图像处理 测试图库_图像处理 图库 - CSDN
  • 原文地址:做数字图像处理必备的 图库作者:saiyed 一直都很忙,所以技术这方面的东西根本没写过。因为要贴不少公式,似乎不太方便,就兴趣缺缺了。自己在做实验室工作的时候,为找免费的图库还是花了不少时间的。...

    原文地址:做数字图像处理必备的 图库作者:saiyed
    一直都很忙,所以技术这方面的东西根本没写过。因为要贴不少公式,似乎不太方便,就兴趣缺缺了。自己在做实验室工作的时候,为找免费的图库还是花了不少时间的。其实图库有很多,最著名的莫过于coral图库了,但这学要钱。虽然实验室项目经费多的有个几千万,少的也有几十万,似乎拿钱去买个图库还是足足有余的。不过老板们总是不愿意,总是要求去找免费的。我们这些做学生的只好听命。好在交大的网络还不错,分文不收,无论是国内流量也好还是国际流量也好都免费。这在一定程度上方便了我们去国外网站搜索一些很重要的资料。

    做数字图像处理的,怎能没有一个图库?虽说自己可以建立,可是如果是比较知名的图库,做出来的实验结果才能比较让人信服。coral是很有名,可他要收费。我寻寻觅觅,还是找到了一些图库,有的是纯texture图库,比如著名的vistex,有的是faceimages,有的也有RGB真彩色图的。下面罗列了一些url,可以找到对应的。

    1、http://vismod.media.mit.edu/
    这是美国麻省media实验室的一个网页,该实验室在数字图像处理方面还是很有成就的。在download里面会有很多有用的东西。比如vistex or faceimages and others

    2、http://www.dice.ucl.ac.be/mlg/index.php?page=DataBases
    这是ucl的machine learning group的database

    3、http://sipi.usc.edu/services/database/index.html
    这是著名的美国南加州大学的USI-SIPI image database,有纹理图和真彩图

    4、http://www.cs.washington.edu/research/imagedatabase/
    这是华盛顿大学的Ground truth Database。这个图库我用的最多,因为目前做真彩色图作的比较多,而作单纯的纹理不是很多。该database里的图片都是RGB,jpeg格式的,对于matlab来说是很方便处理的。

    所有图库我都下载过,链接均有效。
    我在csdn上上传的图片压缩包http://download.csdn.net/source/824257
    原文连接:http://blog.sina.com.cn/s/blog_53c74fa1010002pn.html

    展开全文
  • 包含了图像处理中常用的一些测试图片 有灰度图像也有彩色图像 大小从128*128、256*256、512*512或更大的都有 图像格式为pbm、ppm、pgm MATLAB下可用。 共六个部分,全部下载完以后,任意解压一个即可。
  • 包含灰度图像、彩色图像的lena、Barbara、man、boats等在内的46张图片
  • 图像处理中常用的测试图像,自己用在测试去噪算法,之前上传的一版不知道为什么积分涨到50,我不会修改,所以再上传一版
  • 一些图像处理图库

    2019-05-08 14:54:59
    车辆是视频场景中最关键的对象之一,车辆 和 人 是视频检测永恒的话题。 车辆检测 是车辆分析中关键的一步,是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。 关于检测的方法和框架有很多,不外乎是...

    【转】https://blog.csdn.net/u014696921/article/details/69935802
    车辆是视频场景中最关键的对象之一,车辆 和 人 是视频检测永恒的话题。

       车辆检测 是车辆分析中关键的一步,是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。
    
       关于检测的方法和框架有很多,不外乎是特征训练和分类,这里推荐两篇综述性文章:
    

    [1] Benenson R, Omran M, Hosang J, et al.Ten Years of Pedestrian Detection, What Have We Learned? [M]// Computer Vision - ECCV 2014 Workshops. Springer International Publishing, 2014:613-627.

    [2] P.Dollar, C. Wojek,B. Schiele, et al.Pedestrian detection: an evaluation of the state of the art[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(4): 743-761.

