- 综合排序
- 最热优先
- 最新优先
- 来自专栏云时之间
数字图像处理:直方图均衡化
首先在直方图的修整,有两种方法,一种是直方图均衡化,另外一种是直方图规定化,用起来的话第一种方法用的比较多,这里着重说一下第一种:直方图均衡化. 1.直方图均衡化 直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。 直方图均衡化方法的基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。 一些理论的东西我们不谈,直接用一个例子来说一下,会更容易理解: 假设有一幅图像，共有64×64个像素，8个灰度级，各灰度级概率分布见下表 ，试将其直方图均匀化。 ? 这里的pix是指的灰度级,也就是(最大灰度级-最小灰度级)*累加概率+0.5后取整数 5: 灰度映射 ? 找到了原图像和均衡化图像灰度的对应关系，对原图进行操作，将每个像素映射成新的像素 此时图像均衡化已经完成，当然你也可以再次统计灰度概率，观察一下结果。 ?
2.7K50发布于 2019-02-13 《数字图像处理》第 5 章-图像复原与重建
, (5, 5)) # 5x5均值滤波 # ========== 2. (noisy_img, 5) # 5x5中值滤波 # ========== 3. cmap='gray'), plt.title('5x5中值滤波'), plt.axis('off') plt.subplot(236), plt.imshow(adaptive_median, cmap 参考文献 《数字图像处理（第三版）》——Rafael C. Gonzalez 《数字图像处理与机器视觉》—— 张铮 IEEE Transactions on Image Processing 相关论文 延伸读物 深入学习正则化复原算法（如总变分 TV 复原）；
23810编辑于 2026-01-21《数字图像处理》实验5-图像压缩及编码
完整代码 % 读取彩色图像 color_img = imread('天火三玄变.jpg'); % 转换为灰度图 gray_img = rgb2gray(color_img); % 可视化原图与灰度图 （二）DCT 变换与图像重构 实验任务 彩色图→灰度图→DCT 变换→逆 DCT 重构→归一化→对比变换前后图像及矩阵变化。 转换为double便于运算 % 二维DCT变换 dct_img = dct2(gray_double); % 逆DCT变换重构图像 recon_img = idct2(dct_img); % 归一化重构结果 255范围） min_val = min(recon_img(:)); max_val = max(recon_img(:)); K = 255 / (max_val - min_val); % 归一化系数 recon_norm = uint8(K * (recon_img - min_val)); % 可视化结果 figure('Name', 'DCT变换与重构', 'NumberTitle', 'off
14710编辑于 2026-01-21《数字图像处理》第 5 章- 图像复原与重建
一、章节概述 图像复原与重建是数字图像处理的核心内容之一，旨在将退化的图像恢复到原始状态。与图像增强不同，图像复原是基于数学模型的客观恢复过程，而增强是主观的视觉改善过程。 本文将从退化模型、噪声分析、各类复原算法到图像重建，全方位讲解图像复原技术，并通过 Python 代码实现所有关键算法的可视化对比。 x = x[mask] y = y[mask] kernel[x, y] = 1 kernel = kernel / np.sum(kernel) # 归一化 # 逆傅里叶变换 img_restored = ifft2(F_hat) img_restored = np.abs(img_restored) # 归一化 # 逆傅里叶变换 img_restored = ifft2(F_hat) img_restored = np.abs(img_restored) # 归一化
