精华内容
下载资源
问答
  • 图像处理常用测试图片

    热门讨论 2012-06-26 10:37:27
    这里是一些常用图像处理图片,都是一些长用的图片
  • airplane baboon book cat fruits hand_sample1 hand_sample2 ...hand_sample3

    airplane



    baboon







    book





    cat





    fruits




    hand_sample1





    hand_sample2





    hand_sample3





    lena





    one_way_train_0000




    one_way_train_0001




    scene











    stuff




    Template_Matching_Original_Image




    Template_Matching_Template_Image








    展开全文
  • 数字图像处理标准测试

    热门讨论 2009-05-22 16:11:34
    包括常用的数字图像处理的标准测试图,包括lena,cameraman等等经典图片
  • 常用图像处理标准图片(Lena、cameraman等)获取地址 点击此处——>常用图像处理标准图片

    常用的图像处理标准图片(Lena、cameraman等)获取地址


    点击此处——>常用的图像处理标准图片

    展开全文
  • 图像处理方向常用网站

    千次阅读 2013-11-06 09:28:17
    做机器视觉和图像处理方面的研究工作,最重要的两个问题:其一是要把握住国际上最前沿的内容;其二是所作工作要具备很高的实用背景。解决第一个问题的办法就是找出这个方向公认最高成就的几个超级专家(看看他们都在...

    做机器视觉和图像处理方面的研究工作,最重要的两个问题:其一是要把握住国际上最前沿的内容;其二是所作工作要具备很高的实用背景。解决第一个问题的办法就是找出这个方向公认最高成就的几个超级专家(看看他们都在作什么)和最权威的出版物(阅读上面最新的文献),解决第二个问题的办法是你最好能够找到一个实际应用的项目,边做边写文章。 做好这几点的途径之一就是利用网络资源,利用权威网站和专家们的个人主页。


    依照下面目录整理:
    [1]研究群体(国际国内)[2]专家主页[3]前沿国际国内期刊与会议[4]搜索资源[5]GPL软件资源


    一、研究群体
    用来搜索国际知名计算机视觉研究组(CV Groups)
    国际计算机视觉研究组清单http://peipa.essex.ac.uk/info/groups.html
    美国计算机视觉研究组清单 http://peipa.essex.ac.uk/info/groups.html#USA

    http://www-2.cs.cmu.edu/~cil/vision.html或 http://www.cs.cmu.edu/~cil/vision.html
    这是卡奈基梅隆大学的计算机视觉研究组的主页,上面提供很全的资料,从发表文章的下载到演示程序、测试图像、常用链接、相关软硬件,甚至还有一个搜索引擎。著名的有人物Tomasi, Kanade等。
    卡内基梅隆大学双目实验室http://vision.middlebury.edu/stereo/
    卡内基梅隆研究组http://www.cs.cmu.edu/~cil/v-groups.html
    还有几个实验室:
    Calibrated Imaging Laboratory 图像
    Digital Mapping Laboratory 映射
    Interactive Systems Laboratory 互动
    Vision and Autonomous Systems Center视觉自适应

    http://www.via.cornell.edu/
    康奈尔大学的计算机视觉和图像分析研究组,好像是电子和计算机工程系的。侧重医学方面的研究,但是在上面有相当不错资源,关键是它正在建设中,能够跟踪一些信息。
    Cornell University——Robotics and Vision group

    http://www-cs-students.stanford.edu/ 斯坦福大学计算机系主页
    1. http://white.stanford.edu/
    2. http://vision.stanford.edu/
    3. http://ai.stanford.edu/美国斯坦福大学人工智能机器人实验室
    The Stanford AI Lab (SAIL) is the intellectual home for researchers in the Stanford Computer Science Department whose primary research focus is Artificial Intelligence. The lab is located in the Gates...
    Vision and Imaging Science and Technology

    http://www.fmrib.ox.ac.uk/analysis/
    主要研究:Brain Extraction Tool, Nonlinear noise reduction, Linear Image Registration, Automated Segmentation, Structural brain change analysis, motion correction, etc.

    http://www.cse.msu.edu/prip/密歇根州立大学计算机和电子工程系的模式识别--图像处理研究组,它的FTP上有许多的文章(NEW)
    美国密歇根州大学认知模型和图像处理实验室
    The Pattern Recognition and Image Processing (PRIP) Lab faculty and students investigate the use of machines to recognize patterns or objects. Methods are developed to sense objects, to discover which...http://www.cse.msu.edu/rgroups/prip/

    http://pandora.inf.uni-jena.de/p/e/index.html
    德国的一个数字图像处理研究小组,在其上面能找到一些不错的链接资源。
    柏林大学 http://www.cv.tu-berlin.de/

    德国波恩大学视觉和认识模型小组
    Computer Vision Group located within the Division III of the Computer Science Department in the University of Bonn in Germany. This server offers information on topics concerning our computer vision http://www-dbv.informatik.uni-bonn.de/

    http://www-staff.it.uts.edu.au/~sean/CVCC.dir/home.html
    CVIP(used to be CVCC for Computer Vision and Cluster Computing) is a research group focusing on cluster-based computer vision within the Spiral Architecture.

    http://cfia.gmu.edu/
    The mission of the Center for Image Analysis is to foster multi-disciplinary research in image, multimedia and related technologies by establishing links between academic institutes, industry and government agencies, and to transfer key technologies to help industry build next generation commercial and military imaging and multimedia systems.

    英国的Bristol大学的Digital Media Group在高级图形图像方面不错。主要就是涉及到场景中光线计算的问题,比如用全局光照或是各种局部光照对高动态图的处理,还有近似真实的模拟现实环境 (照片级别的),还有用几张照片来建立3D模型(人头之类的)。另外也有对古代建筑模型复原。http://www.cs.bristol.ac.uk/Research/Digitalmedia/
    而且根据Times全英计算机排名在第3, 也算比较顶尖的研究了

    http://www.cmis.csiro.au/IAP/zimage.htm
    这是一个侧重图像分析的站点,一般。但是提供一个Image Analysis环境---ZIMAGE and SZIMAGE

    麻省理工视觉实验室MIT http://groups.csail.mit.edu/vision/welcome/
    AI Laboratory Computer Vision group
    Center for Biological and Computational Learning
    Media Laboratory, Vision and Modeling Group
    Perceptual Science group

    UC Berkeley http://0-vision.berkeley.edu.ilstest.lib.neu.edu/vsp/index.html
    http://www.cs.berkeley.edu.ilste ... n/vision_group.html
    加州大学伯克利分校视觉实验室David A. Forsythhttp://www.cs.berkeley.edu/~daf/

    UCLA(加州大学洛杉矶分校http://vision.ucla.edu/ 视觉实验室

    英国牛津的A.Zissermanhttp://www.robots.ox.ac.uk/~az/ 机器人实验室

    美国南加州大学智能机器人和智能系统研究所University of Southern California, Los Angeles
    IRIS is an interdepartmental unit of USC's School of Engineering with ties to USC's Information Sciences Institute (ISI). Members include faculty, graduate students, and research staff associated with... http://iris.usc.edu/ Computer Vision 实验室
    美国南加州大学计算机视觉实验室介绍:
    Computer Vision Laboratory at the University of Southern California is one of the major centers of computer vision research for thirty years. they conduct research in a number of basic and applied are...http://iris.usc.edu/USC-Computer-Vision.html

    英国约克大学高级计算机结构神经网络小组
    The Advanced Computer Architecture Group has had a thriving research programme in neural networks for over 10 years. The 15 researchers, led by Jim Austin, focus their work in the theory and applicati...http://www.cs.york.ac.uk/arch/neural/

    瑞士戴尔莫尔感知人工智能研究所
    IDIAP is a research institute established in Martigny in the Swiss Alps since 1991. Active in the areas of multimodal interaction and multimedia information management, the institute is also the leade...http://www.idiap.ch/

    英国萨里大学视觉,语言和信号处理中心
    The Centre for Vision, Speech and Signal Processing (CVSSP) is more than 60 members strong, comprising 12 academic staff, 18 research fellows and more than 44 research students. The activities of the ...http://www.ee.surrey.ac.uk/Research/VSSP/

    美国阿默斯特马萨诸塞州立大学计算机视觉实验室
    The Computer Vision Laboratory was established in the Computer Science Department at the University of Massachusetts in 1974 with the goal of investigating the scientific principles underlying the con...http://vis-www.cs.umass.edu
    University of Massachusetts——Computer Vision Laboratory for Perceptual Robotics

    美国芝加哥伊利诺伊斯大学贝克曼研究中心智能机器人和计算机视觉实验室
    Includes the following groups: Professor Seth Hutchinson's Research Group Professor David Kriegman's Research Group Professor Jean Ponce's Research Group Professor Narendra Ahuja's Research Gro...http://www-cvr.ai.uiuc.edu/
    Computer Vision and Robotics Laboratory
    Vision Interfaces and Systems Laboratory (VISLab)

    英国伯明翰大学计算机科学学校视觉研究小组
    The vision group at the School of Computer Science (a RAE 5 rated department) performs research into a wide variety of computer vision and image understanding areas. Much of this work is performed in ...http://www.cs.bham.ac.uk/research/vision/

    微软研究院机器学习与理解研究小组 / 计算机视觉小组
    The research group focuses on the development of more advanced and intelligent computer systems through the exploitation of statistical methods in machine learning and computer vision. The site lists ...http://research.microsoft.com/mlp/
    http://research.microsoft.com/en-us/groups/vision/
    微软公司的文献:http://research.microsoft.com/research/pubs
    微软亚洲研究院:http://research.microsoft.com/asia/,值得关注Harry Shum, Jian Sun, Steven Lin, Long Quan(兼职HKUST)etc.

