视觉实验（一）：混合图像

最新推荐文章于 2023-12-13 18:08:38 发布

凉秋girl

最新推荐文章于 2023-12-13 18:08:38 发布

阅读量5.4k

点赞数 7

CC 4.0 BY-SA版权

分类专栏：智能算法文章标签：视觉

本文链接：https://blog.youkuaiyun.com/qq_36124802/article/details/88636487

本文探讨视觉实验中的图像混合，通过将高频图像与低频图像合成，实现远近观察效果的不同。互相关与卷积的概念也在文中提及，高频图像表示图像变化明显，低频图像则相对平缓。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基本思想：高频往往在感知中占据着主导地位，人在近处看到的图像为高频部分，人在远处看到图像往往看到的为信号的低频部分。

此时把两张不同物品的图片进行合成，其中一张为高频图像，一张为低频图像。

这样合成的结果就使得同一张图片在远点与近点看到的东西并不一样。

互相关本身为图片与核函数直接点乘得到的结果。

卷积在学术上为把图片反转180度后进行（虽然目前的卷积都是直接点乘）

所谓高频，是指一个信号的频率变化较快

在图像上，就是指图片的变化较大且明显。

#coding:utf-8
from PIL import Image
import cv2
import numpy as np

def cross_correlation_2d(img, kernel):#互相关
    img_array = np.array(img)  #把图像转换为数字
    r= img_array.shape[0]
    c = img_array.shape[1]  # 图像的列
    h = img_array.shape[2]  # 图像的高度
    r2 = kernel.shape[0]  # 核的行
    c2 = kernel.shape[1]  # 核的列
    new1 = np.zeros((r, (int)(c2 / 2)), np.int)  #获得一个新的空白矩阵
    new2= np.zeros(((int)(r2/ 2), c + new1.shape[1] * 2), np.int)
    conv = np.zeros((r, c, h))
    for i in range(3):#对矩阵进行一个互相关运算
        temp_img_array = np.hstack([new1, np.hstack([img_array[:, :, i], new1])]) #对函数增加一个维度
        new_img_array = np.vstack([new2, np.vstack([temp_img_array, new2])