精华内容
下载资源
问答
  • 2020-10-17 13:20:11

    1、Sabel边缘检测

    寻找图像中在纵横方向上面值变化较大的区域。
    步骤:
    1、将彩色图像转化为灰度图像。
    2、计算横向纵向的梯度。
    3、计算梯度的大小。
    4、规范化梯度值。

    2、canny边缘检测

    步骤:
    1.图像降噪
    2.计算图像梯度
    3.非极大值抑制
    4.阈值筛选

    上述两种边缘检测方法比较

    Sabel : 可以只检测横向或纵向上变化,但检测的边界的较粗;
    canny: 可以说是目前最好的边缘检测算法,但容易将噪声检测为边界。

    检测效果对比

    import matplotlib.pyplot as plt
    from scipy import ndimage
    import skimage.color as sc
    import numpy as np
    
    #sobel边缘检测
    def edge_sobel(image):
        image = sc.rgb2gray(image)
        dx = ndimage.sobel(image, 1)
        dy = ndimage.sobel(image, 0)
        mag = np.hypot(dx, dy)
        mag *= 255.0/np.amax(mag)
        mag = mag.astype(np.uint8)
        return mag
    
    img = np.zeros((256, 256))
    img[64:-64, 64:-64] = 1
    img[96:96, 0:25] = 1
    noise = np.random.randn(img.shape[0], img.shape[1])
    img += noise
    
    #将图片旋转15度
    img = ndimage.rotate(img, 15, mode='constant')
    #  进行高斯滤波别让噪声明显
    img = ndimage.gaussian_filter(img, 8)
    
    sx = ndimage.sobel(img, axis=0, mode='constant')
    sy = ndimage.sobel(img, axis=0, mode='constant')
    sob = np.hypot(sx, sy)
    
    from skimage.feature import canny
    canny_edges = canny(img, sigma=5)
    
    fig = plt.figure(figsize=(14, 14))
    ax1 = fig.add_subplot(151)
    ax1.set_title("square")
    ax1.set_axis_off()
    ax1.imshow(img)
    
    ax2 = fig.add_subplot(152)
    ax2.set_title("Sobel (x direction)")
    ax2.set_axis_off()
    ax2.imshow(sx)
    
    ax3 = fig.add_subplot(153)
    ax3.set_title("Sobel (y direction)")
    ax3.set_axis_off()
    ax3.imshow(sy)
    
    ax4 = fig.add_subplot(154)
    ax4.set_title("Sobel filter")
    ax4.set_axis_off()
    ax4.imshow(sob)
    
    ax5 = fig.add_subplot(155)
    ax5.set_title("Canny filter")
    ax5.set_axis_off()
    ax5.imshow(canny_edges)
    
    plt.show()
    

    在这里插入图片描述

    更多相关内容
  • 针对应用二维经验模式分解算法进行水下图像边缘检测时需要人工设定检测阈值的问题,提出一种BEMD与 ROC曲线分析相结合的...实验结果表明:该算法能够避免人工设置检测阈值带来的操作误差,可实现图像边缘特征提取检测阈
  • 针对传统最小二乘支持向量回归函数曲面拟合边缘特征提取算法推广性差的问题,提出首先在模糊特征平面对图像...仿真实验表明,该算法边缘提取质量清晰细致,效果较好,且各种参数的选择不需人为调节,适合图像预处理阶段应用.
  • 音视频-编解码-多信息融合图像边缘特征提取及图像配准研究与应用.pdf
  • 基于量子核聚类算法的图像边缘特征提取研究.pdf
  • 基于分形理论的图像边缘特征提取算法
  • 特征提取程序,可用于图像边缘特征提取特征提取
  • 图像边缘检测和特征提取
  • 这是一个基于c++使用传统方法对图像进行边缘提取
  • 结合遗传和蚁群算法的图像边缘特征提取

    千次阅读 热门讨论 2016-03-04 20:26:26
    **以下是我读了相关文章的总结** 因为图像主要信息来源于边缘,以前用Roberts算子和Sobel算子。其中遗传和蚁群算法具体如下: 1)遗传算法:前期收敛...图像边缘检测:有Step、Roof等。下图就是上述两种算法的收敛图:
                  **以下是我读了相关文章的总结**
    

    因为图像主要信息来源于边缘,以前用Roberts算子和Sobel算子。其中遗传和蚁群算法具体如下:
    1)遗传算法:前期收敛快,而后期迭代次数多了,手链开始变得缓慢;
    2)蚁群算法:前期因为“信息素”较少,所以收敛速度慢,但是后期收敛速度加快,且其具有并行性和全局搜索能力。

