当前位置: 首页 > news >正文

图像处理与视觉感知---期末复习重点(2)

文章目录

  • 一、空间域图像增强
    • 1.1 图像增强
    • 1.2 几种变换
  • 二、直方图
    • 2.1 直方图定义
    • 2.2 直方图均衡化
    • 2.3 离散情况
    • 2.4 例子
    • 2.5 直方图匹配
    • 2.6 例子
    • 2.7 一道例题
  • 三、空间滤波器
    • 3.1 定义
    • 3.2 例子
  • 四、平滑空间滤波器
    • 4.1 作用与分类
    • 4.2 线性滤波器
  • 五、统计排序滤波器
    • 5.1 定义与分类
    • 5.2 计算公式


一、空间域图像增强

1.1 图像增强

 1. 图像增强:是一类基本的图像处理技术,其目的是对图像进行加工,以得到对视觉解释来说视觉效果“更好”、或对机器感知效果来说“更有用”的图像。

 2. 图像增强分为两类:(1) 空间域增强:对图像的像素直接处理。(2) 频域增强:对图像经傅里叶变换后的频谱成分进行处理,然后逆傅里叶变换获得所需的图像。

 3. 空间域增强: g ( x , y ) = T [ f ( x , y ) ] g(x,y)=T[f(x,y)] g(x,y)=T[f(x,y)]
f ( x , y ) f(x,y) f(x,y) 是原图像; g ( x , y ) g(x,y) g(x,y) 是处理后的图像; T T T 是作用于 f f f 的操作,定义在 ( x , y ) (x,y) (x,y) 的邻域。

 4. 空间域增强的简化形式: s = T ( r ) s=T(r) s=T(r)
r r r f ( x , y ) f(x,y) f(x,y) 在任意点 ( x , y ) (x,y) (x,y) 的灰度级; s s s g ( x , y ) g(x,y) g(x,y) 在任意点 ( x , y ) (x,y) (x,y) 的灰度级。

1.2 几种变换

 1. 反转变换和对数变换:

在这里插入图片描述

 2. 幂变换:

在这里插入图片描述

 3. 5灰度级切片

在这里插入图片描述

 4. 6位平面切片

在这里插入图片描述

二、直方图

2.1 直方图定义

 1. 定义(1):
 一个灰度级在范围 [ 0 , L − 1 ] [0,L-1] [0,L1] 的数字图像的直方图是一个离散函数。 h ( r k ) = n k h(r_k)=n_k h(rk)=nk;其中 n k n_k nk 是图像中灰度级为 r k r_k rk 的像素个数, r k r_k rk 是第 k k k 个灰度级, k = 0 , 1 , 2 , . . . , L − 1 k=0,1,2,...,L-1 k=0,1,2,...,L1
 由于 r k r_k rk 的增量是1,直方图可表示为: p ( k ) = n k p(k)=n_k p(k)=nk,即图像中不同灰度级像素出现的次数。

 2. 定义(2):
 一个灰度级在范围 [ 0 , L − 1 ] [0,L-1] [0,L1] 的数字图像的直方图是一个离散函数。 p ( r k ) = n k / n p(r_k)=n_k /n p(rk)=nk/n n n n 是图像的像素总数, n k n_k nk 是图像中灰度级为 r k r_k rk 的像素个数, r k r_k rk 是第 k k k 个灰度级, k = 0 , 1 , 2 , . . . , L − 1 k=0,1,2,...,L-1 k=0,1,2,...,L1

 3. 两种图像直方图定义的比较:

在这里插入图片描述

 4. 一个例子:

在这里插入图片描述

2.2 直方图均衡化

 1. 直方图均衡化思想:就是把一幅图像变换成具有均匀分布的概率密度函数的新图像过程。

在这里插入图片描述

 2. 先讨论连续变化图像的均衡化问题。在一幅图像中,可以认为灰度级是一个在 [ 0 , L − 1 ] [0,L-1] [0,L1] 区间取值的随机变量 R R R。设 r r r s s s 分别表示归一化了的原图像灰度级和经直方图均衡后的图像灰度级,即: ≤ r , s ≤ 1 ; s = T ( r ) ; ≤r,s≤1;s=T(r); r,s1s=T(r) T ( r ) T(r) T(r) 作为变换函数。
 在 [ 0 , 1 ] [0,1] [0,1] 区间内的任一个 r r r 值,都可产生一个 s s s 值,如下图所示:

