图像像素 | 易学教程

图像几何变换

阅读更多关于图像几何变换

几何变换在齐次坐标下，改变位置，不改变像素值图像缩放 1.调用API import cv2 import numpy as np # 图像缩放:你得有缩放的比例吧 img = cv2 . imread ( 'image0.jpg' , 1 ) # 调用API imgInfo = img . shape height = imgInfo [ 0 ] width = imgInfo [ 1 ] dstHeight = int ( height * 0.5 ) dstWidth = int ( width * 0.5 ) dst2 = cv2 . resize ( img , ( dstWidth , dstHeight ) ) #（列数，行数） cv2 . imshow ( 'image' , dst2 ) cv2 . waitKey ( 0 ) import cv2 import numpy as np img = cv2 . imread ( 'image0.jpg' , 1 ) cv2 . imshow ( 'src' , img ) imgInfo = img . shape height = imgInfo [ 0 ] width = imgInfo [ 1 ] matScale = np . float32 ( [ [ 0.5 , 0 , 0 ] , [ 0 , 0.5

Python综合应用：手把手教你用字符打印一张怀旧风格的照片

阅读更多关于 Python综合应用：手把手教你用字符打印一张怀旧风格的照片

1. 前言第一次在学校机房里见到计算机，还是上古时期。计算机型号大概是LASER-310吧，有点记不清了。那会儿，显示器还是单色的，只能显示文本，每行最多显示80个字符。想看图片，印象中只能用针式打印机打印在两侧穿孔的宽行打印纸上，每个像素用一个字符表示，不同的字符代表不同的灰度，就像下图这个样子。有没有感觉到浓郁古风呢？其实，随便一张照片，十几行Python代码，你也可以打印出这样的效果，还可以保存成文件。下面，我就一步一步地演示一下。 2. 打开图片，转为灰度模式 Python用于图像处理的模块有很多，最常用的当属PIL和PyOpenCV了。本案使用PIL模块来打开图像： >>> from PIL import Image >>> im = Image.open('xufive.jpg') >>> im.size (979, 1248) >>> im.mode 'RGB' im就是打开的图像对象，im.size是图像的分辨率，im.mode是图像模式。我们知道，计算机图像有很多种颜色模式，RGB是最常见的彩色图像模式。打印字符图片的话，需要将RGB模式转为灰度模式： >>> im = im.convert('L') >>> im.mode 'L' 3. 改变分辨率打印字符图片，需要考虑显示器每行显示的字符个数。假定屏幕水平分辨率为1920，每个字符宽度占8个像素

图像处理与分析

阅读更多关于图像处理与分析

基本概念图像的采样和量化光照本身是连续的、但是转换成数字形式必然是不连续的在坐标值（空间）上的数字化即为采样，对幅值的数字化即为量化量化——每一像素值只能用有限位比特表示，故只能表现有限的精度可以看作是笛卡儿积 Z 2 Z^2 Z 2 中的一对元素，映射到灰度值集合上的一个映射。空间分辨率：如dpi每英寸点数；灰度分辨率直接用比特表示图像插值最简单的是最近邻方法，其次是双线性，最后是双三次双线性：可以看作是在一个方格内拟合 f ( x , y ) = a + b x + c y + d x y f(x,y)=a+bx+cy+dxy f ( x , y ) = a + b x + c y + d x y ，比较好的特点是无论固定x还是固定y，关于另一个变量都是线性的。像素间关系 4领域、8领域、m邻接（m邻接可以消除8邻接的二义性连通性、区域、边界距离的度量：非负、自反、交换、三角常用计算矩阵与阵列计算灰度算术集合和逻辑操作空间操作（几何空间变换与图像配准一般来说反向映射比前向映射要好，可以配合插值算法决定每个像素的输出值把图像当作一个向量，然后乘以矩阵图像变到某个变换域去（通常通过某个正交变换核彩色图像光的三原色为RGB 颜料的三原色为CMYK（青、品红、黄、黑 HSI 色调、饱和度、强度图像增强灰度变换略直方图处理直方图