    • 开放检测算法框架及代码:

       关于目标检测的框架及代码非常多,这里列出来几个:
    
    名声在外的 DPM 
    
        Deformable Part Models,专业做行人检测,对于车辆检测等刚体目标 并无太多优势。
    
        参考代码:https://people.eecs.berkeley.edu/~rbg/latent/index.html
    
    INRIA Object Detection and Localization Toolkit
    
        基于HOG特征的行人检测方法,由Dalal于 2005年 提出,经典中的经典(虽然稍微有点老)。
    
        参考代码:http://pascal.inrialpes.fr/soft/olt/
    
    doppia code
    
        这是一个代码集合,2015年 更新,内容包含:
    

    a) Pedestrian detection at 100 frames per second, R. Benenson. CVPR, 2012.

    b) 实时的 Stixels estimation without depth map computation.

    c) Fast stixels estimation for fast pedestrian detection.

    d) Seeking the strongest rigid detector.

    e) Ten years of pedestrian detection, what have we learned?

    f) Face detection without bells and whistles.

        下载地址:https://bitbucket.org/rodrigob/doppia
    
    Pitor Dollar Detector
    
        有一个代码集合,大牛名字命名,全称为:Piotr’s Computer Vision Matlab Toolbox
    
        下载地址:https://pdollar.github.io/toolbox/
    

    • 开放训练数据集 (行人检测):

    MIT 行人数据集
    
         MIT 早期公开数据集(2000年),共924张行人图片(ppm格式,宽高为64×128),只含正面和背面两个视角,无负样本,未区分训练集和测试集。
    
         该数据集目前已很少使用,但由于公开较早,影响力比较大,因此作者把它列在第一个。
    
         下载地址:http://cbcl.mit.edu/software-datasets/PedestrianData.html
    
    Caltech Pedestrian 行人数据集
    
         该数据库是目前规模较大的行人数据库(2014年),采用车载摄像头拍摄,约10个小时左右,视频的分辨率为640×480,30帧/秒。
    
         标注了约250,000帧(约137分钟),350000个矩形框,2300个行人,提供了相应的Matlab工具包。
    
         下载地址:http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/
    
    NICTA 行人数据集
    
         目前规模较大的静态图像行人数据库,25551张含单人的图片,5207张高分辨率非行人图片(2008年)。
    
         数据库中已分好训练集和测试集,方便不同分类器的比较。
    
         下载地址:http://www.nicta.com.au/category/research/computer-vision/tools/automap-datasets/
    
    INRIA Person
    
         目前使用最多的静态行人检测数据集,由“HOG+SVM”的作者Dalal创建(2005年)。
    
         训练集有正样本614张(包含2416个行人),负样本1218张;测试集有正样本288张(包含1126个行人),负样本453张。
    
         下载地址:http://pascal.inrialpes.fr/data/human/
    
         另外,还有 TUD、ETHZ、USC、CVC 等数据集,当然你可能也知道大名鼎鼎的 ImageNet(里面会有少部分行人),当然公版数据集也仅仅在于自己测试用,想要得到更好的检测效果,你必须训练自己的数据集。
    

    • 开放训练数据集 (车辆检测):

    MIT - CBCL 车辆数据集
    
        由 MIT 提供的车辆数据集(2000年),主要用于车辆检测和识别中,共有516张128*128格式为ppm的图像。
    
        下载地址:http://cbcl.mit.edu/software-datasets/CarData.html
    
    KITTI
        这是一个测试交通场景中 车辆检测、追踪、语义分割等算法的公开数据集。由丰田汽车主导,目前在测试自动驾驶等识别算法中应用比较多。
    
        实际上,KITTI 已经成为 ADAS行业的 实际效果检测标准。
    
        下载地址:http://www.cvlibs.net/datasets/kitti/index.php
    
    UA-DETRAC
    
        车辆检测和跟踪的大规模数据集,可以作为 KITTI 的补充。 
    
        数据集主要拍摄于北京和天津的道路过街天桥(京津冀场景有福了),并 手动标注了 8250 个车辆 和 121万目标对象外框。
    
        附带的 Toolkit 统一了数据接口,里面包含了几种 State-Of-The-Art 的检测和跟踪方法(大家可以进行测试比较)。
    
        数据集:DETRAC-Train-Images (5.22GB, 60 sequences)
    
