数字图像处理——滤波器核(kernel)

图像构成与信号处理之三——图像滤波 图像滤波算法 阅读详情
AI摘要

本文围绕数字图像处理中的卷积核展开,介绍了其概念、滤波表达式、卷积操作等内容。详细阐述了基本、高级和专用卷积核的类型及特点,如恒等核、Gauss模糊核、Gabor核等。还说明了卷积核在图像处理、计算机视觉、医学成像和机器人技术等领域的应用。

目录

1.  卷积核的概念

2.  滤波表达式

3.  理解卷积核

4.  卷积操作

5.  基本卷积核

5.1  恒等核

5.2  边缘检测核

5.3  锐化核

5.4  箱式模糊核(Box Blur Kernel)

6.  高级卷积核

6.1  Gauss模糊核

6.2  Sobel核

6.3  Prewitt核

6.4  Laplace核

7.  专用卷积核

7.1  Gabor核

7.2  Scharr核

8.  卷积核的应用


1.  卷积核的概念

    在数字图像处理中,一个滤波器核(kernel)是一个小(微)矩阵,又称卷积矩阵(convolution matrix),卷积核,或掩模(mask)(注:掩盖在其上再对覆盖部分进行计算)。常用于模糊(blurring)、锐化(sharpening)、浮雕(embossing)、边缘检测(edge detection)、降噪(reducing noise)等,这些应用是通过在核和图像之间进行卷积来实现的(在空间域)。或者更简单地说,当输出图像中的每一个像素都是输入图像中其邻近像素(包括其自身)的函数时,核就是该函数。有人喜欢称其为核,大概是因为它的性质唯一确定了输出图像的处理效果。在许多常见的图像处理操作中,输出像素是输入像素邻域内像素灰度值的加权组合,因此称为局部邻域运算。邻域的大小和像素权重决定了算子(operator)(算符)的操作。

    在本质上,这个微小的内核位于大图像的顶部,从左到右、从上到下滑动,对原始图像中的每一个 (x, y) 坐标进行数学运算。核或卷积矩阵作为一个微小矩阵,是相对于源“大矩阵”图像而言的。如图:

核函数是一个小矩阵,它在较大的图像中从左到右、从上到下滑动。对于输入图像中的每一个像素,以图像在该像素的邻域(含中心像素本身)与核函数进行卷积,并将输出存储起来。

    我们将这个核沿着源图像从左到右、从上到下滑动。在源图像的每一个 ( x, y ) 坐标处,我们停下来检查位于图像核中心的图像像素邻域。

我们可以取这个邻域像素(含中心像素本身),将它们与核进行卷积,得到一个输出值。然后,该输出值存储在输出图像中与核中心相同的 (x, y) 坐标处。

核可以是任意大小的 M × N 像素,只要 M 和 N 都是奇数,即可始终确保核中心有一个有效的 (x, y) 坐标。

2.  滤波表达式

    常用滤波的卷积表达式为

\displaystyle g_{x,y} = \omega * f_(x,y) = \sum_{i=-a}^{a}\sum_{i=-b}^{b}\omega_{i,j} f_{x-i,y-i}  ,

其中,g(x ,y) 是滤波后的输出图像,f (x ,y) 是源图像,ω 是滤波核。滤波器中的每一个元素都由 -a ≤ i ≤ a  和 -b ≤ j ≤ b 确定。

3.  理解卷积核

    二维核或滤波器只是一个 n × n 的矩阵,它覆盖图像的每一个块。每一个块只是图像中以某一个像素为中心的一个 n × n 的小区域。

    您可以在下面看到围绕像素值为 47 的 3 × 3 矩阵块(这是该矩阵块的原点或中心像素)。

图像可以包含低频信息或高频信息:

