我爱智能

前面利用hough变换检测圆的办法检测出虹膜内圆，现在用同样的方法来检测外圆，不过在检测时需要对图像进行预处理。在进行Hough变换检测，我们说输入的图像需要是进行处理过的二值轮廓图像，并且轮廓点越少越好，而且这些点尽可能的落在你要检测的那个圆上才行，这样的检测图像才有利于提高hough变换的检测效率以及准确度，也就是预处理的二值图像直接关系到检测出来的结果。以以前检测的那副图像为例，如下

一）：之前之前在博客 matlab实现图割算法中的最大流最小割Max-flow/min-cut问题 中我们讲到了关于图中求取最小割最大流的一个软件包，并简单介绍了它在图像分割中的应用，但是并没有深入给出具体实例，这里我们再在最小割最大流原理基础上介绍同一个研究所出的另一种集成的软件包gco-v3.0，这个软件包则是直接可以对图像进行分割操作的，达到可以观测的效果。 关于软件包gco-v3.0

该部分对图割算法工具箱（GCO3.0）具体怎么实现简单图像的分割做一个实例。相关理论介绍以及工具箱的介绍见先面博客：— 图像分割之图割工具箱GCO3.0的使用（二） — matlab实现图割算法中的最大流最小割Max-flow/min-cut问题（一）一）准备之前对于一副图像分割之前，需要确定分割成几类，这里以灰度图像为例（彩色图像略复杂），通常来说分割成几类只有两种情况：事先知道该

本篇主要介绍matlab实现Max-flow/min-cut的方法，介绍一种只实现了Max-flow/min-cut的工具箱Bk_matlab。一：最大流最小割的由来  了解这个问题之前先说说这个问题的由来吧。最大流最小割最开始从图论的相关概念中引用过来，讲述一个带有起点与终点并且具有边权值的网络图中，如何进行边的切割，把这个网络图分成独立的两个部分（或者多个部分），使得这个切割中

梯度简单来说就是求导，在图像上表现出来的就是提取图像的边缘（不管是横向的、纵向的、斜方向的等等），所需要的无非也是一个核模板，模板的不同结果也不同。所以可以看到，所有的这些个算子函数，归结到底都可以用函数cv2.filter2D()来表示，不同的方法给予不同的核模板，然后演化为不同的算子而已。并且这只是这类滤波函数的一个用途，曾经写过一个关于matlab下滤波函数imfilter（）的扩展应用（等同

图像金字塔操作的将是图像的像素问题（图像变清晰了还是模糊了）（本质上有点像图像的放大与缩小一样(前面介绍过的cv2.resize()函数)）。一般来说我们操作的图像是具有固定分辨率的，但是有些情况下，我们需要对同一图像的不同分辨率的子图像进行处理（尤其是在我们需要提取图像特征的时候）。这个时候我们需要创建一组新的图像，这些图像是具有不同分辨率的原始图像，那么我们把这组图像讲座图像金字塔。我们把最大的

（一）图像直方图图像的构成是有像素点构成的，每个像素点的值代表着该点的颜色（灰度图或者彩色图）。所谓直方图就是对图像的中的这些像素点的值进行统计，得到一个统一的整体的灰度概念。直方图的好处就在于可以清晰了解图像的整体灰度分布，这对于后面依据直方图处理图像来说至关重要。一般情况下直方图都是灰度图像，直方图x轴是灰度值（一般0~255），y轴就是图像中每一个灰度级对应的像素点的个数。那么如何获得图像的直

前面曾经介绍过空间域滤波，空间域滤波就是用各种模板直接与图像进行卷积运算，实现对图像的处理，这种方法直接对图像空间操作，操作简单，所以也是空间域滤波。频域滤波说到底最终可能是和空间域滤波实现相同的功能，比如实现图像的轮廓提取，在空间域滤波中我们使用一个拉普拉斯模板就可以提取，而在频域内，我们使用一个高通滤波模板（因为轮廓在频域内属于高频信号），可以实现轮廓的提取，后面也会把拉普拉斯模板频域化，会发现

本节主要介绍马尔科夫的随机场模型以及其用于图像的分割算法中。基于马尔科夫的随机场（MRF）的图像分割是一种基于统计的图像分割算法，其模型参数少，空间约束性强，使用较为广泛。首先了解一下马尔科夫模型，纯粹的马尔科夫模型就是指一件事物的当前状态只与它之前的1个或者n个状态有关，而与再之前的状态没有关系，比如今天天气好坏只与昨天天气有关，而与前天乃至大前天都没有关系。符合这样的一种特性的事物认为其具有马尔

对于图形的平滑与滤波，但从滤波角度来讲，一般主要的目的都是为了实现对图像噪声的消除，增强图像的效果。 首先介绍二维卷积运算，图像的滤波可以看成是滤波模板与原始图像对应部分的的卷积运算。关于卷积运算，找到几篇相关的博客：图像处理：基础(模板、卷积运算) 图像处理-模板、卷积的整理对于2D图像可以进行低通或者高通滤波操作，低通滤波（LPF）有利于去噪，模糊图像，高通滤波（HPF）有利于找到图像边

