2019-04-29 20:59:05 qq_41391174 阅读数 426
  • 机器学习之决策树视频教学

    决策树算法是一种机器学习方法,其代表有ID3、CART、C4.5等。本次课程主要讲解了这三种决策树,其中包括:信息增益、增益率、基尼指数、预剪枝和后剪枝、连续值处理、缺失值处理以及多变量决策树等知识。

    1579 人正在学习 去看看 王而川

三 、高增益滤波器

1、高增益滤波的原理

弥补高通滤波器的缺陷,在增强边和细节的同时,不丢失原图像的低频成分。
在这里插入图片描述

  • 当A= 1时,高增益就是高通滤波器。
  • 当A >1时,原图像的一部分被加到高通中。

2、滤波器扩大因子及模板系数设计

  • 对于3x3的模板,设w =9A - 1;(高通时 w =8),A的值决定了滤波器的特性。
  • 当 A =1.1时,意味着把0.1个原图像加到基本高通上。当A = 1.2时,结果处在上限的边缘。

在这里插入图片描述

3、高通和高增益模板尺寸的选定

理论上高通和高增益的模板尺寸可以是任意的尺寸。
根据经验,高通滤波模板很少大于3x3

4、高增益滤波器效果的分析

  • 1、高增益比高通的优点,既保留了边,有保留了层次。
  • 2、噪音对结果图像的视觉效果有着重要的影响,高增益在增强了边的同时也增强了噪音。

5、拉普拉斯算子

在这里插入图片描述

6、微分滤波器的原理

计算这个向量的大小为:
在这里插入图片描述
考虑一个3x3的图像区域,z代表灰度级,上式中在点z5的f值可用数字方式近似。
在这里插入图片描述
在这里插入图片描述

(1)、用绝对值替换平方和平方根有:

在这里插入图片描述

(2)、另外一种计算方法是使用交叉法:

在这里插入图片描述
在这里插入图片描述

7、一阶微分算法

(1)、Roberts交叉梯度算子

在这里插入图片描述

  • 梯度计算有两个模板组成,第一个求得梯度的第一项,第二个求得梯度的第二项,然后求和,得到梯度。
  • 两个模板称为Roberts交叉梯度算子。
  • 实例:
  • 在这里插入图片描述
(2)、Prewitt梯度算子

3 x 3的梯度模板
在这里插入图片描述
在这里插入图片描述

非常适用于横向的或者纵向的细节边缘。

(3)、Sobel梯度算子

3 x 3的梯度模板
在这里插入图片描述
在这里插入图片描述

8、二阶微分算法–拉普拉斯算子

其应用强调的是图像中灰度值的突变,并不强调灰度级缓慢变化的区域。

对于一个连续的二元函数F(x,y),其拉普拉斯算子定义为
在这里插入图片描述
对于数字图像,拉普拉斯算子可以简化为
在这里插入图片描述
在这里插入图片描述
标准的拉普拉斯算子对干扰噪声很敏感,需要加以改进。改进的方法是先平滑后增强。
在这里插入图片描述

1、 微分滤波器的效果分析
(1)、直接使用,与高通类似

在这里插入图片描述

2020-02-11 17:42:39 hahahahhahha 阅读数 170
  • 机器学习之决策树视频教学

    决策树算法是一种机器学习方法,其代表有ID3、CART、C4.5等。本次课程主要讲解了这三种决策树,其中包括:信息增益、增益率、基尼指数、预剪枝和后剪枝、连续值处理、缺失值处理以及多变量决策树等知识。

    1579 人正在学习 去看看 王而川

学习主题:红外细节增强算法
学习时间:2020-02-11

算法大致介绍:

采用图像分层处理的基本框架,采用引导滤波进行图像分层。
效果可达到:
a)红外图像压缩至8bit显示器可显范围
b)增强对比度
c)增加细节
d)抑制噪声

  1. 一些常规算法
    红外图像为什么需要该算法,我之前的博文中已经写到。
    常规的算法有:
    a) 对比度增强, 代表性的有1994经典的CLAHE算法
    b) 自动增益控制,冈萨雷斯在其《数字图像处理》一书中写到
    c)直方图均衡HE
    d)Retinex算法,对可见光可以,对红外不好,特别是放大噪声问题
    e)基于分层,2009年意大利学者提出,这个我之前文章也有详细说。
    该算法效果好,问题是运算量大,梯度翻转现象。

本文采用基于分层算法,参考2009年意大利学者和2011年南理工左超的论文,比这两个文章中的有两大优点:一是计算量降低,二是不会出现梯度反转。
算法框架如下:

声明:本文是对2014年南理工朱才高论文的总结学习。

没有更多推荐了,返回首页