    瑞典隆德大学数学系视觉组:http://www.maths.lth.se/matematiklth/personal/andersp/
    感觉国外搞视觉的好多是数学系出身,大约做计算机视觉对数学要求很高吧。

    澳大利亚国立大学:http://users.rsise.anu.edu.au/~hartley/

    美国北卡大学:http://www.cs.unc.edu/~marc/

    法国INRIAhttp://www-sop.inria.fr/odyssee/team/ 由Olivier.Faugeras领衔的牛人众多。

    比利时鲁汶大学的L.Van Gool: www.esat.kuleuven.ac.be/psi/visics/
    据说在这个只有中国一个小镇大小的地方的鲁汶大学在欧洲排行top10,名列世界top100,还出了几个诺贝尔奖,视觉研究也很强.

    美国明德http://vision.middlebury.edu/stereo/

    以下含有非顶尖美国学校研究组,没有链接(个别的上面已经提到),供参考。
    Amerinex Applied Imaging, Inc.

    Boston University
    Image and Video Computing Research group

    University of California at Santa Barbara加州大学芭芭拉分校
    Vision Research Lab

    University of California at San Diego加州大学圣迭戈分校
    Computer Vision & Robotics Research Laboratory
    Visual Computing laboratory

    University of California at Irvine加州大学欧文分校,加州南部一城,在圣安娜东南,
    Computer Vision laboratory

    University of California, Riverside加州大学河滨分校
    Visualization and Intelligent Systems Laboratory (VISLab)

    University of California at Santa Cruz
    Perceptual Science Laboratory

    Caltech (加州理工)
    Vision group

    University of Central Florida
    Computer Vision laboratory

    University of Florida
    Center for Computer Vision and Visualization

    Colorado State University
    Computer Vision group

    Columbia University
    Automated Vision Environment (CAVE)
    Robotics group

    University of Georgia, Athens
    Visual and Parallel Computing Laboratory

    Harvard University(哈佛)
    Robotics Laboratory

    University of Illinois at Urbana-Champaign
    Robotics and Computer Vision

    University of Iowa
    Division of Physiologic Imaging

    Jet Propulsion Laboratory
    Machine Vision and Tracking Sensors group

    Khoral Research, Inc

    Lawrence Berkeley Laboratories
    Imaging and Collaborative Computing Group
    Imaging and Distributed Computing

    Lehigh University
    Image Processing and Pattern Analysis Lab
    Vision And Software Technology Laboratory

    University of Louisville
    Computer Vision and Image Processing Lab

    University of Maryland
    Computer Vision Laboratory

    University of Miami
    Underwater Vision and Imaging Laboratory

    University of Michigan密歇根
    AI Laboratory

    Michigan State University 密歇根州立
    Pattern Recognition and Image Processing laboratory

    Environmental Research Institute of Michigan (ERIM) 密歇根大学有汽车车身检测研究

    University of Missouri-Columbia
    Computational Intelligence Research Laboratory

    NEC
    Computer Vision and Image Processing

    University of Nevada
    Computer Vision Laboratory

    Notre-Dame University
    Vision-Based Robotics using Estimation

    Ohio State University
    Signal Analysis and Machine Perception Laboratory

    University of Pennsylvania
    GRASP laboratory
    Medical Image Processing group
    Vision Analysis and Simulation Technologies (VAST) Laboratory

    Penn State University 宾夕法尼亚大学
    Computer Vision
    Precision Digital Images

    Purdue University普渡大学
    Robot Vision laboratory
    Video and Image Processing Laboratory (VIPER)

    Rensselaer Polytechnic Institute (RPI)
    Computer Science Vision

    University of Rochester
    Center for Electronic Imaging Systems
    Vision and Robotics laboratory

    Rutgers University (The State University of New Jersey)
    Image Understanding Lab

    University of Southern California
    Computer Vision

    University of South Florida
    Image Analysis Research group

    Stanford Research Institute International (SRI)
    RADIUS -- Research and Development for Image Understanding Systems
    The Perception program at SRI's AI Center

    SUNY at Stony Brook
    Computer Vision Lab

    University of Tennessee
    Imaging, Robotics and Intelligent Systems laboratory

    University of Texas, Austin
    Laboratory for Vision Systems

    University of Utah
    Center for Scientific Computing and Imaging
    Robotics and Computer Vision

    University of Virginia
    Computer Vision Research (CS)

    University of Washington
    Image Computing Systems Laboratory
    Information Processing Laboratory
    CVIA Laboratory

    University of West Florida
    Image Analysis/Robotics Research Laboratory

    University of Wisconsin
    Computer Vision group

    Vanderbilt University
    Center for Intelligent Systems

    Washington State University
    Imaging Research laboratory

    Wright-Patterson
    Model-Based Vision laboratory

    Wright State University
    Intelligent Systems Laboratory

    University of Wyoming
    Wyoming Image and Signal Processing Research (WISPR)

    Yale University
    Computational Vision Group http://www.cs.yale.edu/
    School of Medicine, Image Processing and Analysis group

    国内:
    中科院模式识别国家重点实验室 http://www.nlpr.ia.ac.cn/English/rv/mainpage.html
    虹膜识别、掌纹识别、人脸识别、
    莲花山http://www.stat.ucla.edu/~sczhu/Lotus/
    天津大学精密测试技术及仪器国家重点实验室
    研究方向包括:激光及光电测试技术、传感及测量信息技术、微纳测试与制造技术、制造质量控制技术。该实验室是国内精密测试领域惟一的国家重点实验室。
    智能微系统及其集成应用技术微结构光学测试技术油气储运安全检测技术先进制造中的视觉测量及其关键技术正交偏振激光器原理、特性及其在精密计量中的应用研究5项代表性成果(07.3)。

    中科院长春光机所 http://www.ciomp.ac.cn/ny/keyan.asp

    中科院沈阳自动化所http://www.sia.ac.cn/index.php

    中科院西安光机所http://www.opt.ac.cn/yanjiushi/gpcxjs1.htm

    北京大学智能科学系http://www.cis.pku.edu.cn/vision/vision.htm
    三维视觉计算与机器人,生物特征识别与图像识别


    二、专家网页
    http://www.ai.mit.edu/people/wtf/
    这位可是MIT人工智能实验室的BILL FREEMAN。专长是:理解--贝叶斯模型。

    http://www.merl.com/people/brand/
    MERL(Mitsubishi Electric Research Laboratory)中的擅长“Style Machine”

    http://research.microsoft.com/~ablake/
    CV界极有声望的A.Blake 1977年毕业于剑桥大学三一学院并或数学与电子科学学士学位。之后在MITEdinburghOxford先后组建过研究小组并成为Oxford的教授,直到1999年进入微软剑桥研究中心。主要工作领域是计算机视觉。

    http://www-2.cs.cmu.edu/afs/cs.cmu.edu/user/har/Web/home.html
    这位专家好像正在学习汉语,主页并且搜集了诸如两只老虎(Two Tigers)”的歌曲。
    他的主页上面还有几个专家:Shumeet Baluja, Takeo Kanade。他们的Face Detection作的绝对是世界一流。毕业于卡奈基梅隆大学的计算机科学系,兴趣是计算机视觉。

     

    三、前沿国际国内期刊与会议
    这里的期刊大部分都可以通过上面的专家们的主页间接找到
    1.国际会议 2.国际期刊 3.国内期刊 4.神经网络 5.CV 6.数字图象 7.教育资源,大学 8.常见问题
    1. 国际会议
    现在,国际上计算机视觉方面的三大国际会议是ICCV, CVPRECCV,统称之为ICE
    ICCV的全称是International Comference on Computer VisionICCV两年一次,与ECCV正好错开,是公认的三个会议中级别最高的。

    ECCV的全称是Europeon Conference on Computer Vision,是一个欧洲的会议。

    CVPR的全称是Internaltional Conference on Computer Vision and Pattern Recogintion国际计算机视觉与模式识别会议。这是一个一年一次的会议,举办地在美国。
    ICIP—
    BMVC—
    MVA—
    国际模式识别会议(ICPR )
    亚洲计算机视觉会议(ACCV)
    2.国际期刊
    以计算机视觉为主要内容之一的国际刊物也有很多,如:
    International Journal of Computer Vision
    IEEE Trans. On PAMI http://www.computer.org/tpami/index.htm
    IEEE Transactionson Image Processing http://www.ieee.org/organizations/pubs/transactions/tip.htm
    Pattern Recognition http://www.elsevier.com/locate/issn/00313203
    Pattern Recognition Letters http://www.elsevier.com/locate/issn/01678655
    IEEE Trans. on Robotics and Automation
    IEEE TPAMI
    IEEE TIP
    CVGIP Computer Vision. Graphics and Image Processing
    Visual Image Computing
    IJPRAI(Internatiorial Journat of Pattern Recognition and Artificial Intelligence)

