<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[专注图形图像处理]]></title><description><![CDATA[正在创作OPenGL]]></description><link>https://blog.youkuaiyun.com/PythonMain</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; PythonMain]]></copyright><item><title><![CDATA[7.3 图像复原之空间滤波_2]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/143741587</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/143741587</guid><author>PythonMain</author><pubDate>Wed, 13 Nov 2024 20:41:37 +0800</pubDate><description><![CDATA[在上一节中我们讲到了图像的退化模型以及图像复原之空间滤波中的均值滤波，这一节我们继续图像复原之空间滤波中的统计排序滤波器。统计排序滤波器是空间滤波器，其响应应基于滤波器所围邻域中的像素值的顺序，排序结果决定了滤波器的响应。滤波器类型去噪效果适用噪声类型优点缺点中值滤波器对椒盐噪声效果好主要是椒盐噪声对椒盐噪声有很好的去除效果，能保留边缘细节对高斯噪声去噪效果不如均值滤波，计算量较大最小值滤波器对椒盐噪声“椒”部分有效主要是椒盐噪声对椒盐噪声的“椒”部分有效，去亮点噪声。]]></description><category></category></item><item><title><![CDATA[7.2 图像复原之空间滤波]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/143728649</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/143728649</guid><author>PythonMain</author><pubDate>Wed, 13 Nov 2024 13:44:26 +0800</pubDate><description><![CDATA[gxyfxyηxyGuvFuvNuv​gxyfxyηxyGuvFuvNuv​gxy或Guv表示退化后的图像fxy或Fuv表示原图像ηxy或Nuv表示图像的噪声&g(x,y)[或G(u,v)]\quad表示退化后的图像\\&f(x,y)[或F(u,v)]\quad表示原图像 \\&\eta(x,y)[或N(u,v)]\quad表示图像的噪声\\​gxy或Guv。]]></description><category></category></item><item><title><![CDATA[7.1 图像复原之图像的噪声]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/141509585</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/141509585</guid><author>PythonMain</author><pubDate>Tue, 12 Nov 2024 16:02:01 +0800</pubDate><description><![CDATA[如图像增强那样，图像复原技术的主要目的是以某种预定义的方式来改进图像。尽管两者的涵盖范围有重叠之处，但图像增强主要是一种主观处理，而图像复原很大程度上是一种客观处理。图像复原利用退化现象的先验知识来复原已退化的图像。因此，复原技术主要是对退化建模并应用逆过程来恢复原图像。本章主要介绍适用于许多复原情况的线性空间不变复原模型，讨论由投影重建图像的基本技术及这些技术在计算机断层成像(CT)中的应用，计算机断层成像是图像处理的最重要的商业应用，尤其是在医疗保健领域。]]></description><category></category></item><item><title><![CDATA[6.2 频率域滤波之高通滤波]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140967396</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140967396</guid><author>PythonMain</author><pubDate>Sat, 24 Aug 2024 20:59:08 +0800</pubDate><description><![CDATA[上一章我们讲到频率低通滤波，简而言之就是让图像的低频信号通过，过滤或者衰减高频信号。频率高通滤波刚好相反，让图像的高频信号通过，过滤或者衰减低频信号。]]></description><category></category></item><item><title><![CDATA[6.1 频率域滤波之低通滤波]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140909755</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140909755</guid><author>PythonMain</author><pubDate>Tue, 06 Aug 2024 21:56:48 +0800</pubDate><description><![CDATA[fxy→傅里叶变换DFTFuv→滤波HuvFuvHuv→傅里叶逆变换IDFTgxyf(x,y)\xrightarrow[傅里叶变换]{DFT} F(u,v)\xrightarrow[滤波]{H(u,v)}F(u,v)H(u,v)\xrightarrow[傅里叶逆变换]{IDFT}g(x,y)fxyDFT傅里叶变换​FuvHuv滤波​FuvHuvIDFT傅里叶逆变换​gxy。]]></description><category></category></item><item><title><![CDATA[5.3 钝化掩蔽和高提升滤波]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140901519</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140901519</guid><author>PythonMain</author><pubDate>Sun, 04 Aug 2024 11:00:42 +0800</pubDate><description><![CDATA[从原图像中减去一幅钝化（平滑后的）图像，这个过程称为钝化掩蔽。]]></description><category></category></item><item><title><![CDATA[5.2 空间域滤波之高通滤波（图像锐化）]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140806097</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140806097</guid><author>PythonMain</author><pubDate>Sat, 03 Aug 2024 21:38:11 +0800</pubDate><description><![CDATA[上一章我们介绍了空间域滤波的低通滤波，低通滤波主要用于图像的平滑处理、降噪等作用。图像的锐化。]]></description><category></category></item><item><title><![CDATA[5.1 空间域滤波之低通滤波（图像模糊或图像平滑处理）]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140780923</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140780923</guid><author>PythonMain</author><pubDate>Mon, 29 Jul 2024 23:04:30 +0800</pubDate><description><![CDATA[本章介绍空间域滤波中的低通滤波，也就是图像的模糊处理，也称图像的平滑处理。]]></description><category></category></item><item><title><![CDATA[4.5 直方图统计量增强]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140758040</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140758040</guid><author>PythonMain</author><pubDate>Sun, 28 Jul 2024 23:29:51 +0800</pubDate><description><![CDATA[上一章中，我们讨论了局部直方图均衡化，这对于增强图像的局部细节非常有用，这一节我们将一个效果更好的局部增强方式，直方图统计量增强。