- 综合排序
- 最热优先
- 最新优先
《数字图像处理》实验7-图像特征提取
title('G通道', 'FontSize', 12); subplot(3,3,6); imshow(B); title('B通道', 'FontSize', 12); subplot(3,3,7) 、灰度变化最剧烈的区域； 应用场景：适用于图像匹配、目标识别（如物体追踪、图像拼接）。 '请选择要分析的图像文件'); % 处理文件选择（取消则使用默认图像） if isequal(fname, 0) || isequal(pname, 0) fprintf('用户取消了文件选择 ，使用默认示例图像... 初始化特征存储 features = struct(); % 计算每个ROI在不同方向的纹理特征 for roi_idx = 1:length(rois) fprintf('\n=== %s 纹理特征分析
13810编辑于 2026-01-21- 来自专栏Java与Android技术栈
二值图像分析之轮廓分析
图像的二值化 在先前的文章二值图像分析:案例实战(文本分离+硬币计数)中已经介绍过，什么是图像的二值化以及二值化的作用。 这次，我们借助cv4j来实现简单的基于内容的图像分析。 轮廓分析(Contour Analysis) 轮廓(Contours)，指的是有相同颜色或者密度，连接所有连续点的一条曲线。检测轮廓的工作对形状分析和物体检测与识别都非常有用。 轮廓分析一.jpeg 第三步，进行轮廓分析。 矩是描述图像特征的算子，主要应用于图像检索和识别 、图像匹配 、图像重建 、数字压缩 、数字水印及运动图像序列分析等。 一阶矩和零阶矩用来计算某个形状的重心。 ? 该系列先前的文章： 基于边缘保留滤波实现人脸磨皮的算法 二值图像分析:案例实战(文本分离+硬币计数) Java实现高斯模糊和图像的空间卷积 Java实现图片滤镜的高级玩法 Java实现图片的滤镜效果
2.1K30发布于 2018-08-24 - 来自专栏AIoT技术交流、分享
LabVIEW图像灰度测量（基础篇—7）
像素灰度是图像最为典型的特征之一，基于图像像素灰度能衍生更多的图像特征，包括图像的直方图、线灰度分布曲线、图像线灰度均值、ROl边界灰度曲线、灰度定量描述以及图像结构相似度等，如下图所示： ? 拓展学习：https://handsome-man.blog.csdn.net/article/details/116572729 在机器视觉领域，图像灰度特征可用于实现目标的存在性检测和基于灰度的模式匹配 在进行目标的存在性检测时，机器视觉系统会不断计算并监测指定ROI范围内的图像灰度量化指标是否在设定的范围内，若指标超限，则认为所检测的目标不存在。 基于灰度的模式匹配，可以计算图像中的灰度或梯度，并从中寻找可与模板图像匹配的特征。 在牙线生产过程中，常会出现牙线未安装或牙线断裂的情况。为了能剔除此类次品，可监测安装牙线区域的图像灰度均值及标准差。 通过一个基于图像灰度特征进行牙线检测的实例程序，了解其使用方法。 该实例使用了字符串状态机结构，包括程序初始化、基于标准样本设置ROI、更新测量坐标系、产品检
77130发布于 2021-08-10 - 来自专栏全栈程序员必看
细粒度图像分析_图像分类研究现状
细粒度图像分析任务相对通用图像（General/Generic Images）任务的区别和难点在于其图像所属类别的粒度更为精细。 使用FCN得到conv5中M个关键点的位置之后，将定位结果输入到分类网络，使用两级架构分析图像物体级及部件级的特征。 部件级网络首先通过共享层提取特征，之后分别计算关键点周围的部件特征。 在每个子网络中，上一步骤中学到的Part/Object Mask还起到了一个关键作用，即“筛选关键卷积特征描述子”（Selecting Useful Convolutional Descriptor），如图7( 四、高阶特征编码 双线性汇合(bilinear pooling)在细粒度图像分析及其他领域的进展综述 【AAAI2020系列解读 01】新角度看双线性池化，冗余、突发性问题本质源于哪里？ 其中，两级注意力(Two Level Attention)算法[7]是第一个尝试不依赖额外的标注信息, 而仅仅使用类别标签来完成细粒度图像分类的工作，该方法通过聚类实现区域定位，准确度有限。
1.7K20编辑于 2022-11-09 - 来自专栏每日一篇技术文章
GPUImage图像滤镜分析01
![Uploading IMG_1365_522863.PNG . . .]