像素与CCD之间的秘密知多少

阅读更多关于像素与CCD之间的秘密知多少

虽然数码相机普及的速度实在太快，但对于数码相机真正了解的人却非常少。由于经常去卖场和经销商沟通，自然有了很多与普通消费者面对面的机会。　　“麻烦问一下，这里有800万像素的数码相机吗？” 　　“怎么才300万像素呀，听说这样的机器拍出来照片效果很差” 　　“我就是买画质好的数码相机，500万以下的您就别给我介绍了” 　　其实这些只是我选出了一些比较典型的例子，由于消费者对于像素认识上的误区，所以很容易将画质和像素联系在一起，错觉上认为高像素，拍出来的照片就一定清晰，其实不然。　　对于消费级数码相机来说，特别是强调性价比的家用型数码相机，如果一味的追求高像素，则很可能损失相机本身的功能，例如像变焦、微距、甚至镜头素质，就单一的成像而言，画质的优良与镜头、CCD、数字处理芯片等多个部件都有关系，特别是CCD感光元件，并非是大家想象的那样，像素越高，画质就越清晰，相反，如果在CCD尺寸不变的情况下，像素越高，画质就越不清晰。接下来我们就从原理来给大家分几个点介绍什么是CCD感光元件，像素值多少才最合适。一.CCD究竟是什么？　　CCD传感器又叫电荷耦合器，它是一种特殊的半导体材料，由大量独立的感光二极管组成，一般按照矩阵形式排列，相当于传统相机的胶卷。　　目前，CCD的种类有很多，其中面阵型CCD是主要应用在数码相机中。它是由许多单个感光二极管组成的阵列，整体呈正方形

机器视觉入门

阅读更多关于机器视觉入门

机器视觉入门知识总结一、机器视觉系统工业相机类型：按照输出信号类型的不同分为模拟相机和数字相机两种。而数字相机按照接口标准不同，可以分为1394相机、USB相机、CameraLink相机以及Gige相机四种。其中CameraLink接口相机能够解决大数据量传送问题；Gige接口相机能够解决长距离、快速传输问题；而1394相机和USB接口相机具有简单易用、性价比高等特点；镜头接口类型： C接口、CS接口、U接口等；光源类型：环形光源、背光源、同轴光源、条形光源、点光源、球积分光源等；二、如何选择相机？ 1 、根据应用的不同分别选用 CCD 或 CMOS 相机 CCD工业相机主要应用在运动物体的图像提取，当然随着CMOS技术的发展，很多贴片机也在选用CMOS工业相机。用在视觉自动检查的方案或行业中一般用CCD工业相机比较多。CMOS工业相机由成本低，功耗低也应用越来越广泛。 2 、分辨率的选择　　根据系统需求来选择分辨率大小。首先考虑待观察或待测量物体的精度，根据精度选择分辨率。相机像素精度=单方向视野范围大小/相机单方向分辨率。则相机单方向分辨率=单方向视野范围大小/理论精度。若单视野为5mm长，理论精度为0.02mm，则单方向分辨率=5/0.02=250。然而为增加系统稳定性，不会只用一个像素单位对应一个测量/观察精度值，一般可以选择倍数4或更高

SVG 画图

阅读更多关于 SVG 画图

SVG 在线画图工具： https://svg.haowen100.com/ 把画的图片代码保存成svg文件，加载 http://www.bejson.com/convert/image_to_svg/ https://www.aconvert.com/cn/image/png-to-svg/ 参考一 SVG 是一种基于 XML 语法的图像格式，全称是可缩放矢量图（Scalable Vector Graphics）。其他图像格式都是基于像素处理的，SVG 则是属于对图像的形状描述，所以它本质上是文本文件，体积较小，且不管放大多少倍都不会失真。 SVG 文件可以直接插入网页，成为 DOM 的一部分，然后用 JavaScript 和 CSS 进行操作。 <!DOCTYPE html> < html > < head > </ head > < body > < svg id = "mysvg" xmlns = " http://www.w3.org/2000/svg " viewBox = "0 0 800 600" preserveAspectRatio = "xMidYMid meet" > < circle id = "mycircle" cx = "400" cy = "300" r = "50" /> < svg > </ body > </ html > 上面是 SVG

机器视觉 - 相机

阅读更多关于机器视觉 - 相机

在机器视觉中，相机的作用是将通过镜头的光信号转换为电信号，其中最重要的组成部件是数字传感器，最为常用的有CCD（Charge-coupled device）和CMOS（cnmplementary metal-oxide semiconductor）两种。 1.CCD于CMOS的区别（1）成像过程 CCD 和 CMOS 使用相同的光敏材料，因而受光后产生电子的基本原理相同，但是读取过程不同：CCD 是在同步信号和时钟信号的配合下以帧或行的方式转移，整个电路非常复杂，读出速率慢；CMOS 则以类似 DRAM的方式读出信号，并行读取，电路简单，读出速率高。 CCD数据读取结构图 CMOS图像读取结构图（2）集成度采用特殊技术的CCD读出电路比较复杂，很难将A/D转换、信号处理、自动增益控制、精密放大和存储功能集成到一块芯片上，一般需要 3～8 个芯片组合实现，同时还需要一个多通道非标准供电电压。借助于大规模集成制造工艺，CMOS图像传感器能非常容易地把上述功能集成到单一芯片上，多数CMOS图像传感器同时具有模拟和数字输出信号。（3）电源、功耗和体积 CCD电荷耦合器大多需要三组电源供电，耗电量较大；CMOS光电传感器只需使用一个电源（3V~5 V），耗电量非常小，仅为CCD电荷耦合器的1/8到1/10，高度集成CMOS 芯片可以做的相当小

