CAD之路

pyramidGaussian and laplacian pyramids are applying gaussian and laplacian filter in an image in cascade order with different kernel sizes of gaussian and laplacian filter.Figure. 1 shows

一、 实验目的(1) 通过实验分析不同尺度下LOG和Canny边缘提取算子的性能。(2) 研究这两种边缘提取方法在不同参数下的边缘提取能力。(3) 使用不同的滤波尺度和添加噪声能量（噪声水平），通过与无噪声图像对比，选择最能说明自己结论的滤波尺度和噪声水平，并做出分析说明。二、 实验原理边缘的含义：在数字图像中，边缘是指图像局部变化最显著的部分，边缘主要存在

低层次特征是不需要任何形状/空间关系的信息就可以从图像中自动提取的基本特征。所有低层次方法都可以应用于高层次特征提取，从而在图像中找到形状。第一种低层次特征，称之"edge detection"。它的目的要是要制作一个线图。一阶检测算子相于一阶微分法，二阶边缘检测算子相当于高一阶微分处理。    边缘检测：在视觉计算理论框架中，抽取二维图像上的边缘、角点、纹理等基本特征，是整个系统框架

一、自适应直方图均衡化(Adaptive histgram equalization/AHE)      1.简述       自适应直方图均衡化(AHE)用来提升图像的对比度的一种计算机图像处理技术。和普通的直方图均衡算法不同，AHE算法通过计算图像的局部直方图，然后重新分布亮度来来改变图像对比度。因此，该算法更适合于改进图像的局部对比度以及获得更多的图像细节。     

题目是：Image Enhancement1. Histogram Equalization: Write a program for computing the histogram of the image (a) and implement the histogram equalization technique as we discussed in the class.2

1.有了Fourier，为什么还需要Wavelet?先来揭揭短：（1）Fourier分析不能刻画时间域上信号的局部特性。（2）Fourier分析对突变和非平稳信号的效果不好，没有时频分析。傅立叶变换将函数投影到正弦波上，将函数分解成了不同频率的正弦波，这不能不说是一个伟大的发现，但是在大量的应用中，傅立叶变换的局限性却日趋明显，事实上在光滑平稳信号的表示中，

1.MATLAB程序编写步骤1.把小波w(t)和原函数f(t)的开始部分进行比较，计算系数C。系数C表示该部分函数与小波的相似程度。2.把小波向右移k单位，得到小波w(t-k)，重复1。重复该部知道函数f结束.3.扩展小波w(t)，得到小波w(t/2)，重复步骤1,2.4.不断扩展小波，重复1,2,3.这里使用的haar小波，缩放函数是[1 1]，小波函数是[1 -1]，是

1.前言小波变换主要包括连续小波变换和离散小波变换。本篇博客主要想弄清楚连续小波变换、离散小波变换、高维小波连续变换的意义。2.连续小波变换2.1 连续小波变换的定义将任意L2（R）空间中的函数f(t)在小波基下展开，称这种展开为函数f(t)的连续小波变换（CWT）。其表达式为：其中应当满足：从定义可以看出：小波变

1.前言Although the time and frequency resolution problems are results of a physical phenomenon (the Heisenberg uncertainty principle) and exist regardless of the transform used, it is possible to

1.如何理解时间分辨率和频率分辨率？In this section we will take a closer look at the resolution properties of the wavelet transform. Remember that the resolution problem was the main reason why we switched from

1.各种变换的适合处理对象小波变换加窗Fourier变换  Fourier变换突变信号或奇异性函数自适应信号处理处理渐变信号实时信号处理稳定和渐变信号实时信号处理2.小波包分解概述传统的振动信号分析和处理方法一般都是采用加窗傅立叶分析，它是一个窗口函数固定

1.前言：图像融合是信息融合的一个重要分支，广泛地用于目标识别、机器视觉、智能系统、医学图像处理等领域。传统图像融合方法方法主要是在时间域通过算术运算实现融合，具有算法简单直观，适合实时处理等优点，但是没有对频率进行考虑。多分辨率图像融合算法是在频率域实现图像的融合。根据分解形式的不同，多分辨率图像融合算法又可以分为多分辨金字塔方法和小波变换方法。2.小波图