低频信息:如果图像平滑且纹理较少,则包含低频信息。

高频信息:如果图像包含大量纹理(例如角点、边缘等),则包含高频信息。

    根据我们想要实现的目标,我们可以执行两种类型的滤波。

低通滤波:图像模糊/平滑属于此类。如果对图像进行模糊处理,实际上是在平滑纹理。顾名思义,低通滤波允许低频信息通过,并阻止高频信息通过。

高通滤波:图像锐化和边缘增强等属于此类。顾名思义,低频信息被阻止,高频信息通过。

我们可以在整个图像周围添加零填充(视为边界恒定),以便在不丢失信息的情况下计算图像的核卷积。如下图所示:

你可以在下方看到一个动画,它展示了应用锐化卷积或高通滤波器时发生的情况。您可以看到核如何与图像的整个块(在本例中为 3×3)相乘,然后取平均值,并将结果放回到新的输出图像的原点。

 

注意:对于彩色图像,上述卷积运算在每个通道上分别执行。

现在一般有两种类型的过滤器:

(1) 线性滤波器:目前大多数滤波器都是线性滤波器,它们对图像块的中心和周围像素进行线性组合。这种组合可以简单到将它们全部相加,也可以采用某种乘法。例如:

y = ax  + c 。

(2) 非线性滤波器:这些滤波器使用滤波器和矩阵块执行非线性数学运算。一些非线性方程如下:

 z = ax^{2} + by^{2}  。

4.  卷积操作

    在图像处理中,卷积需要 3 个组件:

(1) 输入图像。

(2) 我们将应用于输入图像的核矩阵。

(3) 输出图像,用于存储输入图像与核进行卷积后的输出。

卷积只是核与核覆盖的输入图像部分的邻域之间的元素矩阵乘法的总和:

(1) 从源图像中选择一个 ( x, y ) 坐标。

(2) 将核的中心置于此 ( x, y )  坐标上。

(3) 将每一个核值乘以相应的输入图像像素值,然后对所有乘法运算求和。(更简单地说,我们对输入图像区域和核进行元素级乘法,然后将所有这些乘法运算的值相加为一个值。这些乘法的和称为核输出。)

(4) 使用与步骤 (1) 相同的 (x, y) 坐标,将核输出存储在输出图像的 (x, y) 位置。

与简单的算术函数不同的是,它们需要推断(extrapolate)一些不存在像素的值。例如,如果要使用Gauss滤波器平滑图像,那么在处理每行最左侧的像素时,需要它们左侧(即图像外部)的像素。你可以让这些像素与最左侧的图像像素相同(“复制边界”推断法),或者假设所有不存在的像素都为零(“恒定边界”推断法),等等。

5.  基本卷积核

5.1  恒等核

    恒等核是最简单的卷积核类型。它本质上保持输入图像不变,作为确保卷积运算正确运行的基准。

\text{IK(Identify Kernel)} =\begin{bmatrix} 0&0&0\\0&1&0 \\0&0&0 \end{bmatrix}  ,

将此核应用于图像时,其输出图像保持不变,因为每一次计算时中心像素以外的像素全为0,输出图像在本位置处的像素不变。

5.2  边缘检测核

    边缘检测核用于突出显示图像中的边缘。这些核会强调强度变化较大的区域,这些区域对应于边缘。边缘检测核有多种变体,但最常见的是水平和垂直边缘检测核。

(1) 水平边缘检测核

    该核通过突出显示垂直方向上强度发生显著变化的区域来检测水平边缘。

\text{HEDK(Horizontal Edge Detection Kernel)} =\begin{bmatrix} -1&-1&-1\\0&0&0 \\1&1&1 \end{bmatrix}   。

(2) 垂直边缘检测核

该核通过强调水平方向强度发生显著变化的区域来检测垂直边缘。

\text{VEDK(Vertical Edge Detection Kernel)} =\begin{bmatrix} -1&0&1\\-1&0&1 \\-1&0&1 \end{bmatrix}  。

5.3  锐化核

    锐化内核旨在增强图像的边缘和细节,使图像看起来更清晰,轮廓更分明。它的工作原理是放大像素强度的差异。

\text{SH(Sharpening Kernel)} =\begin{bmatrix} 0&-1&0\\-1&5&-1 \\0&-1&0 \end{bmatrix}  。

