导读做图像处理的同学应该经常都会用到图像的缩放，我们都知道图片存储的时候其实就是一个矩阵，所以在对图像进行缩放操作的时候，也就是在对矩阵进行操作，如果想要将图片放大，这里我们就需要用到过采样算法来扩大矩阵，利用欠采样来缩小图像。 如上图所示，左图是原图像矩阵，右图是扩大后的图像矩阵，右图中的橙色点表示的是矩阵扩大之后通过插值算法填充的像素值。所以，这篇文章我们主要探讨的就是如何来通过插值算法来填充
转载
2024-04-24 14:13:24
118阅读
主要介绍函数resize();图像缩放的效果图如下：主程序代码及函数解释如下所示： 1. /************************************************************************/
2. /*
3. OpenCV图像缩放使用的函数是：resize
4. void resize(InputArray src, OutputArray
转载
2024-03-08 10:12:30
62阅读
文章目录像素运算cv2.addcv2.subtractcv2.multiplycv2.dividecv2.bitwise_andcv2.bitwise_orcv2.bitwise_notcv2.bitwise_xor掩膜cv2.addWeighted示例示例==错误记录== 像素运算注意： 需要两张图片大小格式完全一样cv2.add两张图片相加add(src1, src2[, dst[, mas
转载
2024-04-05 18:50:44
106阅读
一、背景 1.1概念定义我们这里想要实现的图像拼接，既不是如题图1和2这样的“图片艺术拼接”，也不是如图3这样的“显示拼接”，而是实现类似“BaiDU全景”这样的全部的或者部分的实际场景的重新回放。对于图像拼接的流程有很多定义方式，本教程中主要介绍实现主流方法，总结梳理如下：图像采集->投影变换->特征点匹配->拼接对准->融合->反投影图像采集不仅仅指的是普通的图
转载
2024-05-09 09:42:07
261阅读
最近学习了OpenCV，于是想用它实现Photoshop的主要功能，用于照片处理。对于一张照片，PS的一般处理步骤包括：1， 旋转图片，校正位置。2，剪切，调整大小，重新构图。3，调整色阶、曲线，使图片曝光正确、对比适中。4，调整对比度、饱和度5，印章去掉不想要的东西，液化调整形体线条6，对于人像图片，美肤、美白7， 用色彩平衡、可选颜色等调整色调，形成照片调性8，加一些光效9，锐化以后
转载
2024-05-13 12:59:53
253阅读
1 基于阈值1.1 基本原理 灰度阈值化，是最简单也是速度最快的一种图像分割方法，广泛应用在硬件图像处理领域 (例如，基于 FPGA 的实时图像处理)。 假设输入图像为 f，输出图像为 g，则经过阈值化处理的公式如下： $\quad g(i, j) = \begin{cases} 1 & \text{当 f(i, j) ≥ T 时
转载
2024-01-09 20:03:03
92阅读
Opencv的使用小教程2——Opencv常用图像处理函数汇总1、blur2、GaussianBlur3、medianBlur4、bilateralFilter5、腐蚀和膨胀6、morphologyEx高级形态学变换7、convertScaleAbs图像增强8、Sobel9、Laplacian10、Scharr11、Canny 好好学习噢！ 该部分主要提到的函数包括各种滤波、膨胀、腐蚀、开运算、
转载
2024-04-27 20:51:36
50阅读
KMeans 数据分类概述 KMeans算法的作者是MacQueen， KMeans的算法是对数据进行分类的算法，采用的硬分类方式，是属于非监督学习的算法； 对于给定的样本集，按照样本之间的距离大小，将样本划分为K个簇，让簇内的点尽量紧密的连接在一起，而让簇间的距离尽量的大。KMeans算法输入：训练数据集
,聚类簇数 k;
过程：函数
.