1.前言：图像去噪是信号处理的一个经典问题，传统的去噪方法多采用平均或线性法法进行，最常用到的就是维纳滤波，但是他的降噪效果并不是很明显。小波分析法开辟了非线性降噪的先河，小波能够降噪得益于小波变换的以下特点：低熵性（小波系数稀松分布，使图像变换后的熵降低）、多分辨率特性（极好的刻画了信号的非平稳性）、去相关性（噪声在变换后有白化趋势，小波域更有利于去噪）目前，主流的小

1.前言：对图像来说，如果要进行快速或实时传输以及大量存储，就需要对图像数据进行压缩。在同样的通信容量下，如果图像数据压缩后在传输，就可以查UN输更多的图像信息。例如，利用普通的电话线就可以传输经过压缩后的图像信息。图像压缩研究就是寻找高压缩比的方法，且压缩后的图像要有合适的信噪比。因为在压缩之后，我们还要恢复原始信号，并且在压缩、传输、恢复过程，要求图像的失真度小。图像数据往往存

1.前言：图像增强问题的基本目标是对图像进行一定的处理，使其结果比原图更适合用于特定的应用领域。在图像增强领域，图像增强问题主要通过时域和频域两种方法进行处理。时域方法通过直接在图像上作用算子来解决。频域上通过修改傅里叶变换系数来解决。这两种方法的优劣还是十分明显的，时域方法速度快但是会失去很多点点间的关联性信息；频域方法可以很详细的分离出点点间的相关信息，但是比较耗时

之前在学习CNN的时候，有对卷积进行一些学习和整理，后来就烂尾了，现在稍微整理下，先放上来，以提醒和交流。一、线性滤波与卷积的基本概念      线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器

本文介绍一种基于凸优化的图像去噪方法。　该方法采用L1范数来衡量图像的平滑度，即能滤除澡声，又能最大限度地保存图像的边缘。　模型如下：　其中f(x)为差分矩阵，存放了Ｘ每个元素与其4邻域的差值。 I为输入的灰度图像。　对于三通道彩色图像，可对每个通道进行单独处理。gamma为权重，值趣大则图像越平滑。上述模型为无约束的最小化问题　，用线性规化可解。　在这

图像识别（image recognition）是现在的热门技术。文字识别、车牌识别、人脸识别都是它的应用。但是，这些都算初级应用，现在的技术已经发展到了这样一种地步：计算机可以识别出，这是一张狗的照片，那是一张猫的照片。这是怎么做到的？让我们从人眼说起，学者发现，人的视觉细胞对物体的边缘特别敏感。也就是说，我们先看到物体的轮廓，然后才判断这到底是什么东西。

之前在学习CNN的时候，有对卷积进行一些学习和整理，后来就烂尾了，现在稍微整理下，先放上来，以提醒和交流。一、线性滤波与卷积的基本概念      线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器

这篇文章里，我们将一起探讨图像金字塔的一些基本概念，如何使用OpenCV函数 pyrUp 和 pyrDown 对图像进行向上和向下采样，以及了解了专门用于缩放图像尺寸的resize函数的用法。此博文一共有四个配套的简短的示例程序，其详细注释过的代码都在文中贴出，且文章最后提供了综合示例程序的下载。先尝鲜一下其中一个示例程序的运行截图：   一、引言 

本文内容构成：       1、图像锐化和边缘检测的基本概念，微分梯度已经差分的定义       2、锐化和边缘检测的像素处理方式（3种）       3、单方向一阶微分锐化，包括：             水平方向             垂直方向             Kirsch算子        4、无方向微分锐化，包括： 

"font-size:18px;">clear  inputPath ='D:\数字图像处理\研究方向\Filter Smooth\images\';  filename = [inputPath 'pai.png'];  I = im2double(imread(filename));  if size(I,3)==3      I=rgb2gray(I);  end  

前一段时间研究了一下图像增强算法，发现Retinex理论在彩色图像增强、图像去雾、彩色图像恢复方面拥有很好的效果，下面介绍一下我对该算法的理解。Retinex理论Retinex理论始于Land和McCann于20世纪60年代作出的一系列贡献,其基本思想是人感知到某点的颜色和亮度并不仅仅取决于该点进入人眼的绝对光线，还和其周围的颜色和亮度有关。Retinex这个词是由视网膜(Reti