将此内核应用于图像会增加边缘周围的对比度,使其更加明显。

5.4  箱式模糊核(Box Blur Kernel)

         箱式模糊核(也称为平均滤波器)用于模糊图像。它通过平均核区域内的像素值来实现模糊,从而平滑图像并降低噪点。

\text{BBK(Box blur Kernel)} =\begin{bmatrix} \frac{1}{9}& \frac{1}{9}& \frac{1}{9}\\\\ \frac{1}{9}& \frac{1}{9}& \frac{1}{9} \\ \\ \frac{1}{9}& \frac{1}{9}& \frac{1}{9} \end{bmatrix}  。

该核为核窗口中的每一个像素分配相同的权重,从而产生均匀的模糊效果。

6.  高级卷积核

         高级卷积核专为更复杂的图像处理任务而设计。这些核有助于降噪、精确边缘检测和纹理分析等功能。它们在增强和提取图像中的复杂细节方面发挥着至关重要的作用。

6.1  Gauss模糊核

         Gauss模糊核用于通过加权Gauss分布对像素值进行平均来减少图像噪点和细节。该核有助于创建平滑的模糊效果,从而最大限度地减少图像中的高频噪声。

\text{GBK(Gaussian blur Kernel)} =\frac{1}{16}\begin{bmatrix} 1&2&1\\2&4&2 \\1&2&1 \end{bmatrix}  。

该内核为中心像素分配更高的权重,并逐渐降低周围像素的权重,从而产生更自然的模糊。

6.2  Sobel核

       Sobel 核通过强调梯度来检测图像的边缘。它们计算图像强度在水平和垂直方向上的一阶导数,因此非常适合边缘检测。

(1) Sobel 核(水平)

该核通过强调水平梯度来检测水平边缘。

\text{Sobel Kernel(Horizontal)} =\begin{bmatrix} -1&0&1\\-2&0&2 \\-1&0&1 \end{bmatrix}  。

(2) Sobel 核(垂直)

该核通过强调垂直梯度来检测垂直边缘。

\text{Sobel Kernel(Vertical)} =\begin{bmatrix} -1&-2&-1\\0&0&0 \\1&2&1 \end{bmatrix}  。

6.3  Prewitt核

Prewitt 核与 Sobel 核类似,用于边缘检测。它们计算水平和垂直方向的梯度,从而提供一种简单的图像边缘检测方法。

(1) Prewitt核(水平)

该核通过强调水平梯度来检测水平边缘。

 \text{Prewitt Kernel(Horizontal)} =\begin{bmatrix} -1&0&-1\\-1&0&1 \\-1&0&1 \end{bmatrix}  。

(2) Prewitt核(垂直)

该核通过强调垂直梯度来检测垂直边缘。

\text{Prewitt Kernel(Vertical)} =\begin{bmatrix} -1&-1&-1\\0&0&0 \\1&1&1 \end{bmatrix}   。

6.4  Laplace核

         Laplace核是用于边缘检测的二阶导数算子。它突出显示强度快速变化的区域,尤其适用于在噪声图像中查找边缘。

\text{Laplacian Kernel} =\begin{bmatrix} 0&-1&0\\-1&4&-1 \\0&-1&0 \end{bmatrix}   。

该内核计算图像的二阶导数,通过突出显示强度快速变化的区域来提供一种精确的边缘检测方法。

7.  专用卷积核

         专用卷积核专为图像处理和计算机视觉中的特定任务和应用而设计。这些卷积核超越了基本和高级运算,能够提供更集中、更复杂的特征提取、纹理分析和边缘检测功能。

7.1  Gabor核

         Gabor 核用于纹理分析和特征提取。它们在边缘检测和纹理识别方面尤其有效。Gabor 核结合了Gauss函数和正弦波,使其能够同时捕捉空间和频率信息。

         Gabor核由以下公式定义:

\displaystyle G( x, y; \lambda , \theta, \phi, \sigma, \gamma ) = \exp\left (-\frac{​{x^{'}}^{2}+ \gamma^{2}{y^{'}}^{2}}{2\sigma^{2}}\right )\cos \left (\frac{2{\pi}x^{'}}{\lambda} + \phi \right )  。

其中:

•     x^{' }= x\cos(\theta) + y\sin(\theta)  

•    y^{' }= -x\sin(\theta) + y\cos(\theta) 

•  λ   表示正弦波因子的波长

•  θ  是 Gabor 函数平行条纹的垂线方向。

•  ψ 是相位偏移量(即初始位置)

•  σ  是Gauss包络(envelope)的标准差

•  γ  是空间纵横比(spatial aspect ratio)

7.2  Scharr核

         Scharr 核与 Sobel 核和 Prewitt 核类似,但具有更好的旋转对称性和更精确的边缘检测能力。它们用于以更高的精度检测边缘,因此适用于需要详细边缘信息的应用。

(1) Scharr核(水平)

该内核更精确地强调强度的水平变化。

\text{Prewitt Kernel(Horizontal)} =\begin{bmatrix} 3&0&-3\\10&0&-10 \\3&0&-3 \end{bmatrix}  。

(2) Scharr核(垂直)

该内核更精确地强调了强度的垂直变化。

\text{Prewitt Kernel(Vertical)} =\begin{bmatrix} 3&10&3\\0&0&0 \\-3&-10&-3 \end{bmatrix}

8.  卷积核的应用

         卷积核应用于各个领域,包括:

• 图像处理:增强图像、检测边缘和消除噪点。

• 计算机视觉:物体检测、面部识别和场景理解。

• 医学成像:分析医学图像以进行疾病检测和诊断。

• 机器人技术:使机器人能够感知和理解其周围环境。

中值滤波,均值滤波,高斯滤波,双边滤波,联合双边滤波介绍 看GAMES202相关课程发现闫老师讲的太好了,所以记录一下。当然文中涉及的PPT也来自闫老师的课程PPT,欢迎交流。首先这几种都是空域的滤波方式,用于抑制图像中的噪声。它们采用的原理基本都是通过滤波核K处理含噪图像C,得到干净的输出图C。滤波核:在处理图像位于坐标 i 处的值时,需要考虑其周围j个位置的坐标(包含i本身)。这j个相邻位置即为滤波核。图像的边缘一般像素变化大,包含高频信号;图像中连续部分像素间差距小,一般是低频信号。... 阅读详情

相关推荐

基于OpenCV与MFC的数字图像处理实验平台设计与实现

数字图像处理是计算机视觉领域的核心技术,其核心原理在于通过算法对像素矩阵进行变换,以增强特征、提取信息或改善视觉质量。从基础的灰度化、滤波,到复杂的边缘检测、频率域变换,这些技术构成了现代图像分析、模式识别等应用的基石。OpenCV作为开源计算机视觉库,提供了高效、丰富的算法实现,是学习和工程实践的重要工具。结合C++进行开发,能深入理解内存管理与算法性能,而MFC框架则便于构建直观的桌面交互界面,将算法过程可视化。这种组合特别适用于教学演示和算法原型验证,能直观展示参数调整对处理结果的影响。本文以构建一个

weixin_33898876的博客 425

图像锐化一:几个常见的滤波核和usm

在图像锐化时,往往会 1. 放大 噪声,2. 引入aritfact, 3. 振铃效应 等负面效果。edge_enhance 效果较好,但是略微的亮度色彩偏差需要想办法避免。图像锐化和图像平滑相对应,前者用于增强细节表现,后者一般用于降噪。这里只是介绍了比较基础的三个滤波核的表现,附上代码和图像效果。enhance edge也有增强效果,但是背景颜色发生了变化。因此需要分析相关锐化方法的效果和副作用,避免图像失真。sharpen会有较多artifact,锐化太强。对字体的锐化, sharpen的效果最好。

tony365的博客 2621

手把手复现《数字图像处理》经典图示:用Python+Matplotlib绘制噪声与滤波对比图(5图布局详解)

