全书大纲【计算机图像处理】

日星月云2023-12-29 12:07

全书大纲【计算机图像处理】

前言

以下内容源自《【计算机图像处理】》
仅供学习交流使用

版权

禁止其他平台发布时删除以下此话
本文首次发布于CSDN平台
作者是CSDN@日星月云
博客主页是https://jsss-1.blog.csdn.net
禁止其他平台发布时删除以上此话

推荐

用编程解决习题【计算机图像处理】

全书大纲

第一章 01数字图像处理概论

一、图像与数字图像

图像：各种观测系统以不同形式和方法观测客观世界而获得的，对其相似、生动的写真或描述。

图像分类

二值图像 灰度图像 彩色图像 图像序列

数字图像：将一幅二维的图像通过有限个离散点来表示就成为数字图像。每个点称为图像元素，即像素。

I=f(x,y)

像素值：用来表示像素的灰度级、颜色、高度值、透明度等等。

二、数字图像处理与图像工程

数字图像处理：利用计算机对数字图像进行一系列操作，以获得某种预期结果。

（1）提高图像视觉质量的方法，达到赏心悦的目的；

（2）提取图像中所包含的某些特征或特殊信息，便于计算机分析和识别；

（3）对图像数据编码和压缩，便于存储、传输。

图像工程：系统研究各种图像理论、技术和应用的一门学科。

图像处理：

1、对图像进行各种加工，以改善图像视觉效果

2、对图像进行编码压缩，以降低所占存储空间

图像分析：

对图像中感兴趣的目标进行检测和测量，以获取信息，建立对图像和目标的描述。

图像理解：

依据分析得到的目标特性及其相互关系，借助先验知识，得到目标的识别，以指导或规划行动。

三、数字图像处理系统

四、数字图像处理技术

1、图像增强

2、图像恢复

3、图像编码

4、图像分割

5、图像分类与识别

6、彩色图像处理

应用：工业生产

无损探伤，石油勘探，生产过程自动化（识别零件，装配质量检查），工业机器人研制等。

应用：遥感领域

自然灾害监测、预报，森林覆盖计算水利工程等的客观估计计算

森林火灾监测－客观反映火灾情况、面积

地势、地貌测绘以及地质构造解译、找矿，环境污染检测等农业普查

地理信息系统（GIS)，数字图像处理技术广泛用于：

气象学

地形分类

操作卫星图像

全球夜间灯光数据集

可以提供全球人类居住区的汇总情况

应用：军事领域

1、测绘

2、无人机飞行控制

3、变化检测

4、气象预报

5、精确制导

应用：其他领域

生物医学：利用电磁波谱成像分析系统诊断病情。如显微镜图像分析，DNA成像分析等

小结

本次课学习内容：

  • 数字图像处理技术研究的主要内容
  • 数字图像处理及数字图像工程的相关概念
  • 数字图像处理系统组成
  • 数字图像处理主要技术
  • 数字图像处理技术应用
  • 数字图像处理技术的发展趋势

下次课学习内容：数字图像的采样与量化

作业

一、名词解释：图像，数字图像

java 复制代码 
图像：各种观测系统以不同形式和方法观测客观世界而获得的，对其相似、生动的写真或描述。 

数字图像：将一幅二维的图像通过有限个离散点来表示就成为数字图像。每个点称为图像元素，即像素。

二、简要叙述数字图像处理的目的。

java 复制代码 
数字图像处理：利用计算机对数字图像进行一系列操作，以获得某种预期结果。


（1）提高图像视觉质量的方法，达到赏心悦的目的；
（2）提取图像中所包含的某些特征或特殊信息，便于计算机分析和识别；
（3）对图像数据编码和压缩，便于存储、传输。

