模糊理论

图像的模糊 模糊原理 Smooth/Blur是图像处理中最简单和常用的操作之一 使用该操作的原因之一就为了给图像预处理时候减低噪声 使用Smooth/Blur操作器背后是数学的卷积计算 g(i,j) = 求和(f(i+k,j+I)h(k,I)) 通常这些卷积算子计算都是线性操作，所以有叫线性滤波 假设有6x6的图像像素点矩阵 卷积过程：6x6上面是个3x3的窗口，从左向右，从上向下移动 黄色的每个像个像素点之和取平均值赋给中心红色像素作为它卷积处理之后新的像素值。每次移动一个像素格。 边缘处理最简单的方法： 向外扩张。插值 归一化盒子滤波(均值滤波) 权重不同 高斯滤波 相对于均值滤波，会保留像素原有的特质 相关API 均值模糊 blur(Mat src,Mat dst,Size(xradius,yradius),Point(-1,-1)); //注意：point表示中心像素在哪里，(-1,-1)默认正中心 dst(x,y) = 求和(Kernel(x1,y1)*src(x+x1-anchor.x,y+y1-anchor.y)) 高斯模糊 GaussianBlur(Mat src,Mat dst,Size(11,11),sigmax,sigmay); 其中Size(x,y),x,y必须是正数而且是奇数 #include<opencv2/opencv.hpp> #include

1 、为什么进行图像增强 图像增强是指增强图像中某些特征，同时削弱或去除某些不需要的信息，即为了某种应用而去改善图像的质量，消除噪声，显现那些被模糊了的细节或简单的突出一副图像中感兴趣的特征。所以图像增强并不是增强图像的原始信息，而是只针对某一特征以提高某种信息的辨别能力，图像增强需要根据需求采用特定的方法，当增强一些信息时另外一些信息必定被损失，不存在一种通用的方法，必须根据需求决定保留哪些信息丢弃哪些信息。 图像增强技术基本上可以分为两类：空间域增强、频域增强。 2 、空间域滤波理论 2.1定义 空间域滤波就是在图像平面上对像素进行操作。 空间域滤波大体分为两类：平滑、锐化。 平滑滤波：模糊处理，用于减小噪声，实际上是低通滤波，典型的滤波器是高斯滤波。 锐化滤波：提取边缘突出边缘及细节、弥补平滑滤波造成的边缘模糊。实际上是高通滤波。 空间域处理可由下式表示： g(x,y)=T[f(x,y)] 式中，f(x,y)是输入图像，g(x,y)是处理后的图像，T是在点(x,y)的邻域上定义的关于f的一种算子，算子可应用于单幅图像或图像集合。 2.2空间域滤波和邻域处理 1）空间滤波器由一个邻域（通常是一个较小的矩形）和对该邻域所包围图像像素执行的预定义操作组成。对预定义的点（x，y）为中心的领域内的像素进行计算。 2）滤波产生一个新像素，新像素的坐标等于邻域中心的坐标（x，y）

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

我需要一个手动的分页查询,于是我在for循环语句中使用了defer,程序没报什么错,有时候强迫症还是有他的好处的.defer的用法一直是轻车熟路,但很多框架用的久了,这些原本该熟记的东西却不知不觉中模糊了,尽管这样做程序不会报错,但总是会留下bug的可能: possible resource leak，difer is called in a for loop 我看了下idea的提示,想了下,对啊.defer是对整个函数而言的,并不是对某句代码块起作用,我在for中使用defer关闭资源,其实资源一直没有关闭,如果数据量大的话,就可能possible resource leak,资源泄露.然而自己的这块业务恰恰是数据量比较的处理,还好自己看了下. 虽然我知道,但是有时候不经意还是会犯,还是理论不够扎实,做一记录,加深记忆. 来源： CSDN 作者： ckx0709 链接： https://blog.csdn.net/ckx178/article/details/103854360

