图像处理

【图像处理】像素坐标系、像平面坐标系、相机坐标系、世界坐标系、内参矩阵、外参矩阵 像素坐标系 像平面坐标系 相机坐标系 世界坐标系 像素坐标系<==>像平面坐标系 相机坐标系<==>像平面坐标系 相机坐标系<==>世界坐标系 像素坐标系<==>世界坐标系 结语 像素坐标系 以图像左上角为原点建立以像素为单位的直接坐标系 u − v u-v u − v 。横轴为 u u u ，向右为正方向；纵轴为 v v v ，向下为正方向 u u u 和 v v v 代表像素的行数和列数，没有物理单位 像平面坐标系 像平面坐标系 o − x y o-xy o − x y 是以影像几何中心 o o o 为原点， x x x 、 y y y 轴方向分别为平行于影像画幅边缘线的二维坐标系 相机坐标系 相机坐标系 o c − x c y c z c o_c-x_cy_cz_c o c ​ − x c ​ y c ​ z c ​ 是以摄像机光心为原点（在针孔模型中也就是针孔为光心），z轴与光轴重合也就是z轴指向相机的前方（也就是与成像平面垂直），x轴与y轴的正方向与像平面坐标系平行的三维直角坐标系 世界坐标系 由于摄像机可安放在环境中的任意位置， 在环境中选择一个基准坐标系来描述摄像机的位置 ，并用它描述环境中任何物体的位置，该坐标系称为世界坐标系 o w − x w y w z w o_w-x_wy_wz

1 gamma 校正背景 　　在电视和图形监视器中， 显像管 发生的电子束及其生成的图像亮度并不是随显像管的输入电压线性变化，电子流与输入电压相比是按照指数曲线变化的，输入电压的指数要大于 电子束 的指数。这说明暗区的信号要比实际情况更暗，而亮区要比实际情况更高。所以，要重现摄像机拍摄的画面，电视和监视器必须进行伽玛补偿。这种伽玛校正也可以由摄像机完成。我们对整个电视系统进行伽玛补偿的目的，是使摄像机根据入射光亮度与显像管的亮度对称而产生的输出信号，所以应对图像信号引入一个相反的 非线性失真 ，即与电视系统的伽玛曲线对应的摄像机伽玛曲线，它的值应为 1/ γ，我们称为摄像机的 伽玛值 。电视系统的伽玛值约为 2.2 ，所以电视系统的摄像机非线性补偿伽玛值为 0.45 。 彩色显像管 的伽玛值为 2.8 ，它的图像信号校正指数应为 1/2.8=0.35 ，但由于 显像管 内外 杂散光 的影响，重现图像的对比度和 饱和度 均有所降低，所以 彩色摄像机 的伽玛值仍多采用 0.45 。在实际应用中，我们可以根据实际情况在一定范围内调整伽玛值，以获得最佳效果。 　　　　　　　　　　　　　　　　　　　　　　　　　　 2 gamma 校正定义 　　(Gamma Correction ，伽玛校正）：所谓伽玛校正就是对图像的伽玛曲线进行编辑，以对图像进行非线性色调编辑的方法

噪声 1.噪声表现形式 噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关，它以无用的信息形式出现，扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。 2.噪声对数字图像的影响 对于数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图像识别等后继工作的进行。 3.高斯噪声 噪声可以看作随机信号，具有统计学上的特征属性。功率谱密度（功率的频谱分布PDF）即是噪声的特征之一，通过功率谱密度分类噪声。 高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。 高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。 概率密度函数PDF： 　　 其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平方σ2称为z的方差。 产生原因：1）图像传感器在拍摄时市场不够明亮、亮度不够均匀； 　　　　　2）电路各元器件自身噪声和相互影响； 　　　　3）图像传感器长期工作，温度过高 4.表现形式 5.图像 高斯滤波器 1.定义 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