三、图像工程的三个层次模型包括哪三个层次，各层特点是什么？

java 复制代码 
图像处理：
1、对图像进行各种加工，以改善图像视觉效果
2、对图像进行编码压缩，以降低所占存储空间

图像分析：
       对图像中感兴趣的目标进行检测和测量，以获取信息，建立对图像和目标的描述。 

图像理解：
       依据分析得到的目标特性及其相互关系，借助先验知识，得到目标的识别，以指导或规划行动。

四、上网查阅：图像处理技术在医学领域应用的相关文献，并给出两个在医学方面应用的例子。

java 复制代码 
生物医学：利用电磁波谱成像分析系统诊断病情。如显微镜图像分析，DNA成像分析等


图像处理技术是一种通过计算机对图像进行分析、处理和识别，以实现特定目的的技术。在医学领域，图像处理技术广泛应用于医学诊断、治疗、病理学研究和药物研发等方面。以下是两个在医学方面应用的例子：

医学影像诊断：图像处理技术在医学影像诊断中发挥着重要作用。通过对医学影像（如X光片、CT、MRI等）进行图像处理，如图像增强、分割、特征提取和识别等操作，医生可以更准确地诊断病情，发现病变区域，并制定相应的治疗方案。例如，在肺癌诊断中，通过对肺部CT图像进行图像处理，可以准确地检测出肺部肿瘤的位置、大小和形态等信息，有助于医生做出更准确的诊断和治疗方案。

病理学研究：图像处理技术在病理学研究中也有广泛应用。通过对病理切片进行图像处理，如染色、分割、特征提取和分类等操作，可以辅助病理学家对肿瘤进行准确的病理诊断和分级。此外，通过对病理切片进行数字化处理和分析，还可以进行分子生物学研究，探索肿瘤发生、发展和转移的机制，为药物研发和个性化治疗提供有力支持。

总之，图像处理技术在医学领域的应用十分广泛，不仅可以提高医学影像诊断的准确性和效率，还可以为病理学研究和药物研发提供重要的技术支持。随着数字化医疗技术的不断发展，图像处理技术将发挥越来越重要的作用。

第二章 02视觉过程与成像基础

一、视觉过程

二、光与电磁波谱

三、成像模型

小结

本次课学习内容：

  • 视觉过程
    • 人眼的生理结构
    • 视觉形成的物理过程、化学过程和神经处理过程
    • 视觉特性
  • 光和电磁波谱
  • 成像模型

下次课学习内容：采样量化与像素间关系

作业

1、人眼视网膜中两类光接收细胞是什么，并简述各自的特点。

java 复制代码 
人眼视网膜中存在两类光接收细胞，分别是视锥细胞和视杆细胞。

1. 视锥细胞：视锥细胞主要负责彩色视觉和高分辨率的视觉。它们数量较少，分布在视网膜的中央区域，特别是在黄斑区。视锥细胞有三种类型，分别对应于三种不同的色彩感受：红、绿和蓝。这些细胞相对较大，对光线的强度和颜色敏感，适合在明亮的环境下进行详细的视觉任务。

2. 视杆细胞：视杆细胞负责黑白视觉和在低光强度下的视觉。视杆细胞数量较大，分布在视网膜的周边区域，特别是在视网膜的外围部分。视杆细胞只有一种类型，对光线的强度非常敏感，但对颜色不敏感。它们对暗处的目标、运动和周围环境的变化具有较高的敏感性，适合用于夜间或低光强度环境下的视觉任务。

总的来说，视锥细胞适合进行高分辨率和彩色的视觉任务，而视杆细胞适合进行黑白视觉和在低光强度下的视觉。这两种细胞相互协作，使人眼能够适应各种环境中的视觉需求。

2、视觉形成的三个过程是什么？

java 复制代码 
视觉形成的三个过程是感光、转导和解读。

1. 感光：感光是指视觉系统的第一步，它发生在视网膜中的感光细胞（视锥细胞和视杆细胞）中。当光线进入眼睛并照射到视网膜上的感光细胞时，感光细胞会吸收光并产生电信号。

2. 转导：转导是指将感光细胞产生的电信号转化为神经信号的过程。感光细胞中的光敏色素分子会受到光线的激发，触发一系列的生化反应，最终产生电信号。这些电信号被传递给视网膜中的神经元，经过多层神经元的传递和处理后，信号会被发送到大脑。

3. 解读：解读是指大脑对接收到的电信号进行解码和理解的过程。大脑中的视觉皮层负责对电信号进行解读，将电信号转化为视觉感知。这个过程包括对光线的强度、颜色、形状、运动等信息的处理和分析，最终形成我们所看到的视觉图像。