    众所周知, computer vision(cv) 存在ICCV/CVPR/ECCV三个顶级会议,它们档次差不多,都应该在一流会议行列, 没有必要给个高下。有些us的人认为ICCV/CVPR略好于ECCV,而欧洲人大都认为ICCV/ECCV略好于CVPR,某些英国的人甚至认为BMVC好于CVPR。简言之, 三个会议差不多, 各有侧重和偏好。

    笔者就个人经验浅谈三会异同, 以供大家参考和讨论。 三者乃cv领域的旗舰和风向标,其oral paper (包括best paper) 代表当年度cv的最高水准, 在此引用Harry Shum的一句话, 想知道某个领域在做些什么,找最近几年此领域的proceeding看看就知道了。 ICCV/CVPRIEEE Computer Society牵头组织, ECCV好像没有专门负责的组织。 CVPR每年(2002)都在美国开, ECCV每两年开一次,仅限欧洲, ICCV也是每两年一次,各洲轮值。 基本可以保证每年有两个会议开, 这样研究者就有两次跻身牛会的机会。
    就录取率而言, 三会都有波动。 如ICCV2001录取率>30%,且出现两个人(华人)各有三篇第一作者的paper的情况, 这在顶级牛会是不常见的 (灌水嫌疑)。 但是, ICCV2003, 2005两次录取率都很低, 大约20%左右。 ECCV也是类似规律, 在2004年以前都是>30%, 2006年降低到20%左右。 CVPR的录取率近年来一直偏高,从2004年开始一直都在[25%30%]。最近一次CVPR200628.1%, CVPR2007还不知道统计数据。笔者猜测为了维持录取paper的绝对数量, 当submission少的时候录取率偏高, 反之偏低,近几年三大会议的投稿数量全部超过1000, 相对2000年前, 三会录取率均大幅度降低,最大幅度50%->20%。 对录取率走势感兴趣的朋友, 可参考 http://vrlab.epfl.ch/~ulicny/statistics/(CVPR2004的数据是错的)http://www.adaptivebox.net/research/bookmark/CICON_stat.html.

    显然, 投入cv的人越来越多,这个领域也是越来越大, 这点颇不似machine learning一直奉行愚蠢的小圈子主义。另外一点值得注意, ICCV/ECCV只收vision相关的topic,而cvpr会收少量的pattern recognition paper, 如finger print等,但是不收和image/video完全不占边的pr paper,如speech recognition等。我一个朋友曾经review过一篇投往CVPRspeechpaper, 三个reviewer一致拒绝,其中一个reviewer搞笑的指出, 你这篇paper应该是投ICASSP被据而转投CVPR的。 就topic而言, CVPR涵盖最广。 还有一个没有验证过的原因导致CVPR录取率高很多usresearcher不愿意或没有足够的经费到us以外的地方开会, 故CVPR会优先接收很多来自uspaper (让大家都happy)

    以上对三会的分析对我们投paper是很有指导作用的。 目前的research我想绝大部分还是纸上谈兵, 必经 read paper -> write paper -> publish paper -> publish paper on top conferences and journals流程。故了解投paper的一些基本技巧, 掌握领域的走向和热点, 是非常必要的。 避免做无用功,选择切合的topic,改善presentation, 注意格式 (遵守规定的模板), 我想这是很多新手需要注意的问题。如ICCV2007明文规定不写summary page直接reject, 但是仍然有人忽视, 这是相当不值得的。
    3.国内期刊
    自动化学报、计算机学报、软件学报、电子学报,中国图象图形学报,模式识别与人工智能,光电子激光,精密光学工程等。
    4.神经网络
    神经网络-Neural Networks Tutorial Review
    http://hem.hj.se/~de96klda/NeuralNetworks.htm
    ftp://ftp.sas.com/pub/neural/FAQ.html

    Image Compression with Neural Networks
    http://www.comp.glam.ac.uk/digimaging/neural.htm

    Backpropagator's Review
    http://www.dontveter.com/bpr/bpr.html

    Bibliographies on Neural Networks
    http://liinwww.ira.uka.de/bibliography/Neural/

    Intelligent Motion Control with an Artificial Cerebellum
    http://www.q12.org/phd.html

    Kernel Machines
    http://www.kernel-machines.org/

    Some Neural Networks Research Organizations
    http://www.ieee.org/nnc/
    http://www.inns.org/

    Neural Network Modeling in Vision Research
    http://www.rybak-et-al.net/nisms.html

    Neural Networks and Machine Learning
    http://learning.cs.toronto.edu/

    Neural Application Software
    http://attrasoft.com

    Neural Network Toolbox for MATLAB
    http://www.mathworks.com/products/neuralnet/

    Netlab Software
    http://www.ncrg.aston.ac.uk/netlab/

    Kunama Systems Limited http://www.kunama.co.uk/
    5.Computer Vision(计算机视觉)
    Annotated Computer Vision Bibliography
    http://iris.usc.edu/Vision-Notes/bibliography/contents.html
    http://iris.usc.edu/Vision-Notes/rosenfeld/contents.html

    Lawrence Berkeley National Lab Computer Vision and Robotics Applications
    http://www-itg.lbl.gov/ITG.hm.pg.docs/VISIon/vision.html

    CVonline by University of Edinburgh
    The Evolving, Distributed, Non-Proprietary, On-Line Compendium of Computer Vision www.dai.ed.ac.uk/CVonline

    Computer Vision Handbook
    www.cs.hmc.edu/~fleck/computer-vision-handbook

    Vision Systems Courseware
    www.cs.cf.ac.uk/Dave/Vision_lecture/Vision_lecture_caller.html

    Research Activities in Computer Vision
    http://www-syntim.inria.fr/syntim/analyse/index-eng.html

    Vision Systems Acronyms
    www.vision-systems-design.com/vsd/archive/acronyms.html

    Dictionary of Terms in Human and Animal Vision
    http://cns-web.bu.edu/pub/laliden/WWW/Visionary/Visionary.html

    Metrology based on Computer Vision
    www.cranfield.ac.uk/sme/amac/research/metrology/metrology.html
    6.Digital Photography 数字图像
    Digital Photography, Scanning, and Image Processing
    www.dbusch.com/scanners/scanners.htm l
    7.Educational Resources, Universities 教育资源,大学
    Center for Image Processing in Education
    www.cipe.com
    Library of Congress Call Numbers Related to Imaging Science by Rochester Institute of Technology
    http://wally2.rit.edu/pubs/guides/imagingcall.html

    Mathematical Experiences through Image Processing, University of Washington
    www.cs.washington.edu/research/metip/metip.html

    Vismod Tech Reports and Publications, MIT
    http://vismod.www.media.mit.edu/cgi-bin/tr_pagemaker

    Vision Lab PhD dissertation list, University of Antwerp
    http://wcc.ruca.ua.ac.be/~visielab/theses.html

    INRIA (France) Research Projects: Human-Computer Interaction, Image Processing, Data Management, Knowledge Systems
    www.inria.fr/Themes/Theme3-eng.html

    Image Processing Resources
    http://eleceng.ukc.ac.uk/~rls3/Contents.htm

    Publications of Carsten Steger
    http://www9.informatik.tu-muench ... r/publications.html
    8.FAQs(常见问题)
    comp.dsp FAQ
    www.bdti.com/faq/dsp_faq.htm
    Robotics FAQ
    www.frc.ri.cmu.edu/robotics-faq

    Where's the sci.image.processing FAQ?
    www.cc.iastate.edu/olc_answers/p ... processing.faq.html

    comp.graphics.algorithms FAQ, Section 3, 2D Image/Pixel Computations
    www.exaflop.org/docs/cgafaq

    Astronomical Image Processing System FAQ
    www.cv.nrao.edu/aips/aips_faq.html

    四、搜索资源
    http://sal.kachinatech.com/
    http://cheminfo.pku.edu.cn/mirrors/SAL/index.shtml 北京大学

    Google输入:computer vision computer vision groups可以获得很多结果

    网络资源:
    CVonline http://homepages.inf.ed.ac.uk/rbf/CVonline/视觉研究组列表
    Computer vision test Image http://www.cs.cmu.edu/~cil/v-images.html卡内基梅隆标准图片库
    视觉论文搜索:Paper search
    http://www.researchindex.com