1：从 D
一、概念 立体匹配算法主要是通过建立一个能量代价函数，通过此能量代价函数最小化来估计像素点视差值。立体匹配算法的实质就是一个最优化求解问题，通过建立合理的能量函数，增加一些约束，采用最优化理论的方法进行方程求解，这也是所有的病态问题求解方法。二、主要立体匹配算法分类1）根据采用图像表示的基元不同，立体匹
图像缩放算法及速度优化——(一)最近邻插值
图像缩放算法及速度优化——(二)双线性插值
————————————————————以下为原文——————————————————
第0节 简介
图像缩放算法是数字图像处理算法中经常遇到的问题。我们经常会将某种尺寸的图像转换为其他尺寸的图像，如放大或者缩小图像。OpenCV中的Resize() 函数非常方便而且效率非常高。下面是
转载
2024-05-21 11:36:18
150阅读
最简单的图像分割的方法。应用举例：从一副图像中利用阈值分割出我们需要的物体部分（当然这里的物体可以是一部分或者整体）。这样的图像分割方法是基于图像中物体与背景之间的灰度差异，而且此分割属于像素级的分割。为了从一副图像中提取出我们需要的部分，应该用图像中的每一个像素点的灰度值与选取的阈值进行比较，并作出相应的判断。（注意：阈值的选取依赖于具体的问题。即：物体在不同的图像中有可能会有不同的灰度值。一旦
转载
2024-07-10 18:27:36
56阅读
【1】仿射变换原理拉伸、收缩、扭曲、旋转是图像的几何变换，在三维视觉技术中大量应用到这些变换，又分为仿射变换和透视变换。仿射变换通常用单应性（homography）建模，利用cvWarpAffine解决稠密仿射变换，用cvTransform解决稀疏仿射变换。仿射变换可以将矩形转换成平行四边形，它可以将矩形的边压扁但必须保持边是平行的，也可以将矩形旋转或者按比例变化。透视变换提供了更大的灵活性，一个
转载
2023-12-06 14:50:15
30阅读
我们知道，直方图可以在一定程度上反应图像的一些统计信息。所以，可以考虑用直方图对比的方法，进行基于内容的图像检索。通常我们搜索图片，都是根据图片的标签搜索的。基于内容的搜索，就是假设我们不知道标签，而是直接输入一幅图像，然后从得出一些跟这幅图像的直方图比较相似的图像。那么我们不禁要问，如何度量两幅直方图的相似程度呢？OpenCV的compareHist函数提供了一个参数供你选择。最简单的就是CV_
转载
2023-11-07 23:31:32
128阅读
本文以下OpenCV都简写成"cv2"的形式,所有img都默认为一张图片 九、分水岭算法分水岭算法是一种经典且实用的 切割算法 。分水岭算法中有一个核心思想：距离变换。1、距离变换距离变换是指把某点到某个特定区域，一般是二值化图的黑色部分，因为黑色=0，可以代表背景。然后我们定义某一个图像，或者某一个不为零的像素，其到背景0的最短距离的数值替换成像素值，那么整个图片中，越远离背景的地方就越"亮"，
转载
2024-03-26 16:52:17
144阅读
文章目录理论扩散模型概述优势扩散阶段如何扩散第一步重建阶段总结代码应用 扩散模型概述DDPM Nips2020去噪工作步骤扩散和重建两个过程training phase训练集合中获取真实数据集，使用扩散模型得到很多噪声图，使用噪声图进行重建得到高清图片；test phase使用高斯分布采样噪声图，将噪声图采样得到真实人脸（生成结果）优势相比GAN容易崩塌，扩散模型相对更加稳定。扩散模型更加具有指
转载
2024-02-02 09:53:39
116阅读
5、图像滤波（平滑） 图像滤波（平滑），即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。 &nb
转载
2023-11-27 06:20:50
105阅读
1.相关API通过下面的API就可以进行一般的平移，旋转，缩放，仿射等操作；图像变形扭曲:2.平移变换2.1原理下面是二维图像一般情况下的变换矩阵（旋转+平移），当我们只需要平移的时候，取Theta的值为0，a和b的值就代表了图像沿x轴和y轴移动的距离；进一步简化：将上式展开：2.2实验代码Mat src = imread("E:/image/girl2.jpg");
Mat mov_ma
转载
2023-10-04 20:32:51
1565阅读
1 前言在计算机视觉技术中，阈值处理是一种非常重要的操作，它是很多高级算法的底层处理逻辑之一。比如在使用OpenCV检测图形时，通常要先对灰度图像进行阈值（二值化）处理，这样就得到了图像的大致轮廓，以便于识别图形。在阈值处理中，会将图像的每一个像素值与阈值进行比较，如果小于阈值，则将像素值置为0（黑色），若大于或等于阈值，将像素值置为最大值255（白色）。下边我们一起了解一下OpenCV中的三种阈
转载
2024-05-12 18:02:24
82阅读
基础概念 在聚焦完成后，在焦点前后的范围内都能形成清晰的像，这一前一后的距离范围，便叫做景深。在镜头前方（调焦点的前、后）有一段一定长度的空间，当被摄物体位于这段空间内时，其在底片上的成像恰位于焦点前后这两个弥散圆之间。被摄体所在的这段空间的长度，就叫景深。 原理 下面是景深的计算公式。其中： δ：容许弥散圆直径 F：镜头的拍摄光圈值 f：镜头焦距 L：对焦距离 ΔL1：前景深 ΔL2：后景深
转载
2024-04-12 19:36:25
405阅读
作为深度生成模型中新的SOTA，目前有关它的理论和实践还在“野蛮生长”阶段，缺乏系统性的回顾。为了反映这一快速发展领域的进展，这篇综述从扩散模型算法细化分类、和其他五大生成模型的关联以及在七大领域中的应用等方面展开，最后提出了扩散模型的现有局限性和未来的发展方向。作者是来自加州大学&Google Research的Ming-Hsuan Yang、北京大学崔斌实验室以及CMU、U
转载
2024-07-16 16:11:36
192阅读