meta标签到底做了什么事情 做过移动端适配的小伙伴一定有遇到过这行代码： <meta name="viewport" content="width=device-width, initial-scale=1.0"> 但是，很多小伙伴只是感性的认识：噢，我加了这行代码，然后页面的宽度就会跟我的设备宽度一致。然而，这种理解是很片面的。那么，这句话的本质到底是什么呢？ 不急，我们先往下面看，这里先留个悬念。 几个专有名词和单位 这里，我们先来辨析一下在适配的时候经常会遇到的一些名词、数值单位。 首先，先来看一下 物理像素 。 以iphone6为例，可知道： 分辨率 ：1334pt x 750pt 指的是屏幕上垂直有1334个物理像素，水平有750个物理像素。 屏幕尺寸 ：4.7in 注意英寸是长度单位，不是面积单位。4.7英寸指的是屏幕对角线的长度，1英寸等于2.54cm。 屏幕像素密度 ：326ppi 指的是每英寸屏幕所拥有的像素数，在显示器中，dpi=ppi。dpi强调的是每英寸多少点。同时， 屏幕像素密度 = 分辨率 / 屏幕尺寸 接着，我们来看一下其他的单位。 设备独立像素 ：设备独立像素，不同于设备像素（物理像素），它是虚拟化的。比如说css像素，我们常说的10px其实指的就是它。需要注意的是， 物理像素 开发者是无法获取的，它是自然存在的一种东西，该是多少就是多少。

模糊理论 ······首先，人们在认识模糊性时，是允许有主观性的，也就是说每个人对模糊事物的界限不完全一样，承认一定的主观性是认识模糊性的一个特点。例如，我们让100个人说出“年轻人”的年龄范围，那么我们将得到100个不同的答案。尽管如此，当我们用模糊统计的方法进行分析时，年轻人的年龄界限分布又具有一定的规律性。 ······其次，模糊性是精确性的对立面，但不能消极地理解模糊性代表的是落后的生产力，恰恰相反，我们在处理客观事物时，经常借助于模糊性。例如，在一个有许多人的房间里，找一位“年老的高个子男人”，这是不难办到的。这里所说的“年老”、“高个子”都是模糊概念，然而我们只要将这些模糊概念经过头脑的分析判断，很快就可以在人群中找到此人。如果我们要求用计算机查询，那么就要把所有人的年龄，身高的具体数据输入计算机，然后我们才可以从人群中找这样的人。 ······最后，人们对模糊性的认识往往同随机性混淆起来，其实它们之间有着根本的区别。 随机性是其本身具有明确的含义，只是由于发生的条件不充分，而使得在条件与事件之间不能出现确定的因果关系，从而事件的出现与否表现出一种不确定性 。而事物的 模糊性是指我们要处理的事物的概念本身就是模糊的 ，即一个对象是否符合这个概念难以确定，也就是由于概念外延模糊而带来的不确定性。 模糊控制 模糊控制的基本思想 把人类 专家 对特定的

模糊逻辑 编辑 本词条缺少信息栏，补充相关内容使词条更完整，还能快速升级，赶紧来 编辑 吧！ 模糊逻辑是建立在 多值逻辑 基础上，运用模糊集合的方法来研究 模糊性 思维、语言形式及其规律的科学。 目录 1 简介 ▪ 基本内容 ▪ 历史发展 ▪ 基本理论 2 应用 3 编程语言 4 其他例子 简介 编辑 基本内容 模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式，对于模型未知或不能确定的描述系统，以及强非线性、大滞后的控制对象，应用模糊集合和模糊规则进行推理，表达过渡性界限或定性知识经验，模拟人脑方式，实行模糊综合判断，推理解决常规方法难于对付的规则型模糊信息问题。模糊逻辑善于表达界限不清晰的定性知识与经验，它借助于 隶属度函数 概念，区分 模糊集合 ，处理模糊关系，模拟人脑实施规则型推理，解决因“排中律”的逻辑破缺产生的种种不确定问题 。 历史发展 1965年美国数学家L. Zadeh首先提出了Fuzzy集合的概念，标志着Fuzzy数学的诞生。建立在二值逻辑基础上的原有的逻辑与数学难以描述和处理现实世界中许多 模糊性 的对象。Fuzzy数学与Fuzzy逻辑实质上是要对模糊性对象进行精确的描述和处理。L. Zadeh为了建立模糊性对象的数学模型，把只取0和1二值的普通集合概念推广为在[0，1]区间上取无穷多值的模糊集合概念，并用“隶属度”这一概念来精确地刻画元素与模糊集合之间的关系

