精华内容
下载资源
问答
  • 图像处理标准测试图大全

    热门讨论 2010-08-24 08:46:22
    图像处理标准测试图大全,常用的都在里面,研究测试算法,做图像应用测试非常有用。
  • 文档中提供了数字图像处理常用的一些标准测试图片,需要的同学可以下载使用
  • 数字图像处理的标准测试图含有Lena、Barbara、Cameraman等数字图像,有24位图有8位图,可以满足大部分情况下数字图像处理测试的需要。
  • 图像处理,尤其是去噪领域常用的测试图像,自己下载了多个文件后整理得到的。
  • 19张真彩色 18张灰度 都是常用的图像处理、修复图片
  • 基本包括了所有出现于各种数字图像处理教材、论文的标准测试图片,共335张,classic,oldclassic,aerials,misc,sequences,textures,Kodak,special,additional,Public-Domain Test Images for Homeworks and ...
  • Lena图像处理测试专业用,高清完整全身原,该图片很好的包含了平坦区域、阴影和纹理等细节,这些都有益于测试各种不同的图像处理算法。它是一幅很好的测试照片!其次,由于这是一个非常有魅力女人的照片。
  • 数字图像处理标准测试图像【有彩色,有灰度,附lena全身像原
  • 用于图像处理(包括彩色,黑白)(bmp,png,jpg格式),可用于图像增强,图像去雾等
  • 图像处理标准测试图,包括lena、couple、BaboonR、Peppers等2位、8位、24位等bmp文件及png文件共29张),学习数字图像者必备~~
  • 图像标准测试灰度图片

    热门讨论 2013-03-20 21:41:53
    图像处理领域的标准测试图片,灰度50张。基本都为标准的256*256图片。
  • 图像处理标准图像库 (很全)

    热门讨论 2014-06-21 00:13:04
    图像处理标准图像库(非常齐全) 在数字图像处理领域对问题的求解需要宽泛的实验工作 包括软件模拟和大量样本图像的测试
  • 29张标准测试图像,bmp图像,可以用来做图像处理
  • 图像处理常用测试图片

    热门讨论 2012-06-26 10:37:27
    这里是一些常用的图像处理图片,都是一些长用的图片。
  • Python+OpenCV实时图像处理

    万次阅读 多人点赞 2020-01-04 23:09:35
    初学OpenCV图像处理的小伙伴肯定对什么高斯函数、滤波处理、阈值二值化等特性非常头疼,这里给各位分享一个小项目,可通过摄像头实时动态查看各类图像处理的特点,也可对各位调参、测试有一定帮助。
    展开全文
  • 图像拼接——图像配准、图像融合此文主要三点:SIFT、SFLN、伪逆算法实现图像拼接简单来说有以下几步:图像配准透视变换特征抽取方法——SIFT基于SLFN的图像配准方案图像融合 此文主要三点:SIFT、SFLN、伪逆算法 ...

    此文主要三点:SIFT、SFLN、伪逆算法

    实现图像拼接简单来说有以下几步:

    (1)对每幅图进行特征点提取
    (2)对特征点进行匹配
    (3)进行图像配准
    (4)把图像拷贝到另一幅图像的特定位置
    (5)对重叠边界进行特殊处理

    图像拼接方法通过图像配准图像融合的方法,解决了同一场景中两幅图像的小重叠,并最终融合成一幅宽角度、高分辨率的图像。
    图像配准:主要解决的是将在各自坐标下的两幅图像转换为在同一坐标下的一幅图像。
    图像融合:主要解决拼接图像像素的灰度值问题。


    图像配准

    在这里插入图片描述
    图像配准方案包括两个阶段:预配准阶段配准阶段
    首先,在预注册阶段,首先对参考图像进行透视变换生成一个训练集,利用SIFT方法从训练集中提取特征系数,然后将这些特征系数输入SLFN进行训练。
    其次,训练好的SLFN的输出是那些透视图转换参数。因为SLFN已经经过训练,所以在配准阶段,我们只是使用相同的特征提取方法从配准的图像中提取特征系数,然后将这些特征系数输入到经过训练的SLFN中,得到估计的透视参数。

