Dsp Tian

摘要： 三种常见的边缘检测算子。#include "cv.h"#include "highgui.h"using namespace cv;int main(int argc, char* argv[]){ Mat src = imread("misaka.jpg"); Mat dst; //输入图像 //输出图像 //输入图像颜色通道数 //x方向阶数 //y方向阶数 Sobel(src,dst,src.depth(),1,1); imwrite("sobel.jpg... 阅读全文

摘要： 图像的基本形态学操作。#include "cv.h"#include "highgui.h"using namespace cv;int main(int argc, char* argv[]){ Mat src = imread("misaka.jpg"); Mat dst; //输入图像 //输出图像 //单元大小，这里是5*5的8位单元 //腐蚀位置，为负值取核中心 //腐蚀次数两次 erode(src,dst,Mat(5,5,CV_8U),Point(-1,-... 阅读全文

摘要： 四种经典滤波算法，在opencv文档中都能找到的，熟悉一下调用规范。#include "cv.h"#include "highgui.h"#include <iostream>using namespace std;using namespace cv;int main(int argc, char* argv[]){ Mat src = imread("misaka.jpg"); Mat dst; //参数是按顺序写的 //高斯滤波 //src:输入图像 //dst:输出图像 //Size(5,... 阅读全文

摘要： opencv这个图像库两年前就会用了，本科毕业设计就是用的他，不过其中有很多函数直到现在我也没怎么用过。关于这个库的学习，我自己的目标是只需要学会怎样调用库函数完成目标就可以了，至于原理性的东西我就不去深究了，原理的东西我会在matlab中实现的。平台是ubuntu+opencv2，具体版本我忘了。不过2之后的应该都可以。第一个先练手的程序，我尽量用C++版的：#include "cv.h"#include "highgui.h"#include <iostream>using namespace std;using namespace cv 阅读全文

摘要： 主要是用来平滑图像的，克服了高斯模糊的缺陷，各向异性扩散在平滑图像时是保留图像边缘的（和双边滤波很像）。通常我们有将图像看作矩阵的，看作图的，看作随机过程的，记得过去还有看作力场的。这次新鲜，将图像看作热量场了。每个像素看作热流，根据当前像素和周围像素的关系，来确定是否要向周围扩散。比如某个邻域像素和当前像素差别较大，则代表这个邻域像素很可能是个边界，那么当前像素就不向这个方向扩散了，这个边界也就得到保留了。先看下效果吧：具体的推导公式都是热学上的，自己也不太熟悉，感兴趣的可以去看原论文，引用量超7000吶。我这里只介绍一下最终结论用到的公式。主要迭代方程如下：I就是图像了，因为是个迭代公式， 阅读全文

摘要： 自动聚焦需要评判图像的模糊或者清晰程度。当然，真正聚焦还需要配合硬件，我现在已经不搞硬件了，所以也就不去关心那一方面了。主要有三种评判方法：1.灰度方差法评判图像灰度的变化程度，我先使用了全局灰度方差，不过效果不好。又实验了局部灰度方差，不过由于运算量的问题，也没做出什么结果。2.边缘评判法这个很简单了，通过对图像进行边缘检测，比如sobel，prewitt，roberts等等各种边缘检测吧，然后找出边缘最丰富的那一张图片。3.能量法图像细节越丰富，傅里叶分解后的频率肯定越多，所以能量也能作为一种评判标准。我这里的实验图像序列在这里可以下到。实验结果，图中红色是sobel评判，绿色是二阶拉普拉 阅读全文

摘要： 关于小波变换我只是有一个很朴素了理解。不过小波变换可以和傅里叶变换结合起来理解。傅里叶变换是用一系列不同频率的正余弦函数去分解原函数，变换后得到是原函数在正余弦不同频率下的系数。小波变换使用一系列的不同尺度的小波去分解原函数，变换后得到的是原函数在不同尺度小波下的系数。不同的小波通过平移与尺度变换分解，平移是为了得到原函数的时间特性，尺度变换是为了得到原函数的频率特性。小波变换步骤：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 阅读全文

摘要： 计算Haar特征时有用到这个。wiki介绍的非常好，我可耻的转了：积分图的每一点（x,y）的值是原图中对应位置的左上角区域的所有值得和：而且，积分图可以只遍历一次图像即可有效的计算出来，因为积分图每一点的（x,y）值是：一旦积分图计算完毕，对任意矩形区域的和的计算就可以在常数时间内完成。如下图中，阴影矩形区域的值：clear all;close all;clc;img=double(imread('lena.jpg'));[m n]=size(img);%计算积分图I=zeros(m,n);for i=1:m for j=1:n if i==1 && j==1 阅读全文

摘要： 很多算法都用到了这个矩阵，比如Hessian affine region detector、SURF，虽然这些算法我还没有完全搞透，不过那都是后话，先把这个矩阵搞出来再说，学习是不断迭代的过程。整个矩阵的形成主要由四部分公式决定：g(x,y)就是高斯函数了，没啥可说的：对高斯函数的x和y分别求二阶偏导：求出的模板对原图进行卷积：卷积后的值构成Hessian矩阵：所以这里的H是相当于原图像每一个像素都能求出一个Hessian矩阵。matlab代码如下：clear all;close all;clc;img=double(imread('lena.jpg'));[m n]=size 阅读全文

摘要： 今天在看局部熵方面的内容，看论文中介绍的内容感觉局部熵挺容易了，于是就有了实现的想法，结果效果非常糟糕。 得到的几乎是一张空白的图片，就像下面一样： 究其原因是各种论文上都写了这样一个公式： 这里f(i,j)就是在m*n这个局部的像素，这个没问题，不过这里的p是什么东西，按这里的定义p是当前像素灰度 阅读全文