摘要：
为了讨论方便起见，以 \(r\) 和 \(s\) 分别表示原图像灰度和经直方图均衡化后的图像灰度，先把图像灰度值放缩到 \(0\) 至 \(1\) 之间。直方图均衡化，本质上是找一个变换函数 \(T\) 来实现灰度变换，使得各个灰度值的点数除了 \(0\) 外，高度尽可能相等。这个变换记为 \[ s 阅读全文
2021年2月17日
2021年2月7日
摘要：
操作 公式 作用 腐蚀 \(I\ominus K\) 缩小$I$边界 膨胀 \(I\oplus K\) 扩大$I$边界 开运算 \(I\circ K=(I\ominus K)\oplus K\) 平滑轮廓，消除小毛刺 闭运算 \(I\bullet K=(I\oplus K)\ominus K\) 平 阅读全文
2021年2月6日
摘要：
算法步骤 全局二值化容易受阴影影响，所以可以局部二值化。自适应阈值分割的本质就是局部二值化。 具体操作步骤如下： (1) 对某个像素值，原来为 \(S\)，取其周围的 \(n\times n\) 的区域，求区域均值或高斯加权值，记为 \(T\)； (2) 对 \(8\) 位图像，如果 \(S > T 阅读全文
摘要：
对于给定的阈值$T$，可以将图像分为目标和背景。其中背景点数占图像比例为 \(p_0\)，平均灰度值为 \(m_0\)。而目标点数占图像比例为 \(p_1\)，平均灰度值为 \(m_1\)，其中满足 \[ p_0 + p_1 = 1 \] 整幅图像的平均灰度值为常数，跟阈值无关，且为 \[ \ove 阅读全文
摘要：
本节介绍数字图像处理中的迭代法阈值分割，针对灰度图进行自动寻找阈值。收敛证明目前未找到相关资料。 1. 迭代法阈值分割步骤 (1) 选取初始分割阈值，通常可选图像灰度平均值 \(T\)。 (2) 根据阈值 \(T\) 将图像像素分割为背景和前景，分别求出两者的平均灰度 \(T_0\) 和 \(T_1 阅读全文
2021年1月31日
摘要：
理论 参考此处原文。 注意，里面的 \(\xi, x\) 都是二维向量。 只考虑空间距离： \[ h(x) = k_d^{-1} \int_{-\infty}^\infty \int_{-\infty}^\infty f(\xi)c(\xi - x) d\xi \] \[ k_d = \int_{- 阅读全文
摘要：
均值滤波滤波器 \[ \frac{1}{M\times N} \left[ \begin{array}{**lr**} 1 & 1 & 1 & \cdots & 1 \\ 1 & 1 & 1 & \cdots & 1 \\ \vdots & \vdots & \cdots & \vdots & \v 阅读全文
2021年1月23日
摘要：
说明：本教程为《数字图像处理Python OpenCV实战》的配套代码相关内容。 免费视频教程为0-6章（标题号≤6），可在此处点击观看。 所有课件及源代码可在此处下载： 链接：https://pan.baidu.com/s/198PySe_vebO3e06idHSQ6g 提取码：11o4 有问题可 阅读全文
2021年1月21日
摘要：
Hough圆检测和Hough直线检测思想类似，都是把直角坐标系中的一条直线或一个圆转换成另一个坐标系中的一个点。 对于Hough圆，在直角坐标系中的一个圆 \(C\)，圆心为 \(C(a,b)\)，半径为 \(r\)，则圆上的每一点可以表示成 \[ \left\{\begin{array}{**lr 阅读全文
摘要：
Hough直线检测通过直角坐标系中（之后称直角坐标系）的点线关系和转换后的极坐标系（之后称为新坐标系）之间的对应关系，把直角坐标系中的直线检测转换成新坐标系中的点检测。 为了理解 Hough变换，先看一个简单的例子。 图1 其中 $A$为定点，直角坐标为 \(A(x,y)\)，极坐标表示为 \(A( 阅读全文