- 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... 通过本次实验，系统掌握了五大类图像特征的提取方法，理解了不同特征的核心优势与适用场景，为后续计算机视觉高级应用（如图像分类、目标检测）奠定了基础。
23210编辑于 2026-01-21- 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
81830发布于 2021-08-10 - 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（
2.4K30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。 这种方法能得到远好于最基础的时域图像滤波技术处理的视频。 ?
1.2K21发布于 2020-04-17 《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。 (8), np.arange(8)) # 0-7的斜坡 print("\n原始8x8图像块:\n", original_block) # DCT变换（手动使用基图像） dct_coeffs = np.zeros 重建图像 img_rec = idct2(dct_compressed) # 7. （效率低于DCT） 【与DCT对比】 DCT: 压缩率高，JPEG标准 WHT: 计算快，适合实时系统 """) # ==================== 7. 第7章。 2.Mallat, S. (1999).
73321编辑于 2026-01-21- 来自专栏石开之旅
图像处理笔记（7）---- OpenCV 绘制无填充矩形
,(0,255,0),1) else: cv.circle(img,(x,y),abs(x-ix),(0,0,255),1) #创建一个黑色的图像 ),(x,y),(0,255,0),1) else: cv.circle(img,(x,y),5,(0,0,255),-1) #创建一个黑色的图像
1.4K20发布于 2020-09-21 - 来自专栏往期博文
【OpenCV】Chapter7.图像噪声与滤波器
最大值滤波器：用预定义的像素邻域中的灰度最大值来代替像素的值，可用于找到图像中的最亮点，或用于消弱与明亮区域相邻的暗色区域，也可以用来降低胡椒噪声。 最小值滤波器：用预定义的像素邻域中的灰度最小值来代替像素的值，可用于找到图像中的最暗点，或用于削弱与暗色区域相邻的明亮区域，也可以用来降低盐粒噪声。 j:j + n] imgMiddleFilter[i, j] = int(pad.max() / 2 + pad.min() / 2) plt.figure(figsize=(9, 7) 选择d的大小对图像处理的效果影响很大，当 d=0 时简化为算术平均滤波器，当 d=mn/2−1 简化为中值滤波器。 :m * n - d - 1]) imgAlphaFilter2[i, j] = sumAlpha / (m * n - 2 * d) plt.figure(figsize=(9, 7)
1.3K30编辑于 2022-09-26 - 来自专栏OpenFPGA
Xilinx 7系列FPGA入门级图像处理 终结篇
目前基本实现了入门级图像处理的基本几个算法，接下来也就是最后两个非常简单的算法，这里只简单介绍，搞定之后，就可以在上面几个算法上实现各种其他应用，明天应该会把文档、源码整理好，谢谢大家支持。
98930发布于 2020-06-30 - 来自专栏后端技术
task 7_修改 FCN(图像读取使用开源代码)
通过改造当下热门的分类网络（VGG，AlexNet，GoogleLeNet等），我们可以让它们的架构应用于图像分类任务。 FCN-32s是指用逆卷积把conv7放大到32倍。 FCN-16s是指先用逆卷积把conv7放大到2倍，将放大结果与pool4的输出相加，再把相加结果放大16倍。 同理，FCN-8s是指用逆卷积把conv7放大到2倍，将放大结果与pool4的输出相加，再把相加结果用逆卷积放大两倍，与pool3相加。最后把第二次的相加结果放大8倍到原来的图像尺寸。 遍历images目录，对每个jpg图片在annotations目录中找到对应的png图像分割文件。 strides = [2, 2]时放大两倍，strides = [8, 8]时放大8倍 3.7 问题7 numpy array的特殊索引方式 代码中此段是用来打乱images和annotations的
1.1K20编辑于 2022-05-13 - 来自专栏素质云笔记
图像增强︱window7+opencv3.2+kerastheano简单应用(函数解读)
三、用python+keras/theano进行图像增强（Data Augmentation） 1、图像增强的方式 以下一共有8中图像变换的方式： 旋转 | 反射变换(Rotation/reflection ): 随机旋转图像一定角度; 改变图像内容的朝向; 翻转变换(flip): 沿着水平或者垂直方向翻转图像; 缩放变换(zoom): 按照一定的比例放大或者缩小图像; 平移变换(shift): 在图像平面上对图像以一定方式进行平移 改变图像内容的位置; 尺度变换(scale): 对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想, 利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度; 对比度变换(contrast): 在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变. ): 在训练集像素值的RGB颜色空间进行PCA, 得到RGB空间的3个主方向向量,3个特征值 . 2、图像增强的案例 网上有一个极为广泛的套路,参考博客《深度学习中的Data Augmentation
