qq_36763031的博客

Python中读取索引图像

前言遇到了一个问题，对显示的图像进行操作时，需要放大之后再次进行交互式操作，但是刷新的时候由于只是重新显示，又得重新放大，非常麻烦。类似于这个问题：matlab如何图像放大显示，在其上操作然后显示.里面看了，但是不管用，最终受到https://ww2.mathworks.cn/matlabcentral/answers/23318-reset-to-original-view-with-zoom中的解决方案的启发，解决了整个问题。解决方法其实这种放大归根结底是坐标轴的变化，直接在这上面操作就可以。

function color_map = gray2color(heat_map)%将灰度图像转换为彩色图像cmap = jet;sz = size(heat_map);color_map = zeros(sz(1), sz(2), 3);for i = 1:256 ind = find(heat_map == i-1); [r,c] = ind2sub(sz, ind); for j = 1:3 color_map(sub2ind([sz(1), sz(

前言实验中经常需要测量一个物体的角度变化，如果开发一个图像处理的方法可以大大节省我们的时间，这次我们使用霍夫变换等进行物体夹角的预测。任务图像如下图所示我们需要检测的夹角示意图为：因此整个任务可以分解成两个子任务：检测红边的直线检测绿边的直线之后通过两条直线的k就可以算出夹角，由于实验中红边的位置几乎固定，根据绿边k的符号就可以判断夹角是锐角还是钝角。检测红边很明显，红边所在的位置即为交界处，可以使用边缘检测算子，但是实际的环境很难排除噪声，因此我们这里使用基于颜色的聚类方式首先

前言通常，我们会根据颜色的不同分割不同的目标，例如我们日常生活中经常看到的交通标志，一个很直观的想法就是将颜色从RGB空间转换到HSV空间，根据色调（H）或者饱和度分割不同的目标，下面就是这样一个例子；代码%%clc;clear;close all%%img = imread('test3.jpg');imgHSV = rgb2hsv(img);imgt = imgHSV(:,:,2);%首先进行饱和度筛选（0到1之间），越大说明选择条件越严格BW = imgt>0.8;CC =

前言通常我们会获得在不同方法下的分割结果，如果获得的是概率图，我们可以取平均值然后根据阈值或者argmax确定最终的类别，但是如果我们仅仅想把两次分割的结果合并，并填充空洞，下面就是具体的代码：代码以下代码只适用于两类分割结果的合并path1 = 'E:\S1';path2 ='E:\S2';save_path = 'E:\S3';fnames = dir(fullfile(path1,'*.png'));for i = 1:numel(fnames) img1 = imread(f

代码详细说明见注释，图片使用的是matlab内置的图像，直接可以运行% Methods of edge detection:LoG and cannyclc;clear;close all%Read imageimg = imread('cameraman.tif');edge_log = edge(img,'log');edge_canny= edge(img,'canny');%watershed%Filter the image, you can alse annotate this

前言可能标题有点歧义，既然是彩色图像，怎么可能是单通道的呢？其实一想就容易理解，实质上就是索引图像。为了后续处理方便，在多类目标的掩膜图像中，灰度值经常设置为0,1,2,3…，分割的结果不经过灰度拉伸根本看不出来长什么样子，将灰度值拉伸后又害怕后续处理麻烦，因此便想出来，直接将图像存储成彩色索引图像就行。代码在这里插入代码片...

Mutual information图像中Mutual information的计算公式一般如下：这之中涉及到两个方面的内容，一个是联合的直方图，一个是各自的直方图。下面是参考代码：function res = computeMI(img1,img2,bins)%Compute mutual information%Quantify imagesimg1 = im2double(uint16(img1));img2 = im2double(uint16(img2));img1 = floo

偶然间发现了一个由日本学者编写的MATLAB图像处理资料，几乎囊括所有的内容，值得参考学习。链接: https://www.mathworks.com/matlabcentral/fileexchange/68741-matlab.

有代码、有详细说明、多种不同的训练方式：链接: https://www.cs.ubc.ca/~murphyk/Software/CRF/crf2D_usage.html.