    五、图像处理GPL库(代码库图像库等)
    http://www.ph.tn.tudelft.nl/~klamer/cppima.html
    Cppima 是一个图像处理的C++函数库。这里有一个较全面介绍它的库函数的文档,当然你也可以下载压缩的GZIP包,里面包含TexInfo格式的文档。

    http://iraf.noao.edu/
    Welcome to the IRAF Homepage! IRAF is the Image Reduction and Analysis Facility, a general purpose software system for the reduction and analysis of astronomical data

    http://entropy.brni-jhu.org/tnimage.html
    一个非常不错的Unix系统的图像处理工具,看看它的截图。你可以在此基础上构建自己的专用图像处理工具包。

    http://sourceforge.net/projects/
    这是GPL软件集散地,可以搜索IP库。

    国内的CSDN http://www.csdn.net/

    计算机视觉领域的一些牛人博客,超有实力的研究机构等的网站链接

    以下链接是本人整理的关于计算机视觉(ComputerVision, CV)相关领域的网站链接,其中有CV牛人的主页,CV研究小组的主页,CV领域的paper,代码,CV领域的最新动态,国内的应用情况等等。打算从事 这个行业或者刚入门的朋友可以多关注这些网站,多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的研究动态、招生情况等。总之,我认为, 知识只有分享才能产生更大的价值,真诚希望下面的链接能对朋友们有所帮助。
    1googleResearch; http://research.google.com/index.html
    2MIT博士,汤晓欧学生林达华; http://people.csail.mit.edu/dhlin/index.html
    3MIT博士后Douglas Lanman; http://web.media.mit.edu/~dlanman/
    4opencv中文网站; http://www.opencv.org.cn/index.php/%E9%A6%96%E9%A1%B5
    5Stanford大学vision实验室; http://vision.stanford.edu/research.html
    6Stanford大学博士崔靖宇; http://www.stanford.edu/~jycui/
    7UCLA教授朱松纯; http://www.stat.ucla.edu/~sczhu/
    8)中国人工智能网; http://www.chinaai.org/
    9)中国视觉网; http://www.china-vision.net/
    10)中科院自动化所; http://www.ia.cas.cn/
    11)中科院自动化所李子青研究员; http://www.cbsr.ia.ac.cn/users/szli/
    12)中科院计算所山世光研究员; http://www.jdl.ac.cn/user/sgshan/
    13)人脸识别主页; http://www.face-rec.org/
    14)加州大学伯克利分校CV小组; http://www.eecs.berkeley.edu/Research/Projects/CS/vision/

    15)南加州大学CV实验室; http://iris.usc.edu/USC-Computer-Vision.html
    16)卡内基梅隆大学CV主页; http://www-2.cs.cmu.edu/afs/cs/project/ … ision.html
    17)微软CV研究员Richard Szeliski; http://research.microsoft.com/en-us/um/people/szeliski/
    18)微软亚洲研究院计算机视觉研究组; http://research.microsoft.com/en-us/groups/vc/
    19)微软剑桥研究院MLCV研究组; http://research.microsoft.com/en-us/gro … fault.aspx
    20)研学论坛; http://bbs.matwav.com/
    21)美国Rutgers大学助理教授刘青山; http://www.research.rutgers.edu/~qsliu/
    22)计算机视觉最新资讯网; http://www.cvchina.info/
    23)运动检测、阴影、跟踪的测试视频下载; http://apps.hi.baidu.com/share/detail/18903287
    24)香港中文大学助理教授王晓刚; http://www.ee.cuhk.edu.hk/~xgwang/
    (25)香港中文大学多媒体实验室(汤晓鸥)http://mmlab.ie.cuhk.edu.hk/
    (26)U.C. San Diego. computer vision; http://vision.ucsd.edu/content/home
    (27)CVonline; http://homepages.inf.ed.ac.uk/rbf/CVonline/
    (28)computer vision software; http://peipa.essex.ac.uk/info/software.html
    (29)Computer Vision Resource; http://www.cvpapers.com/
    (30)computer vision research groups; http://peipa.essex.ac.uk/info/groups.html
    (31)computer vision center; http://computervisioncentral.com/cvcnews

    (32)浙江大学图像技术研究与应用(ITRA)团队:http://www.dvzju.com/

    (33)自动识别网:http://www.autoid-china.com.cn/

    (34)清华大学章毓晋教授:http://www.tsinghua.edu.cn/publish/ee/4157/2010/20101217173552339241557/20101217173552339241557_.html

    (35)顶级民用机器人研究小组Porf.Gary领导的Willow Garage: http://www.willowgarage.com/

    (36)上海交通大学图像处理与模式识别研究所:http://www.pami.sjtu.edu.cn/

    (37)上海交通大学计算机视觉实验室刘允才教授:http://www.visionlab.sjtu.edu.cn/

    (38)德克萨斯州大学奥斯汀分校助理教授Kristen Grauman http://www.cs.utexas.edu/~grauman/

    (39)清华大学电子工程系智能图文信息处理实验室(丁晓青教授):http://ocrserv.ee.tsinghua.edu.cn/auto/index.asp

    (40)北京大学高文教授:http://www.jdl.ac.cn/htm-gaowen/

    (41)清华大学艾海舟教授:http://media.cs.tsinghua.edu.cn/cn/aihz

    (42)中科院生物识别与安全技术研究中心:http://www.cbsr.ia.ac.cn/china/index%20CH.asp

    (43)瑞士巴塞尔大学 Thomas Vetter教授:http://informatik.unibas.ch/personen/vetter_t.html

    (44)俄勒冈州立大学 Rob Hess博士:http://blogs.oregonstate.edu/hess/

    (45)深圳大学 于仕祺副教授:http://yushiqi.cn/

    (46)西安交通大学人工智能与机器人研究所:http://www.aiar.xjtu.edu.cn/

    (47)卡内基梅隆大学研究员Robert T. Collins: http://www.cs.cmu.edu/~rcollins/home.html#Background

    (48)MIT博士Chris Stauffer: http://people.csail.mit.edu/stauffer/Home/index.php

    (49)美国密歇根州立大学生物识别研究组(Anil K. Jain教授)http://www.cse.msu.edu/rgroups/biometrics/

    (50)美国伊利诺伊州立大学Thomas S. Huang:http://www.beckman.illinois.edu/directory/t-huang1

    展开全文
  • 图像处理常用方法

    千次阅读 2015-09-24 13:36:09
    而原始分布是要根据直方图来看,或者直接去图片测试区域。 – Main.GangweiLi - 20 Nov 2012 如何在实践应用  拿着相机,如何来控制颜色,来达到自己的目的呢。亮度的不同会产生什么,饱和度的会产生什么...

    from:http://visioncompute.readthedocs.org/en/latest/ImageProcess.html

    盲源分离:

    自然梯度法

    自然梯度法主要是用接收信号的概率密度求梯度,最后为了鲁棒性,使用黎曼空间的表示。这说明这还是一个求导的概念。用g(y)表示接受信号的概率密度函数。这是一个估计的结果。

    SOBI

    这个方法我想和SVD分解差不多,只是使用了多个时延,改善和确保性能。

    oblique projection

    正交投影:PH=H*adjoint(H) 斜投影: PH=H*adjoint(S)

    色调以及摄影的应用

    眼睛总是被吸引到画面中最明亮的部分(差异最大的那分),例如白底黑主体就相反了。所以亮色调在视觉上优先。要充分利用光线,肤色,以及衣服的颜色的色调来突出主题。

    例如深色的衣服有助于使人体与背景浑然一体,这样面部就会成为画面中最最显眼的部分,深色显的苗条,浅色增加分量,一般来说,衣服的颜色应该淡化,因为鲜艳的色彩会影响对面部的注意。 布光 ======

    布光的原理最终是最终是颜色的设计,人像摄影主要是柔光. 柔光,冷光,䁔光,背景光,轮廓光,发型光,羽化光,光比

    窗户光,最好的时候,上午中间,下午的中间时段. See also ========

    1. LCH,lab 只是不同的颜色模型,并且常见光线与颜色模型值,例如强度与功率等。
    2. Recovering highlights with dcraw using LCH blending
    3. 摄影用光 色温 色温中,绿色基本保持不变34%,我们通常指的色温调整主要改变是RB两个的百分比。三者靠近比例接近的时候就是白光也就是日光色温,日光的色温基本是5500k. 黑体色温与CIE的色温定义是有区别的。并且色温也是表征能量,而不是颜色的。不能表达所有颜色。
    4. brucelindbloom 关于颜色各种转换与在线工具
    5. Decoding raw digital photos in Linux
    6. 色彩与色调的调整 要慢慢来看懂这些理论了与实际的用途了
    7. 白平衡与直方图均衡化 这个到底是什么关系呢,是不是对应关系
    8. 直方图、对比度调节及白平衡 可以做一下这些实验在,GIMP或者python中
    9. 调色教程入门二——色彩基础,想学调色的必看 要看懂直方图的分布意义了
    10. 色温表

    思考

    Hue-Saturation

    #. Y U V introduction – Main.GangweiLi - 12 Aug 2012

    色阶曲线的应用 现在终于明白曲线坐标的意义了,X轴代表的是原来相素分布,Y代表输出的色采分布。曲线就是一个直接映射关系。 而原始分布是要根据直方图来看,或者直接去图片去测试区域。

    – Main.GangweiLi - 20 Nov 2012

    如何在实践应用 拿着相机,如何来控制颜色,来达到自己的目的呢。亮度的不同会产生什么,饱和度的会产生什么样的东西,色度的不同会产生什么。

    – Main.GangweiLi - 02 Jan 2013

    图像降噪

    k-L 变换就是求数据的协方差矩阵的特征值和特征向量。

    基于PCA的降噪,

    PCA降噪方法和之前的降维差不多,对于降噪来说,就是获得信号子空间和噪声子空间,-》从噪声子空间中估计噪声方差-》remove 噪声子空间

    小波变换

    haar变换,就是利用上一个点对下一点进行相减,在信号不变的情况下,得到的信号就是稀疏的,稀疏之后然后在通过设置门限就可以把噪声抑制掉。

    量子成像

    相干斑

    相干斑主要是相干成像中明暗变化的图像,产生主要是由于单个距离分辨单元中包含多个目标,结果多个信号相加生成随机的信号幅度和相位,主要抑制相干斑的方法

    1. 基于multi-looking processing, 但是这样会降低雷达的分辨力(好像是方位分辨率吧)
    2. 基于小波变换的方法。
    3. 基于ICA的方法。
    4. 基于自适应滤波的方法。
    5. k-L变换 清华
    6. k-L变换,里面还有一些基本的主分量分析,小波变换等的数学推导
    7. adesso Adessowiki - Collaborative Scientific Writing and Programming
    8. klt找到脸位置,matlab代码
    9. scikit-learn: machine learning in Python 有空看一下
    10. PCA降噪matlab代码
    11. PCA降噪python 代码 怎样装上他们开发的modulate
    12. 自适应变换小波降噪
    13. 多分辨率curvelet transform
    14. wavelet.py 图像小波降噪
    1. A beginner’s guide to speckle
    2. 合成孔径雷达基础
    3. 相干斑形成原理 这个基本还行,理解了相干斑
    4. Lee滤波,这个是python 版本的,但是这个看不太懂,让老李看下
    5. 量子力学

