精华内容
下载资源
问答
  • 图片灰度矩阵

    2014-10-14 18:29:12
    一副风格化图片的读入显示灰度矩阵
  • 利用共生灰度矩阵求出图像纹理特征,采用互相关度量函数判断其相似性。
  • 图像的一种处理方式----灰度矩阵运算(matlab) 图片的存储是基于多维矩阵的。而灰度矩阵运算对应的是图像的一种处理方式。 在数字图像中,黑白图像的像素点的亮度是用0-255的二进制数表示的,称为灰度。灰度...

    前言

       图片的存储是基于多维矩阵的。而灰度矩阵运算对应的是图像的一种处理方式。

       在数字图像中,黑白图像的像素点的亮度是用0-255的二进制数表示的,称为灰度。灰度矩阵就是各个像素点亮度的二进制存储矩阵。

    灰度矩阵的常见运算

    1、观察两个图像经灰度矩阵相加后的合成图像

    >> clear                                                          %清除所有的内存变量,恢复默认状态
    >> I=imread('C:\Users\92458\Desktop\新建文件夹\3.jpg');            %读取一个指定绝对路径下的图像(灰度矩阵)并赋给变量I
    >> J=imread('C:\Users\92458\Desktop\新建文件夹\4.jpg');            %读取另一个指定绝对路径下的图像(灰度矩阵)并赋给变量J
    >> K=imadd(I,J);                                                  %两图像灰度矩阵相加,即:K=I+J
    >> figure(1),imshow(I)                                            %打开图形窗口1,并显示图像I
    >> figure(2),imshow(J)                                            %打开图形窗口2,并显示图像J
    >> figure(3),imshow(K)                                            %打开图形窗口3,并显示两图形相加的合成图像k

            

                                                    

    注:左上图:3.jpg在图像窗口figure1的图像;右上图:4.jpg在图像窗口figure2的图像;中间下图:两图像相加后的合成图像。

    2、一个图像的灰度矩阵加固定值后的合成图像(增加亮度)

    >>  clear                                                        %清除所有的内存变量,恢复默认状态
    >> I=imread('C:\Users\92458\Desktop\新建文件夹\song.jpg');        %读取一个指定绝对路径下的图像(灰度矩阵)并赋给变量I
    >> J=imadd(I,100);                                               %图像I增加100个灰度值,即:J=I+100
    >> figure(1),imshow(I)                                           %打开图形窗口1,并显示图像I
    警告: 图像太大,无法在屏幕上显示;将以 50% 显示 
    > In images.internal.initSize (line 71)
      In imshow (line 332) 
    >>  figure(2),imshow(J)                                           %打开图形窗口2,并显示图像J
    警告: 图像太大,无法在屏幕上显示;将以 50% 显示 
    > In images.internal.initSize (line 71)
      In imshow (line 332) 

        

    注:左上图:左上图:song.jpg在图像窗口figure1的图像;右上图:song.jpg加指定灰度值的图像;

    3、一个图像的灰度矩阵减去固定值后的合成图像:

        与(2)类似,在此不再赘述。

    结语

    如果你喜欢我写的文章,欢迎来踩我个人搭建的博客~

    ChengNing's Blog

    展开全文
  • 求用灰度共生矩阵提取纹理特征的图像检索代码-部分计算灰度矩阵的代码.rar 跪求用灰度共生矩阵提取纹理特征的图像检索代码???
  • 图片转矩阵(支持灰度、RGB、RGBA) Read an image from a file into an array. #将图片转换为矩阵 import matplotlib.image img_matrix = matplotlib.image.imread(filename) 返回值为numpy.array 大小: (M, N) ...

    图片转矩阵(支持灰度、RGB、RGBA)
    Read an image from a file into an array.

    #将图片转换为矩阵
    import matplotlib.image
    img_matrix = matplotlib.image.imread(filename)
    

    返回值为numpy.array
    大小:

    • (M, N) 灰度图
    • (M, N, 3) RGB图
    • (M, N, 4) RGBA图
    matplotlib.image.imsave('mypic.png', img_matrix)#把矩阵保存成本地图片
    

    PIL经常调用外部展示器,想在jupyter内部展示使用

    from IPython.display import Image 
    pil_img = Image(filename='mypic.png')
    display(pil_img)#jupyter内展示图片
    

    PIL文档:https://pillow.readthedocs.io/en/3.1.x/reference/Image.html?highlight=fromarray#examples
    Image文档:
    https://matplotlib.org/api/image_api.html?highlight=imread#matplotlib.image.imread

    展开全文
  • 让一个灰度矩阵显示为图片python

    千次阅读 2021-03-15 18:10:31
    今天有个小伙伴问我图片小波变换的后再重构的矩阵怎么显示出来时一片白,刚开始我以为时重构的参数出了问题,调试了代码发现,是灰度矩阵转为图片的代码不对,数据类型也没变换 核心代码 方法1 new_img=Image.from...