    也就是说,可以把参考图片看作一个“基”,先通过对参考图片作透视变换得到一组训练集,这时已经知道训练集相对于参考图像的透视变换参数。比如训练集中的一个图像是x轴平移3像素,y轴平移2像素,旋转20度,水平方向失真度为0.001,垂直方向失真度为-0.003。
    训练集由200幅图像组成,将预先定义范围内的感知参数对参考图像(a)进行变换后的每幅图像向左移动,使其与图2(b)最相似。这样就可以获得透视变换参数。

    在这里插入图片描述
    将图二的(a)和(b)进行图片拼接,(a)为参考图像,(b)为缝合图像,即将(a)配准后与图(b)进行拼接。在这里插入图片描述
    图中,(a)为参考图像,(b)为训练集中x轴平移3像素,y轴平移2像素,旋转20度,水平方向失真度为0.001,垂直方向失真度为-0.003的配准图像。
    图中为经过平移、旋转和变形的参考图像和变形图像。训练集由200幅图像组成,在预定义的范围内通过感知参数对参考图像进行变换,将每幅图像向左移动,使其与图2(b)最相似。并以同样的方法生成测试集来验证该方法的配准精度。

    透视变换

    透视变换是二维图像之间最常用也是最复杂的变换之一,它考虑了图像之间所有可能的运动模式。它可以描述平移运动、缩放、旋转、水平和垂直变形等。
    因为参考图像和配准图像都在各自的像素坐标系中,我们需要将它们转换为相同的像素坐标系。
    在这里插入图片描述
    式中(x1, y1)通过透视变换为(x2, y2),其中(x1, y1)为参考图像坐标,(x2, y2)为变换后的图像在配准图像中的坐标。H是包含8个非零参数的透视变换矩阵,基本包含了图像之间所有可能的运动模式,如平移、旋转、缩放等。

    特征提取方法——SIFT

    SIFT在旋转、仿射、缩放、平移甚至光照变换中都可以保持,是对象识别和匹配中鲁棒性最强的局部不变特征描述子。
    为了使图像具有尺度空间不变性,需要建立一个尺度空间。SIFT利用高斯函数建立尺度空间,高斯函数公式如下:
    在这里插入图片描述
    在这里插入图片描述
    式中二维图像的空间尺度定义为L(x,y),原始图像为I(x, y)
    为了在尺度空间中检测关键点,降低时间复杂度和空间复杂度,提出高斯(DoG)尺度空间差分,即不同尺度的DoG与原始图像的卷积运算
    在这里插入图片描述
    通过高斯(DoG)尺度空间差分得到关键点,为了使关键点具有尺度不变性,利用图像的局部特征为每个点分配方向。利用点邻域像素方向的梯度和分布如下:
    在这里插入图片描述
    通过以上步骤,每个关键点有三个因素:位置、比例和方向。从而可以确定SIFT特征区域。接下来是为每个关键点构建一个描述符,它不会随着各种变化而变化,比如光照变化、透视图变化等等。
    在实际计算过程中,一个关键点可以产生128个数据,最终成为128维的SIFT特征向量。
    在这里插入图片描述
    提取SITF特征向量后得到了两幅待拼接图的匹配点集,接下来我们进行图像的配准,即将两张图像转换为同一坐标下。

    基于SLFN的图像配准方案

    SLFN的输入是通过提取的图像的特征系数筛选描述符。
    SLFN的输出是那些透视转换参数,它们是8个非零参数。
    SLFN的隐层使用了几种典型的激活函数,输出级神经元用线性函数来表征。采用伪逆学习算法对SLFN进行训练。(伪逆矩阵的理论介绍请点击此处


    图像融合

    图像融合的目的是对图像进行平滑过渡。
    在这里插入图片描述
    从上图可以看出,两图的拼接并不自然,原因就在于拼接图的交界处,两图因为光照色泽的原因使得两图交界处的过渡很糟糕,所以需要特定的处理解决这种不自然。
    这里的处理思路是加权融合,在重叠部分由前一幅图像慢慢过渡到第二幅图像,即将图像的重叠区域的像素值按一定的权值相加合成新的图像。

    展开全文
  • 图像处理之图像加噪

    万次阅读 2012-01-06 15:53:38
    是存在一定的差异,对于图像噪声,使用均值滤波和中值滤波来消除图像噪声的做法已经是很常见的 像消噪手段。   一:图像加噪原理 1. 椒盐噪声(Salt And Pepper Noise) 椒盐噪声是一种因为信号脉冲强度...