【专题】CCD

阅读更多关于【专题】CCD

专题：CCD SkySeraph NOV.3th 2010 HQU Email-zgzhaobo@gmail.com QQ-452728574 Latest Modified Date：NOV.5th 2010 HQU 入门 http://wenku.baidu.com/view/3a9b661c59eef8c75fbfb3fc.html 从诺贝尔奖看CCD的前世今生 http://wenku.baidu.com/album/view/8656cebff121dd36a32d8277 CCD专题资料 http://www.allwiki.com/wiki/%E6%95%B0%E7%A0%81%E7%9B%B8%E6%9C%BA%E8%B5%84%E6%BA%90%E9%A1%B5%E9%9D%A2 天下维客基本概念 CCD Charge Coupled Device 电荷耦合器像素pixel 像素是感光点(感光二极管)的个数；有效像素是计算后恢复的像素个数，一般大于实际像素 8bpp(比特每像素)=256色，16bpp=高彩色，24bpp=真彩色，48bpp用于专业扫描仪； <=256色的图像通常以块或平面格式存储在显存中，显存中的每一个像素是到调色板的颜色组的索引值；兆像素magepixel =1百万个像素； Fill Factor填充因子

手机摄像头的组成结构和工作原理

阅读更多关于手机摄像头的组成结构和工作原理

手机摄像头的组成结构和工作原理手机摄像头由： PCB板、镜头、固定器和滤色片、DSP(CCD用)、传感器等部件组成。工作原理为：拍摄景物通过镜头，将生成的光学图像投射到传感器上，然后光学图像被转换成电信号，电信号再经过模数转换变为数字信号，数字信号经过DSP加工处理，再被送到手机处理器中进行处理，最终转换成手机屏幕上能够看到的图像。 PCB板摄像头中用到的印刷电路板，分为硬板、软板、软硬结合板三种镜头镜头是将拍摄景物在传感器上成像的器件，它通常由由几片透镜组成。从材质上看，摄像头的镜头可分为塑胶透镜和玻璃透镜。镜头有两个较为重要的参数：光圈和焦距。光圈是安装在镜头上控制通过镜头到达传感器的光线多少的装置，除了控制通光量，光圈还具有控制景深的功能，光圈越大，景深越小，平时在拍人像时背景朦胧效果就是小景深的一种体现。景深是指在摄影机镜头前能够取得清晰图像的成像所测定的被摄物体前后距离范围。数值越小，光圈越大，进光量越多，画面比较亮，焦平面越窄，主体背景虚化越大；值越大，光圈越小，进光量越少，画面比较暗，焦平面越宽，主体前后越清晰。焦距焦距是从镜头的中心点到传感器平面上所形成的清晰影像之间的距离。根据成像原理，镜头的焦距决定了该镜头拍摄的物体在传感器上所形成影像的大小。比如在拍摄同一物体时，焦距越长，就能拍到该物体越大的影像。长焦距类似于望远镜。固定器和滤色片

AlexNet卷积神经网络

阅读更多关于 AlexNet卷积神经网络

译者按：祖师爷Hinton 带领的小组经典之作，深度学习开山祖师 Hinton率领的谷歌团队多次夺冠，主力成员为 hinton 在多伦多大学的学生 Alex Krizhevsky ， Ilya Sutskever ，因此他们的解决方案也叫alexnet ，这篇文章是hinton大神团队的代表性之作，CNN （卷积神经网络）已经成为图像识别处理的标准，alexnet作为CNN的代表性方案基础，开创性的GPU计算卷积，仿生视觉细胞的局部感受野等手段解决了图像处理的难题，和同期的VGG、ResNet、GoogleNet等比肩，使得图像识别成为了人工智能的最成功领域。 ImageNet是一个计算机视觉系统识别项目，缔造者为斯坦福大学教授李飞飞，是目前图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。能够从图片识别物体。ImageNetLSVRC图像识别大赛素有国际“计算机视觉奥林匹克“之称。数据集包含大约1000多万张各种图片，被分为1000个分类，参赛者训练分类器，在测试数据上取得最高辨识正确率者为优胜。原文地址： http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks 作者： University of

订阅图像像素