    背景

            今天有个小伙伴问我图片小波变换的后再重构的矩阵怎么显示出来时一片白,刚开始我以为时重构的参数出了问题,调试了代码发现,是灰度矩阵转为图片的代码不对,数据类型也没变换

    核心代码

    方法1

    from PIL import Image
    
    new_img=Image.fromarray(dataArray)
    new_img.show()
    

    方法2

    import matplotlib.pyplot as plt
    
    plt.imshow(dataArray,cmap='gray')
    

           

    import pywt
    import numpy as np
    from cv2 import cv2
    from PIL import Image
    import matplotlib.pyplot as plt
    
    img = cv2.imread("lenags15.bmp", 0)
    w = 'sym4'  # 定义小波基的类型
    l = 3  # 变换层次为3
    coeffs = pywt.wavedec2(data=img, wavelet=w, level=l)
    threshold = 0.04  # 设置滤波阈值
    denoised_img = pywt.waverec2(coeffs, 'sym4' ,mode="sym")
    
    denoised_img = denoised_img.astype(np.uint8)
    
    '''方法1'''
    new_img=Image.fromarray(denoised_img)
    new_img.show()
    '''方法1'''
    
    '''方法2'''
    # plt.imshow(denoised_img,cmap='gray')
    '''方法2'''
    
    展开全文
  • 拍摄照片,转换为灰度矩阵并产生照片高斯模糊的MATLAB代码。 有两个文件可以做到这一点。 首先是photoInput.m,它将jpg照片转换为灰度矩阵,以便我们可以使用它。 然后是photofftDemo.m,这是一个脚本,它提示用户...
  • 基于图像纹理,通过图像灰度值或真彩值,构建灰度共生矩阵,提取7个特征值,利用欧氏距离,求图像相似度
  • 运用MATLAB R2014a来完成灰度共生矩阵各特征参数的求解。以纸作为纹理分析的对象。首先需将彩色图像将各颜色分量转化为灰度。所用图像的灰度级为256。为了减少计算量,对原始图像灰度级压缩,将灰度量化成16级。计算...
  • 今天学习数字图像处理课,学到灰度共生矩阵,兴起,遂敲码解之。 方法摘自百度百科: 灰度直方图是对图像上单个像素具有某个灰度进行统计的结果,而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况...
  • 灰度共生矩阵matlab代码 灰度共生矩阵matlab代码
  • 人工神经网络和灰度矩阵 抽油泵示功图 人工神经网络和灰度矩阵 抽油泵示功图
  • 简介 对Matlab不是非常熟悉,经过查询,了解到可以使用  colormap(flipud(gray))  设置画出的图为灰度图(不然画出来是彩色的)。    imagesc(Matrix, [])  则用来将矩阵Matrix还原成图。

    简介

      对Matlab不是非常熟悉,经过查询,了解到可以使用
      colormap(flipud(gray))
      设置画出的图为灰度图(不然画出来是彩色的)。
      