     

    图像噪声源于现实世界中数字信号总会受到各种各样的干扰,最终接受的图像和源于的数字信号之间总

    是存在一定的差异,对于图像噪声,使用均值滤波和中值滤波来消除图像噪声的做法已经是很常见的图

    像消噪手段。

     

    一:图像加噪原理

    1.     椒盐噪声(Salt And Pepper Noise)

    椒盐噪声是一种因为信号脉冲强度引起的噪声,信噪比(Signal NoiseRate)是衡量图像噪声的一个数字指标。

    给一副数字图像加上椒盐噪声的处理顺序应该如下:

    1. 指定信噪比 SNR 其取值范围在[0, 1]之间
    2. 计算总像素数目 SP, 得到要加噪的像素数目 NP = SP * (1-SNR)
    3. 随机获取要加噪的每个像素位置P(i, j)
    4. 指定像素值为255或者0。
    5. 重复c, d两个步骤完成所有像素的NP个像素
    6. 输出加噪以后的图像

     

    2.     高斯噪声(Gaussian Noise)

    高斯噪声的密度取决于公式G(x, sigma) 其中X是代表平均值,sigma代表的标准方差,每个输入像素 Pin, 

    一个正常的高斯采样分布公式G(d), 得到输出像素Pout.

           Pout = Pin + XMeans + sigma *G(d)

    其中d为一个线性的随机数,G(d)是随机数的高斯分布随机值。

    给一副数字图像加上高斯噪声的处理顺序如下:

    a.      输入参数sigam 和 X mean

    b.      以系统时间为种子产生一个伪随机数

    c.      将伪随机数带入G(d)得到高斯随机数

    d.      根据输入像素计算出输出像素

    e.      重新将像素值防缩在[0 ~ 255]之间

    f.       循环所有像素

    g.      输出图像

     

    二:关键程序解析

    1.     椒盐噪声

    根据信噪比,获取要加入椒盐噪声的像素数目

    int size= (int)(inPixels.length * (1-SNR));

     

    随机得到像素,完成椒盐噪声的加入

    for(int i=0; i<size; i++) {

    int row = (int)(Math.random()* (double)height);

    int col = (int)(Math.random()* (double)width);

    index= row * width + col;

    inPixels[index]= (255 << 24) | (255 << 16) | (255 << 8) | 255;

    }

     

    2.     高斯噪声

    根据标准方差,和伪随机数的范围,首先计算出一个伪随机数d ,根据d得到高斯分布的随机数值,整个代码如下:

        float d = (float)Math.random()*RANDOM_SCOPE - RANDOM_SCOPE/2;

        float sigma2 = sigma*sigma*2;

        float PI2 = (float)Math.PI * 2;

        float sigmaPI2 = (float)Math.sqrt(PI2*sigma);

        float result = (float)Math.exp(-d/sigma2)/sigmaPI2;

    伪随机数的范围为[-127~ 127]之间。

     

    获取高斯噪声的像素代码如下:

    tr = (int)((float)tr + getGaussianValue() + this.means);

    tg = (int)((float)tg + getGaussianValue() + this.means);

    tb = (int)((float)tb + getGaussianValue() + this.means);

    mean是的值为0.

