保持分享欲

在日常生活中，最常见的 CT 图像噪声是高斯白噪声。目前，针对高斯白噪声的处理方法，主要有空间域中的以平滑为基本思想的均值滤波、高斯滤波、局部滤波等，此外还有频率域中的维纳滤波和小波阈值收缩等。局部强度统计特征是衡量区域内像素间的平均相似性，但这一特征难以准确辨别边缘与其邻近点之间的差异，导致了滤波结果中边缘信息的模糊。小波阈值收缩算法虽能够很好地估计信号的噪声，但是阈值和阈值函数的选择上存在不确定性，会造成信号的失真。

自2015年诞生以来，U-Net便以其卓越的性能在生物医学图像分割领域崭露头角。作为FCN的一种变体，U-Net凭借其Encoder-Decoder的精巧结构，不仅在医学图像分析中大放异彩，更在卫星图像分割、工业瑕疵检测等多个领域展现出强大的应用能力。U-Net是一种常用于图像分割的卷积神经网络架构，其特点在于其U型结构，包括一个收缩路径（下采样/编码器）和一个扩展路径（上采样/解码器）。这种结构使得U-Net能够在捕获上下文信息的同时，也能精确地定位到目标边界。

至此，已经知道了仿射变换和透视变换的变换矩阵，那在实际应用时该如何求呢？一个方法是直接根据几何参数计算变换矩阵，另外一个方法是通过原始图像坐标和目标图像坐标求解变换矩阵。如下所示为透视变换矩阵的8个方程组。透视变换的矩阵表示如下，我们可以看到它与仿射变换的区别便是最后一行的参数c1和c2的值，对于仿射变换c1=c2=0。透视变换和仿射变换的一个重要区别是：两条平行的线在经过仿射变换之后依然保持平行，但透视变换并不保证这一点。通过透视变换的变换矩阵计算新的坐标，其中a33=1，x’和y’为最终计算的结果。

k-means聚类是一种无监督学习的聚类算法，它的目的是将数据集中的样本划分成若干个类别，使得同一类别内的样本相似度高，而不同类别之间的样本相似度低。X 的行对应于点，列对应于变量。第五步，比较新的质心和老的质心，如果新质心和老质心之间的距离小于某一个阈值，则表示重新计算的质心位置变化不大，收敛稳定，则认为聚类已经达到了期望的结果，算法终止。通过计算相似度（默认欧氏距离），将相似度大的样本聚集到同一个类别，k表示聚成k个类别，means表示每个类别的聚类中心点是通过簇中所有样本点的均值得到。

这不难理解，进行upsample后，图像像素值为0的像素在滤波后其值要和原图一样，该像素的四邻域权重之和应该在0.9左右，其余0.1的部分由其它像素贡献。图像金字塔是对图像的一种多尺度表达，将各个尺度的图像按照分辨率从小到大，依次从上到下排列，就会形成类似金字塔的结构，因此称为图像金字塔。最近在写图像上采样和下采样的C++算法，下采样实现比较容易实现，使用大小5x5和方差为1的高斯滤波核即可得到想要的效果。（2）图像金字塔的下采样之前会对图像进行模糊，上采样后也会进行模糊；

二维方式是根据kernel的大小以及sigma大小生成一个 size*size的卷积核，然后再做卷积。计算量是imgWidth * imgHeight * size * size，但如果用两个一维来替代，则计算量是imgWidth * imgHeight * size * 2,计算量大大减少。看这篇文章的道友想必对高斯滤波已经很熟悉，在此就不进行赘述了，也可以看看参考资料的文章回顾一下。此处的数据类型ImagePro可以根据自己的需求进行定义。

BM3D（Block-matching and 3D filtering，3维块匹配滤波）降噪是芬兰的坦佩雷理工大学（Pampere University of Technology）的Kosadin、Alessandro、Vladimir、Karen等人2007年提出的基于传统方法的图像降噪算法，该方法的去噪性能目前是非AI图像降噪中去噪效果最好的，无愧于state-of-art denoising performance的称号。

图像处理之直方图均衡化、直方图匹配

opencv实现直方图绘制

基于霍夫变换的ROI检测实现

图像降噪

图像分割