计算机视觉 -- 图像预处理
计算机视觉 -- 图像预处理
图像预处理
关于HSL和HSV颜色空间的论述
http://www.360doc.com/content/13/1105/14/10724725_326803150.shtml
图像处理中的高斯金字塔和拉普拉斯金字塔
https://blog.csdn.net/xbcreal/article/details/52629465
CLAHE的实现和研究
https://www.cnblogs.com/jsxyhelu/p/6435601.html?utm_source=debugrun&utm_medium=referral
大白话讲解小波变换
https://blog.csdn.net/zhaomengszu/article/details/72628015
图像的格式和存储
- RGB – Red Green Blue
- CMYK – Cyan Magenta Yellow Key
- HSV – Hue Saturation Value
- CIE-XYZ
o 常见的存储的格式有： bmp, jpg, png, tiff, gif, pcx, tga, exif, fpx, svg, psd, cdr, pcd, dxf, ufo, eps, ai, raw, WMF, webp等
o BMP： 采用位映射存储格式， 不采用其他任何压缩， 所占用的空间很大。
o JPG： 最常见的有损压缩格式， 能够将图像压缩到很小的空间， 压缩比可达10:1到40:1之间。
o GIF： 基于LZW算法的连续色调的无损压缩格式， 其压缩率一般在50%左右。
o PNG： 是比较新的图像文件格式， 能够提供长度比GIF小30%的无损压缩图像文件。
特征提取方法
直方图（Histogram） --对图片数据/特征分布的一种统计
直方图均衡化HE
o 直方图均衡化是指： 利用图像直方图对对比度进行调整的方法。
o 直方图均衡化通常用来增加许多图像的局部对比度， 尤其是当图像的有用数据的对比度相当接近的时候。
o 直方图均衡化以后， 亮度可以更好地在直方图上分布。 这样就可以用于增强局部的对比度而不影响整体的对比度， 直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
o 直方图均衡化：实质上是对图像进行非线性拉伸
o 重新分配各个灰度单位中的像素点数量， 使一定灰度范围像素点数量的值大致相等。
自适应直方图均衡AHE
o 直方图均衡的经典算法对整幅图像的像素使用相同的变换， 如果图像中包括明显亮的或者暗的区域， 则经典算法作用有限。
o 自适应直方图均衡（AHE） 算法通过对局部区域进行直方图均衡， 来解决上述问题。
n 移动模板在原始图片上按特定步长滑动；
n 每次移动后， 模板区域内做直方图均衡， 映射后的结果赋值给模板区域内所有点，
n 每个点会有多次赋值， 最终的取值为这些赋值的均值。
CLAHE
o AHE会过度放大图像中相对均匀区域的噪音， 可采用限制对比度自适应直方图均衡(CLAHE) 。
o 与普通的自适应直方图均衡相比， CLAHE的不同地方在于直方图修剪过程， 用修剪后的直方图均衡图像时， 图像对比度会更自然。
o 小黑点的灰度直接由映射函数计算得到；
o 粉色区域内点的灰度由映射函数计算而得；
o 绿色区域内点的灰度由由相邻2块灰度映射值线性插值而得；
o 其他区域所有点的灰度由相邻4块的灰度映射值双线性插值而得。
CLAHE算法步骤
o 1.图像分块， 以块为单位；
o 2.先计算直方图， 然后修剪直方图， 最后均衡；
o 3.遍历操作各个图像块， 进行块间双线性插值；
o 4.与原图做图层滤色混合操作。 （可选）
形态学运算
o 膨胀是图像中的高亮部分进行膨胀， 类似于领域扩张。
o 腐蚀是原图的高亮部分被腐蚀， 类似于领域被蚕食。
o 开运算： 先腐蚀再膨胀， 可以去掉目标外的孤立点。
o 闭运算： 先膨胀再腐蚀， 可以去掉目标内的孔。
o 通常， 当有噪声的图像用阈值二值化后， 所得到的边界是很不平滑的， 物体区域具有一些错判的孔洞， 背景区域散布着一些小的噪声物体， 连续的开和闭运算可以显著的改善这种情况。
空间域处理及其变换
滤波/卷积
边界填充策略
• 补零（zero-padding）
• 边界复制（replication）
• 镜像（reflection）
• 块复制（wraparound）
平滑均值滤波/卷积
平滑中值滤波/卷积
平滑高斯滤波/卷积
平滑滤波 https://docs.opencv.org/master/d4/d13/tutorial_py_filtering.html
梯度滤波 http://docs.opencv.org/master/d5/d0f/tutorial_py_gradients.html
傅里叶变换 http://docs.opencv.org/master/de/dbc/tutorial_py_fourier_transform.html
金字塔
梯度Prewitt滤波/卷积
梯度Sobel滤波/卷积
梯度Laplacian滤波/卷积 --作用• 团块检测： 周边高于（低于） 中心点• 边缘检测： 像素值快速变化的区域
其他滤波/卷积 – 移位、锐化
如何让卷积更快： 空域卷积=频域乘积
高斯金字塔
• 图像金字塔化： 先进行图像平滑， 再进行降采样，
• 根据降采样率， 得到一系列尺寸逐渐减小的图像。
• 操作： n次（高斯卷积2倍降采样） n层金字塔
• 目的： 捕捉不同尺寸的物体
用处：图像缩放
拉普拉斯金字塔 – 高频细节信息在卷积和下采样中丢失， 保留所有层所丢失的高频信息， 用于图像恢复
频率域分析——傅里叶变换
连续/离散傅里叶变换
基于傅里叶变换的滤波： 低通滤波
基于傅里叶变换的滤波： 相位滤波
傅里叶变换的不足
o 关键问题——傅里叶变换假设前提为信号平稳， 但实际中信号多数为非平稳信号。
n 缺乏时间和频率的定位功能
n 对于非平稳信号的局限性
n 在时间和频率分辨率上的局限性
短时傅里叶变换
o STFT（短时傅里叶变换） 添加时域信息的方法是设置窗格， 认为窗格内的信号是平稳的；
o 然后对窗格内的信号分段进行傅里叶变换。
n 优点是可以获得频域信息的同时可以获得时域信息。
n 缺点是窗格大小很难设置。
短时傅里叶变换的特点
o 窄窗口时间分辨率高、 频率分辨率低； 宽窗口时间分辨率低， 频率分辨率高。
o 对于时变的非稳态信号， 高频适合小窗口，低频适合大窗口。
o 可是STFT的窗口是固定的……
小波变换
o 小波变换与STFT思路接近， 但小波变换直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。
o 这样不仅能够获取频率， 还可以定位到时间。
posted on 2018-08-04 10:49 sundaygeek 阅读(...) 评论(...) 编辑 收藏