luoluo3664的博客

import cv2import numpy as npimport matplotlib.pyplot as pltimport mathplt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号def sal...

傅里叶变换定理包括：平移定理、旋转定理、尺度定理和剪切定理平移定理：旋转定理：对进行及坐标变换为，进行极坐标转换为尺度定理：剪切定理：代码：import cv2import numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHe...

对于非数学专业的人来说，理解图像的傅里叶变化真的是一件很困难的事情，刚开始满头雾水的我疯狂的在网上找文章，功夫不负有心人，我找到了这个：https://www.cnblogs.com/h2zZhou/p/8405717.html真的是非数学专业的救命草啊！！！！理解了傅里叶变换的原理之后就需要自己动手实现了图像经过基础的傅里叶变换得到的矩阵元素是复数类型，从复数矩阵中得到每个元素的...

# -*-conding:utf-8-*-import cv2import numpy as np# 主函数if __name__ == "__main__": image0 = cv2.imread("images\\stop.jpg", 0) np.savetxt("array.txt", image0, fmt="%d", delimiter=",")...

import cv2import matplotlib.pyplot as pltimport mathdef max_filter(image, ksize=3): ''' 最大值滤波函数 :param image:输入图像 :param ksize:模板尺寸 :return:滤波结果图像 ''' border_widt...

为什么要将非线性滤波和线性滤波结合起来使用？ 因为单独使用非线性滤波的计算量较大（需要对其模板下的所有像素的灰度值排序），结合计算量较小的线性滤波，可达到（接近）期望要求。结合的步骤（以均值滤波和中值滤波结合为例）对较大区域进行线性滤波 计算线性滤波输出的中值作为混合滤波的结果以1-D信号混合为例是一个 1-D 信号，用子结构、、、......、组成的线性中值混合滤波可定...

基础知识1、图像锐化：叠加图像微分结果（拉普拉斯算子）、减除图像积分结果2、设原始图像为f(x,y)，平滑图像为g(x,y)，放大系数A； 则非锐化掩模： 【即平滑时丢失的锐化分量】 3、对原始图像乘以A再减去平滑图像可实现高频提升滤波： 当A=1时，为非锐化掩模； 当A&gt...