在这里插入图片描述

 3. T ( r ) T(r) T(r) 作为变换函数,满足下列条件:① 在 0 ≤ r ≤ 1 0≤r≤1 0r1 内为单调递增函数,保证灰度级从黑到白的次序不变。 ② 在 0 ≤ r ≤ 1 0≤r≤1 0r1 内有 0 ≤ T ( r ) ≤ 1 0≤T(r)≤1 0T(r)1,确保映射后的像素灰度级在允许的范围内。
 反变换关系为: r = T − 1 ( s ) r=T^{-1}(s) r=T1(s) T − 1 ( s ) T^{-1}(s) T1(s) s s s 同样满足上述两个条件。

 4. 计算公式:

在这里插入图片描述

在这里插入图片描述

 5. 直方图均衡不一定总是好的。缺点:(1) 变换后图像的灰度级减少,某些细节消失。(2) 某些图像,如直方图有高峰,经处理后对比度不自然的过分增强。

2.3 离散情况

 1. 离散情况下直方图均衡化的算法步骤:

 (1) 列出原始图像的灰度级 r j r_j rj j = 0 , 1 , 2 , . . . , L − 1 j=0,1,2,...,L-1 j=0,1,2,...,L1

 (2) 统计各灰度级的像素数目 n j n_j nj j = 0 , 1 , . . . , L − 1 j=0,1,...,L-1 j=0,1,...,L1

 (3) 计算原始图像直方图各灰度级的频率 P R ( r j ) = n j / n P_R(r_j)=n_j/n PR(rj)=nj/n j = 0 , 1 , . . . , L − 1 j=0,1,...,L-1 j=0,1,...,L1

 (4) 计算累计分布函数: S k = ∑ p R ( r j ) S_k=∑p_R(r_j) Sk=pR(rj) j = 0 , 1 , . . . , k , . . . , L − 1 j=0,1,...,k,...,L-1 j=0,1,...,k,...,L1

 (5) 把新的灰度级按就近原则转化为原灰度级: g k = I N T [ ( L − 1 ) s k + 0.5 ] g_k=INT[(L-1)s_k+0.5] gk=INT[(L1)sk+0.5],其中 I N T INT INT 为取整

 (6) 用原图像 r k r_k rk g k g_k gk 的映射关系,修改原图像灰度级,获得输出图像,其直方图为近似均匀分布

2.4 例子

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

在这里插入图片描述

在这里插入图片描述

2.5 直方图匹配

 1. 直方图匹配是指生成具有指定直方图的已处理图像。

 2. 离散情况下直方图匹配的过程:

在这里插入图片描述

2.6 例子

在这里插入图片描述

在这里插入图片描述

2.7 一道例题

在这里插入图片描述

在这里插入图片描述

三、空间滤波器

3.1 定义

在这里插入图片描述

3.2 例子

在这里插入图片描述

在这里插入图片描述

四、平滑空间滤波器

4.1 作用与分类

 1. 平滑空间滤波器的作用:(1) 模糊处理:去除图像中一些不重要的细节。 (2) 减小噪声。

 2. 平滑空间滤波器的分类:(1) 线性滤波器:均值滤波器。 (2) 非线性滤波器:①最大值滤波器 ②中值滤波器 ③最小值滤波器

4.2 线性滤波器

 1. 线性滤波器其特点是对图像中像素的计算是线性的。具体来说,这种滤波器通过对图像中的每个像素及其邻域进行线性运算来得出新的像素值。这些线性运算可以包括平滑加权求和、卷积等。

 2. 作用:(1) 减小图像灰度的 “尖锐” 变化,减小噪声。(2) 由于图像边缘是由灰度尖锐变化引起的,所以也存在边缘模糊问题。

 3. 计算公式:

在这里插入图片描述

五、统计排序滤波器

5.1 定义与分类

 1. 统计排序滤波器:是一种非线性滤波器,基于滤波器所在图像区域中像素的排序,由排序结果决定的值代替中心像素的值。

 2. 分类:(1) 中值滤波器:用像素领域内的中间值代替该像素。 (2) 最大值滤波器:用像素领域内的最大值代替该像素。 (3) 最小值滤波器:用像素领域内的最小值代替该像素。

5.2 计算公式

在这里插入图片描述

相关文章:

图像处理与视觉感知---期末复习重点(2)

文章目录 一、空间域图像增强1.1 图像增强1.2 几种变换 二、直方图2.1 直方图定义2.2 直方图均衡化2.3 离散情况2.4 例子2.5 直方图匹配2.6 例子2.7 一道例题 三、空间滤波器3.1 定义3.2 例子 四、平滑空间滤波器4.1 作用与分类4.2 线性滤波器 五、统计排序滤波器5.1 定义与分类…...

【机器学习】三要素——数据、模型、算法

机器学习三要素 数据模型模型是怎么得到的?算法 我 在学习过程中,对于“模型”和“算法”的概念不清晰,一直混淆,通过查阅了一些资料在此总结一下。 数据、模型与算法被称为机器学习的三要素,因为它们在机器学习中具有不可分割的作…...

Spring框架Bean对象的五个作用域

一、前言:Bean对象简介 在Spring项目中,那些由Spring IoC容器所管理的对象,称为bean。简单地讲,bean就是由Spring容器初始化、装配及管理的对象,除此之外,bean就与应用程序中的其他对象没有什么区别了。 而…...

IoT数据采集网关在企业应用中扮演着关键角色-天拓四方

随着物联网(IoT)技术的不断发展,越来越多的企业开始利用IoT技术实现智能化、自动化的生产和管理。在这个过程中,IoT数据采集网关作为连接物理世界与数字世界的桥梁,发挥着至关重要的作用。 IoT数据采集网关是一种硬件…...

【动态规划】完全背包

欢迎来到Cefler的博客😁 🕌博客主页:折纸花满衣 🏠个人专栏:题目解析 🌎推荐文章:【LeetCode】winter vacation training 目录 👉🏻完全背包 👉🏻…...

从零开始学习Diffusion Models: Sharon Zhou

How Diffusion Models Work 本文是 https://www.deeplearning.ai/short-courses/how-diffusion-models-work/ 这门课程的学习笔记。 文章目录 How Diffusion Models WorkWhat you’ll learn in this course [1] Intuition[2] SamplingSetting Things UpSamplingDemonstrate i…...

全天候购药系统(微信小程序+web后台管理)

PurchaseApplet 全天候购药系统(微信小程序web后台管理) 传统线下购药方式存在无法全天候向用户提供购药服务,无法随时提供诊疗服务等问题。为此,运用软件工程开发规范,充分调研建立需求模型,编写开发文档…...

L2-003 月饼(Java)

月饼是中国人在中秋佳节时吃的一种传统食品,不同地区有许多不同风味的月饼。现给定所有种类月饼的库存量、总售价、以及市场的最大需求量,请你计算可以获得的最大收益是多少。 注意:销售时允许取出一部分库存。样例给出的情形是这样的&#…...

vue面试--101, 1vue3为啥比vue2好 2 vue3为什么使用proxy

1vue3为啥比vue2好 2 vue3为什么使用proxy...

【sgPhotoPlayer】自定义组件:图片预览,支持点击放大、缩小、旋转图片

特性&#xff1a; 支持设置初始索引值支持显示标题、日期、大小、当前图片位置支持无限循环切换轮播支持鼠标滑轮滚动、左右键、上下键、PageUp、PageDown、Home、End操作切换图片支持Esc关闭窗口 sgPhotoPlayer源码 <template><div :class"$options.name"…...

cefsharp(winForm)调用js脚本,js脚本调用c#方法

本博文针对js-csharp交互(相互调用的应用) (一)、js调用c#方法 1.1 类名称:cs_js_obj public class cs_js_obj{//注意,js调用C#,不一定在主线程上调用的,需要用SynchronizationContext来切换到主线程//private System.Threading.SynchronizationContext context;//…...

