计算机视觉基础

这篇具有很好参考价值的文章主要介绍了计算机视觉基础。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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:

  1. 改善图像的视觉效果
  2. 转换为更合适于人或机器分析处理的形式
  3. 突出对人或机器分析有意义的信息
  4. 抑制无用的信息,提高图像的使用价值
  5. 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
  • 计算机视觉基础,计算机视觉,人工智能
  • 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。
  • 计算机视觉基础,计算机视觉,人工智能
 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。 

计算机视觉基础,计算机视觉,人工智能

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:

  1. 图像分块,以块为单位
  2. 先计算直方图,然后修剪直方图,最后均衡
  3. 遍历操作各个图像块,进行块间双线性插值
  4. 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

 计算机视觉基础,计算机视觉,人工智能

  1. 小黑点的灰度直接由映射函数计算得到
  2. 粉色区域内点的灰度由映射函数计算而得
  3. 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
  4. 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 

计算机视觉基础,计算机视觉,人工智能

 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:

计算机视觉基础,计算机视觉,人工智能

计算机视觉基础,计算机视觉,人工智能

过程图: 

计算机视觉基础,计算机视觉,人工智能

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: 

计算机视觉基础,计算机视觉,人工智能

 计算机视觉基础,计算机视觉,人工智能

计算机视觉基础,计算机视觉,人工智能

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

计算机视觉基础,计算机视觉,人工智能

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

 计算机视觉基础,计算机视觉,人工智能

 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

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                                                         计算机视觉基础,计算机视觉,人工智能
  • 垂直梯度/水平边缘                                                     计算机视觉基础,计算机视觉,人工智能
梯度Sobel滤波/卷积:
  • 水平梯度/垂直边缘                                                             计算机视觉基础,计算机视觉,人工智能
  • 垂直梯度/水平边缘                                                   计算机视觉基础,计算机视觉,人工智能 
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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包