图像像素

标明原作者信息 http://www.cnblogs.com/xiangism 做了几年有关图形、图像的工作，对图片格式算是小有经验，在此写成一文章总结下。虽然一开始并不想讲很理论的东西，但写完后发现几乎全是理论，细想一下关于图片格式的知识本身就是理论的东西，囧~~ 那就力求用最简单的方式将这些“理论”讲清楚吧。 常见的图片格式有bmp, jpg(jpeg), png, gif, webp等。 图像基本数据结构 要讲图片格式还先得从图像的基本数据结构说起。在计算机中, 图像是由一个个像素点组成，像素点就是颜色点，而颜色最简单的方式就是用RGB或RGBA表示, 如图所示 (图1) (图2) 如果有A通道就表明这个图像可以有透明效果。 R,G,B每个分量一般是用一个字节(8位)来表示，所以图(1)中每个像素大小就是3*8=24位图, 而图(2)中每个像素大小是4*8=32位。 这里有三点需要说明: 一、图像y方向正立或倒立 图像是二维数据，数据在内存中只能一维存储，二维转一维有不同的对应方式。比较常见的只有两种方式: 按像素“行排列”从上往下或者从下往上。 如图所示的图像有9个像素点，如果从上往下排列成一维数据是(123456789)， 如果是从下往上排列则为(789456123)。 只所以会有这种区别是因为，前一种是以计算机图形学的屏幕坐标系为参考(右上为原点,y轴向下 )

Python.Numpy的图片处理（读取，变换，保存） 使用Numpy的ndarray可以读取图片文件，并且可以对图片进行各种各样的处理。 例如：图片像素值的读取，替换，随机剪裁，拼接等等都可以使用ndarray。对于已经习惯使用Numpy的人们来说，已经可以不使用OpenCV进行图像处理。 即便是使用OpenCV进行图片处理的时候，OpenCV图像的读取也是使用的ndarray形式，所以直接使用Numpy将会更加的方便与快捷。 在此：对图片文件的基础读取，保存方法进行介绍 Numpy图片文件的读取方法 Numpy图片文件的保存方法 和一些Numpy的图像处理的实例进行介绍 像素值的读取和修改 图片的单色化和图片的拼接 减色处理 二值化处理 四则演算 切片修剪 按切片或函数的拆分 切片粘贴 Alpha混合和遮罩处理 旋转和上/下/左/右 反转 等等进行说明。 图片文件读取（Numpy的ndarray形式） 使用以下的图片为例。 np.array中调用PIL.Image.open()函数进行读取，并且可以查看数据的类型和形状（shape，行(高)，列(宽)，色(通道数)）等信息。 需要注意的是色(通道数)的读取顺序是RGB(红，绿，蓝)。而OpenCV的cv2.imread()的读取顺序是（BGR），稍有不同。 from PIL import Image import numpy

文章目录 1.线性变换与非线性变换 2.MATLAB的灰度变换函数 灰度变换增强是将图像的对比度从弱变强的过程，所以也通常称为对比度增强。各种因素的限制，导致图像的对比度比较差，图像的直方图分布不够均衡，主要的元素集中在几个像素值附近。通过对比度增强，使得图像中各个像素值尽可能均匀分布或者服从一定形式的分布，从而提高图像的质量。 灰度变换可使图像动态范围增大，对比度得到拓展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。 灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度函数进行之外，可以看做是‘从像素到像素’的复制操作。 1.线性变换与非线性变换 设原图像为f（x，y），其灰度范围为[a,b]，变换后的图像为g(x,y)，其灰度范围线性扩展至[c,d]，则对于图像中的任一点的灰度值f（x，y），灰度变换后为g（x，y），其数学表达式为 若图像中大部分像素的灰度级分布在区间[a,b]内，maxf为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令 采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果。在曝光不足或曝光过度情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是一个模糊不清