1.4K10发布于 2018-09-14 - 来自专栏信号分析应用及算法
图像分析及简单算法
所以图像分析实际上是对这些数据的分析及计算” 01 — 图片：3维数据矩阵 图1是一张彩色图片。读取该图片的数据后，会得到三个20✖️30的矩阵（如图2，图3，图4）。 ? 图4 为了显示更直观，将R,G,B矩阵显示为图5，图6，图7的柱状图形式。 ? 图5 ? 图6 ? 图7 图像分析，是对R,G,B矩阵某一行、某一列或某一区域数据的分析。 图17 03 — 算例总结 以上仅是个图像识别的简单算例，计算思路及步骤如下： 1）寻找RGB矩阵中图像特征明显的矩阵，或是处理灰度矩阵：Z=0.299R+0.587G+0.114B, （计算后需要对Z 2）对矩阵的某行，某列，或某区域进行信号分析。 3）通过各种计算得到特征位置或特征数值。 04 — 应用展望 图像识别已被广泛使用，本篇只是简单介绍一下最简单的算例及原理，真正的应用远比本例要复杂。 图片特性稳定，则程序简单，计算速度较快；图像特性变化大，则要求程序具有更强的容错能力，程序就越复杂，计算越慢。 目前比较流行的机器学习等算法在图像识别中已广泛应用，使用者不需要对图像特征进行深入了解。
1.7K10发布于 2020-07-20 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 分割
当图像被“填满”时，所有有标记的区域就被分割开了。这样一来，连通到标记点的盆地就属于这个标记点了，然后就把相应的标记区域从图像中分割出来。 分水岭算法然后通过让标记区域“获取”梯度图中与片段连接的边界确定的峡谷来分割图像。 cv2.watershed 使用分水岭算法执行基于标记的图像分割。 函数使用 cv2.watershed( image, # 输入 uint8 三通道图像 markers # 输入/输出标记的 32 位单通道图像。 :,None] res_dict = dict() res_dict[1] = img_1 loop_num = 1 iter_each = 1 for index in mt.tqdm(range(7) dst[, # 与源图像格式和大小相同的目标图像。 maxLevel[, # 用于分割的金字塔的最大级别。
3.3K11编辑于 2022-08-09 - 来自专栏又见苍岚
OpenCV 图像分析之 —— Canny
图像中的任意边缘应该只被标记一次，同时图像噪声不应产生伪边缘。 可以以±iπ/8(i=1,3,5,7)分割，落在每个区域的梯度角给一个特定值，代表四个方向之一。 计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。 edges 输出边缘图; 单通道8位图像，与图像大小相同。 threshold1 低阈值 threshold2 高阈值 apertureSize cv2.Canny()内部调用的Sobel导数算子所用的aperturel的大小，默认为3，可选值[3, 5, 7] 实例代码 img = mt.cv_rgb_imread('img1.jpg', gray=True) res = cv2.Canny(img, 17430, 30000, apertureSize=7)
2.8K20编辑于 2022-08-09 - 来自专栏燧机科技-视频AI智能分析
AI图像行为分析算法
AI图像行为分析算法通过python+opencv深度学习框架对现场操作行为进行全程实时分析，AI图像行为分析算法通过人工智能视觉能够准确判断出现场人员的作业行为是否符合SOP流程规定，并对违规操作行为进行自动抓拍告警 AI图像行为分析算法轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 图片AI图像行为分析算法Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。 AI图像行为分析算法使程序员能够用更少的代码行表达思想，而不会降低可读性。与C / C++等语言相比，Python速度较慢。 这也使得AI图像行为分析算法与使用Numpy的其他库（如SciPy和Matplotlib）集成更容易。
1.2K40编辑于 2023-09-23 - 来自专栏Java架构师必看
spring源码分析7
spring源码分析7 强烈推介IDEA2020.2破解激活，IntelliJ 原文链接：https://gper.club/articles/7e7e7f7ff3g5agc4
32030发布于 2021-04-13 - 来自专栏信数据得永生
OpenCV 图像处理学习手册：6~7