Tensorflow实现手写数字识别

模型架构 具有10个神经元&#xff0c;对应10个类别&#xff08;0-9的数字&#xff09;。使用softmax激活函数&#xff0c;对多分类问题进行概率归一化。输出层 (Dense):具有64个神经元。激活函数为ReLU。全连接层 (Dense):将二维数据展平成一维&#xff0c;为全连接层做准备。展…...

谈谈杭州某小公司面试的经历

#面试#本人bg211本&#xff0c;一段实习&#xff0c;前几天面了杭州某小厂公司&#xff0c;直接给我干无语了&#xff01; 1、先介绍介绍你自己&#xff0c;我说了我的一个情况。 2、没获奖和竞赛经历吗&#xff1f;我说确实没有呢&#xff0c;面试官叹气了一下&#xff0c;只是…...

如何使用WinSCP结合Cpolar实现公网远程访问内网Linux服务器

文章目录 1. 简介2. 软件下载安装&#xff1a;3. SSH链接服务器4. WinSCP使用公网TCP地址链接本地服务器5. WinSCP使用固定公网TCP地址访问服务器 1. 简介 ​ Winscp是一个支持SSH(Secure SHell)的可视化SCP(Secure Copy)文件传输软件&#xff0c;它的主要功能是在本地与远程计…...

6. 互质

互质 互质 互质 每次测试的时间限制&#xff1a; 3 秒 每次测试的时间限制&#xff1a;3 秒 每次测试的时间限制&#xff1a;3秒 每次测试的内存限制&#xff1a; 256 兆字节 每次测试的内存限制&#xff1a;256 兆字节 每次测试的内存限制&#xff1a;256兆字节 题目描述 给定…...

微信小程序(五十一)页面背景(全屏)

注释很详细&#xff0c;直接上代码 上一篇 新增内容&#xff1a; 1.页面背景的基本写法 2.去除默认上标题实习全屏背景 3. 背景适配细节 源码&#xff1a; index.wxss page{/* 背景链接 */background-image: url(https://pic3.zhimg.com/v2-a76bafdecdacebcc89b5d4f351a53e6a_…...

MATLAB | MATLAB版玫瑰祝伟大女性节日快乐!!

妇女节到了&#xff0c;这里祝全体伟大的女性&#xff0c;节日快乐&#xff0c;事业有成&#xff0c;万事胜意。 作为MATLAB爱好者&#xff0c;这里还是老传统画朵花叭&#xff0c;不过感觉大部分样式的花都画过了&#xff0c;这里将一段很古老的2012年的html玫瑰花代码转成MA…...

LVS+Keepalived 高可用集群

目录 一.Keepalived工具介绍 1.用户空间核心组件&#xff1a; &#xff08;1&#xff09;vrrp stack&#xff1a;VIP消息通告 &#xff08;2&#xff09;checkers&#xff1a;监测real server&#xff08;简单来说 就是监控后端真实服务器的服务&#xff09; &#xff08;…...

Linux:kubernetes(k8s)探针ReadinessProbe的使用(9)

本章yaml文件是根据之前文章迭代修改过来的 先将之前的pod删除&#xff0c;然后使用下面这个yaml进行生成pod apiVersion: v1 # api文档版本 kind: Pod # 资源对象类型 metadata: # pod相关的元数据&#xff0c;用于描述pod的数据name: nginx-po # pod名称labels: # pod的标…...

专题一 - 双指针 - leetcode 1089. 复写零 - 简单难度

leetcode 1089. 复写零 leetcode 1089. 复写零 | 简单难度1. 题目详情1. 原题链接2. 基础框架 2. 解题思路1. 题目分析2. 算法原理3. 时间复杂度 3. 代码实现4. 知识与收获 leetcode 1089. 复写零 | 简单难度 1. 题目详情 给你一个长度固定的整数数组 arr &#xff0c;请你将…...

uniapp 对接腾讯云IM群组成员管理(增删改查)

UniApp 实战&#xff1a;腾讯云IM群组成员管理&#xff08;增删改查&#xff09; 一、前言 在社交类App开发中&#xff0c;群组成员管理是核心功能之一。本文将基于UniApp框架&#xff0c;结合腾讯云IM SDK&#xff0c;详细讲解如何实现群组成员的增删改查全流程。 权限校验…...