这三个过程相互衔接，共同完成了视觉的形成。感光将光转化为电信号，转导将电信号传递到大脑，解读将电信号转化为我们所理解的视觉感知。

3、成像模型是怎么构成的？各组成部分的含义是什么？

java 复制代码 
成像模型是用来描述光线通过光学系统（如眼睛、相机等）形成图像的理论模型。成像模型由以下几个组成部分构成：

1. 光源：光源是指产生光线的物体，可以是自然光、人工光源或反射光源等。光源发出的光线经过光学系统的处理后，形成最终的图像。

2. 物体：物体是指位于光学系统前的待成像的对象。物体可以是实际的三维物体，也可以是图像的投影或反射。物体可以具有不同的形状、颜色和纹理等特征。

3. 光学系统：光学系统包括镜头或透镜等光学器件，它们用来聚焦和控制光线的传播。光线经过透镜的折射和反射，形成经过处理的光线束，最终形成图像。

4. 图像平面：图像平面通常是指成像模型中的一个平面，它位于光学系统的焦点处或图像的最终聚焦位置。图像平面上的每个点都对应着光学系统中的一个物点，形成了最终的图像。

5. 成像：成像是指光线经过光学系统的处理后，在图像平面上形成最终的图像。图像可以是实际的物体的拷贝，也可以是光线经过反射或折射后形成的虚拟图像。

成像模型描述了光线从光源经过光学系统到达图像平面的过程，包括物体的位置、大小、形状、光源的特性、光学系统的参数等。成像模型可以用来研究光学系统的成像特性，优化图像质量，以及设计和改进光学设备。

第三章 03采样量化与像素间关系

一、图像的获取

图像的空间分辨率和幅度分辨率与什么有关？

空间分辨率是图像的尺度大小

幅度分辨率是像素灰度幅度的多少，幅度分辨率变化所产生的效果

二、采样与量化

影响采样值的因素：传感器技术、采样频率。

影响量化值的因素：人的视觉系统分辨率；与具体应用有关。

图像质量：

（1）清晰度

（2）分辨率

（3）平均亮度

（4）对比度

三、像素间关系

邻域：与某一像素邻近的像素的集合。


连接要看灰度是否一致，邻接只要接触就行，不考虑像素灰度是否一致。


距离量度函数:

（1）D(p,q) ≥0 (D(p,q)=0，当且仅当p=q)

（2）D(p,q) = D(q,p)

（3）D(p,r) ≤D(p,q)+D（q,r）

三条性质，很好看懂，9个字概括，很好理解

我自己起的名字，解释如下：

(1)非负性：p到q的距离不小于0,如果p、q重合取等号

(2)可逆性：p到q的距离等于q到p的距离

(3)矢量型：三角形两边之和大于第三边，如果三点共线取等号

为什么叫矢量性，向量pr=向量pq+向量qr，他们的模运算（就是类似绝对值符号）有这样的关系

欧氏距离就是勾股定理（毕达哥拉斯定理）

城区距离就是曼哈顿距离

棋盘距离就是对角距离

三个距离在A * 算法中有所运用： class065 A星、Floyd、Bellman-Ford与SPFA【算法】

A * 算法就是Dijkstra算法变形，最短距离衡量入队的标准不仅仅到源点的距离还有该点到终点的距离，

该点到终点的距离一般使用上面三个算法，要求这个标准要小于等于实际的距离

A*算法经常在游戏中的NPC寻路算法

小结

本次课学习内容：

  • 图像的获取
  • 采样与量化
    • 采样量化与图像质量的关系
  • 像素空间关系
    • 像素的邻域、连接、连通
    • 像素集合的邻域、连接、连通
    • 连通组元
    • 距离的度量（欧式、城区、棋盘）

下次课学习内容：坐标变换与几何失真校正

作业

一、请计算像素点a(0,1)和像素点b（6,9）之间的欧氏距离，棋盘距离以及城区距离。

java 复制代码 
欧氏距离：((6-0)^2+(9-1)^2)^0.5=10   345 6810勾股数
棋盘距离：max(|0-6|,|1-9|)=8
城区距离:(|0-6|+|1-9|)=14

