建一个商城网站多少钱,网站建设行业发展,东纺服装人才网,开源it运维管理系统前言
仅记录学习过程#xff0c;有问题欢迎讨论
看看年前可以学到哪。
频率#xff1a;
灰度值变化程度的指标#xff0c;是灰度再平面上的梯度幅值:
幅值#xff1a;
是在一个周期内#xff0c;交流电瞬时出现的最大绝对值#xff0c;也是一个正弦波#xff0c;波…前言
仅记录学习过程有问题欢迎讨论
看看年前可以学到哪。
频率
灰度值变化程度的指标是灰度再平面上的梯度幅值:
幅值
是在一个周期内交流电瞬时出现的最大绝对值也是一个正弦波波峰到波谷的距离的一半。
图像的取样和量化
取样就是要用多少点来描述一幅图像取样结果质量的高低就是用图像的分辨率来衡量的量化是指要使用多大范围的数值来表示图像采样之后的一个点。数字化坐标值称为取样数字化幅度值称为量化
上采样与下采样
缩小图像或称为下采样或降采样的主要目的 1、使得图像符合显示区域的大小2、生成对应图像的缩略图。 放大图像或称为上采样或图像插值的主要目的是放大原图像从而可以显示在更高分辨率的显示设备上。
插值方法 最邻近插值和哪个像素点近就插入其附近等比例插入像素点的位置 双线性插值(常用)在两个方向上做线性插值通过4个像素点等比例算出新的像素点位置几何中心重合 双线性差值法的计算比最邻近插值法复杂计算量较大但没有灰度不连续的缺点图像看起来更光滑。
直方图 反映了图像中的灰度分布规律0-255。它描述每个灰度级具有的像素个数但不包含这些像素在图像中的位置信息。 图像直方图不关心像素所处的空间位置因此不受图像旋转和平移变化的影响可以作为图像的特征。直方图均衡化就是用一定的算法使直方图大致平和的方法过亮过暗套用公式计算新的映射像素点位置
卷积
就是特征提取在CNN是通过大量数据训练得来的有平滑效果对位相乘再相加然后移动 可以通过padding来计算边缘值防止信息丢失 可以有多个卷积核提取不同的特征 卷积核的数量就是输出的通道数卷积核的通道数就是输入的通道数 (对于输入的每一个通道都需要有对应的卷积核通道来进行计算,可以参考下图)
卷积-3种填充模式
full卷积核相交图像开始计算卷积结果尺寸小于原图像valid卷积核边缘与图像边缘对齐卷积结果尺寸小于原图像same卷积结果尺寸等于原图像常用步长s1
插值和直方图的实现 1.实现最邻近插值
2实现双线性插值
3证明几何中心对称系数
4.实现图像均衡化
import cv2
import matplotlib.pyplot as plt
import numpy as np# 1.实现最邻近插值
def nearest_interpolation(img, dst_h, dst_w):src_h, src_w, _ img.shapet_x dst_w / src_wt_y dst_h / src_hdst_img np.zeros((dst_h, dst_w, 3), dtypenp.uint8)for i in range(dst_h):for j in range(dst_w):x int(j / t_x)y int(i / t_y)dst_img[i, j] img[y, x]return dst_img# 2.实现双线性插值
def bilinear_interpolation(img, dst_h, dst_w):src_h, src_w, _ img.shapet_x dst_w / src_wt_y dst_h / src_hdst_img np.zeros((dst_h, dst_w, 3), dtypenp.uint8)for i in range(dst_h):for j in range(dst_w):x j / t_xy i / t_yx1 int(x)y1 int(y)x2 min(x1 1, src_w - 1) # 防止超过原图的宽 所以有这个min的行为y2 min(y1 1, src_h - 1)# 公式dst_img[i, j] (1 - (x - x1)) * (1 - (y - y1)) * img[y1, x1] (1 - (x - x1)) * (y - y1) * img[y2, x1] (x - x1) * (1 - (y - y1)) * img[y1, x2] (x - x1) * (y - y1) * img[y2, x2]return dst_img# 3证明几何中心对称系数为1/2设中点坐标为a (x1x2)/2, b (y1y2)/2
对x有 2a (x1x2) ,则 x2 2a - x1
对y有 2b (y1y2) ,则 y2 2b - y1
所以对称点坐标为 (2a - x1, 2b - y1)
因为中点有 x2-x1 2(a-x1) ,得出x2和x1的差值是x1到a距离的两倍并且方向是相反的
又因为是关于O中心对称在x坐标系中坐标系的变化系数就是1/2,
同理在y坐标系中坐标系的变化系数也是1/2。# 4.实现图像均衡化
def equalization(img):# 灰度化# grey_img cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 多个通道每个通道都需要均衡化 然后合并b, g, r cv2.split(img)eqb_img cv2.equalizeHist(b)eqg_img cv2.equalizeHist(g)eqr_img cv2.equalizeHist(r)eqz_img cv2.merge((eqb_img, eqg_img, eqr_img))return eqz_imgif __name__ __main__:img cv2.imread(test.png)1.实现最邻近插值near_img nearest_interpolation(img,300, 300)cv2.imshow(near_img,near_img)cv2.waitKey(0)2.实现双线性插值near_img bilinear_interpolation(img, 300, 300)cv2.imshow(bili_img, near_img)cv2.waitKey(0)# 4.实现图像均衡化dst_img equalization(img)cv2.imshow(dst_img, dst_img)cv2.waitKey(0)