    图像边缘检测:有Step、Roof等。下图就是上述两种算法的收敛图:
    遗传和蚁群收敛     图

    在混合模型开始,进行遗传算法直到设置的终止条件,将最优解作为蚁群算法的“信息素”初始浓度,然后实现蚁群算法。

    算法如下:
    设置“信息素”的初始值
    这里写图片描述
    这里写图片描述为常数,表示“信息素”,相当于这里写图片描述在NMAS中的值;
    这里写图片描述是前期遗传算法获得的最优解。

    具体步骤:
    (1)初始值构造
    每一个个体有4个参数,每一个参数有16位二进制编码。所以初始共有64位编码,其中:
    1——16 :表示状态转移概率的“信息素”影响因素α的值;
    17——32:表示启发式方向函数的影响因素β的值;(启发式策略如果感兴趣的你自己可以深入去了解)
    33——48:表示“信息素”发散系数λ的值;
    49——64:表示迭代次数N。

    (2)目标函数的设计
    随机把m个人工蚂蚁放在n个像素中,评估通过每个个体和目标函数产生的边缘提取的图像。
    目标函数: Objv = std2(u)
    其中:u为迭代的边缘图像和原始图像的能量差,即u=I1-I2。

    (3)访问下一个像素值的选择
    Gk是节点的集合,没访问之前的;
    Sk是访问下一步节点的集合,根据概率转移公式得:
    这里写图片描述
    Cij为状态函数,从蚁群的转移公式获得;q0位常数,范围为0~1;q为随机数,q=(0,1],if q<=q0,且选择下一个最小像素,若q>q0,则用下面公式:
    这里写图片描述
    其中:
    α为“信息素”启发式因子,β为启发式方向函数的影响因子,pij(t)是蚂蚁k从像素i到j在时间t的概率。

    (4)更新每个像素的“信息素”浓度
    设置“信息素”范围为[δmin,δmax],防止其陷入局部最小值。
    (i)全局“信息素”更新;
    (ii)局部“信息素”更新。

    (5)如果满足终止条件,则退出算法,否则进入(3)。

    最后实验结果:
    这里写图片描述

    展开全文
  • 导向滤波,用于图像边缘检测,提取空间纹理特征
  • 数字图像处理实验报告-图像边缘检测和特征提取.pdf
  • 用MATLAB实现卷积神经网络,并对图像进行特征提取 文件列表: CNN CNN\cnnapplygrads.m CNN\cnnbp.m CNN\cnnff.m CNN\cnnnumgradcheck.m CNN\cnnsetup.m CNN\cnntest.m CNN\cnntrain.m CNN\expand.m CNN\...
  • 对二维图像进行边缘特征提取提取特征可进行其他特征操作
  • 边缘检测是图形图像处理、计算机视觉和机器视觉中的一个基本工具,通常用于特征提取特征检测,旨在检测一张数字图像中有明显变化的边缘或者不连续的区域,在一维空间中,类似的操作被称作步长检测(step detection...
  • 为了从遥感图像中提取出更为准确...大量实验结果表明,与 Canny 以及其他 4 种同类边缘提取方法相比,本文方法所得边缘定位准确、完整清晰、细节丰富,且抗噪能力强,为后续遥感图像目标特征提取与识别奠定更好基础。
  • 最新资料推荐 图像边缘特征提取算法 3.1.2 图像边缘特性及提取算法 研究证实图像的边缘特性对 图像质量具有掩盖性 在边缘特性较为复杂的区域图像质量往往更差边缘特性较为 简单时图像质量更好一些 如图 2 所示 图 ...
  • 这是图像处理课程的作业,对图片进行边缘检测和特征提取,这是我自己实现的MATLAB源代码。
  • 边缘特征提取方法

    万次阅读 2019-02-22 16:30:11
    边缘特征提取方法

    分享一下我老师大神的人工智能教程。零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到我们人工智能的队伍中来!https://blog.csdn.net/jiangjunshow

                   