    Hough 变换

    线检测 图像空间——》参数空间,对图像中的任一点对应参数空间的直线(y =k*x+b),因此需要看任意多少点对于的直线相交于一点。实际中为解决y =c,k=inf的问题,使用 p =x*cos(theta)+y*sin(theta)

    在p-theta中形成一个曲线。

    参考:

    1. Hough变换原理 看一下,比较到位
    2. OpenCV-Python教程(9、使用霍夫变换检测直线)

    视频压缩,就是在某个基上变换后得到比较简单的向量比如[1,0,0],得到更多的0,或者近似零,我想压缩感知也是这样的,值认为它是稀疏的,大部分都是零的,有一个基变换中,只取某几个。

    Think also

    直方图:

    introduction

    直方图特点:计算量比较小,直方图反映的是图像像素灰度值的概率分布,

    原理:为了改善图像过亮或者过暗,得到图像的理想整体对比度(1/n),通过符合求导的逆推,得到要用积分图像。

    优点:适用于图像过亮或者过暗,尤其对于X光图像中更好的骨骼结构

    缺点:对处理的数据不加选择,它可能会增加背景杂讯的对比度并且降低有用信号的对比度。

    matlab实现:histeq函数。

    1. RGB转灰度图的几种算法 RGB转换为灰度图完全是我们心理的作用.
    2. 50 RGB向灰度转换的原理 可以看一下

    直方图本身反映了,各个灰阶的像素的数量,把一幅图像像素看成是一个小球,而像素的灰度看成小球的大小。而灰级就是256个大小从小到大排列的篮子。然后按照顺序把每一个像数按照大小放入合适的篮子里。每个篮子里小球的个数,再除以总数,这样就形成直方图。但是通过直方图发现,小图分布的不均匀。 那么如何算是均匀呢,当然是根据能力与出身了。例如篮子大小当做出身。也就是从小到大的顺序不能变,不管我有多少小球。但是我的灰度又要能体现数量的多少。数量越多,灰度级越大。能同时满足这两个要求。就是要利用概率密度了。这样的结果是首尾的值是不会变的。最小值还是最小值。最大值还是最大值。最小值再加上最小值与当值之间密度差值。

    直方图拉伸和均衡 这里有一个直方图拉伸和均衡的关系,可以看到均衡是拉伸方法的特殊情况,另外可以看到因为增加了对比度,所以都会出现对比度增加的好处,但是这样的话,同时也可能把北京增加了,通过`图像增强1:对比度增强与直方图变换 <http://lijiwei19850620.blog.163.com/blog/static/97841538201210239635623/>`_ 看到,理想的曝光是一个中间高,两边低的灰度情况(这个是为什么还不清楚),大致和直方图均衡的图比较吻合了。

    digraph{rankdir=LRnode [shape=box];From_picture_histogram->too_Dark->Right_stretchingFrom_picture_histogram->bright->Left_stretchingFrom_picture_histogram->"Low-contrast_mid-gray-level"->Left_right_stretching}

    ` OPenCV直方图均衡化 <http://blog.csdn.net/luomaojiang/article/details/8601321>`_ 这里两个图看很形象直观。但是观点是做的,那就是均衡化不会每个灰度级上都具有相同的象素点数过程。原来每一个篮子的小球的数量是不会改变的,会改变的,只是让原来篮子的大小,随着之进行改变。直方图维基定义 这里给出的定义,扩展常用的亮度。也就是概率最大的亮度之间的差值。

    所以直方图均衡化只改变宽度,不改变形状。同时我们也指定均衡化的宽度。

    ImageMagick

    Introduction

    imagemagick 是一个超强的库,并且指命令行接口异常的强大,基本上图片处理,画图功能它都已经提供了。可以说是一个cli版的GIMP。 同时它又像其他的linux工具一样,它的功能一种是在编译时通过各种宏来指定。另一种方式那就是采用配置文件。并且采用一定的搜索算法。最先开始在当前文件夹下.magick文件开始。从了一些正常的参数之外,还可以通过+define指定的那些隐性的参数。并且用identify 命令可以读取也可以添加各种的`元数据到图片中 <http://www.exif.org/>`_exiv2 同时还能够把这些元数据给strip掉,就像gcc的编译一样。每一个图片本身就是对象,我可以图像的统计信息放在元数据里,放在comments里,并且它支持一些通配符。简单的命令可以用convert,mogrify,display等,脚本可以使用`conjure <http://imagemagick.sourceforge.net/http/www/conjure.html#msl>`_ .%RED%而这个正是想要的一直准备去做的一件事之一。如何实现一个动态搜索接口。win7的文件浏览器功能就不错。自己是不是可以基于开源的文件浏览器改出来一个。%ENDCOLOR%其实imagemagick提供了一整套的命令行,包括管理显示排序方面关于图片的,问题自己如何利用这些。 #. 如何显示那文件属性 可以直接使用identify,convert来查看与编辑图片的属性。 #. best-free-digital-image-viewer.htm

    计算存储图片两种方式一种是矢量图,它是由一些基本的图元组成,这些图元都是可以有基本数学方程。这样可以数学方程进行放大与缩小这个就是SVG它可以用XML等直接传递,只需要一些特征点。而opengl也采用的这种方式,不同的是采用有限元法来表示各种图形,但是在显示的时候,最终还是还要像素上光栅化的。这就像另一些图,直接就是利用点阵图来表示。opengl可以说这种方式的结合。 并且opengl顶点与最后屏幕点还是不一样的。先连线,然后逐行扫描的。

    光栅化的后反矩齿。就是把中界点用半透明化。

    color space management

    一些美学原理是在以及各种颜色空间都在[[Study.ColorTransform]]。在这里只提到在计算机中,颜色的深度的问题,就是指你用几位来表示一种颜色。同时也还有一个采用量化的过程。其中之一多少个像素点代表真实的一个点。这个是采用率的问题,这个图放大与缩小的时候,会采用到,例如缩放时是直接按点踩,还是说几个点中取中值,还是如何。这个在opengl的光栅化时也同样有这样的问题,在光栅化之本身只有顶点数据的,内部的尺寸大小不同时与纹理的映射关系其实就是采样的过程。你可以指定取最大值,取最小值,或者采用滤波的方式来设置都是可以的。以及颜色本身减少压缩也是这样的。 文件本身存储的字节序的问题在这里都是可以指定所修改的。

    并且imagemagick还支持批处理。 通过对imagemagick的学习,对于图像本质有了更深的认识。同时对于各种图片存储方式也有更深的认识。总之一点那就是矩阵式结构不变的。改变的一个像素点有多少个通道。每一个通道需要多少位来表示。所谓压缩不压缩也是指的这些。但是JPEG是如何达到压缩目的呢。是把点给扔了,把细节的地方点多一些。但是如何来保证像素数,扔掉的像素点是不是要拟合出来,并且还标记出来,哪些点是需要拟合的

    在图像与图形的处理过程中两者有时候是不分的,在图像的处理过程中,像素的坐标位置提的不是很多,而在图形的像素点的颜色道是说的少了,更多的是顶点的坐标点。其实每一幅图像都有一个坐标系。要么以顶角为原点要么中心为原点。图像的变换都是这样来的。在建模的时候,就发现各个子系统都会自己的局部坐标系。那个gravity指的就是局部坐标系的原点在哪里。 在图形与图像的处理过程中,并且需要计算整副图像的统计值,然后以这些为初值,进行局部分形处理。一个点的坐标值,颜色值,法向值,切线值,都是很重要的。但是图像与图形的是有区别的,图像的法向以切线是估出来的。而图形则是经过建模精确计算出来的。

    对于各种图形都支持一种interlaced 的属性,那就是可以边下载边显示。是文件本身的一种属性,还是某一种图片格式的属性。

    图片的显示管理

    ImageMagick提供import进行截屏操作。montage,display,animate批量化的显示,动画的显示与修改.同时进行格式的转化,动画frame的控制 insert/swap/delete/delay/loop,并且能够直接操作.gif中frame.修改顺序。并且还能折分与提取与合成pdf,还能用来破解pdf.。 做和种可视化对比的利用montage 是非常方便的。根据结果生成各种各样对比图片数据。 并且在XWindows中,display可以指定的显示在哪一个窗口,并且还可以设为哪一个窗口的背景,并且还能实时监控图片的变化,vimdot就是这样实现的。但是如指定缩放呢。还是使用montage的方法。

