Wadewhl的博客

# 角点检测算法# 使用Harris检测算法和shi_tomasi检测算法，并对比他们的效果# 使用opencv实现import numpy as npimport matplotlib.image as imgpltimport cv2import matplotlib.pyplot as plt'''Function : cv2.cornerHarris(image,blocksize,ksize,k)Parameters are as follows :1. image : t

一.傅立叶变换基本操作# 傅立叶变换 相应操作# 得到频域上的图像，其幅值、相位# 变换再逆变换得到原图import cv2import numpy as npimport matplotlib.pyplot as pltimg = cv2.imread('Lena.jpg', 0) # 直接读为灰度图像f = np.fft.fft2(img)fshift = np.fft.fftshift(f)# 取绝对值.：将复数变化成实数# 取对数的目的为了将数据变化到较小的范围（比如0-

单目标匹配# opencv模板匹配----单目标匹配import cv2import matplotlib.pyplot as plt# 读取目标图片target = cv2.imread("target.jpg")# 读取模板图片template = cv2.imread("template.jpg")# 获得模板图片的高宽尺寸theight, twidth = template.shape[:2]# 执行模板匹配，采用的匹配方式cv2.TM_SQDIFF_NORMEDresult

拉普拉斯算子# 图像增强算法# 拉普拉斯算子，自编写实现，利用空域卷积运算实现滤波# 具有图像增强效果，同时亦可用于边缘检测、角点检测import cv2import numpy as npimport matplotlib.pyplot as pltif __name__ == '__main__': src = cv2.imread('enhance.jpg', 1) plt.subplot(3, 2, 1) plt.imshow(src) plt.

图像模糊处理的实现包括有：均值模糊，高斯模糊，运动模糊一.均值模糊# 图像模糊处理# 均值模糊 box blurimport cv2import numpy as npimport matplotlib.pyplot as pltif __name__ == "__main__": image = cv2.imread('Lena.jpg') image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 此为均值模糊

python+opencv实现图像马赛克效果常规马赛克import cv2import numpy as npimport matplotlib.pyplot as plt# 常规马赛克def do_mosaic(img, x, y, w, h, neighbor=9): """ :param rgb_img :param int x : 马赛克左顶点 :param int y: 马赛克左顶点 :param int w: 马赛克宽 :pa

浮雕、底片、哈哈镜、油画、素描、泛黄

# 图像增强算法，图像锐化算法# 1）基于直方图均衡化 2）基于拉普拉斯算子 3）基于对数变换 4）基于伽马变换 5)CLAHE 6)retinex-SSR 7)retinex-MSR# 其中，基于拉普拉斯算子的图像增强为利用空域卷积运算实现滤波# 基于同一图像对比增强效果# 直方图均衡化:对比度较低的图像适合使用直方图均衡化方法来增强图像细节# 拉普拉斯算子可以增强局部的图像对比度# log对数变换对于整体对比度偏低并且灰度值偏低的图像增强效果较好# 伽马变换对于图像对比度偏低，并且整体亮度

一.背景Canny边缘检测算子是John F. Canny于1986年开发出来的一个多级边缘检测算法。它的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：①好的检测- 算法能够尽可能多地标识出图像中的实际边缘。②好的定位- 标识出的边缘要与实际图像中的实际边缘尽可能接近。③最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。二.思路1.Canny算子的基本步骤①去噪，图像平滑。任何边缘检测算法都不可能在未经处理的原始数据上很好地處理，一般采用的方法是利用原始数据与高

要求是：自适应中值滤波器和自适应均值滤波器的设计，分别使用python和matlab去实现一.原理1.自适应中值滤波器

图像处理课程上，老师给出的任务是：往图像里添加高斯噪声，不使用自带的添加噪声函数。于是，我查阅资料，找到了两种自编写的添加高斯噪声的方法，且他们都没有使用到opencv。以下是方法的介绍：1.方法一：反函数的方法利用高斯噪声的概率密度函数PDF，通过积分可求出其累积分布函数CDF，利用均匀分布的语句rand(),产生一个均匀分布的随机数矩阵w，利用x=CDF-1(w),即求CDF的反函数，进而可得出高斯分布的随机数矩阵。高斯分布的PDF为：那么，高斯分布的CDF为：而这个公式比较复杂，在写

记录自己用python加opencv实现的图像处理的入门操作，各种平滑去噪滤波器的实现。包括有：产生的椒盐噪声、高斯噪声等等，以及使用的中值滤波、平均滤波、高斯滤波等等。分成了两部分来实现：一是自编写函数来实现，二是调用opencv中的相应函数，对比效果。

之前被要求做一个和图像拼接的项目，学习了图像拼接的原理和实践，在这里记录一下，包括基本的原理和用python写出的代码。图像拼接，顾名思义，就是将两张或多张图像拼接一起，其关键就是找到两张图像的重叠部分，通过重叠部分实现拼接。所以，关键可以概括为两部分，一是如何找到重叠部分，在图像处理中称为特征点的提取和匹配；二是根据重叠部分来叠加图像，将右图根据重叠部分覆盖到左图上。拼接的步骤概括为：1.对每幅图做特征提取，再对两幅图做特征匹配。2.图像配准及误匹配点的去除，即根据匹配的特征点找出重叠部分的对应