19310编辑于 2026-01-21- 来自专栏【计网】Cisco
【数字图像】数字图像傅立叶变换的奇妙之旅
直方图均衡化： 调整图像的对比度，以使图像中的不同亮度级别更均匀分布。 缩放与旋转： 调整图像的大小和方向，以适应特定的需求或算法。 使用fftshift函数对傅立叶变换结果进行中心化，将零频率分量移动到频谱的中心。 使用log函数取对数，并使用imshow函数显示取对数后的傅立叶频谱。 频谱图上亮点在中心是经过中心化后的得到的频谱。 可视化和解释：将识别到的延伸方向在频谱图上进行可视化，例如通过绘制箭头或标记。同时，根据所识别的延伸方向，结合原始图像的地理信息、特征知识等，解释其对应的地物或类别。 使用Matlab的fft2函数对图像进行傅立叶变换，通过fftshift函数中心化频谱，提高频谱观察和分析的便捷性。
1.3K10编辑于 2024-02-20 《数字图像处理》第2章-数字图像基础
掌握数字图像处理中的基本数学工具 能够使用Python实现图像基础处理操作 2.1 视觉感知要素 2.1.1 人眼的结构 人眼是自然界最精密的图像传感器之一。 2], # 水平右侧 [2, 5], # 垂直上方 [5, 5], # 对角线 axes[0, 2].imshow(mean_filtered, cmap='gray') axes[0, 2].set_title('邻域运算: 5×5均值滤波', ，从人类视觉系统到数字图像的数学表示，涵盖了： 视觉感知原理：理解了人眼如何感知和处理图像信息 图像获取技术：掌握了从物理世界到数字图像的转换过程 取样量化理论：学习了空间和灰度分辨率的权衡 建议在实际操作中逐步运行代码，观察每个步骤的效果，以加深对数字图像处理基础概念的理解。 如果你有任何问题或建议，欢迎在评论区留言讨论！
14410编辑于 2026-01-21- 来自专栏【计网】Cisco
【数字图像】数字图像滤波处理的奇妙之旅
直方图均衡化： 调整图像的对比度，以使图像中的不同亮度级别更均匀分布。 缩放与旋转： 调整图像的大小和方向，以适应特定的需求或算法。 这样做会导致图像的高频细节被平滑化，从而降低图像的清晰度。 进一步增大滤波器尺寸至n=9时，观察结果发现图像更加模糊了。 4.4 利用逆滤波和维纳滤波对图像进行处理 实验结果如图5所示： 图5 分析： 上图展示了原始图像、加入高斯噪声后的图像，以及通过逆滤波和维纳滤波处理后的图像。 5模版平滑滤波'); subplot(2,3,5),imshow(uint8(k3)); title('7*7模版平滑滤波'); subplot(2,3,6),imshow(uint8(k4)); title k1到k4分别存储了3x3、5x5、7x7和9x9模板均值滤波后的图像。 最后的几行代码用于在不同子区域中显示各个滤波器处理后的图像，并设置相应的子区域标题。
88610编辑于 2024-02-20 - 来自专栏和蔼的张星的图像处理专栏
数字图像处理：
冈萨里斯数字图像处理的那本书的一小点点东西，数字图像处理其实是学过了的，这里我只是把这本书完整看一遍，也是略略的看，查漏补缺，前两张略过了，从第三章开始。 3.灰度变换和空间滤波。 3.3.直方图 直方图统计就不说了，主要说两个，直方图均衡化和直方图规定化。公式也不写了，只说过程： ? 直方图规定化 实际上就是一个映射的过程，直方图均衡化要比直方图规定化还要再简单一些，只需把原始图的累积直方图乘以7然后四舍五入就是它们的映射结果。 这个设定中是一个比较暗的值，所以E设置为比较小的值，比如4,5等，保证乘了之后还是一个比较暗的值，保证整个图不会有很大的变化。 3.4：空域滤波 空域滤波就是模板卷积，这个操作应该很熟悉。 5.图像复原和重建 这里和空域滤波的那一部分有一点关系，这张图很重要。 ? 5.1.噪声模型 这一块主要是介绍一些噪声，主要有高斯，瑞丽，伽马，指数，均匀，椒盐，周期等，可以看这个图： ?
