前言
仅记录学习过程,有问题欢迎讨论
看看年前可以学到哪。
频率:
灰度值变化程度的指标,是灰度再平面上的梯度幅值:
幅值:
是在一个周期内,交流电瞬时出现的最大绝对值,也是一个正弦波,波峰到波谷的距离的一半。
图像的取样和量化:
- 取样:就是要用多少点来描述一幅图像,取样结果质量的高低就是用图像的分辨率来衡量的
- 量化:是指要使用多大范围的数值来表示图像采样之后的一个点。
- 数字化坐标值称为取样,数字化幅度值称为量化
上采样与下采样:
- 缩小图像(或称为下采样或降采样)的主要目的:
- 1、使得图像符合显示区域的大小;
- 2、生成对应图像的缩略图。
- 放大图像(或称为上采样或图像插值)的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。
插值方法:
-
最邻近插值:和哪个像素点近就插入其附近,等比例插入像素点的位置
-
双线性插值(常用):在两个方向上做线性插值(通过4个像素点等比例算出新的像素点位置,几何中心重合!)
-
双线性差值法的计算比最邻近插值法复杂,计算量较大,但没有灰度不连续的缺点,图像看起来更光滑。
直方图
反映了图像中的灰度分布规律(0-255)。它描述每个灰度级具有的像素个数,但不包含这些像素在图像中的位置信息。
图像直方图不关心像素所处的空间位置,因此不受图像旋转和平移变化的影响,可以作为图像的特征。直方图均衡化就是用一定的算法使直方图大致平和的方法(过亮过暗,套用公式计算新的映射像素点位置)
卷积:
- 就是特征提取,在CNN是通过大量数据训练得来的,有平滑效果,对位相乘再相加然后移动;
-
可以通过padding来计算边缘值,防止信息丢失
-
可以有多个卷积核,提取不同的特征;
-
卷积核的数量就是输出的通道数,卷积核的通道数就是输入的通道数 (对于输入的每一个通道,都需要有对应的卷积核通道来进行计算,可以参考下图)
卷积-3种填充模式
- full:卷积核相交图像开始计算,卷积结果尺寸小于原图像
- valid:卷积核边缘与图像边缘对齐,卷积结果尺寸小于原图像
- same:卷积结果尺寸等于原图像(常用,步长s=1)
插值和直方图的实现
"""
1.实现最邻近插值
2,实现双线性插值
3,证明几何中心对称系数
4.实现图像均衡化"""
import cv2
import matplotlib.pyplot as plt
import numpy as np# 1.实现最邻近插值
def nearest_interpolation(img, dst_h, dst_w):src_h, src_w, _ = img.shapet_x = dst_w / src_wt_y = dst_h / src_hdst_img = np.zeros((dst_h, dst_w, 3), dtype=np.uint8)for i in range(dst_h):for j in range(dst_w):x = int(j / t_x)y = int(i / t_y)dst_img[i, j] = img[y, x]return dst_img# 2.实现双线性插值
def bilinear_interpolation(img, dst_h, dst_w):src_h, src_w, _ = img.shapet_x = dst_w / src_wt_y = dst_h / src_hdst_img = np.zeros((dst_h, dst_w, 3), dtype=np.uint8)for i in range(dst_h):for j in range(dst_w):x = j / t_xy = i / t_yx1 = int(x)y1 = int(y)x2 = min(x1 + 1, src_w - 1) # 防止超过原图的宽 所以有这个min的行为y2 = min(y1 + 1, src_h - 1)# 公式dst_img[i, j] = (1 - (x - x1)) * (1 - (y - y1)) * img[y1, x1] + (1 - (x - x1)) * (y - y1) * img[y2, x1] + (x - x1) * (1 - (y - y1)) * img[y1, x2] + (x - x1) * (y - y1) * img[y2, x2]return dst_img# 3,证明几何中心对称系数为1/2
"""
设中点坐标为a = (x1+x2)/2, b = (y1+y2)/2
对x有 2a = (x1+x2) ,则 x2 = 2a - x1
对y有 2b = (y1+y2) ,则 y2 = 2b - y1
所以对称点坐标为 (2a - x1, 2b - y1)
因为中点,有 x2-x1 = 2(a-x1) ,得出x2和x1的差值是x1到a距离的两倍,并且方向是相反的
又因为是关于O中心对称,在x坐标系中,坐标系的变化系数就是1/2,
同理在y坐标系中,坐标系的变化系数也是1/2。"""# 4.实现图像均衡化
def equalization(img):# 灰度化# grey_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 多个通道每个通道都需要均衡化 然后合并b, g, r = cv2.split(img)eqb_img = cv2.equalizeHist(b)eqg_img = cv2.equalizeHist(g)eqr_img = cv2.equalizeHist(r)eqz_img = cv2.merge((eqb_img, eqg_img, eqr_img))return eqz_imgif __name__ == '__main__':img = cv2.imread("test.png")"""1.实现最邻近插值near_img = nearest_interpolation(img,300, 300)cv2.imshow("near_img",near_img)cv2.waitKey(0)""""""2.实现双线性插值near_img = bilinear_interpolation(img, 300, 300)cv2.imshow("bili_img", near_img)cv2.waitKey(0)"""# 4.实现图像均衡化dst_img = equalization(img)cv2.imshow("dst_img", dst_img)cv2.waitKey(0)