图像处理

anti-aliased 来源： https://www.cnblogs.com/ecoflex/p/10823375.html

数字图像处理分为三个层次：低级图像处理、中级图像处理和高级图像处理（狭义图像处理、图像分析和图像理解）。 狭义图像处理：对输入图像进行某种变换得到输出图像，是一种图像到图像的过程。 （1）低级图像处理内容(狭义图像处理) 内容：主要对图象进行各种加工以改善图象的视觉效果、或突出有用信息，并为自动识别打基础，或通过编码以减少对其所需存储空间、传输时间或传输带宽的要求。 特点：输入是图像，输出也是图像，即图像之间进行的变换。 （2）中级图像处理(图像分析) 内容：主要对图像中感兴趣的目标进行检测（或分割）和测量，以获得它们的客观信息，从而建立对图像中目标的描述，是一个从图像到数值或符号的过程。。 特点：输入是图像，输出是数据。 （3）高级图像处理(图像理解) 内容：在中级图像处理的基础上，进一步研究图像中各目标的性质和它们之间相互的联系，并得出对图像内容含义的理解（对象识别）及对原来客观场景的解释（计算机视觉），从而指导和规划行动。 特点：以客观世界为中心，借助知识、经验等来把握整个客观世界。“输入是数据，输出是理解 区别和联系：狭义图像处理是低层操作，它主要在图像像素级上进行处理，处理的数据量非常大；图像分析则进入了中层，经分割和特征提取，把原来以像素构成的图像转变成比较简洁的、非图像形式的描述；图像理解是高层操作，它是对描述中抽象出来的符号进行推理

3 月，跳不动了？>>> 原创不易，转载请附地址： https://my.oschina.net/ffintell/blog/3207641 1 什么是数字图像 一幅图像可定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，而任何一对空间坐标(x,y)处的幅值f称为图像在该点处的强度或灰度。当x,y和灰度值f是有限的离散数值时，我们称该图像为数字图像。数字图像处理是指借助于数字计算机来处理数字图像。 注意：数字图像是由有限数量的元素组成的，每个元素都有一个特定的位置和幅值，这些元素称为像素。 数字图像处理方法的重要性源于两个主要应用领域： 改善图示信息以便人们解释；为存储、传输和表示而对图像数据进行处理，以便于机器自动理解 。 数字图像有三种典型处理：低级、中级、高级 低级：输入图像输出图像。例：图像降噪预处理、对比度增强、图像锐化等。 中级：输入图像输出特征。例：图像分割减少描述、输出边缘轮廓、物体的HOG特征，LAB特征等。 高级：输入图像，涉及“理解”已识别目标的总体，在连续统一体的远端执行与视觉相关的功能。例：行人识别等。 从图像处理到计算机视觉是一个连续统一体。 2 数字图像处理方向领域 图像增强： 图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量

1 使用简单图片 2 绘图 3 图形特效处理 4 逐帧（Frame）动画 5 补间（Tween）动画 6 属性动画 7 使用SurfaceView实现动画 1、Bitmap和BitmapFactory Bitmap代表一张位图，BitmapDrawable里封装的图片就是一个Bitmap对象。开发者为了把一个Bitmap对象包装成 BitmapDrawable对象。可以调用BitmapDrawable的构造器： // 把一个Bitmap对象包装成BitmapDrawable对象 BitmapDrawable drawable = new BitmapDrawable(bitmap); 如果需要获取BitmapDrawable所包装的Bitmap对象，则可调用BitmapDrawable的getBitmap()，如下代码所示： // 获取一个BitmapDrawable所包装的Bitmap对象。 Bitmap bitmap = drawable.getBitmap(); 除此之外，Bitmap还提供了一些静态方法来创建新的Bitmap对象，例如如下常用方法。 ● createBitmap(Bitmap source, int x, int y, int width, int height): 从源位图source的指定坐标点(给定x、y)开始，从中"挖取"宽width

　　确定了以后努力的方向——二维图像处理。 　　本人虽工作了两三年，其实也就是刚刚脱离门外汉的水平，所以此博客并无高深的长篇大论。 　　设立此博客目的有二，其一为督促自己总结积累，其二为和志同道合人士探讨。 　　本人程序猿一枚，使用C++开发，以后的内容应该是windows、C++和Qt。如果以后真的牛逼了，可以看看Linux。博文应该是以二维图像处理为主，可能会翻译，可能会转载，我想更多的应该是读书笔记。 　　希望我能坚持更新，到第十个博文的时候，我会回来更新此次随笔。 来源： https://www.cnblogs.com/kingwonder/archive/2012/11/27/2791702.html

车道线检测对比 -------传统图像处理和深度学习方法比较 本次对比采用三段视频来比较两种方法的优劣，第一段视频比较简单，干扰项较少。第二段视频中高速上出现一条干扰直线，其为高速路面修复产生。第三段视频挑战比较大，弯道，光线变化较大，导致车道线检测难度比较大。 从三段视频来看，二者处理的实时性能够满足要求。第一段、第二段视频二者表现均不错。第三段视频都面临问题。传统图像处理，深度学习方法都会出现检测不到车道线的情况。深度学习出现的问题可以通过加丰富训练集来解决，传统图像处理则需要调整参数，阈值，或者处理方法。所以我更看好深度学习的方法。 第一段视频 传统图像处理效果： out_tradi_project.avi 深度学习处理效果： out_deep_project.avi 第二段视频： 传统图像处理效果： out_tradi_challenge.avi 深度学习处理效果： out_deep_challenge.avi 第三段视频： 传统图像处理效果： out_tradi_harder_challenge.avi 深度学习处理效果： out_deep_harder_challenge.avi 总结：传统图像处理效果不错，但是更看好深度学习方法。 来源： CSDN 作者： Johnnan002 链接： https://blog.csdn.net/weixin_40279184