二、图像的空间分辨率与幅度分辨率与什么有关？

java 复制代码 
空间分辨率是图像的尺度大小
幅度分辨率是像素灰度幅度的多少，幅度分辨率变化所产生的效果

第四章 04坐标变化与几何失真矫正

一、基本坐标变换

以下内容不太好写，只能复制PPT了

坐标变换可借助矩阵写为:

T是转置运算符号

A(i,j)在A^T^中就是(j,i)

此处就是1列矩阵使用1行矩阵表示而已

平移变换

矩阵的乘法

A[m][n] B[n][p] C[m][p]

C[i][j]=sum(A[i][k]*B[k][j])，k从1到n

平移就是加减值

缩放（尺度）变换

缩放（尺度）就是乘除值

旋转变换

定义的是顺时针旋转

怎么记忆：

1初始对角全是1

2绕x旋转 c s -s c 在右下

3绕y选择 c -s s c 在四角

4绕z旋转c s -s c 在左上

方位是相对3x3矩阵

计算的结果必定是绕那个轴，那个轴的坐标不变

变换的级联


例1

左先平移后缩放，右为先缩放再平移。是不一致的。 （ppt有误）

变换的推广

坐标反变换

平移相反数

选择倒数

旋转对称角

二、几何失真校正

**　方法一：最近邻插值法**

一种最简单的灰度插值方法就是最近邻插值法，也即将离映射点最近的像素的灰度值赋给该映射点。这种方法本质上是不是就是刚才所说的"四舍五入"的方法？

当然，这种方法虽然简单，但存在一定的不足之处，忽略了像素灰度在局部区域的变化，估计不够精确。

方法二：双线性插值法

例

下面我们看一道例题。已知校正图像中某坐标(𝒙,𝒚)的像素映射到失真图像中的坐标(𝒙′,𝒚′)=(𝟒.𝟔,𝟓.𝟑)，(𝒙′,𝒚′)点的四个最近邻像素A、B、C、D的灰度值如下表所示。请利用最近邻插值法和双线性插值法估计校正图像中坐标(𝒙,𝒚)处的灰度值。

最近邻法很简单，待估计点离B点最近，所以像素值为15.

双线性插值法利用刚才的公式，可以分别计算出E点和F点的灰度值，进一步可以计算出待估计点的灰度值为13.54.

好，到这里我们把几何失真校正的理论问题解决了，下面我们来看看实验结果。

小结

本次课学习内容：

基本坐标变换
几种常见的坐标变换的实现

几何失真校正

模型构建

模型求解
空间映射
灰度插值

下次课学习内容：空间滤波基础与灰度变换

作业

第1题：某一坐标[x,y,z]先绕X轴顺时针旋转30°，然后再绕Y轴顺时针旋转45°，请写出坐标变换矩阵。

特殊角π/6 π/4 π/3的函数值

1 1 √ 2 1 2 √ 3

java 复制代码 
变化矩阵不需要计算结果
最终变化矩阵是两次变换的乘积 先左后右
绕x顺时针旋转30°的变换矩阵 R_x=
[1,		0,			0,			0]
[0,		cos(30°),	sin(30°),	0]
[0,		-sin(30°),	cos(30°),	0]
[0,		0,			0,			1]
=
[1,		0,			0,			0]
[0,		√3/2 ,		1/2,		0]
[0,		-1/2,		√3/2,		0]
[0,		0,			0,			1]

绕Y轴顺时针旋转45°的变换矩阵 R_y=
[cos(45°),		0,		-sin(45°),	0]
[0,				1,		0,			0]
[sin(45°),		0,		cos(45°),	0]
[0,				0,		0,			1]
=
[√2/2,			0,		-√2/2,		0]
[0,				1,		0,			0]
[√2/2,			0,		√2/2,		0]
[0,				0,		0,			1]

所以变换矩阵R=R_x*R_y=
[-√2/2,			0,		0,			0]
[√2/4,			√3/2,	√2/4,		0]
[√6/4,			-1/2,	√6/4,		0]
[0,				0,		0,			1]