     

    三:程序效果如下


    加入白色椒盐噪声的图片

     


    加入高斯噪声的图片



    椒盐噪声的代码如下:

    	private BufferedImage addSaltAndPepperNoise(BufferedImage src, BufferedImage dst) {
    		int width = src.getWidth();
            int height = src.getHeight();
    
            if ( dst == null )
                dst = createCompatibleDestImage( src, null );
    
            int[] inPixels = new int[width*height];
            getRGB( src, 0, 0, width, height, inPixels );
            
            int index = 0;
            int size = (int)(inPixels.length * (1-SNR));
    
            for(int i=0; i<size; i++) {
            	int row = (int)(Math.random() * (double)height);
            	int col = (int)(Math.random() * (double)width);
            	index = row * width + col;
            	inPixels[index] = (255 << 24) | (255 << 16) | (255 << 8) | 255;
            }
    
            setRGB( dst, 0, 0, width, height, inPixels );
            return dst;
    	}
    

    高斯噪声的代码如下:

    private BufferedImage gaussianNoise(BufferedImage src, BufferedImage dst) {
    		int width = src.getWidth();
            int height = src.getHeight();
    
            if ( dst == null )
                dst = createCompatibleDestImage( src, null );
    
            int[] inPixels = new int[width*height];
            int[][][] tempPixels = new int[height][width][4]; 
            int[] outPixels = new int[width*height];
            getRGB( src, 0, 0, width, height, inPixels );
            int index = 0;
            float inMax = 0;
            float outMax = 0;
            for(int row=0; row<height; row++) {
            	int ta = 0, tr = 0, tg = 0, tb = 0;
            	for(int col=0; col<width; col++) {
            		index = row * width + col;
            		ta = (inPixels[index] >> 24) & 0xff;
                    tr = (inPixels[index] >> 16) & 0xff;
                    tg = (inPixels[index] >> 8) & 0xff;
                    tb = inPixels[index] & 0xff;
                    if(inMax < tr) {
                    	inMax = tr;
                    }
                    if(inMax < tg) {
                    	inMax = tg;
                    }
                    if(inMax < tb) {
                    	inMax = tb;
                    }
                    tr = (int)((float)tr + getGaussianValue() + this.means);
                    tg = (int)((float)tg + getGaussianValue() + this.means);
                    tb = (int)((float)tb + getGaussianValue() + this.means);
                    if(outMax < tr) {
                    	outMax = tr;
                    }
                    if(outMax < tg) {
                    	outMax = tg;
                    }
                    if(outMax < tb) {
                    	outMax = tb;
                    }
                    tempPixels[row][col][0] = ta;
                    tempPixels[row][col][1] = tr;
                    tempPixels[row][col][2] = tg;
                    tempPixels[row][col][3] = tb;
            	}
            }
    
            // Normalization
            index = 0;
            float rate = inMax/outMax;
            for(int row=0; row<height; row++) {
            	int ta = 0, tr = 0, tg = 0, tb = 0;
            	for(int col=0; col<width; col++) {
            		index = row * width + col;
            		ta = tempPixels[row][col][0];
            		tr = tempPixels[row][col][1];
            		tg = tempPixels[row][col][2];
            		tb = tempPixels[row][col][3];
    
            		tr = (int)((float)tr * rate);
            		tg = (int)((float)tg * rate);
            		tb = (int)((float)tb * rate);
            		outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
            	}
            }
            setRGB( dst, 0, 0, width, height, outPixels );
            return dst;
    	}



    展开全文
  • 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
  • MATLAB图形图像处理——图像灰度变换,介绍matlab处理图像的基础知识、图像灰度变换的基础知识。 通过直方均衡化改变图像对比度和亮度,将模糊的图像变清晰。

    一、MATLAB入门知识

    1、什么是MATLAB

    全世界数以百万计的工程师和科学家都在使用 MATLAB 分析和设计改变着我们的世界的系统和产品。基于矩阵的 MATLAB 语言是世界上表示计算数学最自然的方式。可以使用内置图形轻松可视化数据和深入了解数据。欢迎您使用桌面环境进行试验、探索和发现。这些 MATLAB 工具和功能全部进行了严格测试,可彼此配合工作。

    MATLAB 可帮助您不仅仅将自己的创意停留在桌面。您可以对大型数据集运行分析,并扩展到群集和云。MATLAB 代码可以与其他语言集成,使您能够在 Web、企业和生产系统中部署算法和应用程序。