捕获的图像可以传输到开发计算机，并用于创建 HDR 图像。 注意 从 iOS 7 开始，本机相机应用具有 HDR 模式，可自动快速捕获三幅图像，每幅图像具有不同的曝光度。 这些图像也会自动组合为单个（有时更好）的图像。 创建 HDR 图像 我们如何将多张（例如三张）曝光图像合成为 HDR 图像？ 甚至还有一个名为hdr_imaging的教程示例，该示例从图像文件中读取图像文件和曝光时间列表，并创建 HDR 图像。 seamlessClone函数获取源图像，目标图像和遮罩图像以及目标图像中将插入裁剪对象的点（可以从这个页面）。 Intel SDK：此 SDK 在 Intel Core 处理器和 Intel HD GPU（例如 Intel + SSE4.1，SSE4.2 或 AVX，Intel Core i7，i5 和 i3（
2.1K30编辑于 2023-04-27 - 来自专栏计算摄影学
7. 图像处理的应用-运动滤波
在前面的章节中，我讲了很多图像变换中的基本操作：图像滤波，包括空域滤波和频域的滤波。今天来给大家分享一个非常有意思的图像滤波的应用：运动滤波。 这里我们会看到计算摄影中图像的像素操作的新奇的应用，而且由于今天所讲述的操作对象是视频，因此我还会学习到图像的时域操作。 植物生长的原始视频 联想到我们之前学过的图像滤波的知识，你会怎么做来去除这些短期的晃动呢？我想你肯定想到了之前提到的一些图像滤波技术，例如高斯滤波，或者Box滤波。 naive的时域滤波带来的问题 也有人提出，对图像的特征点进行跟踪，观察它在每一帧的变换，获取到图像每个局部的变换模式，并利用这种模式进行平滑。 解决方案的特点： 不需进行任何运动分析 能够分离长时间的运动变化和短时间的视频抖动，并通过去除短时间的抖动和增强长期的变化，从而平滑视频 问题建模：假设输出视频中的每个像素通过其对应的输入视频在位移场中位移得到
1.2K21发布于 2020-04-17 - 来自专栏一点人工一点智能
图像融合的方法及分析
而彩色图像的每个像素值包括了R、G、B 3个基色分量，每个分量决定了其基色的强度。因此，在图像融合时，不同图像采用不同的融合方法。本文对其分别进行了分析。 对此，人们提出基于信息统计的活动级方法，如文献[7]利用空间频率完成图像融合。 主成分分析 PCA是一种典型的空间域方法，通过降维寻找图像的主成分，根据主成分来确定各融合图像的权重并完成融合。 除此之外，Mitianoudis等提出的基于独立成分分析 ICA的图像融合方法和Jiang等提出的基于形态学成分分析 MCA的图像融合方法等也都属于空间域方法。 2019年，Xia等为融合医学图像，提出了改进的CNN模型。Mostafa等提出了用于多聚焦图像的集成CNN方法。图7为基于CNN模型的图像融合过程。CNN模型助力图像融合是未来研究的热点问题之一。
3.6K70编辑于 2022-12-30 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 距离变换
函数 cv2.distanceTransform() 用于计算图像中每一个非零点像素与其最近的零点像素之间的距离（Distance Transform， DT算法），本文记录OpenCV 距离变换相关内容 距离变换 OpenCV中，函数cv2.distanceTransform()用于计算图像中每一个非零点像素与其最近的零点像素之间的距离，输出的是保存每一个非零点与最近零点的距离信息；图像上越亮的点，代表了离零点的距离越远 图像的距离变换定义为一幅新图像，其中每个输出像素的值被设为输入图像中与最近的零像素的距离一当然得根据某个特定的距离度量。不难看出，距离变换生成的是某种边缘图像。 原始 DT 算法 参考论文： 《Distance Transformations in Digital Images》 计算二维图像中非特征点距离最近特征点的距离，例如： 其中 * 为特征点，右图记录了非特征点到特征点的距离 放到该未定义点的候选距离列表中 之后每个被覆盖到的未定义点从距离和中选择最小的作为自己的距离定义 对定义过的像素遍历完成后即可开启下一轮遍历，表示为： 其中v_{i,j}^m为第 m 轮迭代时图像中
7.2K10编辑于 2022-08-09 - 来自专栏相约机器人
医学图像分析的深度学习
探索数据集 试着看看每个类别中的图像数量和图像的大小。 验证数据集中只有9个图像（极少数） 我们有大约37k的火车图像CNV，26k NORMAL 和11k以及8k DME和DRUSEN 图像预处理 要为网络准备图像，必须将它们调整为224 x 224，并通过减去平均值并除以标准偏差来标准化每个颜色通道 这些操作是使用图像完成的，图像transforms为神经网络准备数据。 当在预先训练的网络中使用图像时，必须将它们重塑为224 x 224.这是图像的大小，因此是模型所期望的。大于此的图像将被截断，而较小的图像将被插值。 数据扩充 由于图像数量有限，可以使用图像增强来人为地增加网络“看到”的图像数量。这意味着，对于训练，会随机调整大小并裁剪图像，并将其水平翻转。