先简单理解一下卷积这个东西。 （以下转自https://blog.csdn.net/bitcarmanlee/article/details/54729807 知乎是个好东西） 1.知乎上排名最高的解释 首先选取知乎上对卷积物理意义解答排名最靠前的回答。 不推荐用“反转/翻转/反褶/对称”等解释卷积。好好的信号为什么要翻转？导致学生难以理解卷积的物理意义。 这个其实非常简单的概念，国内的大多数教材却没有讲透。 直接看图，不信看不懂。以离散信号为例，连续信号同理。 已知x[0] = a, x[1] = b, x[2]=c 已知y[0] = i, y[1] = j, y[2]=k 下面通过演示求x[n] * y[n]的过程，揭示卷积的物理意义。 第一步，x[n]乘以y[0]并平移到位置0： 第二步，x[n]乘以y[1]并平移到位置1 第三步，x[n]乘以y[2]并平移到位置2： 最后，把上面三个图叠加，就得到了x[n] * y[n]： 简单吧？无非是平移（没有反褶！）、叠加。 从这里，可以看到卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。 重复一遍，这就是卷积的意义：加权叠加。 对于线性时不变系统，如果知道该系统的单位响应，那么将单位响应和输入信号求卷积，就相当于把输入信号的各个时间点的单位响应 加权叠加，就直接得到了输出信号。 通俗的说：

在超分任务中，我们需要将图片的局部拿出来对比，凸显我们算法的优越性。如下图所示，我们需要对各模型的局部进行对比，但是每张图裁剪的位置要相同，这里我们利用python简单实现一下。 import os import cv2 import matplotlib.pyplot as plt from PIL import Image path = "G:\\SR\\results\\set5_1\\set5\\" #图像读取地址 savepath = "G:\\SR\\results\\set5_1\\set5_result\\" # 图像保存地址 filelist = os.listdir(path) # 打开对应的文件夹 total_num = len(filelist) #得到文件夹中图像的个数 #print(total_num) for filename in os.listdir(path): #print(filename) # 仅仅是为了测试 img = cv2.imread("set5\\" + filename) crop = img[60:230,100:210,:] #[x:y,a:b,Z]x:开始的纵坐标，y:介绍纵坐标，Z:通道 cv2.rectangle(img,(100,60),(210,230),(0,255,0),2) #cv2.rectangle

图像与图形处理 Canvas中就保存着一个Bitmap对象，调用canvas的各种绘图函数，最终还是绘制到其中的Bitmap上。我们自定义View是，一般都会重写onDraw(Canvas canvas),这个函数中是自带Canvas的，只需要将画的内容调用Canvas的函数画出来，就会直接显示在对应的View上。其实，View对应着一个Bitmap，而onDraw()中canvas就是通过这个Bitmap创建出来的。 Android中：图片除了.png、.jpg等格式位图，还用资源文件中定义的Drawable对象。 1、Bitmap bitmap被称为位图，一般位图的文件格式扩展名为.bmp,作为一种逐像素显示的对象，由一个个像素点组成；因为由一个个像素组成，肯定涉及到两个问题： 如何存储每个像素 相关的像素点之间能否压缩 1.1、Bitmap在绘图中使用 转换为BitmapDrawable对象使用 BitmapDrawable drawable=new BitmapDrawable(bitmap); iv.setImageDrawable(drawable); 当做画布使用 方式一：使用默认画布 onDraw(Canvas canvas)和dispatchDraw(Canvas canvas)中的Canvas对应这一个Bitmap对象，所有的绘图都是显示这个Bitmap上的