第2题：已知校正图像中某坐标(𝒙,𝒚)的像素映射到失真图像中的坐标( 𝒙′ , 𝒚') =(𝟒.3, 𝟓.6)，(𝒙′,𝒚′)点的四个最近邻像素A、B、C、D的灰度值如下表所示。请利用最近邻插值法和双线性插值法估计校正图像中坐标(𝒙,𝒚)处的灰度值。

g(A) g(B) g(D) g(D)
10 15 13 16

就是例题

第五章 05空域滤波基础与灰度变换

一、图像空域增强基础

图像增强：

对图像进行处理以改善图像的视觉效果，或使之更适合人或机器进行分析和处理。例如，平滑、锐化、消噪、对比度增强、去模糊、超分辨率重构等等。

图像滤波：

对图像进行处理，在保留感兴趣的属性、特征或频率成分的基础上，尽可能滤除其他干扰成分。例如，平滑滤波、锐化滤波、高斯滤波、双边滤波等等。

图像增强分类

根据处理域的不同可分为:空域增强 vs 频域增强

根据处理目的不同可分为:图像平滑、图像锐化、图像去模糊等

根据理论基础的不同可分为: 基于传统理论的增强、基于深度学习的增强等

二、图像间运算




3、加法运算与应用

将多幅噪声图像叠加后，再取平均值，减小随机噪声影响

4、减法运算与应用

将视频中相邻两幅图像相减，可以检测运动信息

5、乘法运算与应用

可以进行图像合成

6、除法运算与应用

作用 1）光照非均匀性校正

2）利于地物识别

三、图像的灰度变换

0-255级灰度级，求反，L=256。


小结

作业

1、请设计一个灰度映射函数，使得通过该函数映射后的图像，其最小灰度值为C，最大灰度值为L-1。（给出函数的表达式并画出对应的函数图像）

灰度映射函数可以通过以下的线性变换来实现：

f(x) = (L-1)/(L-C) * (x - C)

其中，x表示原始图像中的灰度值，f(x)表示映射后的灰度值，C表示最小灰度值，L表示最大灰度值。

我们可以通过绘制函数图像来更直观地理解这个灰度映射函数的效果。

2、如果要对静止摄像头获取的图像序列中的运动目标进行分割，你有什么好的想法吗？请简要描述你设计的算法思路。

为了对静止摄像头获取的图像序列中的运动目标进行分割，以下是一个常见的算法思路，称为帧差法（Frame Difference）：

1. 首先，选择两帧连续的图像，称为当前帧和前一帧。
2. 对这两帧图像进行灰度化，便于后续处理。
3. 计算当前帧和前一帧之间的像素差异。可以使用绝对差值或其他差异度量方法，例如均方差。
4. 设置一个阈值来判断像素差异是否超过阈值。超过阈值的像素被认为是属于运动目标的像素。
5. 可以进一步对运动目标进行形态学操作，例如腐蚀和膨胀，以去除噪声和填充空洞。
6. 重复步骤2到步骤5，处理图像序列中的每一帧，得到运动目标的分割结果。

帧差法的思路是基于连续帧之间的像素差异来检测运动目标。当物体发生运动时，其像素值会发生变化，因此像素差异较大。通过设置适当的阈值，可以将运动目标从背景中分割出来。然后，通过形态学操作可以进一步优化分割结果。

需要注意的是，帧差法对于相机移动或场景变化敏感，因为这种算法只考虑了连续帧之间的差异。对于复杂场景或相机移动较大的情况，可能需要结合其他技术或算法来实现更好的运动目标分割。

第六章 06图像的直方图变换

直方图的概念

直方图均衡化步骤

直方图均衡化计算

此处注意L-1=7是已经确定好的，取整是下取整。

第一步累计直方图：tk[i]=t[i-1]+sk[i]

第二步扩展取整：向下取整（7*tk）

第三步映射：就是k->扩展取整后的值

输出均衡直方图，根据映射

sk'[k']=sk[k]，k->k'是计算的映射，如果对应映射，sk'就是多个sk的和


直方图规定化




小结

作业

一幅灰度级为8的图像对应的归一化直方图为[0.17，0.25，0.21，0.16，0.07，0.08，0.04，0.02]。用列表法计算直方图均衡化后图像的灰度级和对应的概率，并画出处理前后直方图的对比图。