1、[数字图像处理]模糊算法用于图像增强 - zhoufan的专栏 https://blog.csdn.net/zhoufan900428/article/details/13502329 2、论文：模糊理论及其在图像处理中的应用 3、模糊理论用于边缘提取 《改进的模糊推理规则图像边缘检测算法 Improved image edge detection algorithm based on fuzzy inference rules》 模糊推理规则边缘检测算法具有较强的边缘检测能力，并且具备一定的抗噪效果。但是，这种算法只在高斯噪声较小时有效，当高斯噪声较大时它的边缘检测效果甚至比Canny等算子的效果还差。针对模糊推理规则算法在强高斯噪声时效果较差的问题，提出一种改进的模糊边缘检测算法。该算法能够根据图像含噪情况调整边缘检测方案：当噪声较弱时，使用模糊推理规则边缘检测算法；当噪声较强时，为提高算法抑制噪声的能力，使用改进的模糊推理规则边缘检测算法。实验结果表明，该方法具有更好的抗噪性能和边缘检测能力。 《模糊理论改进算法的CT图像弱边缘检测 Weak edge detection of CT image based on improved algorithm of fuzzy theory》 来源： https://www.cnblogs.com/wxl845235800/p

meta标签到底做了什么事情 做过移动端适配的小伙伴一定有遇到过这行代码： <meta name="viewport" content="width=device-width, initial-scale=1.0"> 但是，很多小伙伴只是感性的认识：噢，我加了这行代码，然后页面的宽度就会跟我的设备宽度一致。然而，这种理解是很片面的。那么，这句话的本质到底是什么呢？ 不急，我们先往下面看，这里先留个悬念。 几个专有名词和单位 这里，我们先来辨析一下在适配的时候经常会遇到的一些名词、数值单位。 首先，先来看一下 物理像素 。 以iphone6为例，可知道： 分辨率 ：1334pt x 750pt 指的是屏幕上垂直有1334个物理像素，水平有750个物理像素。 屏幕尺寸 ：4.7in 注意英寸是长度单位，不是面积单位。4.7英寸指的是屏幕对角线的长度，1英寸等于2.54cm。 屏幕像素密度 ：326ppi 指的是每英寸屏幕所拥有的像素数，在显示器中，dpi=ppi。dpi强调的是每英寸多少点。同时， 屏幕像素密度 = 分辨率 / 屏幕尺寸 接着，我们来看一下其他的单位。 设备独立像素 ：设备独立像素，不同于设备像素（物理像素），它是虚拟化的。比如说css像素，我们常说的10px其实指的就是它。需要注意的是， 物理像素 开发者是无法获取的，它是自然存在的一种东西，该是多少就是多少。

用过绘图软件的朋友都知道矢量图的优点，矢量图不同于位图，矢量图的各个属性都是相对独立的，比如位置、形状、轮廓、颜色等等。所以矢量图的保存形式不同于位图是将像素点在保存在图中，所以矢量图的优点就是（1）理论上可以无限放大，图像不会模糊;（2）保存后占空间小。 矢量图由于这些特点，所以只能有软件制作，目前没有可能将相机拍的图片转换成矢量图的形式。动漫和游戏的图或者其中的部分图可以由矢量图制成。典型的就是地图的应用。在2017-18年红极一时的吃鸡类游戏就可以很好的应用，以往，这类游戏玩家在其中用高倍镜看近处的建筑会看到模糊的画面，那是因为放大倍数高，原本的位图势必会模糊，如果用矢量图，将规避这一问题。当然，远处用高倍镜为了游戏公平无需清晰的可不用。笔者认为这个设想如果能应用，效果应该不会太差。 来源： https://www.cnblogs.com/xiang123/p/11848059.html