图像像素

第二章 操作像素 在本章，我们会讲述： 处理像素值 用指针扫描图像 用迭代器扫描图像 写高效的图像扫描循环 用相邻的方法扫描图像 展示简单的图像计算 定义感兴趣的区域 【概述】 为了建立计算机图像应用，你必须能够接触图像内容，并且最终修改或者创建图像。这一章中会教你如何操作图像元素，比如像素。你会学 习到如何扫描一幅图像并处理每个像素点。你也会学习到如何高效地做，因为就算是适当的维度的图像也会包含成千上万的像素的。 基本上将，一个图像时一个数值对应的矩阵。这就是OpenCV2用cv::Mat处理图像的原因了。矩阵中的每一个元素代表一个像素。对于一个灰 度图像（黑白图像），像素值是8位的无符号型值（也就是非负数。。），相应地，0代表黑色而255代表白色。对于彩色图像，每个像素的三 个这样的值代表着我们常常说的三原色（红，绿，蓝）。此时一个矩阵元素由三个值生成。 正如前面所讲，OpenCV也允许你用不同类型的像素值创建图像，比如CV_8U或者浮点值CV_32F。这些对于存储很有用的，例如在一些图像处理 过程中的起到媒介作用的图像。大多数操作可以被应用到任何类型的矩阵上，其他的则是需要特定的类型，或者只能和给定数量的通道数量 起作用。所以说，为了避免在编程中犯常见错，对于一个函数或者方法的前提的理解是很重要的。 整个这一章节，我们用如下的一张图片作为输入图片。 【处理像素值】

阈值化 在对图像进行处理操作的过程中，我们常常需要对图像中的像素做出取舍与决策，直接剔除一些低于或高于一定值的像素。 阈值分割可以视为最简单的图像分割方法。比如基于图像中物体与背景之间的灰度差异，可以利用阈值分割出我们需要的物体。这种分割是像素级的分割，为了从一幅图像中提取我们需要的部分，应该用图像中的每个像素点的灰度值与选择的阈值进行比较，并作出取舍判断。 注意，阈值的选取依赖于具体问题，物体在不同的图片中可能会有不同的灰度值。一旦找到了需要分割的物体的像素点，可以对这些像素点设定一些特定的值来表示。例如可以将物体的像素点的灰度值设定为”0“（黑色），其他像素点的灰度值设为”255“（白色）。 OpenCV 中 threshold() 函数 （固定阈值操作）和 adaptiveThreshold() 函数（自适应阈值操作）可以满足这样的需求。它们的基本思想是：给定一个数组和一个阈值，根据数组中的每个元素的值是高于还是低于阈值而进行一些操作。 固定阈值操作：threshold 函数 threshold() 函数是对单通道数组应用固定阈值操作。该函数的典型应用是对灰度图像进行阈值操作得到二值图像（compare 函数也可以达到此目的），或者去除噪声，过滤掉像素值很小或很大的图像点。 double threshold(InputArray src, OutputArray dst,

你不得不了解的深度学习知识（一） 1 深度学习 深度学习是机器学习的一个分支(最重要的分支) 机器学习是人工智能的一个分支 (1)大白话解释深度学习 假设深度学习要处理的信息是“水流”，而处理数据的深度学习网络是一个由管道和阀门组成的巨大水管网络。网络的入口是若干管道开口，网络的出口也是若干管道开口。这个水管网络有许多层，每一层由许多个可以控制水流流向与流量的调节阀。根据不同任务的需要，水管网络的层数、每层的调节阀数量可以有不同的变化组合。对复杂任务来说，调节阀的总数可以成千上万甚至更多。水管网络中，每一层的每个调节阀都通过水管与下一层的所有调节阀连接起来，组成一个从前到后，逐层完全连通的水流系统。 那么，计算机该如何使用这个庞大的水管网络来学习识字呢？ 比如，当计算机看到一张写有“田”字的图片，就简单将组成这张图片的所有数字（在计算机里，图片的每个颜色点都是用“0”和“1”组成的数字来表示的）全都变成信息的水流，从入口灌进水管网络。 我们预先在水管网络的每个出口都插一块字牌，对应于每一个我们想让计算机认识的汉字。这时，因为输入的是“田”这个汉字，等水流流过整个水管网络，计算机就会跑到管道出口位置去看一看，是不是标记由“田”字的管道出口流出来的水流最多。如果是这样，就说明这个管道网络符合要求。如果不是这样，就调节水管网络里的每一个流量调节阀，让“田”字出口“流出”的水最多。 这下