原始灰度级k 0 1 2 3 4 5 6 7
原始直方图sk 0.17 0.25 0.21 0.16 0.07 0.08 0.04 0.02
累计直方图tk 0.17 0.42 0.63 0.79 0.86 0.94 0.98 1.0
扩展取整 1 2 4 5 6 6 6 7
映射 0->1 1->2 2->4 3->5 4->6 5->6 6->6 7->7
均衡化直方图 0.17 0.25 0.21 0.16 0.19 0.02

对比：

0 1 2 3高频扩散

4 5 6低频聚合

第七章 07图像的噪声抑制

一、图像噪声的基本概念

所谓的图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。

常见的有椒盐噪声和高斯噪声。

二、均值滤波

例

就是周围的点的平均值


三、中值滤波

就是周围9个选择中位数替代

中值滤波器与均值滤波器的比较

对于椒盐噪声，中值滤波效果比均值滤波效果好。

原因：

椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。

中值滤波是选择适当的点来替代污染点的值，所以处理效果好。

因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。

对于高斯噪声，均值滤波效果比均值滤波效果好。

原因：

高斯噪声是幅值近似正态分布，但分布在每点像素上。

因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。

因为正态分布的均值为0，所以均值滤波可以消除噪声。（注意：实际上只能减弱，不能消除。思考为什么？）

四、边界保持类平滑滤波

选择最接近的K个邻居的均值

小结

作业

此处注意，要点明凡是代替的点就是噪声点。

1.均值滤波

周围所有邻居的平均值

2.中值滤波

周围所有邻居的中位数

3.KNN滤波

周围和他差值最小的K个邻居的平均值

可以看看这个：用编程解决习题【计算机图像处理】

1
输出原始图像
[59, 60, 58, 57]
[61, 90, 59, 57]
[62, 59, 0, 58]
[56, 61, 60, 56]
输出均值滤波图像
[59, 60, 58, 57]
[61, 56, 55, 57]
[62, 56, 56, 58]
[56, 61, 60, 56]
输出中值滤波图像
[59, 60, 58, 57]
[61, 60, 59, 57]
[62, 61, 59, 58]
[56, 61, 60, 56]
java 复制代码 
2
输出原始图像
[1, 5, 255, 100, 200, 200]
[1, 7, 254, 101, 10, 9]
[3, 7, 10, 100, 2, 6]
[1, 0, 8, 7, 2, 1]
[1, 1, 6, 50, 2, 2]
[2, 3, 9, 7, 2, 0]
输出knn滤波图像
[1, 5, 255, 100, 200, 200]
[1, 6, 162, 64, 25, 9]
[3, 7, 8, 46, 4, 6]
[1, 1, 8, 7, 2, 1]
[1, 1, 7, 16, 2, 2]
[2, 3, 9, 7, 2, 0]

第八章 08图像的锐化处理

略略略...

一、图像细节的基本特征

二、一阶微分算子

三、二阶微分算子

小结

作业

第九章 09彩色图像处理

一、彩色图像的基本概念

二、彩色模型

三、彩色图像处理

◆ 彩色增强

◆ 彩色补偿

◆ 彩色平衡

小结

一、彩色图像的基本概念

二、彩色模型

1、RGB模型（计算彩色模型系统）

2、HSI模型（视觉彩色模型系统）

3、CMYK模型（工业彩色模型系统）

三、彩色图像处理

1、彩色增强

2、彩色补偿

3、彩色平衡

作业

1、人类视觉系统对哪三种颜色的光波敏感？

红绿蓝

2、请给出RGB模型的笛卡尔坐标，并在坐标上标出黑、白、红、绿和蓝色的坐标点位置及坐标值。

正方体的几个顶点
黑(0,0,0) 白(1,1,1) 
红(1,0,0) 绿(0,1,0) 蓝(0,0,1)
黄(1,1,0) 青(0,1,1) 深红(1,0,1)