    边缘检测是图形图像处理、计算机视觉和机器视觉中的一个基本工具,通常用于特征提取和特征检测,旨在检测一张数字图像中有明显变化的边缘或者不连续的区域,在一维空间中,类似的操作被称作步长检测(step detection)。边缘是一幅图像中不同屈原之间的边界线,通常一个边缘图像是一个二值图像。边缘检测的目的是捕捉亮度急剧变化的区域,而这些区域通常是我们关注的。在一幅图像中两度不连续的区域通常是以下几项之一:

    l        图像深度不连续处

    l        图像(梯度)朝向不连续处

    l        图像光照(强度)不连续处

    l        纹理变化处

    理想情况下,对所给图像应用边缘检测器可以得到一系列连续的曲线,用于表示对象的边界。因此应用边缘检测算法所得到的结果将会大大减少图像数据量,从而过滤掉很多我们不需要的信息,留下图像的重要结构,所要处理的工作即被大大简化。然而,从普通图片上提取的边缘往往被图像的分割所破坏,也就是说,检测到的曲线通常不是连续的,有一些边缘曲线段开,就会丢失边缘线段,而且会出现一些我们不感兴趣的边缘。这就需要边缘检测算法的准确性。下面介绍两个本文实现的边缘检测算法:canny算子和sobel算子进行边缘检测。

     

    1.1.1   Canny算子边缘检测

    Canny边缘检测算法基于一个多阶边缘算子,是由John F. Canny于1986年首先提出的[46],他不但给出了边缘检测的方法,也提出了边缘检测的计算理论。

    Canny边缘检测器使用一个基于高斯模型派生的检测模型,因为未处理图像可能含有噪声,所以开始在原始图像上应用一个高斯滤波器,结果是一个轻度平滑的图像,以至于不至于被单个噪声像素干扰全局重要参数。

    以一个5×5的高斯滤波模板为例(见公式3-7),对图像A应用高斯滤波可得B。下面对图像的光强梯度统计都基于图B。


    一幅图像中的边缘可能在方向上各有所异,所以Canny算法用四个滤波器分别检测图像中的水平、垂直和对角线边缘。边缘检测器(如 Roberts, Prewitt, Sobel)值返回一个水平方向分量Gx和竖直方向分量Gy,由此边缘梯度和方向即可确定:


    所有边缘的角度都在上述选定的四个方向(0°,45°,90°,135°)周围。下一步通过滞后性门限跟踪边缘线。

    与小的光强梯度相比,数值较大的光强梯度更容易作为边缘线。在大多数图像中定义一个门限值来确定光强梯度取值多少适合作为边缘线通常是不可行的,因此Canny算法使用滞后作用确定门限值。该方法使用两个门限分别定义高低边界。假设所有的边缘应该不受噪声影响而且是连续的曲线。因此我们设置一个高门限用于判定确定是边缘的曲线,再由此出发,利用方向信息跟踪那些可追踪的图像边缘。当追踪该边缘时,应用低门限可以让我们追踪那些含有边缘的区域直到找到下一个曲线的起点。

    如图 3‑5所示,(a)为原图的灰度图,(b)为高斯滤波平滑图,(c)和(d)分别是手动设置的高低门限值如图所示的canny边缘检测结果。根据多组图像数据测试发现,当canny高低门限值分别设置为50,150时能够保证大部分有效信息的保留且不会有过多冗余信息。因此后文中采用门限值[Thres1,Thres2]= 50,120 作为canny边缘检测参数。Opencv中以下代码实现:

          cvCanny(dst,src, 50, 120, 3 );




    1.1.1   Sobel算子边缘检测

    和Canny算子类似,Sobel算子[47]也是利用梯度信息对图像进行边缘检测的。对图像进行边缘检测时,计算每个像素的梯度并给出不同方向从明到暗的最大变化及其变化率。这个结果显示出图片在该点亮度变化为“急剧”还是“平滑”,由此可以判断该区域成为边缘的概率。在实际操作中,这个成为边缘的可能性(称为magnitude)计算比计算方向更为可靠,也更为便捷。在图像中的每个像素点,梯度向量只想亮度增长最大的方向,该梯度向量的长度对应于该方向的光强变化率。这就说明在同一像素图像上一个区域的某点的sobel算子是一个零向量,而且在边缘线上的点上有一组向量值为亮度梯度。

    数学上在原图像上应用3×3的掩膜计算水平和垂直两个方向的变化梯度近似值。如果我们定义A为源图像,和分别作为一幅图像的水平近似梯度和垂直近似梯度,计算方式如下:


    式3-9中,*表示二维卷积运算。这里建立的坐标系在x坐标方向向右,y坐标方向向下,在图像中的每个点,用式3-8描述总梯度大小及方向。用Sobel算子进行边缘检测结果见图 3‑6所示。