直方图统计量增强，是基于直方图的统计量信息（如均值和方差）对图像的灰度和对比度进行调整。直方图统计量不仅用于图像的全局增强，在图像局部增强中更加有效。]]></description><category></category></item><item><title><![CDATA[4.4 直方图局部均衡化（自适应均衡化）]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140756940</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140756940</guid><author>PythonMain</author><pubDate>Sun, 28 Jul 2024 21:55:54 +0800</pubDate><description><![CDATA[前面讲到直方图均衡化，但是讨论的都是全局性的，像素是基于整个图像的灰度分布的变换函数修改的。这种全局性方法适合于整体增强，但当目的是增强图像中几个小区域的细节时，通常就会失败。这是因为在这些小区域中，像素的数量对计算全局变换的影响可以忽略，解决方法是设计基于像素领域的灰度分布的变换函数。原理和全局直方图均衡化一样，因此这里不再阐述。]]></description><category></category></item><item><title><![CDATA[4.3 直方图匹配（规定化）]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140754445</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140754445</guid><author>PythonMain</author><pubDate>Sun, 28 Jul 2024 19:49:20 +0800</pubDate><description><![CDATA[上一章我们介绍了直方图均衡化，用一句话总结直方图均衡化，就是我们需要找到一种变换方式，使变换后的图像的直方图跟价均衡，这一章我们介绍直方图匹配（即：直方图规定化）。]]></description><category></category></item><item><title><![CDATA[4.2 直方图均衡化]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140678463</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140678463</guid><author>PythonMain</author><pubDate>Thu, 25 Jul 2024 22:22:30 +0800</pubDate><description><![CDATA[上一章我们简单介绍了一下什么是直方图，并且举例说明了一下不同特点的图像的直方图有什么不同，这一章我们讨论直方图均衡化。]]></description><category></category></item><item><title><![CDATA[4.1 直方图绘制]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140659944</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140659944</guid><author>PythonMain</author><pubDate>Wed, 24 Jul 2024 13:18:17 +0800</pubDate><description><![CDATA[本章我们开始介绍直方图相关知识hrknkk0123L−1k表示灰度图像的像素值nk表示图像中像素值为k或者区间的像素的个数&k\quad表示灰度图像的像素值 \\&n_k\quad表示图像中像素值为k(或者区间)的像素的个数hrk​​nk​k0123...L−1k表示灰度图像的像素值nk​表示图像中像素值为k或者区间的像素的个数​prkhrkM∗NnkM∗NMN。]]></description><category></category></item><item><title><![CDATA[3.4 图像灰度变换之分段线性变换]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140624523</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140624523</guid><author>PythonMain</author><pubDate>Tue, 23 Jul 2024 23:18:58 +0800</pubDate><description><![CDATA[在前面章，我们介绍了什么是图像的灰度变换，以及灰度变换中的图像反转，对数变换和幂律变换。gxyFfxyfxy是位于图像点xy处的像素的值g(x,y)=F(f(x,y))\quad f(x,y)是位于图像点(x,y)处的像素的值gxyFfxy))fxy是位于图像点xy处的像素的值这一章我们来讨论图像的分段线性变换。]]></description><category></category></item><item><title><![CDATA[3.3 图像灰度变换之伽马变换]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140613637</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140613637</guid><author>PythonMain</author><pubDate>Mon, 22 Jul 2024 19:52:18 +0800</pubDate><description><![CDATA[在上一章，我们介绍了什么是图像的灰度变换，以及灰度变换中的图像反转。gxyFfxyfxy是位于图像点xy处的像素的值g(x,y)=F(f(x,y))\quad f(x,y)是位于图像点(x,y)处的像素的值gxyFfxy))fxy是位于图像点xy处的像素的值这一章我们来讨论图像的伽马变换（幂律变换）。]]></description><category></category></item><item><title><![CDATA[3.2 图像灰度变换之对数变换]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140573177</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140573177</guid><author>PythonMain</author><pubDate>Sun, 21 Jul 2024 14:02:20 +0800</pubDate><description><![CDATA[在上一章，我们介绍了什么是图像的灰度变换，以及灰度变换中的图像反转。gxyFfxyfxy是位于图像点xy处的像素的值g(x,y)=F(f(x,y))\quad f(x,y)是位于图像点(x,y)处的像素的值gxyFfxy))fxy是位于图像点xy处的像素的值这一章我们来讨论图像的对数变换。]]></description><category></category></item><item><title><![CDATA[3.1 图像灰度变换之图像反转]]></title><link>https://blog.youkuaiyun.com/PythonMain/article/details/140559654</link><guid>https://blog.youkuaiyun.com/PythonMain/article/details/140559654</guid><author>PythonMain</author><pubDate>Sat, 20 Jul 2024 09:56:58 +0800</pubDate><description><![CDATA[图像的，简单一点就是输入一个图像fxy，讲过变换后输出另一个图像gxy，关键是我们如何变换。图像的变换本质上是图像像素值的变换。举个简单的例子，我们现在需要将一张灰度图像变亮，那么我们可以将灰度图像的每个像素值加20（加多少自己决定），即可得到像素的变换方式gxyfxy2如果我们不想像素值直接相加，那么我们可以用灰度图像的像素值乘以2，即：gxy2∗fxygxyFfxy))yFxx⊂灰度图像的像素值。]]></description><category></category></item></channel></rss>