1.7K30发布于 2019-06-21 - 来自专栏贾志刚-OpenCV学堂
二值图像分析案例精选
点击上方↑↑↑“OpenCV学堂”关注我 面向CV技术爱好者征稿，点击底部【合作交流】即可 最近一直有人在知识星球上向我提问很多二值图像分析相关的问题，特别选择了两个典型的轮廓分析问题。 进行分析与编码实现与演示，废话不多说，先看第一个问题。 问题一 描述如下： 想找到工具盘中间缺少的几个点，统计出可以看到的工件数目 ? 仔细分析图像发现，中间都毫无另外的有个白色很亮的圆圈，这个给了我两个思路 可以通过霍夫变换检测圆来提取到 可以通过二值图像分析来提取 + 轮廓分析来提取到这些点 得到这些轮廓点之后通过分析整个轮廓区域得到倾斜角度 代码实现是基于轮廓分析的思路，因为这个方法，用的阈值比较少，有利于算法稳定性检测。演示各部输出。二值化处理之后(形态学处理)： ? 轮廓发现与校正角度之后 ? 投影分析与统计结果如下： ? 看到这个图像之后，个人觉得解决十分简单，基于最外层轮廓发现即可，无需树形结构与层次分析，集合图像形态学分析或者距离变换就可以得到，最终代码的运行结果如下： ?
1K30发布于 2019-05-31 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 频域变换
图像可以转换到其他空间进行分析和处理，本文记录 OpenCV 分析算子中的频域变换相关内容。 离散余弦变换 定义 image.png 用于实信号的频域分析 DCT 变换的由来 cv2.dct() 计算矩阵的离散余弦变换 函数使用 该函数根据flags参数的值执行离散余弦变换或离散余弦逆变换
2.5K20编辑于 2022-08-09 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 积分图
积分图是一种允许子区域快速求和的数据结构，本文记录 OpenCV 图像分析中的 积分图 相关内容。 积分图 使用积分图是数字图像处理中常用的一种方法，通常能够很大程度的加速计算过程，比如均值滤波，非局部均值滤波，以及Harr计算等。 从直观来说，一张图像就是一个矩形，这个矩形中每个像素点的积分值，就是以图像左上角像素点为左上角顶点，以该像素点为右下角顶点的矩形中包含的所有元素之和。 每种情况的结果图像在图像的每个方向上都加1之后，与原始图像的大小相同。 {image}\left(x^{\prime}, y^{\prime}\right) 平方和图像 平方和图像是平方的和： $$ \operatorname{sum}_{\text {square
2.4K10编辑于 2022-08-09 《数字图像处理》第7章：小波变换和其他图像变换
欢迎来到《数字图像处理》第7章的实战解析。本章聚焦于小波变换和其他图像变换，这是图像处理的核心工具之一。 与傅里叶变换不同，小波变换能同时分析时间和频率信息，非常适合图像压缩、去噪和特征提取。 用Python实现各种变换，并对比分析图像效果。 应用小波变换进行图像压缩和去噪。 7.1 背景 图像变换的本质是将图像从空间域转换到其他域，以便更好地分析或处理。 例如，傅里叶变换将图像转换到频率域，而小波变换则提供多分辨率分析。 为什么需要变换？ 图像在空间域（像素值）可能复杂，但在变换域（如频率域）更简洁，便于压缩或去噪。 重建图像 img_rec = idct2(dct_compressed) # 7.
51921编辑于 2026-01-21- 来自专栏一些有趣的Python案例
数字图像处理学习笔记（十四）——频域图像增强（图像的频域分析）
数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。 由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器 ? 来抑制高频成分，通过低频成分，然后再进行逆傅立叶变换获得滤波图像，就可达到平滑图像的目的。 因此采用该滤波器滤波在抑制噪声的同时，图像边缘的模糊程度大大减小，没有振铃效应产生。 图像描述 ? 可用于平滑处理，如图像由于量化不足产生虚假轮廓时，常可用低通滤波进行平滑以改进图像质量。 低通滤波通过消除不重要的特征来简化感兴趣特征的分析 ? 2 频率域锐化（高通）滤波器 图像的边缘、细节主要位于高频部分，而图像的模糊是由于高频成分比较弱产生的。 钝化模板(锐化或高通图像)： 从一幅图像减去其自身模糊图像从而生成锐化图像。 在频率域，即从图像本身减去低通滤波（模糊）后的图像而得到高通滤波（锐化）的图像。 ?
8K20发布于 2021-02-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号