PIL是python中的第三方图像处理库。 可以做很多和图像处理相关的操作。 图像处理：包括对点的处理，使用众多的卷积核(convolution kernels)做过滤(filter),还有颜色空间的转换等等 图像展示：PIL支持众多的GUI框架接口，可以用于图像展示 图像归档：PIL非常适合于图像归档以及图像的批处理任务，可以使用PIL创建缩略图，转换图像格式，打印图像等等 crop() 用于裁剪图片， 在使用时需要引入Image ，使用Image中的open(file)方法可返回一个打开的图片，使用crop([x1,y1,x2,y2])可进行裁剪。 from PIL import Image import matplotlib . pyplot as plt img = Image . open ( "E:/练习mtcnn/cebelA/CelebA_min/Img/000001.jpg" ) plt . imshow ( img ) plt . show ( ) print ( img . size ) img_crop = img . crop ( [ img . size [ 0 ] / 5 , img . size [ 1 ] / 5 , img . size [ 0 ] * 3 / 5 , img . size [ 1 ] * 3 / 5 ] ) plt .

　点云滤波是点云处理的基本步骤，也是进行 high level 三维图像处理之前必须要进行的预处理。其作用类似于信号处理中的滤波，但实现手段却和信号处理不一样。我认为原因有以下几个方面： 点云不是函数，对于复杂三维外形其x,y,z之间并非以某种规律或某种数值关系定义。所以点云无法建立横纵坐标之间的联系。 点云在空间中是离散的。和图像，信号不一样，并不定义在某个区域上，无法以某种模板的形式对其进行滤波。换言之，点云没有图像与信号那么明显的定义域。 点云在空间中分布很广泛。历整个点云中的每个点，并建立点与点之间相互位置关系成了最大难点。不像图像与信号，可以有迹可循。 点云滤波依赖于几何信息，而不是数值关系。 　　综上所述，点云滤波只在抽象意义上与信号，图像滤波类似。因为滤波的功能都是突出需要的信息。 点云滤波的方法 　　PCL常规滤波手段均进行了很好的封装。对点云的滤波通过调用各个滤波器对象来完成。主要的滤波器有 直通滤波器，体素格滤波器，统计滤波器，半径滤波器 等。不同特性的滤波器构成了较为完整的点云前处理族，并组合使用完成任务。实际上，滤波手段的选择和采集方式是密不可分的。 如果使用线结构光扫描的方式采集点云，必然物体沿z向分布较广，但x,y向的分布处于有限范围内。此时可使用直通滤波器，确定点云在x或y方向上的范围，可较快剪除离群点，达到第一步粗处理的目的。

计算机视觉系统通常需要进行大量的信息处理才能够得到所需要的信息。目前主要有CPU、GPU、ASIC、DSP、FPGA等计算平台。 常用的计算机视觉系统通过通用计算机进行视觉信息处理，但是，由于CPU的计算能力有限，对于一些计算复杂度很高的视觉算法，其处理速度常常难以满足系统的实时性需要。 GPU具有高度的并行计算能力，可以较好地解决计算速度的问题，然而，基于GPU的计算机视觉系统存在着功耗较高、体积较大的缺点，难以满足依靠自身所带电池供电并长时间工作的服务机器人等应用系统的需要。 利用专用集成电路ASIC实现视觉处理算法，可以解决视觉系统性能和体积、功耗之间的矛盾，是高性能嵌入式视觉系统的一种有效的解决方案。然而，ASIC开发周期长、修改不方便，通用性较差。 FPGA可以通过编程方便地修改其内部的逻辑功能，从而实现高速的硬件计算和并行运算，是高性能嵌入式视觉系统的一种更加方便的解决方案。基于FPGA的嵌入式视觉系统的功耗远远低于基于CPU和GPU的视觉系统，FPGA的功耗通常不到1W，而高性能CPU和GPU的功耗通常都在100W以上。随着技术的不断进步，FPGA的集成度越来越高，可以实现的设计规模越来越大，而功耗则越来越低。因此，基于FPGA的嵌入式视觉系统将是计算机视觉系统的重要发展方向。 使用FPGA进行图像处理时，既要对赢家有很深的了解，同时又需要对图像处理的算法很熟悉

