目录
颜色空间:
RGB颜色空间:
CMY(K)颜色空间:
HSV颜色空间:
CIE-XYZ颜色空间:
图片存储原理:
图像增强的目标:
图像处理方法:
点运算:
直方图:
均衡化:
自适应直方图均衡:
形态学运算 :
临域运算:
颜色空间:
RGB颜色空间:
- 加法混色,彩色显示屏(越叠加越白)
- 3个通道:红色通道、绿色通道、蓝色通道
- 一个像素颜色值:(b,g,r)
- 取值范围:[0,255] [0.0,1.0]
CMY(K)颜色空间:
- 减法混色,印刷(越叠加越黑)
- 4个通道:Cyan通道、Magenta通道、Yellow通道、Key通道
- 一个像素颜色值:(c,m,y,k)
- 取值范围:[0, 255] [0.0, 1.0]
HSV颜色空间:
- 人类视觉概念,画家配色
- 3个要素:H/Hue:色调,颜色种类 S/Saturation:饱和度,颜色的纯度 V/Value:明度,颜色明亮度
- 一个像素颜色值:(h, s, v)
- 取值范围:[0, 255] [0.0, 1.0]
CIE-XYZ颜色空间:
- 国际照明协会,1931
- 基于人类颜色视觉的直接测定
- 其他颜色空间基础
- 人类视觉系统-视锥细胞:1.短波(S,420-440nm) 2.中波(M,530-540nm) 3.长波(L,560-580nm)
- 3色刺激值通道:1.x, y, z约略对应于红色、绿色、蓝色 2.一种波的刺激等于几种波的混合刺激
图片存储原理:
一张图片是三维张量分为:长、宽、通道
通道分为:红、绿、蓝
如果想让彩色图转变成灰度图 公式为:(Gray=R*0.3+G*0.59+B*0.11)
图像增强的目标:
- 改善图像的视觉效果
- 转换为更合适于人或机器分析处理的形式
- 突出对人或机器分析有意义的信息
- 抑制无用的信息,提高图像的使用价值
- 包括图像锐化,平滑,去噪,灰度调整(对比度增强)
图像处理方法:
空间域处理:1.点运算 (HE、CLAHE) 2.形态学运算 (膨胀、腐蚀) 3.临域运算 (卷积、金字塔)
频率域处理:1.傅里叶变换 2.小波变换
点运算:
直方图:
1.对图片数据/特征分布的一种统计:
- 灰度、颜色
- 梯度/边缘、形状、纹理
- 局部特征点、视觉词汇
2.区间:
- 具有一定的统计或物理意义
- 一种数据或特征的代表
- 需要预定义或基于数据进行学习
- 数值是一种统量:概率、频数
3.对数据空间进行量化:
均衡化:
- 利用图像直方图对对比度进行调整的方法
- 通常用来增加许多图像的局部对比度,尤其是当图像的有用数据的对比度相当接近的时候
- 均衡化后,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度,直方图均衡化通过有效地扩展常用的亮度来实现这种功能
- 是对图像进行非线性拉伸
- 重新分配各个灰度单位中的像素点数量,使一定灰度范围像素点数量的值大致相等。
自适应直方图均衡:
直方图均衡的经典算法对整幅图像的像素使用相同的变换,如果图像中包括明显亮的或暗的区域,则经典算法作用有限。
自适应直方图均衡(AHE)算法通过对局部区域进行直方图均衡,来解决上述问题:
- 移动模板在原始图片上岸特定步长滑动
- 每次移动后,模板区域内做直方图均衡,映射后的结果赋值给模板区域内所有点
- 每个点会有多次赋值,最终的取值为这些赋值的均值
限制对比度自适应直方图均衡(CLAHE)
- 由于AHE会过度放大图像中相对均匀区域的噪音,所以可以采用限制对比度自适应直方图均衡(CLAHE)
- 与普通的自适应直方图均衡相比,CLAHE的不同地方在于直方图修剪过程,用修剪后的直方图均衡图像时,图像对比度会更自然。
即将灰色的部分剪切成等面积的矩形抬高直方图
CLAHE算法步骤:
- 图像分块,以块为单位
- 先计算直方图,然后修剪直方图,最后均衡
- 遍历操作各个图像块,进行块间双线性插值
- 与原图做图层滤色混合操作
由于上述步骤2分块后图片变清晰了,但是其块间变得不连续了。所以才有步骤3操作
- 小黑点的灰度直接由映射函数计算得到
- 粉色区域内点的灰度由映射函数计算而得
- 绿色区域内点的灰度由相邻2块灰度映射值线性插值而得
- 其他区域所有点的灰度由相邻4块的灰度映射值双线性插值而得。
形态学运算 :
- 膨胀是图像中的高亮部分进行膨胀,类似于领域扩张
- 腐蚀是原图的高亮部分被腐蚀,类似于领域被蚕食
腐蚀为B在A边过一遍然后面积变小,膨胀则是恰恰相反。
- 开运算:先腐蚀再膨胀,可以去掉目标外的孤立点
- 闭运算:先膨胀再腐蚀,可以去掉目标内的孔
- 开、闭运算能够将有噪点的图像用阈值二值化后,所得到的边界不平滑的,物体区域具有一些错判的孔洞,背景区域散布一些小的噪声物体,得到进一步改善。
临域运算:
滤波/卷积:
在每个图片位置(x,y)上进行基于领域的函数计算
- 滤波函数->权重相加
- 卷积核、卷积模板
- 滤波器、滤波模板
- 扫描窗、
不同功能需要定义不同的函数
- 平滑/去噪
- 梯度/锐化
- 边缘、显著点、纹理
- 模式检测
卷积公式:
过程图:
边界填充:
- 获得同尺寸输出的情况下
- 卷积核越大,补充越多
补充类型:
- 补零
- 边界复制
- 镜像
- 块复制
填充图:
平滑均值滤波/卷积缺陷:既没有很好的去除噪声点,也破坏了图像的细节反而使图像变得模糊。
为了缓解该缺陷,可以使用平滑中值滤波/卷积。
平滑中值滤波/卷积:
- 奇数尺寸:3×3,5×5,7×7,.....
- 操作原理:卷积域内的像素值从小到大排序 取中间值作为卷积输出
- 有效去除椒盐噪声
将邻域矩阵中的N个像素进行排序,并将这个矩阵的中心点赋值为这N个像素的中间值
平均高斯滤波/卷积:
- 奇数尺寸:3×3,5×5,7×7,.....
- 模拟人眼,关注中心区域:离关注中心越远2,感受精度越模糊
- 有效去除高斯噪声
- 参数:x,y是卷积参数坐标 标准差 越小,关注区域越集中
分解特性:
2D卷积拆分成两个相同的1D卷积: 列卷积和行卷积文章来源:https://www.toymoban.com/news/detail-861303.html
降计算:2D卷积:K×K次计算 2×1D卷积:2K次计算文章来源地址https://www.toymoban.com/news/detail-861303.html
梯度Prewittl滤波/卷积:
- 水平梯度/垂直边缘
- 垂直梯度/水平边缘
梯度Sobel滤波/卷积:
- 水平梯度/垂直边缘
- 垂直梯度/水平边缘
梯度Laplacian滤波/卷积:
- 二阶微分算子:一阶导数极值
- 作用:团块检测:周边高于(低于)中心点 边缘检测:像素值快速变化的区域
到了这里,关于计算机视觉基础的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!