图像处理

一、机器学习相关的公司分析 1、大的有师傅的公司 这类公司主要是百度，阿里和腾讯。共同的特点是数据很大，机器学习的团队比较庞大，一般进去的同学都可以有师傅带着学习，进步会比较快。 但是三个公司的特点也有所不同。 百度是我认为在业务和技术之间匹配的最好，并且从基础到应用搭配的最好的公司。机器学习方面的能力对于百度的广告，搜索，移动搜索，LBS,应用分发，移动音乐，移动阅读，移动新闻，图片搜索，语音输入，浏览器，视频等所有业务都非常重要；而百度也非常重视机器学习团队的搭建。目前在产品方面的表现也非常不错。如果近期加入的团队一旦在基础研究以及产品化方面有巨大突破的话，百度的各个核心产品都可能大大的超出其他公司的产品。 百度的机器学习人才的需求种类最宽。 阿里目前的机器学习人才主要用在业务挖掘，广告和推荐方面。和阿里的业务非常的匹配；根据IPO公告，以及近期的动作，阿里未来的业务发展方向主要是电商业务的区域扩张（向下是向县城扩张，向上是跨国业务的发展）以及产品品类的扩张（从实物产品的电商向服务，金融方向的扩张。）从这种趋势来看，未来阿里的机器学习人才需求还是以业务挖掘，广告和推荐方面的人才需求为主（图像处理和NLP作为feutrue的提供者，也有需求）。 腾讯公司过去的主要业务是建立在社交网络之上的游戏，互联网增值服务（会员和道具之类的），广告等。根据年报

傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法， 比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。 印象中，傅立叶变换在图像处理以下几个话题都有重要作用： 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测 提取图像高频分量 3.图像特征提取： 形状特征：傅里叶描述子 纹理特征：直接通过傅里叶系数来计算纹理特征 其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性 4.图像压缩 可以直接通过傅里叶系数来压缩数据；常用的离散余弦变换是傅立叶变换的实变换； 傅立叶变换 傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。连续情况下要求原始信号在一个周期内满足绝对可积条件。离散情况下，傅里叶变换一定存在。冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样,傅立叶变换使我们能通过频率成分来分析一个函数。 傅立叶变换有很多优良的性质。比如线性

写在前面的话 作者是一名在读的硕士研究僧，方向是机器视觉。由于视觉是一门相对复杂的学科，作者在课堂上学到的东西只是非常浅显的内容，我们老师说是，领我们进了个门。现在打算利用图书馆和网络上的资源进行自学。由于是刚开始写自己的博客，并且所具备的专业知识非常的有限，难免有出错之处，如果有朋友发现一些毛病，希望能够指正。哈哈，话不多说，进入正题。 作者使用的是冈萨雷斯的《数字图像处理（Matlab版）》，打算先用matlab先跟着书上的内容把代码先练一练。以后，再重新学习深入一些的知识。这里不会将书中的全部内容都列一遍，我会选择性的把重要的部分代实现。 频率域 在介绍频率域图像处理之前，先提几个问题。 1.什么是频率域？ 2.为什么要在频率域中进行图像处理？ 频率域的概念 频率域是指从函数的频率角度出发分析函数，和频率域相对的是时间域。简单说就是如果从时间域分析信号时，时间是横坐标，振幅是纵坐标。而在频率域分析的时候则是频率是横坐标，振幅是纵坐标。 举个例子，我们认为音乐是一个随着时间变化的震动。但是如果站在频域的角度上来讲，音乐是一个随着频率变化的震动，这样我们站在时间域的角度去观察你会发现音乐是静止的。同理，如果我们站在时间域的角度观察频率域的世界，就会发现世界是静止的，也是永恒的。这是因为在频率域是没有时间的概念的，那么也就没有了随着时间变化着的世界了。 另外，我们需要借助傅立叶变换

# -*- coding: utf-8 -*- """ Created on Mon Sep 24 18:23:04 2018 @author: zy """ # 代码来源GitHub:https://github.com/PENGZhaoqing/Hog-feature # https://blog.csdn.net/ppp8300885/article/details/71078555 # https://www.leiphone.com/news/201708/ZKsGd2JRKr766wEd.html import cv2 import numpy as np import math import matplotlib.pyplot as plt class Hog_descriptor(): ''' HOG描述符的实现 ''' def __init__(self, img, cell_size=8, bin_size=36): ''' 构造函数 默认参数，一个block由2x2个cell组成，步长为1个cell大小 args: img：输入图像(更准确的说是检测窗口)，这里要求为灰度图像 对于行人检测图像大小一般为128x64 即是输入图像上的一小块裁切区域 cell_size：细胞单元的大小 如8，表示8x8个像素 bin_size：直方图的bin个数 ''' self