2.1K40发布于 2018-09-04 - 来自专栏【计网】Cisco
【数字图像】数字图像锐化处理的奇妙之旅
直方图均衡化： 调整图像的对比度，以使图像中的不同亮度级别更均匀分布。 缩放与旋转： 调整图像的大小和方向，以适应特定的需求或算法。 5模版平滑滤波'); subplot(2,3,5),imshow(uint8(k3)); title('7*7模版平滑滤波'); subplot(2,3,6),imshow(uint8(k4)); title 使用不同大小的均值滤波器（3x3、5x5、7x7、9x9）对图像J进行滤波，得到k1、k2、k3和k4。 使用subplot函数在第三到第六个子图中显示滤波后的图像k1、k2、k3和k4。 图像预处理：在进行锐化处理之前，可以进行一些预处理操作，例如灰度化、降噪或对比度增强等。这些预处理步骤可以根据具体的应用需求进行选择。 锐化滤波器设计：选择合适的锐化滤波器或卷积核。 例如，可以应用灰度范围调整、对比度增强或者直方图均衡化等技术来改善图像的质量。 显示或保存结果：将处理后的图像显示在屏幕上或保存到文件中，以供进一步分析、应用或分享。
1K10编辑于 2024-02-20 - 来自专栏Java 源码分析
数字图像处理
图像分类 模拟图像：连续变化的函数 数字图像：离散的矩阵表示 二值图像：只有0、1 （黑、白） 灰度图像：像素取值是 0-255 ，有中间过度。 数字图像处理：对数字图像信息进行加工(处理)和分析,以满足人的视觉、心理需要；或者实际应用或某种目的（如机器识别）的要求。
1.3K80发布于 2018-06-14 《数字图像处理》第 2 章 - 数字图像基础
今天给大家梳理《数字图像处理》第 2 章的核心内容 —— 数字图像基础。这一章是整个数字图像处理的入门基石，涵盖了从视觉感知到图像数字化、像素关系、数学工具等核心知识点。 、10%） diffs = [1, 2, 5, 10] # 对应100的1%、2%、5%、10% colors = ['r', 'g', 'b', 'y'] labels = 2.4.2 数字图像的表示方法 采样和量化后的数字图像是二维矩阵： 2.4.3 空间分辨率与灰度分辨率 空间分辨率：单位长度内的像素数（如dpi、像素/厘米），分辨率越低，图像越模糊； 灰度分辨率：灰度级的数量 )，计算不同距离的像素 center = (5,5) x, y = np.meshgrid(np.arange(0,11), np.arange(0,11)) # 初始化距离矩阵 d_euclidean “从光到数字”的转化：人眼感知光→传感器采集光信号→采样/量化转化为数字图像； 像素是数字图像的基本单元，其邻域、连通性、距离度量是图像处理的基础，而数组/矩阵运算、算术/逻辑运算等是核心工具； 分辨率
17110编辑于 2026-01-21- 来自专栏【计网】Cisco
【数字图像】数字图像平滑处理的奇妙之旅
初识数字图像处理 数字图像处理是一门涉及获取、处理、分析和解释数字图像的科学与工程领域。这一领域的发展源于数字计算机技术的进步，使得对图像进行复杂的数学和计算处理变得可能。 直方图均衡化： 调整图像的对比度，以使图像中的不同亮度级别更均匀分布。 缩放与旋转： 调整图像的大小和方向，以适应特定的需求或算法。 这些噪声会破坏图像的细节和质量，影响图像的可视化和分析。通过应用平滑滤波器，可以模糊噪声的影响，从而降低图像中的噪声水平，提高图像的清晰度和可读性。 传感器和图像采集设备的限制：在一些情况下，由于传感器的固有噪声、分辨率限制或采集设备的限制，图像可能会出现模糊、颗粒化或其他质量问题。 灰度化（可选）：如果图像是彩色图像，可以选择将其转换为灰度图像。这可以通过提取彩色图像的各个通道（如红色、绿色、蓝色）并对它们进行加权求和来实现。
99611编辑于 2024-02-20 - 来自专栏【计网】Cisco
【数字图像】数字图像直方图规定化处理的奇妙之旅
对离散图像，有 综上所述，数字图像的直方图规定化就是将直方图均衡化后的结果映射到期望的理想直方图上，使图像按人的意愿去变换。 5.2.2 什么是数字图像的灰度分布直方图？如何进行数字图像的直方图均衡化和规定化处理？试写出相应的程序设计步骤。 2.如何进行数字图像的直方图均衡化和规定化处理？试写出相应的程序设计步骤。 生成规定化后的图像：根据映射后的灰度级，生成规定化后的图像数据。 六、研究感悟 数字图像的直方图规定化算法原理： 通过实验，深入了解直方图规定化的原理和实现步骤。 着重理解直方图规定化在数字图像处理中的重要作用，即通过灰度级映射使待处理图像与参考图像的灰度级对比一致。 直方图均衡化实验： 通过对原始图像进行直方图均衡化，观察到对比度和明暗分布的改善。