      imagesc(Matrix, [])
      则用来将矩阵Matrix还原成图。

    代码

    img = [
    109 93 61 41 65 79 94 105 109 116 119 124 135 135 131 132 134 140 142 143 152 152 140 145 147 150 143 139 142 145 144 144 142 132 130 134 137 137 131 122 117 107 
    112 80 38 34 77 92 106 116 120 120 105 104 119 124 132 142 144 150 148 150 154 151 147 153 159 161 155 156 156 154 157 155 151 145 143 145 146 144 140 133 126 118 
    103 53 26 47 96 107 119 125 129 115 90 101 119 130 139 148 156 154 161 160 162 160 160 166 169 166 163 167 164 159 161 156 150 159 156 155 155 150 141 138 133 129 
    86 41 30 59 109 124 129 131 130 90 71 92 115 136 148 155 163 162 173 178 177 173 176 174 172 170 170 172 169 165 164 162 157 162 159 159 159 155 150 147 137 134 
    83 44 32 72 124 139 141 141 131 64 74 96 120 145 155 160 168 173 182 188 182 183 182 176 179 178 180 172 172 172 165 162 163 161 159 160 155 159 156 155 145 134 
    95 48 33 76 133 145 149 154 126 85 99 110 135 155 165 165 172 185 191 192 186 184 178 187 190 189 185 181 178 174 164 158 163 159 157 162 160 156 155 153 148 137 
    108 47 27 74 142 160 157 163 123 144 145 111 149 167 174 181 185 198 209 205 195 194 188 196 196 190 195 191 181 170 160 154 150 149 150 159 170 167 160 151 142 133 
    120 51 22 73 157 187 183 168 131 179 183 121 161 178 189 193 194 211 212 204 196 196 198 200 194 188 194 188 176 158 152 145 137 133 135 146 162 166 159 154 147 137 
    131 65 20 66 169 203 194 173 92 43 93 126 170 188 202 211 212 218 216 204 197 197 198 196 191 185 184 178 161 145 129 125 127 131 145 153 162 162 161 159 155 145 
    148 86 22 49 154 201 191 171 59 16 17 100 190 191 204 225 223 219 214 204 201 197 203 199 188 182 173 161 149 142 125 126 129 132 133 155 162 160 165 162 160 153 
    164 103 26 40 129 190 183 155 48 67 22 98 198 189 204 219 228 226 213 205 196 195 201 199 189 180 164 154 145 135 122 127 137 130 123 149 162 161 163 161 158 155 
    175 129 36 38 110 184 172 139 44 9 18 87 165 178 197 214 235 226 215 206 193 187 194 190 182 174 161 149 141 122 109 131 147 127 96 132 159 170 164 160 152 148 
    187 157 45 28 99 176 173 139 61 18 71 106 132 165 192 225 240 221 215 207 200 193 183 174 164 156 154 148 135 118 106 136 151 112 68 114 149 165 165 159 157 151 
    197 187 56 28 81 157 177 143 102 125 180 108 122 157 199 234 230 211 204 199 200 179 141 122 125 135 144 143 129 119 121 128 129 90 57 92 131 154 164 159 152 146 
    203 209 89 37 77 142 180 155 114 141 160 96 129 174 213 214 191 187 185 176 155 118 107 108 96 101 129 134 124 117 130 131 108 79 51 80 121 142 157 157 149 151 
    211 216 122 55 70 131 175 170 132 121 117 96 153 187 198 172 161 164 159 135 101 106 134 159 138 97 112 130 125 122 132 127 98 70 52 78 112 134 147 158 157 157 
    223 224 153 83 74 119 162 177 153 141 142 132 157 172 156 143 148 144 124 101 100 125 161 151 138 117 112 124 122 122 123 121 95 65 56 75 101 130 140 157 164 162 
    219 233 161 102 99 111 150 174 172 167 175 158 153 146 142 140 132 116 103 99 111 135 150 47 74 131 122 123 117 122 120 114 95 64 60 77 96 125 132 146 164 163 
    216 239 179 120 110 116 146 167 177 180 169 147 137 132 127 121 111 106 104 108 118 138 118 10 67 143 127 119 110 123 117 116 95 57 63 81 100 128 124 134 153 162 
    214 238 192 149 129 130 143 164 170 161 145 140 131 119 110 111 109 110 111 116 124 132 108 21 96 146 126 123 118 125 116 118 92 51 66 82 108 133 127 132 157 166 
    203 237 212 170 153 145 151 160 160 147 136 127 118 113 119 120 118 117 120 129 143 146 131 76 103 129 129 126 123 119 115 116 91 55 75 94 109 139 129 135 159 171 
    209 242 227 183 165 158 149 158 164 151 136 128 129 135 136 133 130 127 134 144 184 180 151 125 86 105 130 122 114 113 123 113 90 62 88 105 110 139 122 125 157 174 
    219 244 229 194 180 167 165 170 175 165 153 151 153 147 145 144 134 131 141 158 230 207 154 132 88 98 127 123 99 110 129 111 89 64 89 96 113 139 120 116 149 167 