文章目录 1、opencv读取图片 2、opencv保存图片 3、图像质量压缩 3.1、有损压缩——jpg格式 3.2、无损压缩——png格式 4、像素操作 4.1、像素值的读取 4.2、像素值的写入 5、图片缩放 5.1、查看图片宽高 5.2、等比例缩放 5.2.1、直接定义比率 5.2.2、使用cv2.warpAffine()方法映射 5.2、非等比例缩放 5.2.1、最近临域插值 5.2.2、双线性插值 6、图片剪切 7、图片位移 7.1、使用opencv方法位移图片 7.2、使用数组方法位移图片 8、图片镜像 9、仿射变换 9.1、图片旋转 9.2、图片变形 1、opencv读取图片 cv2.imread()方法封装了4个步骤，分别为： 1、文件的读取 2、封装格式解析 3、数据解码 4、数据加载 import cv2 # 1、文件的读取 2、封装格式解析 3、数据解码 4、数据加载 img = cv2 . imread ( 'image1.jpg' , 1 ) #1表示彩色图片 #图片展示 cv2 . imshow ( 'image' , img ) #释放资源 cv2 . waitKey ( 0 ) cv2 . destroyAllWindows ( ) 2、opencv保存图片 import cv2 # 1、文件的读取 2、封装格式解析 3、数据解码 4、数据加载

1 、图像锐化理论 图像锐化的目的是使图像变得清晰起来，锐化主要用于增强图像的灰度跳变部分，这一点与图像平滑对灰度跳变的抑制正好相反。锐化提高图像的高频分量，增加灰度反差增强图像的边缘和轮廓，以便后期图像识别。 在图像增强过程中，常用平滑算法来消除噪声，平滑属于低通滤波，图像的能量主要集中在低频部分，噪声所在频段主要在高频部分，同时图像的边缘也集中在高频部分，这意味着图像平滑后，高频被衰减轮廓会出现模糊。图像锐化就是为了减少这种现象，通过高通滤波使图像边缘和轮廓变得清晰。 2 、一阶微分图像增强--梯度算子 其中： 梯度的方向就是函数 f(x,y) 最大变化率的方向。梯度的幅值作为最大变化率大小的度量，值为： 离散的二维函数 f(i,j) ，可以用有限差分作为梯度的一个近似值。 为了简化计算，可以用绝对值来近似。 | ▽ f(i,j)|= |f(i+1,j)-f(i,j)| +|f(i,j+1)-f(i,j)| 2.1 Robert 算子 | ▽ f(i,j)|= |f(i+1,j+1)-f(i,j)| +|f(i,j+1)-f(i+1,j)| 上面算式采用对角相差的差分法来代替微分，写为滤波模板形式为： 其中 w1 对接近 45° 的边缘有较强响应， w2 对接近 -45° 的边缘有较强响应。 imgPath = 'E:\opencv_pic\src_pic\pic6.bmp';

运动模糊图像复原研究的整体思路主要是用matlab中的 imfilter（）函数对图像进行线性空间滤波，产生运动模糊图像，建立退化模型 → 通过radon变换来获取模糊参数，即点扩散函数PSF → 最后由估计得出的PSF再用维纳滤波对图像进行复原。由仿真实验得知，在已知PSF的情况下使用自相关函数的维纳滤波法对图像进行复原可以获得较好的复原效果，因此难点在于如何精确地估计运动模糊参数PSF。 1、基本原理： 点扩散函数PSF主要有两个重要参数：（1）模糊方向；（2）模糊尺度。本次主要是针对第一个参数----模糊方向的估计进行了研究。运动模糊方向是指运动方向与水平方向的夹角，由文献得知运动模糊主要是降低了运动方向的高频成分，而对其他方向的高频成分影响较小。常见的辨识方法有频域法和倒谱法，wym 两种方法都试过，仿真实验结果表两种方法各有好处。 频域法的原理是将退化图像进行二维傅里叶变换，得到具有相互平行的规则明暗条纹的频谱。设暗纹与 x 轴正向夹角为 φ ，运动模糊方向与 x 轴夹角为 θ ，图像尺寸为 M × N,根据傅里叶变换的时频特性可以知道，可通过公式 tan(θ) = tan(φ − 90°) × M/N 得到模糊角度 θ , 因此只要通过 Radon 变换检测出频谱暗条纹与水平方向的夹角即可到运动模糊方向。 倒谱法的主要原理是先将退化图像进行二维傅里叶变换，然后取对数