3、HSI颜色模型中的H、S和I分别是什么含义？

H: 色调 (Hue)
S: 饱和度(Saturation)
l: 亮度 (Intensily，或强度）

4、如果想要将一幅灰度图像转变为彩色图像，可以采取哪一种彩色图像处理方法？

java 复制代码 
伪彩色增强

第十章 10二值图像的分析

一、二值图像分析的基本概念


二、贴标签法



三、腐蚀与膨胀


ppt动画可以看看

检查原来的所有黑色的值1

模板原点与其对应

模板所能覆盖的点是否全为1，不是就腐蚀为0，是保留1


ppt动画可以看看

步骤

就是检查原来的所有白色的值0

模板原点与其对应

检查目板所能覆盖的点是否存在1，存在就膨胀为1，不存在还是0


四、开运算与闭运算




小结

一、二值图像分析的基本概念

二、二值图像的分析方法

1、贴标签法

2、腐蚀与膨胀

3、开运算与闭运算

作业

1）

不一定对

原始图像
1 1 1 0 0 0
1 0 0 1 0 1
1 0 0 0 0 1
0 0 1 0 1 1
0 1 0 0 1 0
0 0 0 1 0 0

添标签
1 1 1 0 0 0
1 0 0 1 0 2
1 0 0 0 0 2
0 0 3 0 2 2
0 3 0 0 2 0
0 0 0 2 0 0

2）

原始图像
1 1 1 0 0 0
1 0 0 1 0 1
1 0 0 0 0 1
0 0 1 0 1 1
0 1 0 0 1 0
0 0 0 1 0 0


腐蚀
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0


膨胀
1 1 1 1 1 0
1 0 0 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1
0 1 1 1 1 0
0 0 0 1 0 0

第十一章 11目标表达和描述

略

11.1 目标标记

11.2 基于边界的表达

11.3 基于区域的表达

11.4 基于边界的描述

11.5 基于区域的描述

第十二章 12基本图像变换

略略略

一、图像变换基础

二、图像傅里叶变换

三、图像傅里叶变换性质

四、图像傅里叶频谱分析

小结

作业

第十三章13图像频域增强

略略略

一、知识回顾

二、频域增强基本原理

三、图像低通滤波

四、图像高通滤波

小结

作业

最后

我们都有光明的未来

祝大家考研上岸
祝大家工作顺利
祝大家得偿所愿
祝大家如愿以偿
点赞收藏关注哦

相关推荐
Luis Li 的猫猫1 小时前
深度学习中的知识蒸馏
人工智能·经验分享·深度学习·学习·算法
木觞清3 小时前
PyTorch与TensorFlow的对比：哪个框架更适合你的项目？
人工智能·pytorch·tensorflow
wyg_0311136 小时前
用deepseek学大模型04-模型可视化与数据可视化
人工智能·机器学习·信息可视化
陈敬雷-充电了么-CEO兼CTO7 小时前
DeepSeek核心算法解析：如何打造比肩ChatGPT的国产大模型
人工智能·神经网络·自然语言处理·chatgpt·大模型·aigc·deepseek
南风过闲庭8 小时前
人工智能泡沫效应
大数据·人工智能·科技·搜索引擎·百度·ai
我是一个对称矩阵9 小时前
YOLOv5-Seg 深度解析：与 YOLOv5 检测模型的区别
人工智能·yolo·目标跟踪
AomanHao9 小时前
图像质量评价指标-UCIQE-UIQM
图像处理·人工智能·计算机视觉·评价指标
MYT_flyflyfly9 小时前
计算机视觉-尺度不变区域
人工智能·计算机视觉
何小Ai同学9 小时前
Deepseek赚钱密码：小场景闭环如何让你快速盈利？
人工智能·架构·deepseek
AI服务老曹9 小时前
通过感知、分析、预测、控制，最大限度发挥效率的智慧油站开源了
人工智能·开源·自动化·音视频
热门推荐
01DeepSeek各版本说明与优缺点分析02如何在WPS和Word/Excel中直接使用DeepSeek功能03DeepSeek本地部署详细指南04本地部署DeepSeek教程（Mac版本）05本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程06DeepSeek r1本地安装全指南07太炸裂了！清华大学deepseek从入门到精通使用手册又出第三版了，《普通人如何抓住DeepSeek红利》（无套路，直接下载）08DeepSeek RAGFlow构建本地知识库系统09DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具10Page Assist - 本地Deepseek模型 Web UI 的安装和使用