               

    分享一下我老师大神的人工智能教程。零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到我们人工智能的队伍中来!https://blog.csdn.net/jiangjunshow

    展开全文
  • 图像特征提取根据其相对尺度可分为全局特征提取和局部特征提取两类。全局特征提取关注图像的整体表征。常见的全局特征包括颜色特征、纹理特征、形状特征、空间位置关系特征等。局部特征提取关注图像的某个局

    图像特征是指可以对图像的特点或内容进行表征的一系列属性的集合,主要包括图像自然特征(如亮度、色彩、纹理等)和图像人为特征(如图像频谱、图像直方图等)。

    图像特征提取根据其相对尺度可分为全局特征提取和局部特征提取两类。全局特征提取关注图像的整体表征。常见的全局特征包括颜色特征、纹理特征、形状特征、空间位置关系特征等。局部特征提取关注图像的某个局部区域的特殊性质。一幅图像中往往包含若干兴趣区域,从这些区域中可以提取数量不等的若干个局部特征。

    • 特征特点
    1. 代表性(可区分性)
    2. 稳定性
    3. 独立性

    颜色特征是比较简单但是应用较广泛的一种视觉特征。颜色特征往往和图像中包含的对象或场景相关。与其他图像特征相比,颜色特征对图像的尺寸、方向、视角变化的依赖性较小,即相对于图像的尺寸、方向、视角变化具有较好的健壮性。

    目前使用的颜色特征主要包括颜色直方图、颜色矩、颜色集、颜色聚合向量以及颜色相关图

    颜色直方图

    颜色直方图用于描述图像中像素颜色的数值分布情况,可以反映图像颜色的统计分布和图像的基本色调。颜色直方图仅可表征图像中某一颜色值出现的频数,无法描述图像像素分布的空间位置信息。

    任意一幅图像都能唯一给出一幅与它对应的颜色直方图,但不同的图像可能有相同的颜色直方图,因此直方图与图像存在一对多的关系。

    一般颜色直方图 cv2.calcHist

    颜色直方图是最基本的颜色特征,它反映的是图像中像素颜色值的组成分布,即出现了哪些颜色以及各种颜色出现的概率。假设s(xi)为图像F中某一特定颜色xi的像素个数,则xi像素出现的频率为:

    整个图像F的一般颜色直方图可以表示为:H(F)=[h(x1),h(x}xb2),…,h(xn)]

    • 方法说明

    cv2.calcHist(image,channels,mask,histSize,ranges)
    参数说明:
    1、image:原始图像,需要[]括起来
    2、channel:通道编号,需要[]括起来
    3、mask:掩膜图像,当统计全局图像,值设为None,统计局部图像的直方图,需要使用到它
    4、histSize:表示直方图的灰度级数,例如[0,255]一共256级
    5、range:表示像素值范围[a,b],表示a到b
    6、accumulate:表示累计标识,默认False,如果设为True,则直方图在开始计算时不会被清零,计算的是多个直方图的累积结果,用于对一组图像计算直方图。参数可选

    import matplotlib.pyplot as plt
    import cv2 as cv
    from skimage import data
    img = data.coffee()
    hist0 = cv.calcHist([img],[0],None,[256],[0,255])
    hist1 = cv.calcHist([img],[1],None,[256],[0,255])
    hist2 = cv.calcHist([img],[2],None,[256],[0,255])
    

    全局累加直方图 np.cumsum()

    当图像中的颜色值不能取遍所有可能的颜色值时,一般颜色直方图中就会出现一些零值。这些零值的出现会影响相似性的度量,进而会使计算出的相似度不能准确反映图像之间的颜色分布差异。
    为了弥合一般颜色直方图法的上述缺陷,在一般直方图方法的基础之上,通过对直方图元素进行累加,消除零值影响,形成全局累加直方图。

    img = data.coffee()
    hist0 = np.cumsum(cv.calcHist([img],[0],None,[256],[0,255]))
    hist1 = np.cumsum(cv.calcHist([img],[1],None,[256],[0,255]))
    hist2 = np.cumsum(cv.calcHist([img],[2],None,[256],[0,255]))
    plt.figure(figsize=(6,6))
    plt.plot(range(256),hist0,label = 'R')
    plt.plot(range(256),hist1,label = 'G')
    plt.plot(range(256),hist2,label = 'B')
    plt.legend()                 
    plt.title("累积直方图")
    