1.8K100发布于 2018-01-02 - 来自专栏Python和安全那些事
六.图像缩放、图像旋转、图像翻转与图像平移
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、 前一篇文章介绍Python调用OpenCV实现图像融合、图像加减法、图像逻辑运算和类型转换。这篇文章将详细讲解图像缩放、图像旋转、图像翻转、图像平移。 希望文章对您有所帮助，如果有不足之处，还请海涵~ 一.图像缩放 二.图像旋转 三.图像翻转 四.图像平移 该系列在github所有源代码： https://github.com/eastmountyxz 同样，可以获取原始图像像素再乘以缩放系数进行图像变换，代码如下所示。 ，具体内容包括： 一.图像缩放 二.图像旋转 三.图像翻转 四.图像平移 源代码下载地址，记得帮忙点star和关注喔！
7.2K10编辑于 2021-12-02 - 来自专栏居士说AI
【图像篇】OpenCV图像处理(七)---图像平移VS图像旋转
前言 在上期的文章(【图像篇】OpenCV图像处理(六)---图像混合VS按位运算)中,我们学习了图像混合的实际操作，其实就是图像按照不同权重的叠加，今天我们继续来学习别的图像处理知识点-图像平移VS 图像旋转。 图像平移 一、图像平移简介 简单的说图像平移就是对图像像素进行操作，从而实现图像左右上下平移的功能，其实图像平移也是属于仿射变换的一种，我们接着往下看。 ，第二个是图像平移的信息（左移，上移等等），第三个就是图像原始的宽度和高度。 1.1 效果展示 图像旋转 二、图像旋转 图像旋转顾名思义就是将图像按照一个对称点进行某个度数的旋转，可以使顺时针，也可以是逆时针，下面来看看实战吧。
2K20编辑于 2022-06-01 - 来自专栏AI
DeepSeek Janus-Pro-7B：AI图像生成新突破，体验网址直达！
而在图像生成任务中，Janus-Pro使用一个来自特定来源的分词器，降采样率为16。 这种“分而治之”的设计不仅提高了生成的稳定性，还通过混合7200万合成图像和真实数据进行训练，进一步优化了模型性能。 性能表现 基准测试中的优异表现 GenEval（文本到图像指令遵循）：Janus-Pro-7B在GenEval测试中达到了80%的准确率，显著高于DALL-E 3（67%）和Stable Diffusion 文化传播：该模型能够识别全球地标（如杭州的西湖），并生成带有文化符号的图像。 开源意义 开源许可 Janus-Pro-7B基于MIT许可证发布，允许其在商业用途中自由使用。 官方还提供了Gradio界面，用户可以一键输入文本批量生成图像。 未来展望 Janus-Pro-7B的发布标志着DeepSeek在多模态AI领域的重大突破。
8.3K151编辑于 2025-01-28 - 来自专栏ISP图像处理相关
图像处理-图像增强
图像增强前期知识 图像增强是图像模式识别中非常重要的图像预处理过程。 图像增强的目的是通过对图像中的信息进行处理，使得有利于模式识别的信息得到增强，不利于模式识别的信息被抑制，扩大图像中不同物体特征之间的差别，为图像的信息提取及其识别奠定良好的基础。 一幅输入图像经过灰度变换后将产生一幅新的输出图像，由输入像素点的灰度值决定相应的输出像素点的灰度值。灰度变换不会改变图像内的空间关系。图像的几何变换是图像处理中的另一种基本变换。 它通常包括图像的平移、图像的镜像变换、图像的缩放和图像的旋转。通过图像的几何变换可以实现图像的最基本的坐标变换及缩放功能。 相应地，对图像的低频部分进行增强可以对图像进行平滑处理，一般用于图像的噪声消除。 3、频域增强 图像的空域增强一般只是对数字图像进行局部增强，而图像的频域增强可以对图像进行全局增强。
7.5K21编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-图像滤波
| |||| 滤波模板 图像滤波 模板： 线性平均滤波： 1|0 1 0 | -|1 1 1 | 5|0 1 0 | 图像锐化 模板： 锐化滤波：图像锐化一般是通过微分运算来实现的 |-1 0 1 补零是指通过在图像边界外围补零来扩展图像； 重复是指在图像边界外围通过复制外边界的值来扩展图像； 对称是指在图像边界外围通过镜像反射外边界的值来扩展图像； 循环是在图像边界外围指将图像看成二维周期函数的一个周期来扩展 其中： f:待滤波图像 w:滤波模板 option1, option2:可选项 可选项分为： （1） 边界项：遍历处理边界元素时，需要提前在图像边界周围补充元素 参数：`X`--表示具体的数字，默认用 参数: same--输出图像输入图像尺寸相同 full--输出图像与扩充边界的图像尺寸相同，即比原图大一圈 （3） 模式项：滤波过程选择 参数：corr--相关滤波过程 conv--卷积相关过程 （4 ，首先把图像通过傅里叶变换将图像从空间域转换到频率域，频域处理，反傅里叶变换转到空间域 |||| |-|-|-| |||| C++代码 均值滤波 void meanFilter (unsigned char