1.5K11编辑于 2024-02-20 - 来自专栏一些有趣的Python案例
数字图像处理学习笔记（一）——数字图像处理概述
---- 二、什么是数字图像 Ⅰ、数字图像的定义：像素组成的二维排列，可以用矩阵表示。 客观的讲，当时的应用并不涉及“数字图像处理”，而是“数字图像传输”。 最早“数字图像处理”系统的特性——系统名称：“巴特兰”（Bartlane），早期的“巴特兰”系统使用5个不同的灰度级来编码图像， 到了1929年这一能力已经扩展到15级。 ? ☆基于内容的图像检索、视频检索、多媒体检索 ☆水印、游戏、电影特技、虚拟现实、电子商务等 数字图像处理的应用无处不在 ---- 五、数字图像处理的基本步骤 ? 主要由三大部分组成： ①图像数字化设备：包括数码相机、数码摄像机、带照相和/或摄像功能的手机等。 ②图像处理设备：包括计算机和存储系统。
2.4K10发布于 2021-02-02 - 来自专栏机器学习实践二三事
数字图像学习1
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Gavin__Zhou/article/details/47156651
51660发布于 2019-05-26 - 来自专栏机器学习实践二三事
数字图像学习2
https://blog.csdn.net/Gavin__Zhou/article/details/47174971 ---- 灰度化： f = imread('C:\Users\Administrator \Desktop\1.jpg'); gray = rgb2gray(f); %灰度化 ? 二值化： bw = im2bw(f); %默认的二值 bw1 = im2bw(f,graythresh(f)); %使用全局阈值处理的logical图像 ?
45520发布于 2019-05-26 - 来自专栏机器学习实践二三事
数字图像学习0
学习了一段数字图像处理，想就自己的学习写个笔记吧。 主要的参考书就是<<数字图像处理的MATLAB实现>>和网上的一些博客，可能会穿插着MATLAB的代码和Python的代码，准备写一个系列，这次就当做是个开山篇吧。 什么叫数字图像呢？ “一幅图像可以定义为一个二维函数f(x,y)，这里的x和y是空间坐标，而在任意坐标(x,y)处的幅度f被称为这一坐标位置图像的亮度或者灰度，当x,y和f的幅值都是有限的离散值是，称图形为数字图像。” ——引自<<数字图像处理的MATLAB实现>>。
62630发布于 2019-05-26 - 来自专栏算法与编程之美
识别手绘数字图像
初学机器学习，第一步是做一个简单的手写数字识别，我选用的是MNIST数据集。首先明确一下我的思路：解析图片和标签——处理图片和标签——加载KNN分类器训练——读入处理后的测试图片和标签——得出正确率。
41910编辑于 2023-08-22 - 来自专栏用户8739990的专栏
数字图像处理发展过程 数字图像处理的目的
这就要用到数字图像处理技术了。下面就来为大家介绍一下这种技术。 image.png 一、数字图像处理的发展简史 数字图像处理技术萌芽在20世纪中期，也就是在那个计算机技术高速发展的时期。 二、数字图像处理的目的 如今的图像处理技术在大家的生活中十分的常见。这项技术不仅仅体现在很多的美图软件上，还存在与ct检查、航空航天、地质勘探等许多的现代科学领域。 在这些领域中，都体现出了数字图像处理的目的。 通过以上的讲解，相信大家已经知道了数字图像处理的发展史及其工作目的。合理地应用这些新兴的技术，会给大家的生活带来更多便利，会催发更多领域的发展。
1.5K10发布于 2021-07-23 - 来自专栏机器学习实践二三事
数字图像学习3
https://blog.csdn.net/Gavin__Zhou/article/details/47175675 这次就介绍下如何对一幅数字图像进行数学上的相关处理，实质就是对矩阵进行数学运算
46410发布于 2019-05-26
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