    主色调直方图

    在一幅图像中,不同颜色值出现的概率不尽相同,且通常情况下少数几种颜色就能涵盖整幅图像的主色调。基于该思想,主色调直方图法会计算出图像中每种颜色出现的频率,选择出现频率最高的几种颜色并将其作为主色调。

    总结

    • 优点

    计算简单,对图像的平移和旋转变换不敏感,能简单描述图像中颜色的全局分布情况。

    • 缺点

    无法捕捉(即会丢失)颜色组成之间的空间位置关系。

    颜色矩

    矩是非常重要的统计量,用于表征数据分布的特点。在统计中,一阶矩表示数据分布的均值,二阶矩表示数据分布的方差,三阶矩表示数据分布的偏移度。

    图像的颜色矩用于对图像内的颜色分布进行表征,是比较重要的一种全局图像特征表示。图像的颜色矩特征提取时主要瞄准图像颜色矩中的一阶矩、二阶矩和三阶矩,对于图像而言,这3种统计特征已经足以表达数字图像的颜色分布。相对于颜色直方图特征提取,颜色矩特征提取的优点是无须对颜色特征进行提前量化。

    • 原理

    对于数字图像P,其一阶颜色矩的定义为:

    其中Pij表示数字图像P的第i个图像通道的第j个像素的像素值,N表示图像中像素的个数。

    二阶颜色矩的定义为:

    三阶颜色矩的定义为:

    其中一阶矩可以表征该颜色通道的平均响应强度,二阶矩可以表示该颜色通道的响应方差,三阶矩可以表征该颜色通道数据分布的偏移度。针对彩色图像,图像的颜色矩一共有9个分量,每个颜色通道均有3个低阶矩。

    def color_comment(img):
        r,g,b = cv.split(img)
        color_featrue = []
        # 一阶矩
        r_mean = np.mean(r)
        g_mean = np.mean(g)
        b_mean = np.mean(b)
        # 二阶矩
        r_std = np.std(r)
        g_std = np.std(g)
        b_std = np.std(b)
        #三阶矩
        r_offset = (np.mean(np.abs((r - r_mean)**3)))**(1./3)
        g_offset = (np.mean(np.abs((g - g_mean)**3)))**(1./3)
        b_offset = (np.mean(np.abs((b - b_mean)**3)))**(1./3)
        color_featrue.extend([r_mean,g_mean,b_mean,r_std,g_std,b_std,r_offset,g_offset,b_offset])
        return color_featrue
    print(color_comment(img))
    

    [158.5690875, 85.794025, 51.48475, 62.9728671221504, 60.958103707650785, 52.93569362069574, 73.2849737717244, 69.97427088321201, 67.60422322535385]

    颜色矩的特点:图像的颜色矩有9个分量(3个颜色通道,每个通道上3个低阶矩);与其他颜色特征相比非常简洁;分辨力较弱;颜色矩一般和其他特征结合使用,可以起到缩小范围的作用。

    颜色聚合向量

    参考

    针对颜色直方图和颜色矩无法表达图像色彩的空间位置的缺点,有人提出了图像的颜色聚合向量。

    其核心思想是将属于颜色直方图的每个颜色量化区间的像素分为两部分,如果该颜色量化区间中的某些像素占据的连续区域的面积大于指定阈值,则将该区域内的像素作为聚合像素,否则作为非聚合像素。

    颜色聚合向量可表示为<(α1,β1),(αn,βn)>,其中αi与βi分别代表颜色直方图的第i个颜色量化区间中的聚合像素和非聚合像素的数量。颜色聚合向量除了包含颜色频率信息外,也包含颜色的部分空间分布信息,因此其可以获得比颜色直方图更好的表示效果。

    • 步骤

    1、量化

    颜色聚合向量算法的第一步与求普通的颜色直方图类似,即对图像进行量化处理。一般采用均匀量化处理方法,量化的目标是使图像中只保留有限个颜色区间。

    2、连通区域划分

    针对重新量化后的像素值矩阵,根据像素间的连通性把图像划分成若干个连通区域。

    3、判断聚合性

    统计每个连通区域中的像素数目,根据设定的阈值判断该区域中的像素是聚合的,还是非聚合,得出每个颜色区间中聚合像素和非聚合像素的数量αi和βi。

    4、 聚合向量形成

    图像的聚合向量可以表示为〈(α1,β1),(αn,βn)〉

    颜色相关图

    颜色相关图是图像颜色分布的另外一种表达方式。颜色相关图不仅可以显示像素在图像中的占比,也可以反映不同颜色对间的空间位置的相关性。颜色相关图利用颜色对间的相对距离分布来描述空间位置信息。