本文主要介绍了高斯滤波器的原理及其实现过程 高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1；而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。 什么是高斯滤波器 既然名称为高斯滤波器，那么其和高斯分布（正态分布）是有一定的关系的。一个二维的高斯函数如下： \[ h(x,y) = e ^ {- \frac{x^2 + y^2}{2\sigma ^ 2}} \] 其中 \((x,y)\) 为点坐标，在图像处理中可认为是整数； \(\sigma\) 是标准差。要想得到一个高斯滤波器的模板，可以对高斯函数进行离散化，得到的高斯函数值作为模板的系数。例如：要产生一个 \(3 \times 3\) 的高斯滤波器模板，以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标，如下所示（x轴水平向右，y轴竖直向下） 这样，将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数。 对于窗口模板的大小为 \((2k + 1) \times (2k + 1)\) ，模板中各个元素值的计算公式如下： \[ H_{i,j} = \frac{1}{2\pi \sigma ^ 2}e ^{-\frac

1.教程： 数学基础教材： 基础的微积分，线性代码，矩阵论，概率论 等，所以这些教材就不推荐了，⼤家⾃⾏了解。倒是关于传统的机器学习，推荐两本书， ⼀本是 模式识别 ，⼀本是 统计学习 。 数字图像处理： 冈萨雷斯的这本《数字图像处理》，是信号处理等专业的必修教材，是把图像处理基础理论与软件实践⽅法相结合的第⼀本书。 因为本书附带有 matlab 代码，⼤量来⾃于 MathWorks 公司的图像处理⼯具箱，可以边学边⽤。这本书基本上讲述了经典图像处理的主要内容，从亮度变换、线性和⾮线性空间滤波、图像增强与压缩、形态学图像处理、图像分割与边界等等，涵盖了领域内最基础的图像概念。 Opencv 欲学习图像处理， opencv 是绝对绕不开的，⼤部分⼯业界的代码⾥⾯⼀定有 opencv。opencv 经历过从以 c 语⾔为主的 1.0 版本，到以 c++为主的 2.0， 3.0 版本，4.0。直接从3开始。 .其他系统性的资料 3 图像基础概念与实践 3.1 图像位数 计算机是采⽤ 0/1 编码的系统，数字图像也是利⽤ 0/1 来记录信息，我们平常接触的图像都是 8 位数图像， 包含 0～255 灰度，其中 0，代表最⿊， 1，表⽰最⽩ 3.2 彩色空间 图像有灰度图有彩⾊图，灰度图即只包含亮度信息，⽽彩⾊图不仅包含亮度信息还包含颜⾊信息。灰度图不需要多说，彩⾊图平常我们接触的是 RGB

算术/逻辑增强 图像中的算术/逻辑增强操作主要是以像素对像素为基础在两幅或者多幅图间进行（不包含逻辑非，他在单一图像中进行） 对于逻辑操作来说：或 | 与 | 非，这三种逻辑算子完全是函数化的。换句话说，任何其他的逻辑算子都可以由这三个基本算子来实现。当我们对灰度级图像进行逻辑操作时，像素值作为一个二进制字符串来处理。 逻辑操作 与”操作和“或”操作通常用作模板，即通过这些操作可以从一幅图像中提取子图像。在“与”和“或”图像模板中，亮的表示二进制码1，黑的表示二进制码0。 算术操作 包含加减乘除四种运算，减法和加法在图像增强中最为有用，我们也简单的吧两幅图像相除看作是，一个图像取反和另外一幅相乘。 减法处理 两幅图像，f(x,y)与h(x,y)的差异表示为： g(x,y)=f(x,y)−h(x,y)。 图像的差异是通过计算这两图所有对应像素点的差而得出来的。减法处理最主要的作用就是增强两幅图像的差异。 平均处理 考虑一幅将噪声η(x,y)加入到原始图像f(x,y)形成的带有噪声的图像g(x,y)，即：g(x,y)=f(x,y)+η(x,y) 假设每个坐标点(x,y)上的早上都不相关且均值为零。 我们处理的目标就是累加一组噪声图像{g i （x，y）}来减少噪声。如果噪声符合上述限制可得到对k幅不同的噪声图取平均形成的图，即： 那么： 上述标准差的平方即可得到方差。当k增加