当前位置：网站首页>图像处理理论和应用

图像处理理论和应用

2022-06-10 09:37:00 【C君莫笑】

计算机视觉概述

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄像头代替人眼对目标进行图片信息采集，然后用电脑代替人脑对目标进行进一步处理并获得相应场景。
在这里插入图片描述

计算机视觉的任务

图像分类

在这里插入图片描述

目标检测

在这里插入图片描述

图像分割

在这里插入图片描述

图像生成

在这里插入图片描述

超分辨率

在这里插入图片描述

风格迁移

在这里插入图片描述

图像修复

在这里插入图片描述

数字图像处理基础

图像处理技术划分

字图像处理分为三个层次：低级图像处理、中级图像处理和高级图像处理（图像处理、图像分析和图像理解）
在这里插入图片描述

图像处理是低层操作，它主要在图像像素级上进行处理，处理的数据量非常大；
图像分析则进入了中层，经分割和特征提取，把原来以像素构成的图像转变成比较简洁的、非图像形式的描述；
图像理解是高层操作，它是对描述中抽象出来的符号进行推理，其处理过程和方法与人类的思维推理有许多类似之处。

图像数字化

在这里插入图片描述

什么是采样？

将空间上连续的图像变化为离散的点。

什么是量化？

将采样点的传感器信号转换成离散的整数值。

图像表达

灰度图

灰度图，都只有一个通道，单通道记录了像素点的亮度信息，每个数字都是在范围0-255之间的整型，0表示最暗（黑色)，255表示最亮（白色)
在这里插入图片描述

RGB

对于彩色图片，更普遍的表达方式是RGB颜色模型。RGB颜色空间中每个像素点有三个维度，分别记录在红(Red)、绿(Green)、蓝（Blue）三原色分量上的亮度。
在这里插入图片描述

HSV

HSV (Hue, Saturation, Value)颜色的参数分别是：色调（H），饱和度（S），明度（V）。
根据颜色的直观特性创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。
在这里插入图片描述

图像预处理技术

图像处理一般流程

在这里插入图片描述

灰度变化

亮度变化

亮度：也称为灰度，它是颜色的明暗变化，常用 0 ％～ 100 ％ ( 由黑到白 ) 表示。以下三幅图是不同亮度对比。
在这里插入图片描述

对比度变化

对比度：是画面黑与白的比值，也就是从黑到白的渐变层次。比值越大，从黑到白的渐变层次就越多，从而色彩表现越丰富。
在这里插入图片描述

直方图变化

直方图：表示图像中具有每种灰度级的象素的个数，反映图像中每种灰度出现的频率。图像在计算机中的存储形式，就像是有很多点组成一个矩阵，这些点按照行列整齐排列，每个点上的值就是图像的灰度值，直方图就是每种灰度在这个点矩阵中出现的次数。我们可以具体看一下下面两个不同图形的灰度直方图：
在这里插入图片描述

几何矫正

参照：详解Python+OpenCV对图像进行几何变换操作

图像增强

参照：详解Python+OpenCV对图像进行直方图操作

图像滤波

空间滤波：是一种局部处理方式，像素p的输出值由输入图像中像素p及其邻域N中的像素值确定。

计算方法:将邻域N的像素值和一个与邻域同样尺寸的子图像进行模板运算。子图像被称为模板、核或滤波器。

卷积与图像去噪

去除噪声比较简单的方法是加权平均法，即将噪声与周围的像素点加权平均一下，这就是卷积。将图像中的噪声通过卷积操作得到去噪后的像素点。如果将图像上的所有像素点都操作一遍就得到了一张去噪后的图，将算子中的1/9制作成模板，这个模板是1/9组成的3x3矩阵，又叫做卷积核（滤波核）。
在这里插入图片描述

模板卷积

在这里插入图片描述

模板排序

在这里插入图片描述
中值滤波

卷积的示例

在这里插入图片描述

卷积与边缘提取

边缘定义

边缘：图像中亮度明显而急剧变化的点。

边缘检测算子

一阶梯度:Prewitt梯度算子、Sobel梯度算子。
二阶梯度:Laplacian梯度算子。
在这里插入图片描述

参照：详解Python+OpenCV对图像进行形态学操作
参照：详解Python+OpenCV对图像进行边缘检测操作

图像预处理在深度学习中的应用–图像分类

图像特性

局部感知

人对外界的认知是从局部到全局的，而图像的空间联系也是局部的像素联系较为紧密，而距离较远的像素相关性则较弱。
在这里插入图片描述

图像不变性

同一图像在不同位置、不同角度的旋转、不同大小、不同光照等条件下，都会被识别为同一物体，这一特点就是不变性。
在这里插入图片描述
参照：深度学习之CNN卷积神经网络详解以及猫狗识别实战

版权声明
本文为[C君莫笑]所创，转载请带上原文链接，感谢
https://blog.csdn.net/qq_34623621/article/details/125199045

边栏推荐

猜你喜欢

随机推荐