The Graphics Rendering Pipeline 渲染管线，这章主要讲光栅化渲染管线。 毕业前实习时，也实现过一个简单的软光栅化渲染管线，再复习一下。 在计算机图形学领域，shading指基于表面相对灯光的角度、距灯光的距离、相对于相机的角度和材质的属性等来修改物体/表面/多边形的颜色，进而创造一个具有真实感效果的过程。 In computer graphics, shading refers to the process of altering the color of an object/surface/polygon in the 3D scene, based on things like (but not limited to) the surface's angle to lights, its distance from lights, its angle to the camera and material properties (e.g. bidirectional reflectance distribution function) to create a photorealistic effect. Shading is performed during the rendering process by a program called a

1 、图像滤波理论 1.1 图像滤波理论 图像滤波即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作。消除图像中的噪声又叫做图像滤波或平滑，滤波的目的有两个，一是突出特征以方便处理，二是抑制噪声。 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。 1.2 邻域滤波算子 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，用计算后的新像素值代替点（x，y）的值。 3）循环步骤1和2，滤波器的中心遍历图像中的每个像素后，就生成了滤波后的图像。 4）如果在图像像素上执行的是线性操作，则该滤波器称为线性空间滤波器，否则，称为非线性空间滤波器。 一般来说，使用大小为 m×n的滤波器对大小为 M×N的图像进行线性空间滤波，可由下式表示： 2 、OpenCV

》开始入手第一部分知识点 关于viewport(视口)的了解 视口就是浏览器中用于显示网页的区域，PC端，视口的宽度等于浏览器窗口的宽度。而在移动端，视口又分为布局视口(layout viewport)、视觉视口(visual viewport)和理想视口(ideal viewport)。 那什么是布局视口( layout viewport）？ 视口与浏览器屏幕不相关联，CSS布局会根据他来计算，并被他约束，为了容纳为桌面浏览器设计的网站，移动设备默认的布局视口宽度远大于屏幕的宽度，其大小与设备有关。 通过document.documentElement.clientWidth/Height可得到布局视口的尺寸 什么是视觉视口( visual viewport) ？ 用户看到的网站区域，即用户看到网页区域内CSS像素的数量（注意, 是网站区域，不要和屏幕区域混淆了） 屏幕通过手势放大时，用户可看到的网站区域相对减小，此时视觉视口也在减小 通过window.innerWidth/Height可得到视觉视口的尺寸 什么是理想视口( ideal viewport)？ 为浏览器定义的可完美适配移动端的视口，可认为是设备视口宽度 只有当为页面添加meta视口标签时，理想视口才会生效，如下： //这一行代码告诉浏览器，布局视口的宽度应该与理想视口的宽度一致 <meta name="device

锵锵锵！新一期的真相系列又和大家见面啦~~~ 在之前的文章中，我们向大家介绍了信噪比及其计算方法，还记得这个公式么？ 大家都想要获得信噪比高的图像，但是噪声就像一个如影随形的幽灵，总是出来捣乱。尤其在一些高端显微成像应用中，如转盘式共聚焦、TIRF、单分子荧光成像等，由于信号弱，这时更低的噪声尤为重要。俗话说，知己知彼，方能百战百胜。在接下来的两期文章中，小编就来和大家详细的聊一聊噪声——这个我们无法摆脱的讨厌鬼。 先来明确一下噪声的概念。实际生活中的噪声多种多样，比如声音的噪声、电信号传输的噪声以及相机的噪声等等。噪声是围绕着信号上下波动的不确定性，从统计学上来说，就是标准差。让我们先来看看在成像过程中都会遇到哪些“不确定性”。 散粒噪声 (Photo shot noise) 入射到相机的光子在硅层内被转换成光电子，由于光信号的量子特性，相机捕获到的信号存在一定的不确定性。这就是 散粒噪声。 大家还记得在信噪比1中我们说过它的值等于信号的平方根： 这里要告诉大家的坏消息是：散粒噪声的存在是一种物理现象，是不能通过相机的设计来减少的，但它却是信噪比中重要的影响因素。想象一下，如果有一个没有任何噪声的理想相机，它拍摄的图像信噪比也不是无穷大的。其图像的信噪比随信号强度变化的曲线如下。 读出噪声 (Read noise) 读出噪声，顾名思义就是相机在读出信号时产生的噪声