    2、MATLAB处理图像

    图像数据

    图像数据,其实就是一个一个像素点的像素值组成的矩阵,可以说是二维矩阵,也可以说是三维矩阵。大多数图像表示为二维数组(矩阵),其中矩阵的每个元素对应所显示图像的一个像素。例如,由 200 行和 300 列不同颜色的点组成的图像保存为一个 200×300 的矩阵。有些图像,如 RGB,需要三维数组,其中三个维度的第一个平面表示红色像素强度,第二个平面表示绿色像素强度,第三个平面表示蓝色像素强度。

    数据类型

    MATLAB 数学支持三种不同的数值类用于图像显示:

    • 双精度浮点数(double)
    • 16 位无符号整数(uint16)
    • 8 位无符号整数(uint8)
      图像通常使用double型数据类型,但是double对于像素点巨大的图像不友好,占用内存过多。
      为了减小内存需求,可以将图像数据存储在 uint8 和 uint16 这两类数组中。这些数组中的数据存储为 8 位或 16 位无符号整数。同样的数据,这些数组只需要 double 数组的八分之一或四分之一的存储容量。

    位深

    描述图像中每个像素的数据所占的位数。图像的每一个像素对应的数据通常可以是1位(bit)或多位字节,用于存放该像素的颜色、亮度等信息,数据位数越多,对应的图像颜色种类越多。

    函数

    (MATLAB严格区分大小写)

    imread

    1、读取示例图

    A = imread(‘filename’)

    从 filename 指定的文件读取图像,并从文件内容推断出其格式。如果 filename 为多图像文件,则 imread 读取该文件中的第一个图像。

    filename:
    在这里插入图片描述
    2、显示图像

    image(A)

    3、提取RGB

    [X,cmap] = imread(‘corn.tif’);
    imshow(X,cmap)

    imwrite

    A=rand(50);
    imwrite(A,‘filename’)

    将一个 50×50 的灰度值数组写入当前文件夹中的 JPG 文件。会发现文件夹中多了一个50×50的灰度图片。
    在这里插入图片描述

    二、图像灰度变换基础知识

    1、二值化与阈值处理

    一幅图像包括目标物体、 背景,甚至还有噪声。怎样从灰度值多变的图像中只提取感兴趣的目标信息, 最常用的方法就是设定某一阈值T,用T将图像的数据分成两大部分:大于T的像素群和小于T的像素群。这是研究灰度变换最特殊的方法,称为图像的二值化(binarization)。
    二值化处理就是把图像分成目标和背景两个领域。

    非零元素取一法

    在这里插入图片描述

    固定阈值法

    在这里插入图片描述

    双固定阈值法

    在这里插入图片描述

    2、基本的灰度变换

    基本表示

    表示原始图像在(x,y)处的像素值

    r = f(x,y)

    表示灰度变换后的图像在(x,y)处的像素值

    s = g(x,y)

    基本的图像变换表示为:

    s = T( r )

    T(r)被称为灰度变换函数

    线性灰度变换

    图像反转

    在这里插入图片描述

    正比类型的线性变换

    在这里插入图片描述

    分段线性变换

    突出感兴趣目标所在的灰度区间,相对抑制那些不感兴趣的灰度空间
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述

    非线性灰度变换

    在这里插入图片描述
    由于对数曲线在像素值较低的区域斜率大,在像素值较高的区域斜率较小,所以图像经过对数变换后,较暗区域的对比度将有所提升,所以就可以增强图像的暗部细节。

    对数变换对图像低灰度部分细节增强的功能过可以从对数图上直观理解:

    在这里插入图片描述

    x轴的0.4大约对应了y轴的0.8,即原图上0 ~ 0.4 的低灰度部分经过对数运算后扩展到0 ~ 0.8的部分,而整个0.4 ~ 1的高灰度部分被投影到只有0.8~1的区间,这样就达到了扩展和增强低灰度部分,压缩高灰度部分的值的功能。从上图还可以看到,对于不同的底数,底数越大,对低灰度部分的扩展就越强,对高灰度部分的压缩也就越强。

