果还不错。

  这里同样再强调一下,就是一定要尽早入手写程序,建立自信和成就感。我当时学OpenCv正好用它开发了一个人脸性别识别的系统,是一个本科大学生创新计划的需求,效果还可以。

  3、Python

  Python在今年12月份的编程语言排行榜中名列第5,增长迅速。可以说Python已经逐渐成为当下脚本语言的新标准。Python在图像处理算法方面除了其自身简洁的编程优势外,还得益于两个重要的Python类库——Numpy和Theano。

  Numpy是Python的线性代数库,对于矩阵运算能提供很好的支持,并且能够在此基础上进行很多机器学习相关算法的开发仿真,这里推荐一本受到大家广泛认可的书《机器学习实战》,我最近也正在看这本书,里面对好多机器学习领域的经典算法,小到KNN,大到SVM,都给出了详细的介绍以及代码实现(Python版)。Theano是Python的机器学习库,能够方便的实现深度学习(例如卷积神经网络CNN)算法,网上很多对于DeepID算法的复现都是用的这个库。

  人觉得单从图像处理的角度评价的话,Python并没有前面两个工具(Matlab和OpenCv)应用广泛,不过作为通用的脚本语言,我觉得每个程序员都应该去了解了解它,毕竟俗话说没有烂的编程语言,只有烂程序员。我在学Python时第一个自己写的程序就是微信打飞机的小程序,在我的博客中有详细的教程,虽然是参照小甲鱼的《零基础入门学习Python》视频教程写的,但还是蛮有成就感的。

  三、图像处理研究方法

  我觉得,图像处理研究主要可以分为三个部分:基础概念、基本思想、算法研究。

  1、基础概念

  所谓基础概念,就是图像处理里最基本的知识,比如什么是图像?什么是像素?什么是彩色图像等等。没有一个明确的界限来划定什么是基础概念什么是高级知识,因人而异。了解图像处理的基础知识,有一本书是必读的,就是冈萨雷斯编写的、阮秋琦翻译的《数字图像处理》。这本书已经作为图像处理领域的经典教材使用了三十多年,我自己也把这本书看了好几遍,每一遍都会有新的体会。我觉得每一个搞图像的都应该熟读这本书。书中除了有几章内容在讲小波变换、模式识别等相对抽象的内容外,其他内容相对都是很基础的,本科生水平就能看懂。而且我建议要尽早看这本书,如果是研究生尽量在进入课题之前就看一遍,因为这样一本经典的书在进入课题之后可能就没时间看了,以后也顶多是查阅而已。我当初就是在大四的寒假看完了这本书,以后在图像入门的过程中就显得轻松很多。看完这本书,哪怕是只看前几章,明白了什么是图像(二维或者三维矩阵)、什么是像素、彩色图和灰度图、颜色空间、图像滤波、图像噪声、图像频域变换等概念,将来在进行更深一步的研究的话就会方便很多了。

  2、基本思想

  刚开始想把这部分内容命名为“基本算法”,意在介绍图像处理中的一些基本算法,后来仔细想想决定不这么写,因为图像处理是一个非常大的概念,图像处理不等于人脸识别,也不等于模式识别,直接介绍诸如图像处理基本算法之类的内容很容易写成空话,没有什么实际意义。读者有兴趣的话可以直接谷歌百度“图像处理十大经典算法”,上面有我想说的内容。

  万变不离其宗,算法是死的,重在思想。举个例子,我个人是主攻模式识别方向,在这个方向判断一个学生是否入门有一个非常简单的方法,就是“如果你能把图像很自然的想象成高维空间中的一个点”,那就说明在模式识别方面入门了,可以对图像进行分类了。当然标准不是唯一,在其他领域如目标检测也会有其他的判断标准,总之我们要对图像进行处理,那么图像就不再只是图像,它可能会演变成各种不同形式的概念,可能是点,可能是面,还可能是一个坐标空间。在目标跟踪的经典算法粒子滤波中,将一个个的小图像块看做一个个粒子;在子空间理论中,将一系列图像放在一起构建一个成分主空间(例如主成分分析PCA算法等等。,我不会详细介绍这些算法,说多了就显得抽象老套,但我要说的是我们一定要把图像本身理解好,它是一个图像,是一个矩阵,是一个信息的容器,是一种数据的表现形式,图像不一定都必须在视觉上有意义(比如频域的图像)。