（一）中值滤波 -统计排序滤波器 -对椒盐噪声有很好的抑制作用 对3*3领域像素进行排序 取中值作为中心像素点 （二）双边滤波 高斯双边滤波是边缘保留的滤波方法，避免了边缘信息的缺失，保留了图像轮廓不变 判断相邻像素点是否相差太大 选择性的进行模糊 （三）相关API （1）中值模糊medianBlur(Mat src,Mat dst,Ksize) -Ksize必须是大于1而且是奇数 （2）双边模糊bilateralFilter(src,dst,d = 15,150,3) -15-计算的半径，如果提供-1，则根据sigma space参数取值 -150-决定差值多少之内的像素会被计算 -3-sigma space，如果d值大于0则声明无效，否则根据它来计算d值大小 （代码部分） # include <opencv2/opencv.hpp> # include <iostream> # include <math.h> using namespace cv ; using namespace std ; int main ( int argc , char * * argv ) { Mat src ; src = imread ( "D:/picture/Curry.jpeg" ) ; if ( src . empty ( ) ) //如果没有找到图片 { printf (

Image类属性 Image类中的属性表示了一张图像的基本信息，现将其主要属性总结如下： format        图像的文件格式 size         图像的大小(单位为像素)，形如(宽度，高度)的2元组 width         图像宽度（单位为像素） height        图像高度（单位为像素） mode         图像的模式，常见模式如下： 图像模式 属性 1 1位像素，每个像素用8个bit表示，黑白二值图，0-黑，255-白 L 灰度图，每像素用8位二进制代码表示 P 8位彩色模式，每个像素用8位二进制代码表示， 其对应的色彩是按照调色板查询出来的 RGB 3*8位像素，每像素用3个二进制字节代码表示，表示真彩色图像 RGBA 4*8位像素，带透明蒙版的真彩色，每像素用4个字节二进制代码表示，其中的A为alpha透明度 CMYK 印刷模式，每个像素用4个字节二进制代码表示。C=青色；M= 品红色；Y= 黄色；K=黑色 LAB Lab颜色空间，每像素用3个字节二进制代码表示 YCbCr 3*8位像素，彩色视频格式 HSV 3*8位像素，H为色相，S为饱和度，V为颜色空间 I 整数形式表示像素，每像素用4个字节二进制代码表示 F 浮点数形式表示像素，每像素用4个字节二进制代码表示 filename       图像的文件名或者路径 bits        

有效像素 数码相机的像素数包括有效像素（Effective Pixels）和最大像素（Maximum Pixels）。与最大像素不同的是有效像素数是指真正参与感光成像的像素值，而最高像素的数值是感光器件的真实像素，这个数据通常包含了感光器件的非成像部分，而有效像素是在镜头变焦倍率下所换算出来的值。 数码图片的储存方式一般以像素（Pixel）为单位，每个象素是数码图片里面积最小的单位。像素越大，图片的面积越大。要增加一个图片的面积大小，如果没有更多的光进入感光器件，唯一的办法就是把像素的面积增大，这样一来，可能会影响图片的锐力度和清晰度。所以，在像素面积不变的情况下，数码相机能获得最大的图片像素，即为有效像素。 最大像素 最大像素英文名称为Maximum Pixels，所谓的最大像素是经过插值运算后获得的。插值运算通过设在数码相机内部的DSP芯片，在需要放大图像时用最临近法插值、线性插值等运算方法，在图像内添加图像放大后所需要增加的像素。插值运算后获得的图像质量不能够与真正感光成像的图像相比。以最大像素拍摄的图片清晰度比不上以有效像素拍摄的。 Sensor： 影像感光器件成像的因素主要有两个方面：一是感光器件的面积；二是感光器件的色彩深度。感光器件面积越大，成像较大，相同条件下，能记录更多的图像细节，各像素间的干扰也小，成像质量越好。但随着数码相机向时尚小巧化的方向发展