    在这里插入图片描述

    3、直方图均衡化

    灰度直方图是灰度级的函数,是对图像中灰度级分布的统计,反映的是一幅图像中各灰度级像素出现的频率。横坐标表示灰度级,纵坐标表示图像中对应某灰度级所出现的像素个数,也可以是某一灰度值的像素数占全图像素数的百分比,即灰度级的频率。
    在这里插入图片描述
    注意:图像与直方图是一对一关系,但是直方图与图像并非一对一关系
    直方图均衡化原理是将原图像通过某种变换,得到一幅灰度直方图为均匀分布的新图像:

    在这里插入图片描述
    变换函数 T(*) 必须满足两个条件:
    (a) : T 在区间[0, L-1]上是一个严格单调递增函数
    (b) : T 在区间[0, L-1]上满足 0<=T<=L-1

    三、变换操作

    在MATLAB中,有自动实现直方图均衡化的函数——histeq

    I = imread(‘tire.tif’);

    Enhance the contrast of an intensity image using histogram equalization.

    J = histeq(I);

    Display the original image and the adjusted image.

    imshowpair(I,J,‘montage’)
    axis off

    在这里插入图片描述

    Display a histogram of the original image.

    figure
    imhist(I,64)

    在这里插入图片描述

    Display a histogram of the processed image.

    figure
    imhist(J,64)

    在这里插入图片描述

    根据直方图均衡化的原理,我们自己编写两个脚本实现灰度变换

    方法一:

    clc;
    img=imread('C:\Users\zhao\Desktop\hnulearn\image2.jpg');
    subplot(321);
    imshow(img);
    title('原始图像');
     
    [x,y]=size(img); 
    img_man=zeros(x,y); 
    img_com=zeros(x,y);
     
    Max=max(max(img)); 
    Min=min(min(img)); 
    
    Hist=zeros(1,256);
    for i=1:x
        for j=1:y
            Hist(img(i,j)+1)=Hist(img(i,j)+1)+1;
        end
    end
    subplot(322);
    plot(Hist);
    title('原始直方图');
     
    p=zeros(1,256);
    for i=1:256
        p(i)=Hist(i)/(x*y);
    end
     
     
    c=zeros(1,256);
    for i=1:256
        c(i)=sum(p(1:i));
    end
     
    for i=1:x
        for j=1:y
            img_man(i,j)=c(img(i,j))*(Max+Min);
        end
    end
    subplot(323);
    imshow(uint8(img_man))
    title('实现函数-图像');
     
    Hist2=zeros(1,256);
    for i=1:x
        for j=1:y
            Hist2(img_man(i,j)+1)=Hist2(img_man(i,j)+1)+1;
        end
    end
    subplot(324);
    plot(Hist2);
    title('实现函数-直方图');
     
    img_com=histeq(img);
    subplot(325);
    imshow(img_com)
    title('自带函数-图像');
     
    Hist3=zeros(1,256);
    for i=1:x
        for j=1:y
            Hist3(img_com(i,j)+1)=Hist3(img_com(i,j)+1)+1;
        end
    end
    subplot(326);
    plot(Hist3);
    title('自带函数-直方图');
    
    

    在这里插入图片描述

    方法二:

    I = imread('C:\Users\zhao\Desktop\hnulearn\image2.jpg');
    [row,col] = size(I);
     
    img_com=histeq(I);
    subplot(321);
    imshow(img_com)
    title('自带函数-图像');
     
    Hist3=zeros(1,256);
    for i=1:x
        for j=1:y
            Hist3(img_com(i,j)+1)=Hist3(img_com(i,j)+1)+1;
        end
    end
    subplot(322);
    plot(Hist3);
    title('自带函数-直方图');
     
    %display the original image
    subplot(323);imshow(I);title('原始图像');
     
    %Compute the PMF of all pixels of the image
    PMF = zeros(1,256);
    for i = 1:row
        for j = 1:col
            PMF(I(i,j) + 1) = PMF(I(i,j) + 1) + 1;
        end
    end
    subplot(324);
    plot(PMF);
    title('原始直方图');
     