    各种动化教程 http://www.imagemagick.org/Usage/anim_basics/ 我的ImageMagick使用心得 使用ImageMagic开发一个照片管理库

    图形的变换

    compare 比较做的还是比较智能的,直接支持单通道的比较,而不需要先分离然后再比较。并且对于各种特效的变换。例如watermark 添加以及签名以及边框的添加都是高度可定制化与批量化的。另一个那就是图片的隐藏,实现的原理是什么呢,直接进行图片叠加算法,还是只在后面又加了一帧。应该不是又加了不是这种,应该是算法叠加。Steganography composite -stegano 直接转化为噪声隐藏位图的低位。然后再恢复按照固定的函数算法再恢复出来。但是这种方法也会受到图片的裁减的破坏。 是不是可以直接把ASCII码当灰度或者unicode码当做灰度值,然后把文字变成图像,同时也研究一个那个小鸭子是如何实现的。

    图片的噪声,有各种各样的模型,如何进行添加与去除。这个是图像复原的一个题目。椒盐噪声与高斯噪声的原理 对于椒盐噪声,为什么非得是极值。在进行模板设计的时候一般都采用奇数矩阵来代替圆形。

    高斯函数 高斯函数三个参数,均值,方差,还有一个幅度,均值是由谁得出,而方差为什么是指定的。高斯一般用5x5模板 图像真实对比,用小图来进行对比,这样的实现会很有意义 把颜色与看数值直接相结合会更有直接意义,这个方法不错,直接看其灰度值的变化。            
    ` hmm-kalman-particle-filtering <http://freemind.pluskid.org/machine-learning/hmm-kalman-particle-filtering/>`_              
    -segment 这个只是从直方图进行分割。            
    -shade的 光线效果。对于光线的效果是需要三维的,并且需要法向的,二维图像的法向如何进行计算呢。            
    -Solarize ` 曝晒算法 <http://courses.washington.edu/hypertxt/cgi-bin/book/pmontage/solarized.html>`_ 模仿最初沥清制图的方法,采用V字型反转就可以了对于曲线或者直方图            
    -spread 算法,在一个有限的范围内随机跳,采取什么样的随机会不同的效果吗,总体看来在水波下情形            
    -sharpen 虽然都是高斯,取高通,还是低通,就看你用哪一部分,你是用3sigma之内就是低通,3sigma之外就是高通了            
    -Swirl 旋涡效果            
    -threshold -level -modulate
    -tint 这其实也是图像分割的一种 最简单的应用,在过滤的时候会非常的方便 threashold用的最大值,level用的最小值,其实就是直方图的输出 -tint 是调整各个分量的多少 -modulate 用的是HSV模型,而前面两个用的是RGB模型    
    -unsharp 去除模糊,其实锐化的工具            
    -wave 要么横向,要么纵向,能不能径向            
    -virtual pixel 是不是利用多点来表示一点,具体还不太明白            
    roll 自身左右循环移位与上下循环移位            
    -append 就像字符串拼接一样,把图片接在一起 自动去改文件头 并且能够指定边框,背景        
    -average -fatten 把多张图,叠加起,点对点按照不同的规则,就像两张的加减一样          
    -affinite 二维的变换矩阵,但是一个问题,那就是坐标原点在哪里            

    画图

    颜色格式可以直接使用名子例如red,black,等也可以使用HTML#XXXXXX格式,也可以使用RGB格式。 画图可以指定大小,xc(xwindow colors),以及背景,方向,以及各种基本的图形,以及填充,边框等,并且能够多次嵌套。

    -annotate 添加注注释    
    -pointsize 字体大小    
    -stroke 线条颜色    
    -fill      
    -font      
    -draw color 50 50 point/replace/foodfill  
    ^ rectangle    
    ^ circle    
    ^ text    
    ^ Image in/over/out/atop    
    composite
    -compose 合成图片
       
    -write 可以保存每一步的中间状态    

    display 命令的用法可以按照slide来播放

    Imagemagick中图片大小转换全攻略

    1. Table of Contents for Writing With Images

    图像量化

    像素是离散化后的强度值。 512*512 是什么?

    饱和就是我们不能同时看到超过范围的图像。饱和和人眼的原理是一样的。

    离散化的精度影响 分辨率。floor(value/2)*2, 这里的2就是下采样系数。

    图像表示:

    introduction

    如何表示一个图像,用点阵,用矢量。如何一幅图像中找到对应的矢量描述呢。解决了描述问题了,后面就成了一个通用的数学问题。

    是不是可以用分形的去描述一个图像呢,把分形当做一个基,然后合成图片上内容。目前还没有找到一个完美的表示方法,对于每一种特定类型图像对象,我们总是能找到一分类方法的进行分类表示的。

    链码

    按照一定的次序连接边界线。这个与模型的建模表示有什么区别。 多边形近似 | 最小周长多边形,聚合与拆分 能不不能分形来表示呢 |

    标记图 ,每一个子图都有自己的中心原点,对于物理图形来说,一般用重心来做原点 , 边界线段 , 骨架 , 形状数,例如欧拉拓扑公式, 复数序列的傅里叶变换来表示。, 统计矩 , 拓扑学 ,

    主分量法 ,其实就是特征值与特征向量的方法 ,

    关系描述 ,也就相当于PCM差分编码的方法 ,

    See also

    图像恢复 (降噪)

    G=F*H+N 还是G=H(F+N) 还是只有N,还是只有H,处理方法都是不样的。主要需要考虑的因素有 #. N是不是可分离的 #. H 是不是可以逆的,一个是指数学上,一个是指实践的处理对象上。 #.

    只有 G=F+N 并且N在唯一空间的,或者N的频谱明显与原图的频谱有距离,这一种是最简单的,只需要简单的高通,低通,带通,在二维还有多带通。 例如常规的,中值,均值,最大值,最小值,另外掩码的尺寸也是重要的因素在处理效果上  

    用直方图来做参考太粗糙了,用等高图会更高直观,亮度变成高度,会加直观。并且会带有位置信息。 噪声的估计 #. 其中一种是基于直方图对澡声进行估计,利用基准图像来进行测试的。 #. 还有一种那就是根据傅里变换来进行估计的。 #. 另一种是直接从传感器的技术说明中得知。 最终值,可以基本值来进行测试,例如灰卡拍照进行测试。来得到澡声的图像。例如黑夜,我们一张白纸后面打光进行拍照,得到图片就为澡声了。

    退化函数 #. 图像观察估计法 #. 试验估计法。 #. 模型估计法。 同态滤波就属于这种。 建立各种模型来估计退化函数。同样是可以基准图像来进行测试的。 对于张各的图像没有做离里叶变换。做一个傅里变换看看。

    噪声产生原因 高斯噪声源于电子电路噪声和低照明度或高温带来的传感器噪声。

    椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。

    加性噪声-》均值滤波方法就好,对于椒盐噪声运用中值滤波,实际中对于复杂噪声,运用阿尔法滤波结合中值滤波和均值滤波,效果更好,而对于周期性噪声(比如电力电子中),则使用带阻滤波器。 对于只有f=g+n 的模型,就是直接之前的滤波器,把n踢掉。自适应的原理无非就是需要全局的期望与方差。

    几何变换,其实可以完全通过图形的方法来实现。 最小二乘算法 (least square) =================================

    对于函数y =ax, for x是输入图像,a是退化函数,y是输出。 输入w(0)值(近似a的逆运算),得到:

    x(0)=w(0)y,
    augy=(yy)(1)y;

    最小二乘,使残差最小

    w(1) = aug_y*y

    err=y(eye(10)yw(i));

    直到 w(i),i=1,N小于某个数量级,比如 rn<10e6, 停止迭代。 否则更新w

    关于运动模糊的物理

    可以根据运动方程来建立模型,然后进行恢复,例如水平运动的基础是运动的距离可以由傅里叶变换的周期性来检测。并且第一旁瓣宽度的关系。图像变换的周期是与物体运动的周期或者对称是相关的。还有那是旋转后的出现的模糊。并且这个要一下实验。水平运动可不可以x,y都有,或者经过旋转到一个方向在进行。 包括水滴消除也是这样进行的。对于车牌检测的就是直接使用逆滤波的结论并且还做了简化,原来的两个方向的,其中做了进一步分析(ua+vb)这个值是多少,它本身就是一个Sar函数相于平移了。

    维纳滤波

    wiener filtering是相对于 inverse filtering 和smooth filtering 的一个折中,目标函数 [ŝ s]2 最小,最后得出信号的系数(相对于噪声的系数),也就是要知道信号和噪声的方差。但是实际中这个怎样给出?但是并不是wiener filtering 对所有的 退化图像和噪声都有用, 我想还是根据不同的模型,设计不同的方法,学会建模,并且利用数学方程求解。无非就是就极值的问题。