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

3.1 背景知识 3.1.1 灰度变换和空间滤波基础 本节讨论的所有图像处理技术都是在空间域进行的。空间与包含图像像素的简单平面。与频率域相反，空间域技术是直接操作图像像素的简单平面。 本章讨论的空间域处理可有下式表示： g ( x , y ) = T ⋅ [ f ( x , y ) ] g(x,y)=T\cdot [f(x,y)] g ( x , y ) = T ⋅ [ f ( x , y ) ] 式中， f ( x , y ) f(x,y) f ( x , y ) 是输入图像， g ( x , y ) g(x,y) g ( x , y ) 是输出图像， T T T 是在点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。 邻域与预定义的操作一起称为空间滤波器(也称为空间掩模、核、模板、窗口)。在邻域中执行的操作据欸的那个了滤波处理的特性。 最小邻域为 1 × 1 1\times 1 1 × 1 。在这种情况下， g g g 仅取决于点(x,y)处的 f f f 值，而式(3.1-1)中的 T T T 则成为一个形如下式的灰度(也称为灰度级或映射)变换函数： s = T ( r ) s=T(r) s = T ( r ) 式中，令 s s s 和 t t t 分别表示 g g g 和 f f f 在任意点 ( x , y ) (x,y) ( x , y ) 处的灰度。

**Object as Distribution** 摘要：目标检测是视觉场景理解的关键部分。目标在检测任务中的表示方式对注释的效率和可行性，遮挡的鲁棒性，姿势，光照和其他语义不确定性的可视源以及现实应用中的有效性（例如，自动驾驶）都具有重要意义。比较流行的目标表示形式包括2D和3D边界框，多边形，样条线，像素和体素。每种都有自己的优点和缺点。在这项工作中，我们提出了一种新的基于二元正态分布的目标的表示形式。这种基于分布的表示形式具有以下优点：可以可靠地检测高度重叠的目标，并且由于目标边缘的统计表示形式，具有改进下游跟踪和实例分割任务的潜力。我们对该目标检测任务的表示形式进行定性评估，并对其在实例分割任务的基准算法中的使用情况进行定量评估。 1 引言： 50多年来，目标检测一直是计算机视觉领域的主要问题之一[1]。 “目标”及其与场景的关系没有普遍的形式化或定义-这是数学，计算机科学，认知科学和哲学领域广泛研究和讨论的话题。尽一切努力明确定义在视觉场景中成为独特目标意味着什么，很多有价值的语义知识被丢弃了[2]。在计算机视觉中，2D图像空间中的目标已由其2D边界框[3]，3D边界框[4]，多边形[5]，样条线[6]，像素[7]和体素[8]定义。每个表示都有基准和最新的算法。从特定应用的实用角度（例如机器视觉）考虑，每种方法都有优点和缺点，它们提供了不同级别的保真度

最近因为任务需要，遇到视频像素格式的问题，学习了NV12和YV12，以及UYVY的具体存储区别。 总结如下： 像素格式描述了像素数据存储所用的格式，定义了像素在内存中的编码方式，RGB和YUV是两种经常使用的像素格式。 RGB：较为熟悉，具有3个通道R G B，分别对应红 绿 蓝三个分量，由三个分量的值决定颜色；通常，会给RGB图像加一个通道alpha，即透明度，于是共有四个分量共同控制颜色。（常用的opencv库默认将图片以BGR的方式进行存储，只是通道顺序不一样而已） YUV：（YCrCb）是指将亮度参量Y和色度参量U/V分开表示的像素格式，主要用于优化彩色视频信号的 传输 。 YUV像素格式来源于RGB像素格式，通过公式运算，YUV三分量可以还原出RGB，YUV转RGB的公式如下： R = Y + 1.403V G = Y - 0.344U - 0.714V B = Y + 1.770U 一般，将RGB和YUV的范围均限制在[0,255]间，则有如下转换公式： R = Y + 1.403(V - 128) G = Y - 0.344(U - 128) - 0.714(V - 128) B = Y + 1.770(U - 128) YUV采样：YUV相比于RGB格式最大的好处是可以做到在保持图像质量降低不明显的前提下，减小文件大小。YUV格式之所以能够做到，是因为进行了采样操作