兔美酱

1. 平滑滤波器用于模糊处理和减小噪声。模糊处理经常用于预处理，例如，在提取大的目标之前去除图像中一些琐碎的细节、桥接直线或曲线的缝隙。通过线型滤波器和非线性滤波器的模糊处理可以减少噪声。2. 平滑线性空间滤波器的输出(响应)是包含在滤波掩膜领域内像素的简单平均值。因此这些滤波器也称为均值滤波器，也指的是低通滤波器。    平滑滤波器的概念非常直观。它用滤波掩膜确定的领域内像素的平均灰度值

这次试验问题很多，应该还是数据格式的问题，先发上来吧，放假回去先用Matlab做下，再改改。。。。。   下面对一幅人体骨骼扫描图进行混合空间增强(有点吓人)。。。我们的目标是通过图像锐化突出骨骼的更多细节来增强图像。由于图像灰度的动态范围很窄并且伴随着很高的噪声，所以很难对其进行增强。对此，我们采取的策略是：首先用拉普拉斯变换突出图像中的小细节，然后用梯度法突出其边缘。平滑过的梯度图像将用于

今天开始学习《数字图像处理》的图像分割部分----------------------------------------------------------------------------------------------一些细节东西大家可以参看pp462本实验是要找到一个像素的并且方向为-45°的线条。这里我们选择了此模板-45°2-1-1

一、一维傅里叶变换及其反变换  单变量离散函数f(x)（其中x=0,1,2,....,M-1）的傅里叶变换F(u)定义为等式：同样给出F(u)，能用逆DFT来获得原函数：从欧拉公式中得到：得出：一个恰当的比喻是将傅里叶变换比做一个玻璃棱镜。棱镜是可以将光分成不同颜色成分的物理仪器，每个成分的颜色由波长(或频率)决定。傅里叶变换可看做“数学的棱镜”，将函数基于频率

X. 锐化空间滤波器   锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细节，这种模糊不是由于错误操作，就是特殊图像获取方法的固有印象。总的来说，微分算子的响应强度与图像在该店(应用了算子)的突变程度有关。这样一来，图像微分增强了边缘和其他突变(如噪声)并削弱了灰度变化缓慢的区域。  为了说明简单，主要集中讨论一阶微分的性质。我们最高兴去的微分性质是恒定灰度区域(平坦段)、突变的开

今天主要是想通过Opencv实现Kalman滤波器来加什么理解的，看了很多前辈有关kalman滤波器有了更清晰的理解，总算是把Kalman滤波模型搞懂了，感谢tornadomeet的总结，那我就是把这些前辈的帖子做一个汇总提炼，希望可以使大家能够更容易的理解Kalman滤波器如何使用。   这里我也结合Opencv的自带事例Kalman.cpp来讲解一下，这样可以做到变量的对应，以免给脑子整混

这是在百度博客上看到的一篇关于Kalman滤波器的原理解释，里边的一个例子有点乱，我用红色字体和表格的形式整理一下~~在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯（哈哈，布达佩斯

到今天已经学了将近一周的数字图像了，感觉路途非常遥远，要学的东西太多了，一直感觉自己挺笨的，没关系我还是很有热情。   因为以前从来没学过数字图像处理，我的帖子大部分都是很基础的东西，和那些小牛比起来真是自惭形秽啊。。。但我们想总有和我一样刚接触这个领域的同学，也许我写的东西对他们没有任何用处，可也许有用呢说了一些废话开始吧。  全局阈值分割图像应该是图像分割里最简单的了，思想是来以直方图