图像处理-形态学腐蚀 python的opencv库提供了强大的图像处理功能，比如图像反转，图像色彩变换以及图像的边缘提取等便捷方法。 本次分享内容包括opencv形态学腐蚀，图像高斯处理用到的库有opencv库以及提供科学计算的numpy包 处理图像 需要将此图像的的圆圈部分去除，保留文字不变 对于少量的图片，我们可以借助其他工具可以很轻松的解决，但是对于大量如此的图像来说，ps等工具显得力不从心，可以考虑借助程序的方式来解决。 形态学腐蚀 含义：可以理解为，移动结构B，如果结构B与结构A的交集完全属于结构A的区域内，则保存该位置点，所有满足条件的点构成结构A被结构B腐蚀的结果。 其实也可以简单理解为在一定半径范围内，两根粗细不同的线，在同等情况下，细的会被腐蚀去除。使用形态学腐蚀后效果如下 处理代码如下： src = cv.imread("img.jpg") cv.namedWindow("input", cv.WINDOW_AUTOSIZE) #gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) #gray = cv.GaussianBlur(gray, (9, 9), 2, 2) # 二值化图像 gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) gray = cv.GaussianBlur(gray, (9

时域与频域 视频处理归根到底还是得对图像进行处理，常见的图像处理可以大致分为时域上处理和频域上处理，为此，我们先了解一下什么是时域，什么是频域 时域是真实世界，是唯一真实存在的域，自变量是时间,即横轴是时间,纵轴是信号的变化，其动态信号x（t）是描述信号在不同时刻取值的函数； 频域最重要的性质就是它不是真实的，仅仅是一个数学构造，自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。 更多关于时域与频域的请阅读以下文章 - 什么是时域和频域 - 信号时域频域及转换 相关图像噪声可以 点击这里 均值滤波 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值 通俗的所就是用选定区域的平均值来代替该点的像素值，比如选定的区域是（3,3）的，不考虑边界，第一个区域就是（1+2+1+1+2+2+5+7+6）/9=3，所以该点的值为3。边界值不变（如果考虑边界要进行补零操作），显然这有点类似卷积，给定一个3 3（当然也可以是其他大小的区域，一般都是3 3）的卷积核如下 这就可以实现均值滤波了，当然，可以更换卷积核来实现加权平均的效果，根据上面的原理可以自己编写均值滤波的函数，网上已有很多博客实现了，这里就不在多说了

http://blog.sciencenet.cn/blog-95484-803140.html % %图像灰度变换 % f = imread('E:\2013第一学期课程\媒体计算\实验一\Img\Fig0303(a)(breast).tif'); % g1 = imadjust(f, [0 1], [1 0]); % g2 = imadjust(f, [0.5 0.75], [0 1]); % g3 = imadjust(f,[],[],2); % subplot(2,2,1), imshow(f), title('原始图像'); % subplot(2,2,2), imshow(g1), title('负片图像'); % subplot(2,2,3), imshow(g2), title('亮度扩展图像'); % subplot(2,2,4), imshow(g3), title('gama=2 图像'); % % f1 = imread('E:\2013第一学期课程\媒体计算\实验一\Img\Fig0308(a)(pollen).tif'); % figure,imshow(f1); % figure,imhist(f1) % ylim('auto') % f1g1 = histeq (f1, 256); % figure,imshow(f1g1) % figure

1.尽量不包括任何STL库，因为STL库会减慢速度。例如栈用数组，xy点表示用数组。 2.数量掌握像素索引，熟练找到4邻域和8邻域的表示方法。中心点位y*widht+x。 为了避免过多点的计算，可以将一维图像修改为二维图像。 3.操作图像的时候，尽量按照行或者列为最小单元，然后通过字节操作来读写图像像素。 4.由于处理的为数字图像，发掘可以用哈希表的方法。 5.注意处理边界，例如卷积的边界，以及位深的边界。卷积的边界可以用取模。 来源： CSDN 作者： Issac_etc 链接： https://blog.csdn.net/weixin_41303851/article/details/103458156