    231 233 217 194 175 167 167 175 184 178 167 163 157 144 135 143 134 131 142 163 222 198 147 119 86 100 130 137 112 99 123 111 88 66 83 91 110 137 120 108 139 167 
    226 237 216 184 167 172 172 179 188 177 166 153 145 137 128 132 128 119 131 155 180 174 145 123 90 89 128 132 113 103 117 103 82 62 82 94 106 128 120 114 141 165 
    216 231 204 175 164 165 170 176 182 160 142 131 129 126 115 106 111 108 112 130 144 140 129 108 59 81 128 128 113 113 119 101 81 53 74 88 100 124 117 125 150 160 
    208 209 189 155 150 162 161 164 153 128 109 98 98 101 96 86 86 91 93 102 114 108 103 46 54 108 122 117 109 114 109 105 83 52 70 86 96 120 120 129 149 157 
    196 194 176 152 138 134 144 141 125 105 93 82 73 73 79 77 72 74 79 87 97 96 84 13 68 116 106 107 106 113 108 99 84 55 60 79 86 112 121 126 145 151 
    195 191 149 129 117 117 130 130 125 118 105 92 84 75 71 76 73 67 66 73 87 102 102 14 61 127 100 103 102 111 109 101 85 54 52 67 79 107 118 129 142 142 
    213 199 128 101 96 111 133 144 152 143 136 124 101 87 86 85 83 74 64 62 77 101 128 71 79 123 100 103 101 112 114 108 88 58 48 68 80 107 114 128 141 141 
    208 174 100 57 73 115 144 160 157 148 170 167 145 120 122 122 115 95 75 59 63 86 120 150 142 115 96 107 103 100 112 112 88 61 49 64 77 106 118 131 135 136 
    196 154 59 38 78 129 156 154 137 130 144 131 141 148 150 146 138 128 107 83 59 68 92 122 122 94 90 108 106 96 107 112 93 67 49 64 83 105 118 126 128 134 
    177 135 34 38 95 143 152 131 117 116 99 78 132 154 176 167 151 145 143 131 96 58 64 75 73 63 91 116 110 102 109 114 105 73 46 62 89 108 122 128 129 126 
    164 116 20 38 106 143 132 122 104 107 143 101 116 146 186 199 173 156 154 162 153 114 67 55 55 75 108 123 116 106 105 117 119 84 47 63 94 113 121 129 128 123 
    151 102 18 45 115 136 132 124 92 165 223 141 114 140 167 202 201 173 154 163 170 175 146 111 103 114 121 124 115 98 96 110 128 101 58 73 107 122 120 124 124 122 
    143 81 15 51 121 137 147 128 88 85 123 141 125 144 161 189 204 189 156 141 161 184 187 173 149 144 137 126 123 112 94 99 133 116 84 98 121 126 126 123 119 119 
    137 68 15 61 129 149 162 135 46 7 17 74 141 158 164 188 197 190 170 154 155 177 190 192 181 169 153 137 123 112 97 95 120 127 108 121 129 129 132 127 122 119 
    127 62 17 75 142 161 168 145 38 38 35 65 144 167 175 192 201 192 182 167 157 173 189 191 189 185 171 152 134 119 112 103 109 121 127 135 135 131 132 130 126 128 
    115 51 18 76 147 169 167 150 46 14 13 45 130 169 176 186 198 195 193 181 168 166 183 188 186 189 183 172 152 132 115 101 98 105 127 136 136 131 129 130 132 126 
    97 39 22 79 146 166 164 150 61 9 15 66 125 161 171 180 187 186 192 187 175 165 169 181 186 187 184 179 171 154 127 105 100 109 122 134 137 133 125 125 125 119 
    83 38 25 83 143 161 157 151 93 72 103 113 122 149 164 174 178 185 187 183 174 165 163 174 180 177 180 175 173 165 149 130 119 115 124 132 134 136 126 123 117 109 
    77 37 25 81 140 153 148 144 110 113 146 104 114 136 149 160 166 174 174 182 174 160 167 171 170 168 170 165 159 159 158 152 144 138 143 147 145 139 133 124 116 109 
    71 37 26 76 120 139 137 135 113 71 94 85 100 116 136 146 160 166 163 170 175 158 158 159 154 155 157 154 150 151 154 156 154 149 148 152 151 138 132 128 120 111 
    68 35 24 63 105 126 131 128 114 62 49 61 70 104 128 141 154 160 153 160 174 158 151 150 140 145 147 146 143 144 149 147 145 143 141 140 139 134 127 125 118 109 
    61 41 26 50 90 114 118 117 107 79 39 48 73 105 126 139 147 147 147 154 162 158 147 143 138 134 136 142 139 136 139 139 134 133 134 133 127 129 124 119 115 106 
    67 53 30 37 77 99 107 108 102 92 67 67 90 106 120 127 137 136 140 146 151 147 138 132 132 131 131 127 129 129 131 132 131 127 128 129 127 123 119 114 107 100 
    79 65 43 30 60 82 92 98 97 95 81 73 94 109 116 126 133 139 136 140 141 137 127 128 128 123 125 119 120 120 122 120 120 120 123 123 120 115 110 106 97 88 
    83 72 53 37 48 71 82 85 89 91 88 80 94 113 120 125 130 134 129 135 131 129 122 121 114 110 113 116 115 111 113 111 104 109 114 111 109 104 101 96 85 77 
    ];
    