对人类来说，描述我们眼睛所看到的事物，即“视觉世界”，看起来太微不足道了，以至于我们根本没有意识到那正是我们时时刻刻在做的事情。在看到某件事物时，不管是汽车、大树，还是一个人，我们通常都不需要过多的思考就能立刻叫出名字。然而对于一台计算机来说，区分识别“人类对象”（比如：在小狗、椅子或是闹钟这些“非人类对象”中识别出奶奶这一“人类对象”）却是相当困难的。 能解决这一问题可以带来非常高的收益。“图像识别”技术，更宽泛地说是“计算机视觉”技术，是许多新兴技术的基础。从无人驾驶汽车和面部识别软件到那些看似简单但十分重要的发展成果——能够监测流水线缺陷和违规的“智能工厂”，以及保险公司用来处理和分类索赔照片的自动化软件。这些新兴科技是离不开“图像识别”的。 在接下来的内容里，我们将要探究“图像识别”所面临的问题和挑战，并分析科学家是如何用一种特殊的神经网络来解决这一挑战的。 学会“看”是一项高难度、高成本的任务 着手解决这个难题，我们可以首先将元数据应用于非结构化数据。在之前的文章里，我们曾描述过在元数据稀缺或元数据不存在的情况下，进行文本内容分类和搜索遇到的一些问题和挑战。让专人来对电影和音乐进行人工分类和标记，确实是一项艰巨的任务。但有些任务不仅艰巨，甚至是几乎不可能完成的。比如训练无人驾驶汽车里的导航系统，让其能够将其他车辆与正在过马路的行人区分开来

图像中 高频：图像中灰度变化剧烈的点，一般是图像轮廓或者是噪声。 低频：图像中平坦的，灰度变化不大的点，图像中的大部分区域。 根据图像的高频与低频的特征，有相应的高通与低通滤波器，高通滤波可以检测图像中尖锐、变化明显的地方；低通滤波可以让图像变得光滑，滤除图像中的噪声。OpenCV中提供的低通滤波有：线性的均值滤波器、高斯滤波器，非线性的双边滤波器、中值滤波器；高通滤波有基于Canny，Sobel等各种边缘滤波。 滤波器常常使用一介或者二阶差分（或微分，对于数字图像而言，其为离散信号，常用差分代替导数）核算子对图像进行滤波。 一介差分常用于求取图像边缘。常用有Soble算子、Roberts算子、Prewitt算子 二阶差分常用于图像增强。常用拉普拉斯算子 高斯滤波（Gaussian filter）: 参考博客： https://blog.csdn.net/nima1994/article/details/79776802 双边滤波（bilateral filter）: 参考博客： http://www.360doc.com/content/17/0306/14/28838452_634420847.shtml 高斯滤波只考虑了周边点与中心点的空间距离来计算得到权重。存在一个问题是如果在边缘处也用这种思路来进行滤波的话，即认为相邻相近，则得到的结果必然会模糊掉边缘，这是不合理的

图像处理基础 前言 实验环境 实验准备 图像灰度化 基本原理 代码实现 实验结果 绘制图像轮廓和图像直方图 基本原理 代码实现 实验结果 高斯滤波（高斯模糊处理） 基本原理 代码实现 实验结果 直方图均衡化 基本原理 代码实现 实验结果 前言 实验环境 该课程实验是基于python语言的有关图像处理，通过anaconda来安装管理使用python包，在pycharm平台上进行编译实现。 实验准备 实验所需的安装包都需要进行手动添加，其主要库的添加命令代码如下： PCV库 >>setup.py所在文件地址>> python setup.py install == 以下由于报错"No module named ‘pylab’" 进行的python库安装== NumPy库.为Python提供了很多高级的数学方法。 conda install numpy SciPy库.这是一个Python的算法和数学工具库。 conda install scipy matplotlib库.一个绘制数据图的库。 conda install matplotilb 图像灰度化 基本原理 灰度化，在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。一般有分量法

灰度化 预备知识 在了解图像处理的基本操作之前，我们需要知道关于图像的一些基本知识。我们这里所说的图像处理实质上是 数字图像处理 ，因为计算机只能对数字信号进行处理，因此存储在计算机中的图像都是实际图像经过离散化处理之后得到的。 图像是以 数组 的形式存储在计算机中间的，对于彩色图像而言，存储形式是三个离散的二维数组，每个数组对应一个颜色通道，具体在python中，图像的数据结构为 numpy数组 。这里需要注意的是，用于表示图像的numpy数组，其数据类型必须是整数类型而不能是浮点数类型，这一点我们在下面还会提到。 灰度化操作 在opencv中间有自带的函数可以直接进行灰度化，在这里我想介绍一下如何不借助opencv的函数自己编写程序来实现灰度化。 我们主要是通过这一公式来实现灰度化 G = 0.114 ∗ B + 0.587 ∗ G + 0.229 ∗ R G=0.114*B+0.587*G+0.229*R G = 0 . 1 1 4 ∗ B + 0 . 5 8 7 ∗ G + 0 . 2 2 9 ∗ R 因此我们的思路也十分明确，将三个颜色通道的值分别读取出来就利用公式就可以实现。当然这里也有几点注意事项： numpy数组的三个颜色通道从小到大一次为G,B,R而不是我们按照常说的RGB。 通过numpy数组可以实现高效的向量化运算，因此要避免使用效率低下的for循环来求值。