7K21编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-图像噪声
图像噪声 噪声 加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在。 高斯白噪声包括热噪声和散粒噪声。 椒盐噪声 定义：椒盐噪声又称为双极脉冲噪声，这种噪声表现的特点是噪声像素的灰度值与邻域像素有着明显差异，而其余像素的灰度值保持不变，因此在图像中造成过亮或过暗的像素点。 椒盐噪声严重影响图像的视觉质量，给图像的边缘检测、纹理或者特征点提取等造成困难。 因为基于中值的滤波方法仅考虑图像局部区域像素点的顺序阶信息，没有充分利用像素点之间的相关性或相似性。噪声像素点的估计值可能与真实值有较大偏差，很难保持图像的细节信息。
3.3K10编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-图像融合
图像融合 图像融合（Image fusion）的整体重心是对于目标源信息的信息细节的提取和整合。 收集到的信号不一定直接就能用，在进行图像融合之前，对采集到的信号进行去噪、增强、配准等预处理，可以大大提高图像的对比度以及分辨率，有助于图像融合效果的进一步提高。 4、图像融合过程。 图像融合处理过程的流程框图如下： 不同的层次所进行数据处理的要求和融合算法是不一样的，需要具体问题具体分析，通常我们将图像数据分为三层，融合过程流程图如下： 图像融合层简介： 1、基于像素级的图像融合属于最基本的图像融合技术 这一层主要是直接处理图像的单像素，因为像素级是由源场景的图像最大化描述的。像素级图像融合需要对图像进行预处理，包括图像配准、滤波和增强。 像素级图像融合的主要优点是从这一层获得的图像比其他两种图像更快、更快，显示出源和场景信息，大大提高了源图像中包含的有用和详细信息。
3.1K20编辑于 2022-01-14 - 来自专栏千行百业数据集中心
图像去雾 图像去雨 图像处理 图像去噪
看到许多小伙伴想进行图像去雨，图像去雾的任务，由于以前进行了此类项目，所以在此书写博客进行交流。去雨前言从静止图像中去除雨水是一项复杂且具有挑战性的任务。 最后，使用直方图调整技术增强了雨水去除的图像的强度，以获得更好的对比度图像。 *Ffft;%对R分量与高斯滤波函数进行卷积运算DR=ifft2(DR0);DRdouble=double(DR);%在对数域中，用原图像减去低通滤波后的图像，得到高频增强图像DRlog=log(DRdouble *Ffft;%对高斯滤波函数进行二维傅里叶变换DG=ifft2(DG0);DGdouble=double(DG);%在对数域中，用原图像减去低通滤波后的图像，得到高频增强图像DGlog=log(DGdouble defDarkChannel(img,size=15):"""暗通道的计算主要分成两个步骤:1.获取BGR三个通道的最小值2.以一个窗口做MinFilterps.这里窗口大小一般为15（radius为7）
10100编辑于 2026-06-07 - 来自专栏hadoop学习笔记
Python图像处理：图像腐蚀与图像膨胀
图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。 1.图像膨胀 膨胀的运算符是“⊕”，其定义如下： 图1.jpg 该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点 图像腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。 图7.jpg 2.函数原型 图像腐蚀主要使用的函数为erode，其原型如下： dst = cv2.erode(src, kernel, iterations) 参数dst表示处理的结果，src表示原图像 (1) 图像被腐蚀后，去除了噪声，但是会压缩图像。 (2) 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。
4K20发布于 2018-11-23 - 来自专栏NLP小白的学习历程
浅谈彩色图像、灰度图像、二值图像和索引图像区别
灰度图像：每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度。 二值图像（黑白图像）：每个像素点只有两种可能，0和1.0代表黑色，1代表白色。数据类型通常为1个二进制位。 灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑色与白色两种颜色；但是，灰度图像在黑色与白色之间还有许多级的颜色深度。 RGB图像与索引图像一样都可以用来表示彩色图像。与索引图像一样，它分别用红（R）、绿（G）、蓝（B）三原色的组合来表示每个像素的颜色。 灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑色与白色两种颜色；但是，灰度图像在黑色与白色之间还有许多级的颜色深度。 索引图像一般用于存放色彩要求比较简单的图像，如Windows中色彩构成比较简单的壁纸多采用索引图像存放，如果图像的色彩比较复杂，就要用到RGB真彩色图像。
7.4K10发布于 2020-11-12
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