    傅里叶变换

    傅里叶变换就是用一些正交基描述一个信号或者一个图像,

    图像复原小结

    问题:从噪声和退化函数中估计原始图像。

    对于噪声,可以用低通滤波器,但是这样通常会造成图像的损失,也就是噪声和细节是一对矛盾,

    维纳滤波主要解决噪声的问题,对于退化函数,通常是有一定的先验知识。

    傅里叶变换应用:对于特定小点,可以通过傅里叶变换来比较。比如眼睛。纹理分类。

    1. Multi-dimensional image processing 里面有专门的各种滤波器
    2. noise 1.2.1 python噪声包
    3. scipy.signal.wiener scipy和numpy的参考文档
    4. Wiener Filtering matlab 程序
    5. Wiener Filtering推导
    6. 简单的同态滤波(matlab)
    7. 同态滤波(Homomorphic filtering)
    8. 雨滴去除 来这做一下这样的效果。
    9. Wiener Filtering 应该比较详细,看一下
    10. 穿墙雷达 超宽带波藉由墙壁反弹的方式?及高性能的处理器而找到障碍物。可判读出在极短时间内的变化产生轻微的动作

    图像分割

    点检测

    点检测一个点的检测,还是一个块检测。点检测简单只要取一个阈值,就例如利用均值,或者别的得到距离值,然后利用这个距离值来进行判断,块检测就要求是一个范围,也首先是连通性的检测。

    对于块的检测可以用形态学的方法,但是要就考虑块的大小的问题。可以把那些孤立点消除。

    线检测

    分为在直线,可以用霍夫变换,一般是先通过边界检测,然后再做这些,边界检测可以用一阶或者二阶来做。一阶来解决是不是在边界上,二阶解决在哪些的问题。这里可以用Canny算子。

    1. 计算图像的梯度并对其设置门限得到一幅二值图像。
    2. 在参数平面内确定再细分。
    3. 对像素高度集中的地方检验其累加器的单元的数目。
    4. 检验选择的单元中像素之间的关系。

    从整体看,还可以其上颜色值,当做其他值,例如把切成列表下一个坐标。一个RGBA如果是整型的,可以就四个字节,我们四个字节可以存储各种有效的结构信息,把这个原始图像变成一个度量图像,我们可以把关于一个点的各种信息都压缩在另一幅图像中。 可以利用图形的各种知识来进行操作。

    图像分割——分水岭算法

    区域的生长,分割与合并 分水岭算法,通过通过判定一个区域的中值作为分水区域,对图像进行分割,算子有一阶算子,二阶算子。等等

    边界检测可以用过零来检测边界。 边界的连接问题,例如知道了边缘检测的图形之后,我们在模型本身的特点,来确定模板的大小,其实也就是其领域的大小,然后确定周值与这个中心的点关系。然后在这个领域内再计算某些点的特性(例如梯度)与中心点的特性的关系。来决定。 例如大梯度的大小与方向都在一定的范围内就连接起来。当然T值也是自动产生的。

    1. OpenCV-Python教程(9、使用霍夫变换检测直线) 检测中线段,试一下

    分割分为点线面,检测。检测变换后就变成了基本变成二值图像。只为只有这样容易区分背影与对象本身。就是背景就相当于集合的全集,而子集就相当于对象本身。就要用到一个门限,但是门限分二种,一种是局部动态计算,另外一种是全局的。对于结构简单的图像全局,对于复杂图形用局部分的比较好。

    区域的分割,如何知道每个点是属于哪一个区域呢,还是对每一个点对于tag标记呢。 并且区域分割。利用四叉树或者二叉树对区域进行分割。这个就要自定义存储结构了。为什么现在自己经常纠结于存储结构呢。直接链表。就搞定了。

    +`图像分割之(二)Graph Cut(图割) <http://blog.csdn.net/zouxy09/article/details/8532111>`_

    他通过约束边界项和区域项来达到通过能力最小值约束:

    E(L)=αR(L)+B(L)

    其中区域项通过约束概率最大来实现:

    Rp(1)=lnPr(Ip|"obj")
    Rp(0)=lnPr(Ip|"bkg")

    边界项通过约束两个不相似的程度来实现:

    B(L)=p,qNB<p,q>δ(lp,lq)

    -+`grab-cut < 图像分割之(三)从Graph Cut到Grab Cut>`_

    D(x)=i=1Kπigi(x;μ,Σi),i=1Kπi=1and0πi1

    其中:

    g(x;μ,Sigma)=1((2π)dSigma|)exp[12(xμ)TSigma(1)(xμ)]

    通过对初始选定的初始值来作为估计高斯混合模型中几个参数,得到这些参数后,对于这些点就可以进行判断是目标还是背景的概率了, 然后是差异性比较:

    V(α,z)=γ(m,n)C[anam]expβ||zmzn||2

    graph cut 缺点:

    算法是利用的物理学中粒子的原理,要对每一个像素点进行计算,计算比较耗时.

    图像拼接

    Lucas–Kanade 方法

    图像拼接最重要的是在找到匹配对之后,求转换矩阵。L-K算法通过目标函数是 .. math:: {sumlimits_{{rm{patch}}} {left[ {Ileft( {Wleft( {X;p} right)} right) - Tleft( x right)} right]} ^2},通过对次公式进行泰勒展开, 并对信号进行求进行链式求导:

    Ip=IWWp=I,[WxpWyp]

    最后用最小二乘算法实现对p的估计。

    See also

    1. 一种基于区域匹配的图像拼接算法
    2. 图像拼接算法及实现 拼接算法主要两类一类是分域匹配,另一个基于特征提取
    3. 图像拼接Image Mosaic 北京联高软件开发有限公司

    图像处理

    digraph structs {rankdir=LRnode [shape=record];struct1 [shape=record,label="samplinng | digitialized| Image_transform|enhancement| compression |restoration |segment|analysis| Binary \n image \n processing"];}

    图像处理流程

    digraph structs {rankdir=LRnode [shape=record];struct1 [shape=record,label="Image_Search"];struct2 [shape=record,label="Color|texture|shape"];struct1->struct2}

    思考

    现在明白了,学习金融,利率是根本,所有的变化都是基于这个的,

    – Main.GangweiLi - 16 Jun 2012

    平滑空间滤波器

    特定滤波器(fspecial):选择里面的平均滤波器
    一般多维滤波器(imfilter)作用:对感兴趣的物体得到一个粗略的描述而模糊小物体,较大物体变得像斑点而易于检测(为什么便于检测?)。

    空间滤波器带来降噪的同时,也会产生图像模糊。

    中值滤波器 (medfilt2):降噪。

    从空间滤波其中看到,blur使得图像最模糊,然后contour和FIND_EDGES中间正,两边负,可以得到图像的轮廓, SMOOTH和SMOOTH_MORE平滑的越多图像越模糊。SHARPEN可以通过中间正,两边负的,得到图片增强。

    图像逻辑运算(减法)

    在matlab中图像是通过极坐标实现的,现在目前基于smile.jpg的结果是,从小到大变化图像半径和旋转角度, 半径 小->大,呈现图像的顺序嘴巴——》眼睛-》脸庞-》腮红。 这个出来的先后顺序是和这些边缘变化的模糊度有关,模糊度越高,出来的越慢。

    旋转的作用那,现在看起来不是很明显。

    空间滤波实现滤波 和目标分割 (基本原理:积分用来模糊图像,微分用来锐化图像)

    空域滤波,点检测,线检测

    一阶算子方法:和可以实现对于明显的图像实现找到边界, Sobel算子:内部利用局部平均方法,对噪声有一定的抑制作用。

    Roberts算子: 检测边缘,对噪声敏感。(实际中使用什么检测特性还不清楚)

    Prewitt算子: 采用局部平均,对噪声有一定的抑制作用。

    二阶算子方法:能够更加清楚的找到边界,但是二阶算子对噪声比较敏感,因此首先的方法是首先进行平均降噪。

    Laplace 算子: 具有各项同性微分算子,具有`旋转不变性 <http://www.narutoacm.com/archives/laplace-rotation-invariant/>`_ :

    Laplace(f)=2fx2+2fy2

    空域滤波,点检测,线检测。

    频域滤波

    DFT就像一个[[http://wenku.baidu.com/view/014797737fd5360cba1adbed.html[数学显微镜]] 频域滤波最终也要转换为空域处理。 #. 一个不错介绍

    频域图能看出来什么,二维的频谱图与一维的有什么区别。从图像的频谱中能看到什么。变换前后的坐标与图有什么对应关系。进行卷积,进行子图识别,卷积最大的那个值,那就是图像重合的中心位置。时域的卷积等于频域的相乘。能否找到相关性最大的那个值。子图的搜索也是基于此相关与卷积的 . 这个时候先计算好两处图处DFT图,另外一个功能那就类似于积分图像的应用。

    频域变化之后,的图像应该是三维的Sa函数。通过三维的高度来看比二维的颜色更加直观。并且可以取任意的细节利用带组,根据频域图的三维高度分度来进行提取。但是一个前提那就是你要知道图像中谁在哪一段频域上占着。想成一个三维的图,但是频域分布是圆周型,中心最低,越往边越高。就像水波纹一样。颜色越高说明系数越大。成分比较越大。并且频域与空域的点与点的距离是有对应的关系。

    各种滤波器的设计,高通,低通,带通,完全可以利用图像来实现。频域的矩形滤波直接用阈值图像就可以搞定。渐变的频域图就像是曲线滤波了,例如巴特沃斯滤波器。等等。用在频域上试一试。那些数字滤器例如汉宁窗等等哪些能用到图像上。