                      DETRAC-Test-Images (3.94GB, 40 sequences)
    
        检测:DETRAC-Train-Detections (DPM, ACF, R-CNN, CompACT)
    
                  DETRAC-Test-Detections (DPM, ACF, R-CNN, CompACT)
    
        下载地址:http://detrac-db.rit.albany.edu/
    

    • ACF 算法

       ACF 是指 Aggregate Channel Features,包含在 Piotr Dollar 工具箱内(目前更新至3.50),作为目标检测算法,在行人检测领域有不错的表现。
    
       这里我们把他应用在车检上,借助 DETRAC 数据集进行训练。
    
       Piotr Dollar 工具箱采用 Matlab接口,因此,在实际应用中需要 封装为 C++接口 ,基本步骤如下:
    
    1. 安装Matlab编译器

      命令行输入mex -setup,根据提示安装matlab compilers;

      注意选择compiler类型,matlab自带的编辑器 或者对应你用的VS版本。

    2. 安装生成器

      命令行中输入mbuild -setup。

    3. 生成c++库文件

      调用命令mcc -W cpplib:XXX -T link:lib XXX.m;

      前面的XXX表示生成的dll文件名,后面的XXX.m对应matlab源文件,生成后文件包括:XXX(.h. lib .dll)。

      关于 Matlab 的其他调用方式 根据需要也可以尝试。
      

    数据训练:

       作者采用 Detrac 数据进行训练,具体训练过程按住不表,直接看  检测效果(近端检测还是很不错的):
    
    展开全文
  • 在数字图像处理中,Lena(Lenna)是一张被广泛使用的标准图片,特别在图像压缩的算法研究中。 (为什么用这幅图,是因为这图的各个频段的能量都很丰富:即有低频(光滑的皮肤),也有高频(帽子上的羽毛),很...

    在数字图像处理中,Lena(Lenna)是一张被广泛使用的标准图片,特别在图像压缩的算法研究中。


    (为什么用这幅图,是因为这图的各个频段的能量都很丰富:即有低频(光滑的皮肤),也有高频(帽子上的羽毛),很适合来验证各种算法)
           然而,这张图片背后的故事是颇有意思的,很多人都抱有学究都是呆子的看法,然而Lena对此就是一个有力的驳斥。lena(lenna)是一张于1972年11月出版的Playboy的中间插页,在这期杂志中使用了“Lenna”的拼写,而实际莉娜在瑞典语中的拼写是“lena”。如今的Lena生活在自己的祖国瑞典,从事于酿造业,婚后并生下3个孩子。


    从1973年以来,Lena就开始出现在图像处理的科学论文中,直到1988年,她才得知自己原来已经被从事图像处理行业的工作者认识。 1997年,lena 被邀请参加了在波士顿举办的第50届图像科技技术年会。
           1973年6,7月间,南加州大学信号图像处理研究所的副教授Alexander和学生一起,为了一个同事的学会论文正忙于寻找一副好的图片。他们想要一副具有良好动态范围的人的面部图片用于扫描。不知是谁拿着一本Playboy走进研究室。由于当时实验室里使用的扫描仪(Muirhead wirephoto scanner)分辨率是100行/英寸,试验也仅仅需要一副512X512的图片,所以他们只将图片顶端开始的5.12英寸扫描下来,切掉肩膀一下的部分。多年以来,由于图像Lena源于Playboy,将其引用于科技文章中饱受争议。Playboy杂志也将未授权的引用告上法庭。随着时间流失,人们渐渐淡忘Lena的来源,Playboy也放松了对此的关注。值得一提的是,Lena也是playboy发行的最畅销的海报,已经出售7,161,561份。