一、概述　　图像融合是图像处理中重要部分，能够协同利用同一场景的多种传感器图像信息，输出一幅更适合于人类视觉感知或计算机进一步处理与分析的融合图像。它可明显的改善单一传感器的不足，提高结果图像的清晰度及信息包含量，有利于更为准确、更为可靠、更为全面地获取目标或场景的信息。　　图像融合主要应用于军事国防上、遥感方面、医学图像处理、机器人、安全和监控、生物监测等领域。用于较多也较成熟的是红外和

链接1：利用卷积神经网络识别骰子点数链接1：利用神经网络识别骰子点数前言前段时间借用神经网络和卷积神经网络实现了骰子点数的识别，但是一个很严重的问题一直困扰我，那就是当两个骰子叠在一起的时候，将两个骰子分开并不是一件简单的事情。下图是我在识别过程中产生的不能识别的，叠加在一起的图片素材。面对这些形态各异的图片，有的时候是两个骰子一个角

基于梯度的方法Roberts, Sobel, Prewitt带方向的边缘检测Prewitt， Kirsch， Robinson基于多次求导的方法拉普拉斯算子，（高斯拉普拉斯）LoG，（高斯差分）DoG多级边缘检测Canny算法任何一个学科或者一门学问从提出到发展，再到完善，都是一个漫长而循序渐进的过程。这个过程可能是几十年，也可能是上百年。但后人在学习的时候可能只需要几天的时间

作为图像增强算法系列的第二篇文章，下面我们将要介绍功能强大、用途广泛、影响深远的对比度有限的自适应直方图均衡（CLAHE，Contrast Limited Adaptive Histogram Equalization）算法。尽管最初它仅仅是被当作一种图像增强算法被提出，但是现今在图像去雾、低照度图像增强，水下图像效果调节、以及数码照片改善等方面都有应用。这个算法的算法原理看似简单，但是实现起

直方图是图像色彩统计特征的抽象表述。基于直方图可以实现很多有趣的算法。例如，图像增强中利用直方图来调整图像的对比度、有人利用直方图来进行大规模无损数据隐藏、还有人利用梯度直方图HOG来构建图像特征进而实现目标检测。本节我们就来讨论重要的直方图均衡化算法，说它重要是因为以此为基础后续又衍生出了许多实用而有趣的算法。Histogram equalization如

【matlab函数描述】功能：对任意类型数组或多维图像进行滤波。用法：B = imfilter(A,H)　　　B = imfilter(A,H,option1,option2,…)　　　或写作g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f为输入图像，w为滤波掩模，g为滤波后图像。f

在图像增强中，平滑是为了消除图像中噪声的干扰，或者降低对比度，与之相反，有时为了强调图像的边缘和细节，需要对图像进行锐化，提高对比度。图的边缘是指在局部不连续的特征。简要介绍一下原理：        拉普拉斯锐化图像是根据图像某个像素的周围像素到此像素的突变程度有关，也就是说它的依据是图像像素的变化程度。我们知道，一个函数的一阶微分描述了函数图像是朝哪里变化的，即增长或者降

数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于 20 世纪 50 年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于 20 世纪 60 年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的

什么是数字图像处理？历史、以及它所研究的内容。说起图像处理，你会想到什么？你是否真的了解这个领域所研究的内容。纵向来说，数字图像处理研究的历史相当悠久；横向来说，数字图像处理研究的话题相当广泛。数字图像处理的历史可以追溯到近百年以前，大约在1920年的时候，图像首次通过海底电缆从英国伦敦传送到美国纽约。图像处理的首次应用是为了改善伦敦和纽约之间海底电缆发送的图片

一、线性滤波与卷积的基本概念      线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。二、神奇的卷积核

一、边缘检测边缘是图象最基本的特征. 边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为子图象的边缘包含了用于识别的有用信息. 所以边缘检测是图像分析和模式识别的主要特征提取手段。所谓边缘是指其周围像素灰度后阶变化或屋顶状变化的那些像素的集合,它存在于目标与背景、目标与目标、区域与区域,基元与基元之间。 因此它是图象分割所依赖的重要的特征,也是纹理特