  总之图像处理的基本思想还是要立足于图像本身,要深度到图像内部结构中,思维要灵活。我当时做本科毕设时,怎么也不知道图像和高维空间中的点之间有什么对应关系,后来总算有一天,突然就明白了,这也就是所谓的量变产生质变。总之一定要多想,多总结,主动去钻研,才能够真正领悟一些东西。最基本的东西往往蕴藏着深奥的道理,无论你现在多牛多厉害,都不能放掉最本源的东西。多想想图像是什么,有什么本质属性,你可能无法得到准确的答案,但肯定能得到一些有用的感悟(有点像哲学问题了)。

  3、算法研究

  算法研究应该是图像处理的核心工作,尤其是各大高校的博士硕士。这里我并不想谈那些高大上的算法,我更想说的是一些算法研究的一些基础的东西,比如说一些基础课程,比如说矩阵运算。

  研究图像处理的算法,离不开数学。在这里我建议图像处理方面的硕士一定要上两门课:《泛函分析》以及《最优化算法》,有的学校已经将这两门课列为了研究生阶段的必修课程。这两门可可以说是图像处理(至少是模式识别)的基础。我当初没上过最优化算法,但后来也自己补上了,不然真的是寸步难行。至于泛函我当时听课的时候也不是很懂,但是在之后的研究过程中发现很多图像处理的基本知识基本理论都和泛函分析中枯燥的定理如出一辙,没办法,有的东西本身就是枯燥的干货,学着费力,缺它不行。

  其次我想说的是矩阵运算。图像就是矩阵,图像处理就是矩阵运算。大家为什么都喜欢用Matlab,就是因为它的矩阵运算能力实在是太强大,在Matlab的世界中任何变量都是矩阵。同样OpenCv之所以能流行,不仅仅是因为它良好的封装性,也是因为它的矩阵格式,它定义了Mat基础类,允许你对矩阵进行各种操作。Python也不例外,它的Numpy就是一个专门的线性代数库。

  真正在图像编程过程中,那些看着高大上的API函数归根到底都是工具,查查手册就能找到,真正核心还是在算法,算法是由公式编写的,公式的单元是变量,而图像届的变量就是矩阵。所以,熟练去操作矩阵,求秩、求逆、最小二乘,求协方差,都是家常便饭。所以,如果你有幸能上《矩阵分析》这门课,一定要把它看懂,那里面都是干货。

  四、小结

  总之,图像处理就是一个典型的门槛低、厅堂深的领域。不需要太多基础,学过线性代数,会一点编程就够了;但是那些算法却深不可测,是个消耗功夫的活儿。在写这篇教程时我说的很直白,就像和大家对话一样,想到什么说什么。在最后我想说两句题外话,就是不仅仅针对图像处理,对于其他新技术的入门学习也是一样,尽快迈出第一步,尽快去建立自信和成就感,让自己有勇气走下去,然后缺什么补什么就行了。我觉得真正让人望而却步的往往不是技术本身,而是我们对自身的不自信。唯有果断开工,才能战胜心魔。


如果觉得这篇文章对您有所启发,欢迎关注我的公众号,我会尽可能积极和大家交流,谢谢。


2019-10-21 18:42:20 potato_uncle 阅读数 200

注:本系列主要参考 中国大学MOOC 武汉理工大学 数字图像处理课程

一、数字图像处理的发展历史

20世纪20年代--报纸业:Bartline电缆图片传输系统

1964年--航天技术:航天图像的增强和复原技术

20世纪70年代--遥感卫星和医学:遥感图像增强和识别、X光断层图像重构

80年代末到90年代--多媒体技术:图像压缩、文字提取

二、数字图像处理的应用领域

1、医学应用:X线片、CT(Computed Tomography 计算机断层摄影术)、ECT、MRI

2、气象预报:气象云图

3、地球资源勘探:遥感图像

4、空间探索:月球图像、黑洞图像

5、工业生产:勘探、工业机器人、电路板焊接检测、

6、军事:卫星侦测、声纳图像

7、通信:视频、图像传真、数字电视

8、公安:指纹识别、伪钞识别

9、计算机合成图像

10、广告设计

三、数字图像的主要来源——电磁幅射波幅射成像

电磁幅射波包括:无线电波、微波、红外线、可见光、紫外线、X射线、γ射线

不同的电磁幅射波有各自不同的成像方式,其应用领域也不同

应用领域:

       紫外线验钞、红外线热成像

       γ射线:骨骼扫描、PET成像、反应器电子管成像

      X射线:主动脉造影图像、头部CT、电路板

     紫外线成像:谷物图像、星球图像

     可见光与红外成像:卫星图

     无线电波:核磁共振图像

2015-09-29 21:07:38 LG1259156776 阅读数 3780

医学成像原理与图像处理一:概论


声明:引用请注明出处http://blog.csdn.net/lg1259156776/


引言:本系列博客为医学成像原理与图像处理重要笔记,由于是手写,在此通过扫描录入以图片的形式和电子版增补内容将其进行组织和共享。前半部分内容为图像处理基础内容,包括图像的灰度级处理、空间域滤波、频率域滤波、图像增强和分割等;后半部分内容为医学影象技术,包括常规胶片X光机、CR、DR、CT、DSA等X射线摄影技术、超声成像技术、磁共振成像(MRI)技术等。

本篇主要是主要内容是医学成像原理与图像处理的概论。


手写笔记录入

这里写图片描述

这里写图片描述
这里写图片描述


内容补充

关于生物医学工程

首先这就涉及到本人的专业-生物医学工程,这是一个交叉学科领域,所要求的知识范围比较广,从生物化学实验(基因工程,生理解剖学等)到计算机科学(微机原理与接口技术,单片机,DSP,FPGA,ARM),从硬件电路设计(生物医学电子学,电路分析基础,模电数电)与制作到软件程序的设计与调试(c,c++,matlab,数据结构与算法设计,数值方法),从医学图像处理到自动控制原理,从传感器(光电检测技术,生物测量仪器原理)到信号处理(信号与系统,数字信号处理,高等数字信号处理)等。因此,总是有许多上不完的课,但是整个下来的培养方式感觉还是可以得。因为生物医学工程要解决的问题是复杂的系统工程,需要多学科交叉融合,如果没有足够的知识面是很难独当一面的。虽然内容多而杂,但是如果真正从头到尾完成一件生物医学测量装置的工程时,就会发现所学到的东西大多都需要用到,即使有些遗忘,因为学过,只要稍加复习整理,就能快速使用,这可能就是“先博后渊”的学习策略吧!

专业出口与前景

本篇手写笔记第一张中所列举的国内外从事医疗器械的公司就是生物医学工程的对口期望输出单位。特别是国内医疗器械市场还是一个有待开垦的市场,在可见不远的将来,在云计算与智能化的浪潮推动下,数字医疗、智能医疗、可穿戴医疗等概念和产品都将极大的促进该行业的蓬勃发展,极大地改善边远地区落后的医疗基础设施。中国大部分农村医疗基础设施将是一个医疗器械市场的大的出口。

医学影像学

大部分人应该都用过X光机,拍过胸片,而孕妇大都使用过超声查看婴儿的状态等。这些都是医学影象技术,其实跟人们的生活离得挺近的。
然而大家也都知道,对于大部分的检查(通过影像学),通常都是对人体有损害的,所谓辐射量的控制。MRI号称对人的伤害最小,因此在各大医院几乎都能看到它的身影。所以,如果能开发一种完全无损且实时成像或者快速成像的医学影象设备,那将是对人类的极大贡献。

在了解医学影像学原理前,必须对基本的图像处理知识进行学习。因为大部分的医学影象学的原始图像是很难看并辅助诊断的,通常都会采取一系列的图像处理手段之后才被用来进行诊断。所以,本系列的博文组织形式也将是先概要介绍一下,然后进入图像处理基本知识,最后介绍几种医学影像学技术原理。


2015-9-29 艺少

Java图像处理

阅读数 327

没有更多推荐了,返回首页