          这个是原版的Lena照片,图像处理的初学者一定会大跌眼镜吧

    PlayBoy杂志封面上的Lena.jpg;

    https://img-blog.csdn.net/20140702104120484

    另外一件有趣的事情是,Lenna的那一期杂志是当时Playboy销量最好的一期,共卖出去了7161561份。

    现在Lena.jpg

    标准Lena.jpg

    该图原本是刊于1972年11月号花花公子杂志上的一张裸体插图照片的一部分,这期花花公子也是历年来最畅销的一期,销量达7,161,561本。1973 年6月,美国南加州大学的信号图像处理研究所的一个助理教授和他的一个研究生打算为了一个学术会议找一张数字照片,而他们对于手头现有成堆"无聊"照片感到厌烦。事实上他们需要的是一个人脸照片,同时又能让人眼前一亮。这时正好有人走进实验室,手上带着一本当时的花花公子杂志,结果故事发生了……而限于当时实验室设备和测试图片的需要,lenna的图片只抠到了原图的肩膀部分。

           图中人为瑞典模特儿 Lena Soderberg (Lena Söderberg)。现在被广泛使用的英文化名字"Lenna"最初是由花花公子杂志发表此照片时命名的,以方便英语读者近似正确地读出瑞典语中"Lena"的发音。Lena Soderberg女士现在仍住在她的家乡瑞典,拥有一个有三个孩子的家庭,并且在国家酒类专卖局工作。在1988年的时候,她接受了瑞典一些计算机相关出版社的访问,她对于她的照片有这样的奇遇感到非常的惊奇与兴奋。这是她首次得知她的照片被应用在计算机行业。Lena Soderberg于1997年被邀请为嘉宾,参加了数字图像科学技术50周年学术会议。在该会议上,Lenna成了最受欢迎的人之一,她做了关于自己介绍的简要发言,并被无数的fans索取签名。 

           莱娜图在图像压缩算法是最广泛应用的标准测试图——她的脸部与裸露的肩部已经变成了事实上的工业准。然而,这张图像的使用也引起了一些争议。一些人担心它的色情内容;《花花公子》杂志曾经威胁要起诉对莱娜图未经授权的使用。不过这家杂志已经放弃了这种威胁,取而代之的是鼓励因为公众利益使用莱娜图。

            戴维·C·蒙森(David C.Munson),IEEE图像处理汇刊(IEEE Transactions on Image Processing)的主编, 在1996年1月引用了两个原因来说明莱娜图在科研领域流行的原因:1.该图适度的混合了细节、平滑区域、阴影和纹理,从而能很好的测试各种图像处理算法。2.Lenna是个美女,对于图象处理界的研究者来说,美女图可以有效的吸引他们来做研究。

     

    转载,原文地址:http://blog.sina.com.cn/s/blog_53220cef0100lbzk.html

    展开全文
  • 常见的标准的测试图像其大小通常是256*256,512*512,标准形式的这些图片都是tiff格式存在的,这里还包括一些bmp、jpg等测试图。包括经典的lena、cameraman、pepper等。
  • 数字图像处理通用图片素材库,包括Lena、Cameraman、Couple等经典图片的灰度&RGB图。
  • 美国南加州大学信号图像处理研究所图像库,包括灰度、彩色、纹理图像,非常全面,图像处理研究人员必备
  • 图像处理基础实例环境测试 代码参考:http://yongyuan.name/pcvwithpython/ 1.PIL-Python图像库 PIL (Python Imaging Library)图像库提供了很多常用的图像处理及很多有用的图像基本操作。PIL库下载地址 ...

