- 综合排序
- 最热优先
- 最新优先
《数字图像处理》第 8 章-图像压缩
比如用 8 位（0-255）表示一个灰度值，但实际图像中大部分灰度值出现频率极低，这种 “一刀切” 的编码方式就造成了冗余。 8.2.7 位平面编码 位平面编码将图像的每个像素的二进制位拆分到不同的位平面（如 8 位灰度图拆分为 8 个位平面），对重要的低位平面保留，高位平面压缩 / 去除。 8的倍数 h, w = image.shape h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = np.pad(image, ((0, h_pad), ): h, w = image.shape h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = np.pad
21110编辑于 2026-01-21《数字图像处理》第8章-图像压缩和水印
今天给大家带来《数字图像处理》第 8 章的全面解析 —— 图像压缩和水印。 8.8 比特平面编码 核心原理 比特平面编码将图像的每个像素的二进制位分解为多个比特平面（如 8 位图像分为 8 个比特平面），对每个比特平面单独编码（通常用行程编码）。 # 分解比特平面 def decompose_bit_planes(img): """ 将8位灰度图像分解为8个比特平面 :param img: 8位灰度图像（uint8） 8.9.2 子图像尺寸选择 太小（如 4x4）：变换增益低； 太大（如 16x16）：块效应明显； JPEG 采用 8x8 子块。 延伸读物 深入学习：率失真理论、深度学习图像压缩（如 VVC/H.266）； 工程应用：FFmpeg（视频压缩）、OpenCV（图像编解码）、PyWavelets（小波分析）； 前沿方向：AI 生成图像的水印
17210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。 将AlexNet最后的fc8层替换为两个产生关键点及视觉特征的输出层。使用边缘框分块（edge box crops）方法将图像分块，之后产生其特征点位置及视觉特征，去除自信度低的预测结果。 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。 在测试时，使用子集CNN选择器（subset selector CNN ，SCNN）选择输入图像相应的子集CNN。SCNN使用K个聚类结果作为类标签，将fc8的softmax输出数量改为K。 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？
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。 02 — 算例：停车位边界判断 图8是一张停车位的照片。 图8 因为图8的R矩阵中白色数据比较明显，故以下是基于R矩阵的计算。 对图8的R矩阵各行分别沿Y Width方向取值，并采用R值Trig Level=230为触发值，向右寻找触发点，发现第一个触发点后即退出寻找。 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。
1.7K10发布于 2020-07-20 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 分割
被设置 mask, # 操作掩码应为单通道 8 位图像，比图像宽 2 像素，高 2 像素； 该值既是输入也是输出，需要提前初始化； 其中需要处理的区域设置为 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。 官方文档 函数使用 cv2.grabCut( img, # 输入 uint8 三通道图像，在处理的过程中不会被修改。 如果mode包含标签cv2.GC_INIT_WITH_MASK, 那么在mask里的值将被用于初始化图像的标签。掩膜应当是单通道的 uint8 类型的图像，掩膜里的每个像素都应按下表赋值。 ( src, # uint8 三通道图像 sp, # 空间窗口半径。
3.3K11编辑于 2022-08-09 - 来自专栏又见苍岚
OpenCV 图像分析之 —— Canny
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。 所谓的滞后边界跟踪算法检查一个弱边缘点的8连通领域像素，只要有强边缘点存在，那么这个弱边缘点被认为是真是边缘保留下来。 将小于高阈值，大于低阈值的点使用8连通区域确定（即：只有与TH像素连接时才会被接受，成为边缘点） OpenCV 实现 官方文档 使用 Sobel 算子运算 函数使用 cv2.Canny(image , threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) ->edges 参数说明 参数 说明 image uint8 格式单通道图像 edges 输出边缘图; 单通道8位图像，与图像大小相同。
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 《数字图像处理》实验8-图像识别与分类
实验环境 操作系统：Windows 8/10/11 软件版本：MATLAB 2014 及以上版本（部分功能需安装 Computer Vision Toolbox、Statistics and Machine ，突出米粒目标 % 步骤4：二值化（OTSU最优阈值） level = graythresh(I2); bw2 = imbinarize(I2, level); % 步骤5：连通区域标记（8连通域， 标记每个米粒） [labeled, numObjects] = bwlabel(bw2, 8); [L, n] = bwlabel(bw2, 8); % n为米粒总数 % 步骤6：可视化处理流程与计数结果 白色圆圈标记质心 plot(cbar, rbar, 'Marker', 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'w', 'MarkerSize', 8) （如提取线段用线结构元素）； 连通域选择：颗粒计数时，8 连通域比 4 连通域更贴合实际（米粒边缘可能不规整）。