    一切都通了,频域的原点经过shift变在中间(M/2,N/2)。截止频率距离中间的距离,至于中间渐变颜色是根据滤波器来的,例如高斯。截止频率就是方差的大小。那期望如何来定呢。还是说只能是中心点的值。 现在要看看GIMP的渐变是如何实现,轴像与径向。是不是利用极坐标。然后按照函数值进赋值。

    对于相关性与卷积,并且利用同样大小频域图来进行相乘。有一个周期截断的问题,那就需要扩展与截图了。

    对于推导无非那些矩阵与求导的一些符号运算。积分,微分,卷积。矩阵的逆变换等等。这些基本知识。 #. numpy.fft.fft2 这个库里一维,二维,多维,同时还可以提到一个序列采用频率。同时还有hfft,因为如果是纯实信号的FFT就是`hermitian transorm <http://en.wikipedia.org/wiki/Hermitian_function>`_ ,也是酉变换,也是正交变换。经过酉变换之后就都会变成对角阵。 在离散信号下的采用,其实我们平时序列的产生就是一种采样,例如,np.arange, np.linspace,np.logspace等等,包括你对序列直接进行的运算。所有对于序列的操作都可以看做是一种采样与滤波。 #. 斯坦福大学公开课:傅里叶变换及其应用 #. 图像的傅立叶变换 傅里叶变换的形式。

    1. fftw3-dev GPL 库,并且支持 ARM NEON,作为以后移植方便。并且[[http://gfourier.sourceforge.net/ fftw 可以直接用到GIMP GFourier]]
    1. GIIMP PIL
    2. 同态滤波论文去试一试
    3. 图像渐变算法及实现

    Thinking

    拉普拉斯算子二阶导数增强细节,sobel算子边缘。

    一阶微分与二阶微分 http://blog.csdn.net/kayv/article/details/2261540
    1. 斜坡面上,一阶微分一直不为0 ;二阶微分只有终点和起点不为0 1. 一阶微分产生较粗的边缘,二阶微分则细得多 1. 一阶微分处理一般对灰度阶梯有较强的响应;二阶微分处理细节有较强的响应

    对于小图像用mask不合适,因为会有模糊,那用什么方法合适那?mask尺寸和物体尺寸的关系。

    怎样实现调用C代码?

    C:快盘graphicpaper1673-2944(2012)03-0022-05.pdf 基于DFT压缩。

    如果我在较暗的情况下整体加上一个数的话,图像图像整体变量了,但还是对比度不高,

    python 中怎样plt.axes 怎样调节参数

    雷达数据 到成像 过程

    – Main.GegeZhang - 27 Jul 2013

    雷达散射特性,前向散射,后向散射?什么联系,为什么在机场的时候前向比较明显,前向散射是比后向散射明显。

    雷达RCS曲线 中可以看出来机头,机尾 和两边机翼都比较明显

    *对一维到二维一直推广,其实是假定了,图像线性时不变系统。所以先算行或者例都是没有关系。这是由于线性系统自身性质决定的。

    展开全文
  • Python常用图像处理库整理

    千次阅读 2019-06-17 16:46:37
    而Python环境下的图像处理库种类较多,无论是精度,速度等方面都有不同的差异,这里予以总结。 Python环境下,相关的包有: Numpy:主要作为图像数据的中转 Skimage:速度较慢,主要是caffe测试的时候默认的...
  • Python中最常用的十大图像处理

    千次阅读 2019-10-25 18:28:02
    本文主要介绍了一些简单易懂最常用的Python图像处理库 当今世界充满了各种数据,而图像是其中高的重要组成部分。然而,若想其有所应用,我们需要对这些图像进行处理。图像处理是分析和操纵数字图像的过程,旨在提高...
  • C++数字图像处理—OpenCV的常用操作

    万次阅读 多人点赞 2018-06-20 22:11:16
    1、图像读取2、图像显示3、获取图像的属性4、图像遍历的几种方式
  • 图像处理中常见的概念有模式(mode)、通道(bands)、尺寸(size)、坐标系统(coordinate system)、调色板(palette)、信息(info)和滤波器(filters)。 模式(mode) 所谓图像模式就是把色彩分解成部分...
  • 本文主要介绍了一些简单易懂最常用的Python图像处理库 当今世界充满了各种数据,而图像是其中高的重要组成部分。然而,若想其有所应用,我们需要对这些图像进行处理。图像处理是分析和操纵数字图像的过程,旨在提高...
  • 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 ...
  • 图像处理技术(一)图像处理基础知识

    万次阅读 多人点赞 2018-08-30 15:52:26
    图像处理的概念是对图像信息进行加工处理,以满足人的视觉心理和实际应用的需求。 模拟图像:连续图像,采用数字化(离散化)表示和数字技术处理之前的图像。 数字图像:由连续的模拟图像采样和量化而得的图像,...
  • IV OpenCV 中的图像处理(一) IV OpenCV 中的图像处理(二) IV OpenCV 中的图像处理(三) IV OpenCV 中的图像处理(四) IV OpenCV 中的图像处理(五) IV OpenCV 中的图像处理(六) V 图像...
  • C语言数字图像处理---1.1图像的像素格式与图像读写

    千次阅读 多人点赞 2019-12-25 10:06:22
    前言 本专栏面向所有希望或有兴趣从事数字图像处理工作、学习或研究的朋友,不懂MATLAB和OPENCV没关系,仅需要基础的C语言知识,便可以通过本专栏内容轻松入门数字图像处理方向。
  • Python图像处理基础

    千次阅读 多人点赞 2018-01-19 11:38:10
    Python图像处理基础 对我个人而言使用Python图像处理意在取代matlab,集中化使用Python环境保证之后在机器学习和OpenCV的使用上具有一致性,虽然从实验室师兄师姐的口中得知Python的图像处理较之matlab相对复杂...
  • OpenCV支持有限的图片格式,具体可参阅官方文档(常用的支持bmp、jpeg、png、tiff),可以使用Imgcodecs类的imread方法来读取图片(注意测试时,路径不要包括中文): 结构目录(Eclipse中): 创建两个类:...
  • 上一次,我们讲了锐化、柔化、扩散、雕刻这几个滤镜的算法和实现请参考《VB图像处理,(三)几个常用滤镜的实现1 》在这一篇中我将和大家讲述铅笔画算法和木雕算法和它们的实现。为什么我要把这两个算法放在一起说呢...
  • 图像处理算法

    万次阅读 2014-12-11 09:32:27
    终于写完数字图像分割这部分内容了,由于内容比较多,因此做一个小的内容提要,有利于更有调理的阅读,如下: 1.数字图像分割方法概要 2.基于边界分割 2.1边缘检测 2.2边界提取(简单连接,启发式搜索,曲线拟合...
  • MATLAB 图像处理工具箱 一种简单的基于图像处理交通信号灯识别算法 欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个...
  • 经常看到各种高效裁剪圆角的文章,正好之前做过一点数字图像处理,就打算用空域处理的办法,写个裁剪圆角的算法,一定要尽可能的快的,不然界面容易卡顿。 裁圆角很简单,对于图像上的一个点(x, y),判断其在不在...
  • 图像处理(image processing),用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的...
  • 图像处理

    千次阅读 2013-10-19 10:11:16
    图像处理 分类: VC++ C++语言 C语言 2013-10-18 10:27 28人阅读 评论(0) 收藏 举报 利用VC实现图像的特殊显示效果 经常看电视的朋友们不知注意到没有,最近的电视连续剧在每集片头或片尾部分都有...
  • 图像处理总结概念

    万次阅读 多人点赞 2018-05-08 13:29:41
    1.直方图:一幅图像由不同灰度值的像素组成,图像中灰度的分布情况是该图像的一个重要特征。图像的灰度直方图就描述了图像中灰度分布情况,能够很直观的展示出图像中各个灰度级所占的多少。图像的灰度直方图是灰度级...
  • 几种图像处理库的研究

    万次阅读 2009-03-09 12:19:00
    几种图像处理库的研究目前比较出名的图像处理库有很多,比如LEADTOOLS,这个是功能非常强大的图像多媒体库,但是这个是收费注册的。开源的图像库也有不少,比如:ImageStone、GIMP、CxImage等,虽然它们的功能没有...
  • opencv图像处理总结

    千次阅读 2016-03-17 14:26:29
    opencv图像处理基本操作 1. 矩阵数据类型 通用矩阵数据类型: CV_(S|U|F)C 其中,S表示带符号整数; U表示无符号整数; F表示浮点数; 例如:CV_8UC1 表示8位无符号单通道矩阵;  CV_32FC2 表示32位...
  • 图像处理之分割图像

    万次阅读 热门讨论 2017-06-16 11:39:29
    我们在处理图像的时候,常常需要将图像的前景和背景做不同的处理,这时需要将前景和背景分割开。关于图像分割的方法我知道的有三种方法:K-means、分水岭和GrabCut算法进行物体分割。不能够肯定的比较出谁优谁劣,...
  • 超全Python图像处理讲解(多图预警)

    万次阅读 多人点赞 2020-01-01 17:01:08
    文章目录Pillow模块讲解一、Image模块1.1 、打开图片和显示图片1.2、创建一个简单的图像1.3、图像混合(1)透明度混合(2)遮罩混合1.4、图像缩放(1)按像素缩放(2)按尺寸缩放1.5、图像的剪切与粘贴(1)图像粘贴...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 42,584
精华内容 17,033
关键字:

图像处理常用测试图片