    图像处理基础实例环境测试

    代码参考http://yongyuan.name/pcvwithpython/

    1.PIL-Python图像库

    PIL (Python Imaging Library)图像库提供了很多常用的图像处理及很多有用的图像基本操作。PIL库下载地址
    [www.pythonware.com/products/pil/] 。
    用pip直接安装PIL,若Python版本不兼容则无法安装:

    pip install PIL
    

    在这里插入图片描述
    后知由于PIL仅支持到Python 2.7,而Pillow支持Python 3.x,是在PIL基础上创建的兼容版本,并提供广泛的文件格式支持,强大的图像处理能力,主要包括图像储存、图像显示、格式转换以及基本的图像处理操作等,于是直接用pip安装Pillow:

    pip install Pillow
    

    在这里插入图片描述

    1.1 读入图片并显示灰度图:

    # -*- coding: utf-8 -*-
    from PIL import Image
    from pylab import *
    # 添加中文字体支持
    from matplotlib.font_manager import FontProperties
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
    figure()
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg')
    gray()
    subplot(121)
    title(u'原图',fontproperties=font)
    axis('off')
    imshow(pil_im)
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg').convert('L')
    subplot(122)
    title(u'灰度图',fontproperties=font)
    axis('off')
    imshow(pil_im)
    show()
    

    这里用到了Matplotlib这个Python 2D绘图库,也需要安装:

    pip install matplotlib
    

    在这里插入图片描述
    而后能够正常调用库函数显示读取结果:
    在这里插入图片描述

    1.2 调整尺寸及旋转:

    要对一幅图像的尺寸进行调整,可以调用resize()方法,元组中放置的便是你要调整尺寸的大小。如果要对图像进行旋转变
    换的话,可以调用rotate()方法。
    下面代码显示上面提到的所有的图像处理操作,即原图显示、RGB图像转为灰度图像、拷贝粘贴区域、生成缩略图、调整图
    像尺寸、图像旋转变换的实例代码:

    # -*- coding: utf-8 -*-
    from PIL import Image
    from pylab import *
    # 添加中文字体支持
    from matplotlib.font_manager import FontProperties
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
    figure()
    # 显示原图
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg')
    print(pil_im.mode, pil_im.size, pil_im.format)
    subplot(231)
    title(u'原图', fontproperties=font)
    axis('off')
    imshow(pil_im)
    # 显示灰度图
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg').convert('L')
    gray()
    subplot(232)
    title(u'灰度图', fontproperties=font)
    axis('off')
    imshow(pil_im)
    #拷贝粘贴区域
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg')
    box = (100, 100, 400, 400)
    region = pil_im.crop(box)
    region = region.transpose(Image.ROTATE_180)
    pil_im.paste(region, box)
    subplot(233)
    title(u'拷贝粘贴区域', fontproperties=font)
    axis('off')
    imshow(pil_im)
    # 缩略图
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg')
    size = 128, 128
    pil_im.thumbnail(size)
    print(pil_im.size)
    subplot(234)
    title(u'缩略图', fontproperties=font)
    axis('off')
    imshow(pil_im)
    pil_im.save('D:\Study\Python_CV\helloworld\\test2.jpg') #保存缩略图
    # 调整图像尺寸
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test2.jpg')
    pil_im = pil_im.resize(size)
    print(pil_im.size)
    subplot(235)
    title(u'调整尺寸后的图像', fontproperties=font)
    axis('off')
    imshow(pil_im)
    # 旋转图像45°
    pil_im = Image.open('D:\Study\Python_CV\helloworld\\test1.jpg')
    pil_im = pil_im.rotate(45)
    subplot(236)
    title(u'旋转45°后的图像', fontproperties=font)
    axis('off')
    imshow(pil_im)
    show()
    

    处理结果如下:
    在这里插入图片描述

    2.Matplotlib库与NumPy库

    之前已经成功安装MatplotlibNumPy库,当在处理数学及绘图或在图像上描点、画直线、曲线时需要用到MatplotlibMatplotlib可以在[matplotlib.sourceforge.net] (http://matplotlib.sourceforge.net/)上下载,并且它还提供了详细的文档及教程。
    NumPy是Python一个流行的用于科学计算包。它包含了很多诸如矢量、矩阵、图像等其他非常有用的对象和线性代数函数,NumPy可以在scipy.org/Download下载,在线文档(https://docs.scipy.org/doc/numpy/)包含了很多常见问题的答案。

    2.1 图像轮廓和直方图

    图像轮廓线和图线等高线:在画图像轮廓前需要转换为灰度图像,因为轮廓需要获取每个坐标
    [x,y]位置的像素值。下面是画图像轮廓和直方图的代码:

    # -*- coding: utf-8 -*-
    from PIL import Image
    from pylab import *
    # 添加中文字体支持
    from matplotlib.font_manager import FontProperties
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
    im = array(Image.open('D:/Study/Python_CV/helloworld/test1.jpg').convert('L'))  # 打开图像,并转成灰度图像
    figure()
    subplot(121)
    gray()
    contour(im, origin='image')
    axis('equal')
    axis('off')
    title(u'图像轮廓', fontproperties=font)
    subplot(122)
    hist(im.flatten(), 128)
    title(u'图像直方图', fontproperties=font)
    plt.xlim([0, 260])
    plt.ylim([0, 300000])
    show()
    

    处理结果如下:
    在这里插入图片描述
    为使直方图直观形象,应该在xlim()和ylim()函数中适当设置坐标上下限

    2.2 直方图均衡化

    图像均衡化作为预处理操作,在归一化图像强度时是一个很好的方式,并且通过直方图均衡化可以增加图像对比度。
    其中用到的第三方库PCV,我在GitHub官网下载安装并成功导入:
    下载地址https://github.com/jesolem/PCV
    将PCV库下载并解压到所使用的Python环境中,在命令行中更改路径进入到PCV文件夹,安装指令如下:

    python setup.py install
    

    在这里插入图片描述
    直方图均衡化测试代码:

    # -*- coding: utf-8 -*-
    from PIL import Image
    from pylab import *
    from PCV.tools import imtools
    # 添加中文字体支持
    from matplotlib.font_manager import FontProperties
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
    im = array(Image.open('D:\Study\Python_CV\helloworld\\test1.jpg').convert('L'))  # 打开图像,并转成灰度图像
    # im = array(Image.open('../data/AquaTermi_lowcontrast.JPG').convert('L'))
    im2, cdf = imtools.histeq(im)
    figure()
    subplot(2, 2, 1)
    axis('off')
    gray()
    title(u'原始图像', fontproperties=font)
    imshow(im)
    subplot(2, 2, 2)
    axis('off')
    title(u'直方图均衡化后的图像', fontproperties=font)
    imshow(im2)
    subplot(2, 2, 3)
    axis('off')
    title(u'原始直方图', fontproperties=font)
    # hist(im.flatten(), 128, cumulative=True, normed=True)
    hist(im.flatten(), 128, normed=True)
    subplot(2, 2, 4)
    axis('off')
    title(u'均衡化后的直方图', fontproperties=font)
    # hist(im2.flatten(), 128, cumulative=True, normed=True)
    hist(im2.flatten(), 128, normed=True)
    show()
    
    

    均衡化结果如下:
    在这里插入图片描述
    可见处理后结果与原图相比对比度得到增加。

    3.SciPy模块

    SciPy是一个开源的数学工具包,它是建立在NumPy的基础上的。它提供了很多有效的常规操作,包括数值综合、最优化、统计、信号处理以及图像处理。SciPy库可以再[http://scipy.org/Download] (scipy.org/Download)下载。
    通过Anaconda和pip自动安装都因为连接问题失败后我在上述网站直接下载whl文件;
    各版本列表网址:https://pypi.org/project/scipy/#files
    查找对应自身Python版本SciPy.whl文件下载到环境文件夹中,在命令行移动到该文件夹用pip执行安装:
    在这里插入图片描述