本文详细介绍了如何使用Python和Matplotlib复现《数字图像处理》中的经典图示,包括椒盐噪声的添加与最大值/最小值滤波的效果对比。通过GridSpec实现专业级5图布局,帮助读者掌握数字图像处理的可视化技巧,提升学术图表的质量和表现力。

weixin_30535843的博客 315

有关线性滤波、滤波核的基本概念

线性滤波: 原始数据与滤波结果是一种算术运算,即用邻域像素的加权和来替代该像素的值,对于图像的每一个像素点,计算它的邻域像素和滤波器矩阵的对应元素的乘积,然后加起来,作为该像素位置的值(如高斯滤波、均值滤波)。 非线性滤波: 原始数据与滤波结果是一种非线性运算,求一个像素周围3x3范围内最大值、最小值、中值、均值等操作都不是简单的加权(双边也是非线性的)。 滤波核: 滤波时输入图像一个小区域中像素...

StuTan 3074

VC++数字图像处理完整教程:从底层原理到OpenCV工程实践

数字图像处理是计算机视觉的基础技术,其核心在于将图像转换为数字矩阵,并通过算法对像素数据进行操作。从原理层面,图像处理涉及点运算、邻域运算和形态学处理等基本操作,例如灰度化、滤波和边缘检测,这些操作背后是卷积、直方图均衡等数学原理的工程实现。在技术价值上,掌握底层实现能深入理解算法本质,为性能优化和系统集成奠定基础,尤其在高性能计算和硬件集成场景中至关重要。应用场景广泛覆盖工业检测、医疗影像、安防监控等领域。本文以VC++为开发平台,通过手动实现核心算法与集成OpenCV库的双轨策略,系统讲解图像处理从原理

weixin_30715523的博客 392

OpenCV手写频率域低通滤波器:高斯/理想/巴特沃斯实现与工程避坑

频率域滤波是图像去噪与平滑的核心技术,本质是将图像视为二维信号,在傅里叶变换后的频谱空间中通过乘法操作抑制高频噪声。其原理依赖DFT/IDFT变换链、频谱居中、复数域滤波器核设计及逆变换重建。技术价值在于可控衰减特性——高斯滤波无振铃、巴特沃斯阶数可调、理想滤波存在吉布斯伪影。广泛应用于医学影像预处理、遥感图像平滑、显微图像增强等工业场景。本文基于OpenCV从零实现三类低通滤波器,覆盖频谱可视化、双通道滤波器构建、PSNR/SSIM量化评估及生产级参数自适应策略,直击cv2.dft维度陷阱与idft归一化

weixin_34218579的博客 266

滤波核讲解

https://blog.youkuaiyun.com/whuhan2013/article/details/53859930

吸喵高手的小窝 3618

Gabor滤波器Matlab实现:图像处理实用指南

在图像处理领域,Gabor滤波器是分析和识别纹理特征的一种重要工具,它源于1946年Gabor提出的理论。接下来,让我们一起深入探讨Gabor滤波器的定义、理论基础和工作原理。Gabor滤波器是由Dennis Gabor在1946年提出的一种线性滤波器,旨在通过使用复数谐波函数来实现对信号的局部频率和方向的分析。它在时频分析领域具有里程碑意义,随后被广泛应用于图像处理,特别是在纹理分析、特征提取等领域。

weixin_32747681的博客 1480

数字图像处理中的噪声类型与滤波器选择指南

数字图像处理中,噪声是影响图像质量的主要因素之一,常见噪声类型包括高斯噪声、椒盐噪声、泊松噪声和量化噪声。针对不同类型的噪声,需要选择合适的滤波器进行处理。线性滤波器如均值滤波器和高斯滤波器适用于高斯噪声,而非线性滤波器如中值滤波器则擅长处理椒盐噪声。频域滤波通过傅里叶变换分析噪声频率成分,现代滤波器如自适应维纳滤波和深度学习去噪方法进一步提升了去噪效果。在实际应用中,滤波器选择需结合噪声类型和应用场景,如高斯滤波适合普通照片降噪,中值滤波适用于传感器噪声。通过合理选择滤波器,可以有效提升图像质量,满足不同

