04 2013 档案
摘要：所谓的最终腐蚀并不是把图像不断腐蚀直到一片黑为止，那样还有什么意思呢。最终腐蚀的意思是连续腐蚀过程中连通子区域消失前所有剩余部分的并。看下图有一个连通区域：那么最终腐蚀就是把图像不断腐蚀到只剩圆环最中间的白色区域为止。如下：所以一般最终腐蚀之后，如果再腐蚀一下，那么图像就全没了。最终腐蚀的通常算法会先对原图像使用距离变换，然后求区域极大值。不过这种方法怎么说呢，速度倒是快，不过我实验了很多次，求得的结果很不稳定。所以我就自己开发了一个算法，虽然有些慢，不过很稳定。1.首先对原图像进行连通区域标记。2.对标记后图像不断进行腐蚀，每腐蚀一次，重新标记连通区域。3.每腐蚀并且标记一次之后，检查腐蚀后
阅读全文
摘要：顾名思义，条件膨胀是带有限定条件的膨胀。限定条件通常有两个。1.膨胀始终在原始集合内。如下图：原始集合图像：集合内部的子集图像：如果对后一个图进行规则1的条件膨胀，那么最后的结果就会得到第一幅图。所以这里第一幅图即是原始集合图像又是最终条件膨胀图像。2.膨胀之后各自粒子互不连接。如下图：原图：按规则2条件膨胀需首先标记连通区域：然后再进行互补侵犯的膨胀：根据具体应用环境，可以使用单一的条件或两个条件同时使用。分水岭分割的最后筑坝那一步就是两个条件同时使用到了。单独规则1的matlab代码：clear all;close all;clc;mask=imread('p1.jpg')
阅读全文
摘要：目标内边界的像素全都在目标里面，目标外边界的像素全都不在目标上，是包围着目标的。二值图像内外边界的计算都是有两种方法的，所以一共是4种算法，不过实际用到跟踪的只有一个而已。首先是内边界跟踪：第一种方法不是跟踪方法。步骤是先对原图像腐蚀，然后用原图像减去腐蚀后的图像就得到边界了。第二种方法是跟踪方法。步骤如下：1.遍历图像。2.标记第一个遇见像素块的前景像素（i,j）。3.对这个像素周围八邻域逆时针搜索，如果搜索到周围有前景像素，那么更新坐标（i,j）为（i',j'），并标记。4.不断执行第3步直到再次遇见此像素块第一次标记的像素。5.继续执行第1步。然后是外边界跟踪：第一种方法
阅读全文
摘要：聚类算法，不是分类算法。分类算法是给一个数据，然后判断这个数据属于已分好的类中的具体哪一类。聚类算法是给一大堆原始数据，然后通过算法将其中具有相似特征的数据聚为一类。这里的k-means聚类，是事先给出原始数据所含的类数，然后将含有相似特征的数据聚为一个类中。所有资料中还是Andrew Ng介绍的明白。首先给出原始数据{x1,x2,...,xn}，这些数据没有被标记的。初始化k个随机数据u1,u2,...,uk。这些xn和uk都是向量。根据下面两个公式迭代就能求出最终所有的u,这些u就是最终所有类的中心位置。公式一：意思就是求出所有数据和初始化的随机数据的距离，然后找出距离每个初始数据最近的数
阅读全文
摘要：将彩色图像RGB三色分离出来是一个很有意义的操作。用到void split(const Mat& mtx,vector<Mat>& mv),void merge(const vector<Mat>& mv,Mat& dst)这两个函数。#include "cv.h"#include "highgui.h"#include <iostream>#include <vector>using namespace std;using namespace cv;int main(int
阅读全文
摘要：图像区域分裂可以将图像中相似的区域归为一个子区域，否则这个区域分裂。分裂的步骤还是很好理解的。对一个图像而言，首先确定一个分裂准则，如果当前图像区域中有像素没有满足这个准则，那么本区域继续分裂，否则分裂停止。我这里用的准则就是当前像素灰度是否和本区域平均灰度差距过大，如果相差很大则继续分裂，否则分裂停止并将本区域赋值为本区域平均值。分裂具体步骤：1.输入图像作为初始区域。2.判断本区域是否有像素灰度与本区域平均灰度差距过大。若有，则本区域分解为四部分，对每部分继续执行步骤2；若无，结束。（显然的递归嘛，当然，递归和迭代一般是能互换的）先看看分裂效果：matlab代码如下：main.mclear
阅读全文
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
摘要：算法步骤：1.任意找一顶点加入树中。2.寻找所有与树相邻的元素，并取其边权重最小的并且不在树中的元素入树。3.继续第二步，直到所有元素都入树。效果和Kruskal算法是类似的。matlab代码：main.mclear all;close all;clc;G=[0 4 0 0 0 0 0 8 0; 4 0 8 0 0 0 0 11 0; 0 8 0 7 0 4 0 0 2; 0 0 7 0 9 14 0 0 0; 0 0 0 9 0 10 0 0 0; 0 0 4 14 10 0 2 0 0; 0 0 0 0 0 2 0 1 6; 8 11 0 0 0 0 1 0 7...
阅读全文
摘要：小技巧在函数中用persistent定义变量。例子：function re=test() persistent a; if isempty(a) a=1; end a=a+1; re=a;end
阅读全文
摘要：老物了，网上的例子多的数不过来。不过我还是有必要练习一下的。之所以看这个算法是因为最近在看颜色聚合向量时，有的论文用到了最小生成树，因此我就拿来熟悉一下。Kruskal算法类似于连通分支算法，感觉和过去实现过的连通区域标记算法非常像。步骤：1.对于一个图，将图的每条边提取出来从小到大进行排序。2.将已排序的边依次加入到新图中，如果新图中出现了环，那么就舍弃这条边。3.不断重复第二步。下面两个图就是kruskal算法前后的样子。代码如下：main.mclear all;close all;clc;%算法导论P349的列子G=[0 4 0 0 0 0 0 8 0; 4 0 8 0 0 0 0 ..
阅读全文
摘要：立体感知对应点匹配基本分为两种：一是低层的基于像素级的匹配，二是高层的基于特征级的匹配。这里介绍的是底层的像素级匹配。用摄像头平行移动获取两张图片，其实就是双目感知到的两张图片。原理是在一定的窗口中，两张图片具有相同的水平视差，而对比这两个局部窗口中的像素相似度就能计算出当前像素的深度。先看下效果吧： left.img right.img depth.img具体判断像素相似度的判据有以下几种：所有公式（非官方公式哈，自己凭理解写的）中ds是原图中的像素块（左图），dd是待检测图的像素块（右图），i是...
阅读全文