    3.1 图像模糊

    对图像进行高斯模糊,可以用于定义图像尺度、计算兴趣点以及很多其他的应用场合。

    # -*- coding: utf-8 -*-
    from PIL import Image
    from pylab import *
    from scipy.ndimage import filters
    # 添加中文字体支持
    from matplotlib.font_manager import FontProperties
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
    # im = array(Image.open('board.jpeg'))
    im = array(Image.open('D:\Study\Python_CV\helloworld\\test1.jpg').convert('L'))
    figure()
    gray()
    axis('off')
    subplot(1, 4, 1)
    axis('off')
    title(u'原图', fontproperties=font)
    imshow(im)
    for bi, blur in enumerate([2, 5, 10]):
     im2 = zeros(im.shape)
     im2 = filters.gaussian_filter(im, blur)
     im2 = np.uint8(im2)
     imNum=str(blur)
     subplot(1, 4, 2 + bi)
     axis('off')
     title(u'标准差为'+imNum, fontproperties=font)
     imshow(im2)
    # 如果是彩色图像,则分别对三个通道进行模糊
    # for bi, blur in enumerate([2, 5, 10]):
    # im2 = zeros(im.shape)
    # for i in range(3):
    # im2[:, :, i] = filters.gaussian_filter(im[:, :, i], blur)
    # im2 = np.uint8(im2)
    # subplot(1, 4, 2 + bi)
    # axis('off')
    # imshow(im2)
    show()
    

    处理结果:
    在这里插入图片描述

    3.2 ROF图像降噪

    图像降噪是一个在尽可能保持图像细节和结构信息时去除噪声的过程。我们采用Rudin-Osher-Fatemi de-noising(ROF)模型。

    # -*- coding: utf-8 -*-
    from pylab import *
    from numpy import *
    from numpy import random
    from scipy.ndimage import filters
    from scipy.misc import imsave
    from PCV.tools import rof
    """ This is the de-noising example using ROF in Section 1.5. """
    # 添加中文字体支持
    from matplotlib.font_manager import FontProperties
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
    # create synthetic image with noise
    im = zeros((500, 500))
    im[100:400, 100:400] = 128
    im[200:300, 200:300] = 255
    im = im + 30*random.standard_normal((500,500))
    U, T = rof.denoise(im, im)
    G = filters.gaussian_filter(im,10)
    # save the result
    # imsave('synth_original.pdf',im)
    # imsave('synth_rof.pdf',U)
    # imsave('synth_gaussian.pdf',G)
    # plot
    figure()
    gray()
    subplot(1,3,1)
    imshow(im)
    # axis('equal')
    axis('off')
    title(u'原噪声图像', fontproperties=font)
    subplot(1,3,2)
    imshow(G)
    # axis('equal')
    axis('off')
    title(u'高斯模糊后的图像', fontproperties=font)
    subplot(1,3,3)
    imshow(U)
    # axis('equal')
    axis('off')
    title(u'ROF降噪后的图像', fontproperties=font)
    show()
    

    降噪结果:
    在这里插入图片描述
    结果可见测试成功,降噪效果显著,Python计算机视觉编程相关所需库基本安装完毕。

    展开全文
  • airplane baboon book cat fruits hand_sample1 hand_sample2 ...hand_sample3
  • 标准Lena测试图像下载

    2019-08-03 13:19:01
    在做图像处理的时候我们往往会使用Lena图像进行测试,但网上提供的测试图标准不一。这是Rice University提供的标准测试图,省去大家四处寻找之苦。另外,仔细阅读这个链接,你还会发现其他有用信息^.^ 原文链接:...
  • 包含了数字图像处理中经常用到的灰度图像,以及代码运行后的对比图
  • 29张标准测试图像,bmp图像,可以用来做图像处理
  • 柯达标准测试图片

    2020-07-30 23:31:57
    包含完善的24张柯达标准测试图集,可用作图像处理分析
  • 搜集了所有的图象处理方面使用的标准图 lena peppers woman house ... .一张不缺.
  • 经典的图像处理图片 256*256 标准灰度 Lenna + couple
  • Opencv图像处理经典例图。可以作为参考。
  • matlab 50个标准测试图像,用于matlab上实现各种图像传输、处理效果的测试工作
  • 关于图像处理方面的收获: 五月中旬的时候接了个细胞检测的活,要求识别白细胞、红细胞、脂肪球、霉菌几种 细胞,大致看了客户发给我显微镜上的图片,发现能做,于是就接了下来,客户告诉 我最终的程序要是C++的...
1 2 3 4 5 ... 20
收藏数 3,687
精华内容 1,474
关键字:

图像处理 测试图库