     
    %Compute the CDF of all pixels of the image
    CDF = zeros(1,256);
    CDF(1) = PMF(1);
    for i = 2:256
        CDF(i) = CDF(i - 1) + PMF(i);
    end
     
     
    %Mapping
    for i = 1:256
        Map(i) =round((CDF(i)-1)*255/(row*col)); 
    end
    %subplot(324);plot(Map);title('map');
     
    for i = 1:row
        for j = 1:col
            I(i,j) = Map(I(i,j) + 1);
        end
    end
    subplot(325);imshow(I);title('处理后图像');
     
    Hist = zeros(1,256);
    for i = 1:row
        for j = 1:col
            Hist(I(i,j) + 1) = Hist(I(i,j) + 1) + 1;
        end
    end
    subplot(326);
    plot(Hist);
    title('处理后图像');
    
    

    在这里插入图片描述

    展开全文
  • 图像处理算法】直方均衡化

    万次阅读 多人点赞 2019-03-26 20:24:54
    数字图像处理(第三版) 左飞. 图像处理中的数学修炼 目录 直方均衡化的介绍 直方的概念 直方均衡化的理论基础 手工实现直方均衡化 MATLAB上实现直方均衡化 直方均衡化的缺点 直方均衡...
  • 十六、数字图像处理之图像分割

    万次阅读 多人点赞 2019-05-13 09:13:18
    图像分割(一)点、线和边缘检测(1)点检测(2)线检测(3)使用函数edge的边缘检测(二)使用霍夫变换的线检测(三)阈值处理(1...图像阈值处理(四)基于区域的分割(1)基本表达式(2)区域生长(3)区域分离和...
  • 【数字图像处理】图像风格迁移

    万次阅读 2016-05-17 22:13:57
    设计自己的算法完成一个附图所示的图像风格迁移算法(基于matlab的快速实现)(很可能用到,并且鼓励使用)基于频率域的图像处理.  除提交必要的作业文档外,每人必须提交1组附件图像做出的效果最佳的结果测试图,...
  • 数字图像处理之图像复原

    万次阅读 多人点赞 2018-02-26 17:58:04
    复原技术是面向退化模型的,并且采用相反的过程进行处理,以便恢复出原图像。在进行图像复原之前要先建立起其退化模型,根据该模型进行图像复原。课本中的图像退化过程建模为一个退化函数和一个加性噪声...
  • 文章目录数字图像处理-图像分割&形态学处理(Matlab)1. 对 yaogan1 的图像进行处理,获取连续的边界,计算不同边界长度以及计算两类不同地物区域的面积。2. 对 4-2 的图像(将其转为灰度图像处理,即不利用颜色...
  • 图像处理之分割图像

    万次阅读 多人点赞 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,...
  • 数字图像处理——直方处理

    千次阅读 2019-04-03 18:40:28
    直方图处理直方直方显示参考代码效果与应用场景直方均衡参考代码效果与应用场景直方规定参考代码效果与应用场景局部直方均衡参考代码效果与应用场景直方统计参考代码效果与应用场景 直方 ...
  • OpenCV图像处理:图像锐化操作

    千次阅读 2019-05-12 13:02:20
    17/100发布文章 博文管理我的博客退出 ...什么是指针 OpenCV入门即颠峰:使用Mat类(彩色测试) OpenCV入门即颠峰:使用Mat类(灰度测试) OpenCV入门即巅峰:Mat类的使用(彩色测试) OpenCV图像处理:图像锐化操...
  • 超全Python图像处理讲解(多预警)

    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...
  • C语言数字图像处理---1.3 图像直方

    千次阅读 多人点赞 2020-01-06 20:48:39
    本篇介绍数字图像处理中的图像直方,读完本文,您将达到仅仅使用C语言来绘制一张图像的灰度直方和彩色直方,而完全不用依赖任何第三方库。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 231,351
精华内容 92,540
关键字:

图像处理测试图