weixin_30621959的博客 383

数字图像处理三大基石:采样建模、空域滤波与频域分析

数字图像本质上是二维离散信号,其处理必须始于对采样定理、量化过程和退化模型的准确理解。只有建立‘图像=信号’的认知范式,才能科学设计空域滤波器(如高斯核尺寸与sigma的匹配)、规避混叠与振铃等物理伪影,并在频域中稳健实现去卷积与带通增强。这类底层建模能力直接决定噪声抑制效果、边缘检测精度及单目深度估计的可靠性,广泛应用于工业检测、医学影像预处理和自动驾驶感知前端。本文聚焦数字图像处理的数学本质与工程落地之间的关键断层,系统拆解从像素采样到语义理解的推理链条。

weixin_34239169的博客 268

Python实战:双色球历史数据爬取与可视化分析(附完整代码)

本文提供了一个完整的Python实战项目,教你如何利用requests库爬取双色球历史开奖数据,并使用pandas进行数据清洗与分析,最后通过matplotlib实现数据可视化。项目涵盖了从网络请求、数据处理到图表生成的全流程,是学习Python爬虫与数据分析的绝佳案例。

weixin_29091837的博客 673

Laplacian filter kernel 数字图像处理 拉普拉斯滤波是干什么的?

Laplacian filter kernel 数字图像处理 拉普拉斯滤波是干什么的?

Kp0fS的草稿纸 483

保姆级教程:用Kvaser DB Editor从零创建你的第一个DBC文件(附CAN信号属性详解)

本文提供了一份详细的Kvaser DB Editor教程,指导用户从零开始创建DBC文件,并深入解析CAN信号属性的关键设置。通过步骤清晰的安装指南、信号属性配置详解和实用技巧,帮助工程师和学生快速掌握CAN总线通信的核心工具,提升工作效率。

weixin_27076351的博客 252

OpenCV——卷积滤波器

卷积滤波器是基于核的滤波器,其实核是一组权重,它决定如何通过邻近像素点来计算新的像素点。核也称为卷积矩阵,它对一个区域的像素做调和或卷积运算。 OpenCV提供了一个非常通用的filter2D()函数,它运用由用户指定的任意核或卷积矩阵。 cv2.filter2D(src, -1, kernel, dst) 第二个参数指定了目标图像每个通道的位深度(比如,位深度cv2.CV_8U表示每个通道为8...

每一个不曾起舞的日子,都是对人生的辜负。 3255

Unity卡牌游戏UI框架:数据驱动与模块化设计实践

在Unity游戏开发中,UI系统是连接玩家与游戏逻辑的关键桥梁,其核心在于实现数据与表现的高效同步。数据驱动设计通过分离数据模型、逻辑状态与视图表现,利用观察者模式自动响应状态变化,确保了代码的清晰与可维护性。这种架构显著提升了开发效率,尤其在需要复杂状态管理和实时反馈的交互场景中,如卡牌游戏的拖拽、布局与动画系统。基于模块化思想,开发者可以将卡牌视图、布局管理、区域控制等组件像积木一样组合,快速构建出动态的手牌弧形布局、战场区域管理等特色功能。通过集成对象池、图集优化等性能方案,还能有效管理绘制调用与网格

weixin_34262482的博客 454

论文解读--Phase Noise in FMCW Radar Systems

相位噪声是现代雷达、通信、光谱和计量系统的基本性能参数之一。本文提出了一种适用于FMCW雷达系统的相位噪声理论。导出了一个新的设计方程,用于确定雷达系统中允许的源相位噪声电平的最大界。分析了在传输延迟小于参考振荡器相干时间时,相干混频引起的非线性相位噪声去相关函数;讨论了在传输延迟大于参考振荡器相干时间时,目标响应的频谱展宽。提出了收发链中各子系统的影响,并讨论了一种新的ADC相位噪声模型。介绍了相位噪声建模技术,然后将锁相环频率合成器与低噪声频率合成器进行比较,以演示减少相位噪声边带以改善检测和跟踪性能。