    
    colormap(flipud(gray));
    imagesc(img, [0, 255]);

      由于每个图片所具有的信息只是一个2016维的向量,所以这个过程最难的大概是确定长宽比……经过多次尝试,终于在48x46时出现了类人像。

      看着他,心情十分复杂。
      


      尝试用255减去每个值,得到反色的图片。

    测试集

      终于像个人样了。


      将全部十张照片恢复出来,显示如下:

    测试集

      可以看到编号为2和5的照片色调都较暗,所以聚类时经常被聚到一起。为了防止这种情况发生,我尝试对编号为2和5的照片的向量乘上了系数。以下分别是原始图片、系数为0.8和0.9的情况。

    pic[2]

    pic[5]

      最终选择系数为0.9。

    展开全文
  • 使用opencv以及numpy两个库,使用python写成。网上很多只写了特征值的生成,这个代码增加了滑动窗口,让生成的特征值赋予到像素点,从而生成特征图像。
  • 最近在做一个全脑图像分割的项目,需要使用一些全脑数据集,我用的模型大致需要使用的就是(1)脑切片图像的灰度矩阵(2)对应的已经做好标记的label矩阵来进行训练和推理,现在找到了一个数据集SegEM与我之前使用的...
  • matlab灰色矩阵相乘代码离散余弦变换(DCT) 我已经使用Verilog和Matlab在OBC上实现了DCT 在Matlab中将RGB彩色图像转换为灰色图像 将图像数据存储在Xillinx的BRAM模块中 由于我们的DCT系数矩阵为8x8,因此将图像分割...
  • C++ 灰度共生矩阵代码

    2017-12-08 20:31:52
    配置好opencv就可以直接用 ,在程序中每部分都有注释,方便理解。
  • matlab软件计算灰度共生矩阵的对比度
  • 灰度共生矩阵(附python代码)

    千次阅读 2020-06-03 16:45:23
    灰度共生矩阵这个陌生的家伙,于是便有此文。 主要参考博客1:http://blog.csdn.net/jialeheyeshu/article/details/51337225 主要参考博客2:http://blog.csdn.net/guanyuqiu/article/details/53117507 主要参考...
  • matlab矩阵生成灰度

    2021-04-18 10:45:59
    Q4:matlab 如何将彩图转成灰度图>> I=imread(D:\Lena.jpg);>> x=rgb2gray(I);>> figure(1);>>subplot(121);>> imshow(I);>> title(原始图像);>> subplot(122);>> ...
  • 灰度共生矩阵(超简单理解)

    万次阅读 多人点赞 2020-06-01 15:43:22
    1.灰度共生矩阵生成原理   灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的,它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下,提出的具有广泛性的纹理分析方法。   ...
  • 灰度共生矩阵纹理特征提取的Matlab实现焦蓬蓬;郭依正;刘丽娟;卫星【期刊名称】《计算机技术与发展》【年(卷),期】2012(000)011【摘要】图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究...
  • 灰度共生矩阵&灰度梯度共生矩阵

    千次阅读 2019-03-11 22:43:26
    文章目录0,感谢1,灰度共生矩阵(Gray Level Cooccurrence Matrix)1.1初识1.2Opencv实现 0,感谢 学习记录,不当之处多多指教,在此感谢以下博主 灰度共生矩阵的原理及实现(特征提取)-OpenCV 灰度共生矩阵的生成...
  • 实验室师兄写的代码,使用灰度共生矩阵计算图像的纹理复杂度,然后可以用来衡量嵌入水印的多少。
  • 利用灰度共生矩阵,对纹理图像进行分割,里面有代码和测试图像
  • 自己用python写的灰度共生矩阵小程序
  • 编写的是一个计算数字图像灰度共生矩阵及典型参数的MATLAB函数。
  • 我下了一个用灰度梯度共生矩阵提取纹理特征的源程序,现在我处理图像 比如说matlab自带的一幅图像cions.png下面是源程序:function OUT=GrayGradinet(IN)% 灰度梯度共生矩阵 H%归一化灰度梯度矩阵 H_basic%小梯度...
  • 灰度共生矩阵-python

    万次阅读 多人点赞 2018-06-06 18:26:09
    本篇博客参考灰度共生矩阵(GLCM)附Python代码 ,对其进行了完善与修改。 灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)统计了灰度图中像素间的灰度值分布规律以区分不同的纹理。灰度共生矩阵中每个...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 53,039
精华内容 21,215
关键字:

灰度矩阵

友情链接: SMA_Spring2.rar