- 博客(6)
- 收藏
- 关注
RSS订阅原创 【无标题】
未来，随着深度学习等技术的发展，基于数据驱动的图像分割方法展现出了强大的性能，但固定阈值分割作为基础方法，依然具有重要的学习和实践价值。在未来的应用中，可以结合其他更先进的阈值分割算法，如Otsu法、自适应阈值法等，或者与图像预处理、后处理技术相结合，以提高图像分割的准确性和鲁棒性。此外，随着深度学习的发展，基于神经网络的图像分割方法在复杂场景下展现出了强大的性能，也为图像分割技术的发展提供了新的方向。基于双峰法的图像阈值分割是一种简单且直观的方法，在具有明显双峰特性的图像分割中能够取得较好的效果。
2025-06-20 10:38:57
279
原创 图像分割算法实战：区域生长法与分裂合并算法详解
代码逻辑：首先计算 img[y:y + h, x:x + w] 区域内像素的标准差（ np.std(img[y:y + h, x:x + w]) ），并且检查区域的高度和宽度最小值是否大于等于10（ min(h, w) >= 10 ）。在实际应用中，可以根据具体的图像特点和需求选择合适的算法或对其进行改进。- 调用函数处理图像： div_img(img_b, 0, 0, h, w, th, th1) ，从图像左上角（坐标(0, 0)）开始，对整个图像（高度为 h ，宽度为 w ）进行分裂与合并处理。
2025-06-17 09:19:29
643
原创 【无标题】
中值滤波常用于去除图像中的椒盐噪声等。从变量名推测， img_g 可能是带有高斯噪声的图像， img_s 可能是带有椒盐噪声的图像，而 img 这张图像在后续代码中未被进一步使用，可能是代码的遗留部分或者是待完善的内容。通过这四行代码，分别对带有高斯噪声的图像 img_g 和带有椒盐噪声的图像 img_s 使用了不同大小的高斯核（ 3x3 和 5x5 ）进行滤波处理，处理后的图像分别存储在 img_g_l 、 img_s_l 、 img_g_l1 和 img_s_l1 变量中。
2025-04-12 20:47:37
1447
原创 【无标题】
接着将噪声添加到原始图像上，并使用 np.clip 函数将像素值限制在 [0, 1] 范围内，最后返回添加噪声后的图像。- 原理：通常用于将两幅图像对应像素点的灰度值相加，表达式为C(x,y)=A(x,y)+B(x,y)，其中A(x,y)和B(x,y)是两幅输入图像在坐标(x,y)处的像素值，C(x,y)是输出图像在该坐标处的像素值。这段代码的主要目的是对一张灰度图像进行离散傅里叶变换、频谱中心化、逆离散傅里叶变换等操作，并展示原始图像、变换后的频谱以及逆变换后的图像，帮助理解图像在频域的表示和变换过程。
2025-03-30 18:48:37
1465
原创 数字图像处理
read() 方法返回两个值， ref 是一个布尔值，表示是否成功读取帧（ True 表示成功， False 表示失败，比如视频结束时）， frame 是读取到的视频帧图像数据（是一个numpy数组）。2. img = plt.imread('D:\\111.bmp') ：使用 plt.imread() 函数读取位于 D 盘根目录下名为 111.bmp 的图像文件，并将图像数据存储在变量 img 中。3. cv2.imshow('111',img) ： cv2.imshow() 函数用于显示图像。
2025-03-17 11:21:39
1676
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人