    • 原理

    颜色相关图是一张用颜色对<i,j>索引的表,其中<i,j>的第k个分量表示颜色为c(i)的像素和颜色为c(j)的像素之间的距离等于k的概率。设I表示整张图像的全部像素,Ic(i)表示颜色为c(i)的所有像素,则图像的颜色相关图可以表达为:

    |p1-p2|表示像素p1和p2之间的距离

    def is_vaild(X,Y,point): #判断像素分布点是否超出图像范围,超出返回False
        if point[0] < 0 or point[0] >= X:
            return False
        if point[1] < 0 or point[1] >= Y:
            return False
        return True
        
    def getNeighbors(X,Y,x,y,dist):  # 输入图片的一个像素点的位置,返回它的8邻域
        cn1 = (x+dist,y+dist)
        cn2 = (x+dist,y)
        cn3 = (x+dist,y-dist)
        cn4 = (x,y-dist)
        cn5 = (x-dist,y-dist)
        cn6 = (x-dist,y)
        cn7 = (x-dist,y+dist)
        cn8 = (x,y+dist)
        point = (cn1,cn2,cn3,cn4,cn5,cn6,cn7,cn8)
        Cn = []
        for i in point:
            if is_vaild(X,Y,i):
                Cn.append(i)
        return Cn
            
    def corrlogram(img,dist):
        xx,yy,tt = img.shape
        cgram = np.zeros((256,256),np.uint8)
        for x in range(xx):
            for y in range(yy):
                for t in range(tt):
                    color_i = img[x,y,t]   # X的某一个通道的像素值
                    neighbors_i = getNeighbors(xx,yy,x,y,dist)
                for j in neighbors_i:
                    j0 = j[0]
                    j1 = j[1]
                    color_j = img[j0,j1,t]   #X的某一个邻域像素点的某一个通道的像素值
                    cgram[color_i,color_j] +=  1  #统计像素值i核像素值j的个数
        return cgram
    crgam = corrlogram(img,4)  # 4 
    plt.imshow(crgam)
    plt.show()
    

    展开全文
  • 底层次的特征是不需要任何形状信息(空间关系的信息)就可以从图像中自动提取特征,这样看来,阈值方法就是作为点处理的一种低层次特征提取方式,所有低层次方法都可以作为高层次特征提取的预处理,从而在图像中...
  • tezhegntiqu_边缘特征提取_边缘特征_featureextraction_特征提取_提取图像特征.zip
  • 图像边缘提取、纹理分析。在图像中,边界表明一个特征区域的终结和另一个特征区域的开始,边界所分开区域的内部特征或属性是一致的,而不同的区域内部的特征或属性是不同的,边缘检测正是利用物体和背景在某种图像...
  • 文章对蚁群算法在图像边缘的提取中进行研究,对蚁群算法在图像边缘提取中采用蚂蚁访问不同邻域策略与不同的启发信息公式进行MATLAB仿真,得到最佳的邻域策略与启发信息公式,并利用得到的最佳方式对不同图像进行边缘的...
  • 通过构造函数,构造高通滤波器,用于图像边缘提取
  • 数字图像处理与Python实现笔记之图像特征提取

    万次阅读 多人点赞 2020-07-30 16:23:00
    数字图像处理与Python实现笔记摘要绪论1 数字图像处理基础知识2 彩色图像处理初步3 空间滤波4 频域滤波5 图像特征提取5.1 图像颜色特征提取5.2 图像纹理特征提取5.3 图像形状特征提取5.4 图像边缘特征提取6 图像压缩...
  • tezhegntiqu_边缘特征提取_边缘特征_featureextraction_特征提取_提取图像特征_源码.zip
  • 图像底层特征提取是计算机视觉的基本步骤 1:边缘和轮廓能反映图像内容; 2:如果能对边缘和关键...灰度图像中的边缘类型 边缘的提取灰度图象边缘提取,主要的思想: - 抑制噪声(低通滤波、平滑、去噪、模糊) -
  • 摘要:提出了一种基于小波和熵提取图像字符特征的方法。该方法利用小波变换对图像字符进行多尺度分解,用marr零交叉边缘检测算子提取边缘;用基于判别熵最小化提取每一尺度图像的边界特征,小波的“数字显微镜”的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 56,977
精华内容 22,790
关键字:

图像边缘特征提取