奔袭的算法工程师 3767

图像平滑处理的滤波器

blur GaussianBlur medianBlur bilateralFilter 原理参考《数字图像处理》 include <iostream> #include <opencv2/opencv.hpp> using namespace std; using namespace cv; /*int DELAY_CAPTION = 1500; int DELAY_B...

qq_28117589的博客 647

六自由度机器人(机械臂)运动学建模及运动规划系列(四)——轨迹规划

本篇介绍了六轴机器人关节空间以及笛卡尔空间轨迹规划的简单方法,并给出了一种几何解法,以简化规划过程,并提供了简单的Matlab轨迹规划函数介绍。

weixin_47849087的博客 5万+

【数字图像处理】高动态范围图像重建与处理

上了数字图像处理的课,课上要求完成这个项目,现开放我的答案,望大家多多指正!

m0_74163093的博客 1897

PINN驱动的3D不可压缩流场重建——从稀疏2D2C观测到完整物理场反演——含源码实现

多尺度融合策略在此发挥作用:高分辨率的2D2C数据用于约束平面内的精细结构,而低分辨率的3D3C数据提供第三维度的粗尺度信息。迁移学习架构在此发挥关键作用。这种策略在湍流封闭模型构建中尤为有效,其中RANS提供的平均流场与DNS的雷诺应力数据融合,显著提升了分离流的预测精度。在稀疏数据场景下,注意力权重根据观测数据的分布动态调整,强化数据缺失区域的物理约束,同时避免过拟合于观测点。这种机制与自适应采样的结合,实现了计算效率与重建精度的平衡,在仅保留约百分之十关键节点的情况下,仍能保持高物理一致性。

u012133341的博客 138

1.1、matlab:基于模板匹配的车牌识别

matlab:基于模板匹配的车牌识别

XU157303764的博客 2917

OpenCV 4.8 图像去噪实战:5种滤波器处理椒盐/高斯噪声效果对比

本文详细介绍了OpenCV 4.8中五种经典图像去噪滤波器的实现与效果对比,包括均值滤波、高斯滤波、中值滤波、双边滤波和非局部均值去噪(NLM)。通过量化指标PSNR和SSIM,分析了这些滤波器在处理椒盐噪声和高斯噪声时的表现差异,并提供了参数优化建议和不同场景下的选择策略,帮助开发者提升图像处理质量。

weixin_30832405的博客 403

AUTOSAR SHE 密钥更新协议

依赖内存槽的使用用例,内存槽有不同的保护协议。M2是新的计数值C_ID‘,相应的标志位F_ID',0填充第一个块,以及新的密钥K_ID'的组合的CBC算法加密的消息。例如,我要更新一个MASTER_ECU_KEY, 那么参考上表,我需要知晓Non-volatile的MASTER_ECU_KEY (即授权密文为MASTER_ECU_KEY自己的密文).内存的更新协议分为两部分,第一部分是实际内存更新到发送一个秘密且真实的key到SHE,然后第二部分为验证,即提供给后台一个key更新成功的证据。

weixin_46481662的博客 3288

数字图像处理基础与OpenCV实战指南

数字图像处理是计算机视觉的基础技术,其核心是将图像视为由像素组成的二维矩阵。在RGB和灰度图像处理中,OpenCV和Pillow等库提供了强大的IO操作和预处理功能。通过直方图均衡化、滤波去噪等增强技术,可以显著提升图像质量。边缘检测和形态学操作则为目标识别奠定基础,这些技术在车牌检测、医学影像分析等领域有广泛应用。本文以Python+OpenCV为例,详细解析了图像处理的核心概念和工程实践方法。

读书、思考、生活 516

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

数字图像处理笔记(二):使用OpenCV处理图像

1 - 傅里叶变换

HHH_ANS的博客 1199

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: 各向同性(isotropy)
下一篇: 数字图像处理——物体识别和邻域运算的关系
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值