一）认识imfilter函数 imfilter函数叫做实现线性空间滤波函数,主要功能可以实现多维数组的滤波，在图像领域就是对图像进行滤波。 滤波是一个统一的概念，在图像领域，图像的去除噪声点，图像提取边缘，图像平滑、模糊、增强等等都可以看成滤波。 用法：B = imfilter(A,H) B = imfilter(A,H,option1,option2,…)

写在之前 二维与三维图像的几何变换在计算机图形学上有重要的应用，包括现在的许多图像界面的切换、二维与三维游戏画面控制等等都涉及到图像几何变换，就比如说在三维游戏中，控制角色三维移动的时候，画面是要跟着移动的，那么怎么移动，怎么让上一时刻的画面移动到这一时刻，这都是根据了你的移动量，然后找到三维坐标之间的对应关系，用这一时刻的坐标替换到上一时刻的坐标像素值实现图像的切换。图像的几何变换主要包括：平

（一）图像几何变换理论知识（1）图像的平移与比例    图像的平移很简单，平移前后的坐标分别为（x，y）和（x’,y’）,则满足的关系式为      x’= x +Tx；      y’= y +Ty；其中Tx与Ty分别为对应的偏移量。 图像的比例也很简单，可以描述为：x’=S_x * x;  y’=S_y * y;那么上述的关系怎么用一个矩阵来表示呢？一个很重要的矩阵

前面我们已经得到了hough变换的基础条件，那就是有一个很好的用于检测的二值边缘图像如下所示： 至此我们才能运用hough变换。Hough变换是一类广泛用于检测各种规则图形用的，像直线、圆、椭圆等等，不同的就是检测的规律不同。Hough变换的原理网上多得是，我当初也是百度上查的，目前也只会皮毛，就不详细些原理了，直接上程序了。。function mean_circle = ho

虹膜中心点的识别（1）该篇介绍如何对一个虹膜眼睛中心进行定位识别，这里以我做的一种方法写一下，当然还有很多其他更好的方法，仅做参考下。正常情况下，一副拍好的虹膜图像如下所示（当然有的可能不一样，大概相同）： 从图上可以看出，要想定位出图中眼睛的中心还有一些问题，研究方法也有很多种，我采用的是基于人眼特征和基于棱阔的hough变换检测来做的。简单来说，根据图的特征，我们会发现人眼虹膜

Matlab多维矩阵在内存中存储顺序是按照从前到后每列每列顺序存储的，当第一个维度数据存满后，第二个维度数据增加一，依次类推，在涉及到高维（至少三维）矩阵时，了解到数据的存储顺序对于索引数值来说有很大用处。（1）二维数组     按上述说的，二维数组的存储方式也是先列后行。比如生成5*5的矩阵如下： for i=1:5    for j=1:5            aa(i,

该节来进一步讨论怎么样进行虹膜眼睛的位置确认，对一副图像首先我们可以很直观的看出眼睛包括内外两个明显的轮廓，并且都呈现圆形，正是这种特征给了我们检测虹膜的一些方法启示。首先我们讲些怎么样检测内圆轮廓。Hough变换在图像的形状检测上非常有效，具体就不介绍了，自己去百度下大概吧，贴一个参考下：http://blog.163.com/yuyang_tech/blog/static/216050

（一）进一步分割上面已经得到了关于分割区域的虹膜部分如下图所示： 内外圆之间的部分认为是要进行识别的部分。该图的大小为600*800，内外圆的参数前面计算过，这里在给一遍：mean_circle_in =[324 ; 332 ; 69];mean_circle_out =[336 ; 340 ; 233];参数形式为%                   mean_

写在之前 从去年开始关注python这个软件，途中间间断断看与学过一些关于python的东西，感觉python确实是一个简单优美、容易上手的脚本编程语言，众多的第三方库使得python异常的强大，可以处理许多不同的问题，同时它的许多开源免费的库使得python的使用也是十分的广泛。在科学计算、数据处理与图像领域，自己曾经一直在使用matlab，感觉matlab也是一个语言优美、简单方便的编程语言，

简单几何图像一般包括点、直线、矩阵、圆、椭圆、多边形等等。首先认识一下opencv对像素点的定义。图像的一个像素点有1或者3个值，对灰度图像有一个灰度值，对彩色图像有3个值组成一个像素值，他们表现出不同的颜色。 那么有了点才能组成各种多边形。（一）首先绘制直线函数为：cv2.line（img,Point pt1,Point pt2,color,thickness=1,line_type=8

不知不觉，博客也写出了一点小体系，新的阶段已经开始，未来希望再接再厉继续补充这一体系，在成长中写博客，在博客中成长，在此先做一个小的梳理，谢谢大家的支持。一）关于深度学习系列深度学习系列-前言:深度学习的好教程 深度学习系列（二）：从神经网络到深度学习 深度学习系列（三）：简单网络的自编码学习 深度学习系列（四）：什么是稀疏编码 深度学习系列（五）：一个简单深度学习工具箱深度学习系列(六)：