最新SpringBoot+SpringCloud+Nacos微服务框架分享

文章目录 前言一、服务规划二、架构核心1.cloud的pom2.gateway的异常handler3.gateway的filter4、admin的pom5、admin的登录核心 三、code-helper分享总结 前言 最近有个活蛮赶的&#xff0c;根据Excel列的需求预估的工时直接打骨折&#xff0c;不要问我为什么&#xff0c;主要…...

屋顶变身“发电站” ,中天合创屋面分布式光伏发电项目顺利并网!

5月28日&#xff0c;中天合创屋面分布式光伏发电项目顺利并网发电&#xff0c;该项目位于内蒙古自治区鄂尔多斯市乌审旗&#xff0c;项目利用中天合创聚乙烯、聚丙烯仓库屋面作为场地建设光伏电站&#xff0c;总装机容量为9.96MWp。 项目投运后&#xff0c;每年可节约标煤3670…...

数据链路层的主要功能是什么

数据链路层&#xff08;OSI模型第2层&#xff09;的核心功能是在相邻网络节点&#xff08;如交换机、主机&#xff09;间提供可靠的数据帧传输服务&#xff0c;主要职责包括&#xff1a; &#x1f511; 核心功能详解&#xff1a; 帧封装与解封装 封装&#xff1a; 将网络层下发…...

Java 加密常用的各种算法及其选择

在数字化时代&#xff0c;数据安全至关重要&#xff0c;Java 作为广泛应用的编程语言&#xff0c;提供了丰富的加密算法来保障数据的保密性、完整性和真实性。了解这些常用加密算法及其适用场景&#xff0c;有助于开发者在不同的业务需求中做出正确的选择。​ 一、对称加密算法…...

Spring AI 入门:Java 开发者的生成式 AI 实践之路

一、Spring AI 简介 在人工智能技术快速迭代的今天&#xff0c;Spring AI 作为 Spring 生态系统的新生力量&#xff0c;正在成为 Java 开发者拥抱生成式 AI 的最佳选择。该框架通过模块化设计实现了与主流 AI 服务&#xff08;如 OpenAI、Anthropic&#xff09;的无缝对接&…...

12.找到字符串中所有字母异位词

&#x1f9e0; 题目解析 题目描述&#xff1a; 给定两个字符串 s 和 p&#xff0c;找出 s 中所有 p 的字母异位词的起始索引。 返回的答案以数组形式表示。 字母异位词定义&#xff1a; 若两个字符串包含的字符种类和出现次数完全相同&#xff0c;顺序无所谓&#xff0c;则互为…...

成都鼎讯硬核科技!雷达目标与干扰模拟器,以卓越性能制胜电磁频谱战

在现代战争中&#xff0c;电磁频谱已成为继陆、海、空、天之后的 “第五维战场”&#xff0c;雷达作为电磁频谱领域的关键装备&#xff0c;其干扰与抗干扰能力的较量&#xff0c;直接影响着战争的胜负走向。由成都鼎讯科技匠心打造的雷达目标与干扰模拟器&#xff0c;凭借数字射…...

CMake控制VS2022项目文件分组

我们可以通过 CMake 控制源文件的组织结构,使它们在 VS 解决方案资源管理器中以“组”(Filter)的形式进行分类展示。 🎯 目标 通过 CMake 脚本将 .cpp、.h 等源文件分组显示在 Visual Studio 2022 的解决方案资源管理器中。 ✅ 支持的方法汇总(共4种) 方法描述是否推荐…...

LeetCode - 199. 二叉树的右视图

题目 199. 二叉树的右视图 - 力扣&#xff08;LeetCode&#xff09; 思路 右视图是指从树的右侧看&#xff0c;对于每一层&#xff0c;只能看到该层最右边的节点。实现思路是&#xff1a; 使用深度优先搜索(DFS)按照"根-右-左"的顺序遍历树记录每个节点的深度对于…...