15610编辑于 2026-01-21- 来自专栏Java架构师必看
spring源码分析8
spring源码分析8 强烈推介IDEA2020.2破解激活，IntelliJ
31710发布于 2021-04-13 - 来自专栏计算摄影学
8. 图像处理的应用 - 动作放大
dis_k=2ce8d404d143dde3d679cdd43dcec6ea&dis_t=1587108607 拉格朗日 vs 欧拉 视频动作放大是如何做到的呢？ 之前有读者问我图像的傅里叶变换有哪些应用，我想今天这一个算法就是一个生动的例子。 我在下一篇文章还会用python代码来给大家展示欧式视频动作放大的完整实现过程，敬请期待。 当这一个系列的文章介绍完后，我们会开启计算摄影之旅的新的篇章，进入到图像的合成这个领域。
1.4K40发布于 2020-04-17 - 来自专栏Edward的专栏
CV -- YOLOv8 图像分割（GPU环境）
参考视频： 使用 Yolov8 自定义数据集进行图像分割_哔哩哔哩_bilibili 标注 数据集： 我使用的是一些苹果数据集，可以在我的csdn资源中下载： https://download.csdn.net JSON转为TXT 通过 LabelMe 工具绘制多边形标注后生成的 JSON 文件是一种结构化的数据文件，它遵循了一定的格式来存储图像标注信息。 这个文件是模型训练过程的直接产物，用于后续的图像识别和分析任务。 Args.yaml文件：这个文件通常包含了模型训练时使用的配置参数。 通过对测试数据的详细分析，我们可以观察到原始标注与模型预测的掩膜之间存在差异很小，这实际上体现了模型具备出色的语义分割能力。 (mask, (W, H)) # 保存掩码图像 output_path = f'.
1.1K13编辑于 2025-02-20 - 来自专栏张高兴的博客
YOLOv8 入门指南：（2）图像标注
安装图像标注工具 LabelImg 打开 LabelImg 网站，使用 git 命令或下载 zip 的形式，将代码保存到本地； git clone git@github.com:HumanSignal/ pyrcc5 -o libs/resources.py resources.qrc # 只需执行一次 python labelImg.py 图像标注 标注的第一步要在 LabelImg 中打开图像，可以打开单个图像 ，也可以打开图像所在的文件夹； 点击 创建区块 按钮开始标注； 标注框不要大于或小于物体，标注完成后选择或输入物体的标签，点击 OK 按钮完成标注； 直到标注完图像中所有的物体，点击 保存 按钮存储标签 ，标签会保存在图像的位置，文件名为 图像名.xml。
1.5K10编辑于 2025-05-21 - 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。 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。 目前，已有了多种融合方法，通常分为2类：一类是多幅彩色图像的融合，另一类是彩色图像与灰度图像的融合。（1）2幅彩色图像的融合图8为2幅彩色图像融合的示例。 图8a为近景聚焦的彩鱼图像；图8b为远景聚焦的彩鱼图像；图 8c 为融合后的效果图。融合结果由文献[66]的 CNN 方法计算获得。
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
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。 函数使用 cv2.distanceTransform( src, # 二通道二值图，uint8 格式 distanceType, # 距离类型 maskSize[, # 距离变换掩码的大小 图片来自 知乎 img_org = mt.cv_rgb_imread('dis_trans.jpg', gray=True) img = (img_org > 100).astype('uint8' 示例代码 img_org = mt.cv_rgb_imread('dis_trans.jpg', gray=True) img = (img_org > 100).astype('uint8') res_ccomp
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 (image) inverse_img = cv2.dct(dct_res, flags=cv2.DCT_INVERSE) PIS(image, (dct_res*150).astype('uint8' ), inverse_img.astype('uint8')) cv2.idft() 计算矩阵的离散傅里叶逆变换，cv2.idft()只是离散傅里叶逆变换的一个方便的简写。
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。 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。 , 10.], [ 0., 4., 8., 12., 16., 20.], [ 0., 6., 12., 18., 24., 30.], [ 0., 8 , 8., 8., 6.], [ 6., 12., 16., 18., 16., 12.], [12., 20., 26., 28., 26., 20.],
2.4K10编辑于 2022-08-09
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