CV(2)-插值和卷积

前言

仅记录学习过程,有问题欢迎讨论

看看年前可以学到哪。

频率:

灰度值变化程度的指标,是灰度再平面上的梯度幅值:

幅值:

是在一个周期内,交流电瞬时出现的最大绝对值,也是一个正弦波,波峰到波谷的距离的一半。

图像的取样和量化:

  • 取样:就是要用多少点来描述一幅图像,取样结果质量的高低就是用图像的分辨率来衡量的
  • 量化:是指要使用多大范围的数值来表示图像采样之后的一个点。
  • 数字化坐标值称为取样,数字化幅度值称为量化

上采样与下采样:

  • 缩小图像(或称为下采样或降采样)的主要目的:
    • 1、使得图像符合显示区域的大小;
    • 2、生成对应图像的缩略图。
  • 放大图像(或称为上采样或图像插值)的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。

插值方法:

  • 最邻近插值:和哪个像素点近就插入其附近,等比例插入像素点的位置

  • 双线性插值(常用):在两个方向上做线性插值(通过4个像素点等比例算出新的像素点位置,几何中心重合!)

  • 双线性差值法的计算比最邻近插值法复杂,计算量较大,但没有灰度不连续的缺点,图像看起来更光滑。

直方图
反映了图像中的灰度分布规律(0-255)。它描述每个灰度级具有的像素个数,但不包含这些像素在图像中的位置信息。
图像直方图不关心像素所处的空间位置,因此不受图像旋转和平移变化的影响,可以作为图像的特征。直方图均衡化就是用一定的算法使直方图大致平和的方法(过亮过暗,套用公式计算新的映射像素点位置)

卷积:

  • 就是特征提取,在CNN是通过大量数据训练得来的,有平滑效果,对位相乘再相加然后移动;
  • 可以通过padding来计算边缘值,防止信息丢失

  • 可以有多个卷积核,提取不同的特征;

  • 卷积核的数量就是输出的通道数,卷积核的通道数就是输入的通道数 (对于输入的每一个通道,都需要有对应的卷积核通道来进行计算,可以参考下图)
    在这里插入图片描述

卷积-3种填充模式

  1. full:卷积核相交图像开始计算,卷积结果尺寸小于原图像
  2. valid:卷积核边缘与图像边缘对齐,卷积结果尺寸小于原图像
  3. same:卷积结果尺寸等于原图像(常用,步长s=1)

插值和直方图的实现

"""
1.实现最邻近插值
2,实现双线性插值
3,证明几何中心对称系数
4.实现图像均衡化"""
import cv2
import matplotlib.pyplot as plt
import numpy as np# 1.实现最邻近插值
def nearest_interpolation(img, dst_h, dst_w):src_h, src_w, _ = img.shapet_x = dst_w / src_wt_y = dst_h / src_hdst_img = np.zeros((dst_h, dst_w, 3), dtype=np.uint8)for i in range(dst_h):for j in range(dst_w):x = int(j / t_x)y = int(i / t_y)dst_img[i, j] = img[y, x]return dst_img# 2.实现双线性插值
def bilinear_interpolation(img, dst_h, dst_w):src_h, src_w, _ = img.shapet_x = dst_w / src_wt_y = dst_h / src_hdst_img = np.zeros((dst_h, dst_w, 3), dtype=np.uint8)for i in range(dst_h):for j in range(dst_w):x = j / t_xy = i / t_yx1 = int(x)y1 = int(y)x2 = min(x1 + 1, src_w - 1)  # 防止超过原图的宽 所以有这个min的行为y2 = min(y1 + 1, src_h - 1)# 公式dst_img[i, j] = (1 - (x - x1)) * (1 - (y - y1)) * img[y1, x1] + (1 - (x - x1)) * (y - y1) * img[y2, x1] + (x - x1) * (1 - (y - y1)) * img[y1, x2] + (x - x1) * (y - y1) * img[y2, x2]return dst_img# 3,证明几何中心对称系数为1/2
"""
设中点坐标为a = (x1+x2)/2, b = (y1+y2)/2
对x有 2a = (x1+x2) ,则 x2 = 2a - x1
对y有 2b = (y1+y2) ,则 y2 = 2b - y1
所以对称点坐标为 (2a - x1, 2b - y1)
因为中点,有 x2-x1 = 2(a-x1) ,得出x2和x1的差值是x1到a距离的两倍,并且方向是相反的
又因为是关于O中心对称,在x坐标系中,坐标系的变化系数就是1/2,
同理在y坐标系中,坐标系的变化系数也是1/2。"""# 4.实现图像均衡化
def equalization(img):# 灰度化# grey_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 多个通道每个通道都需要均衡化 然后合并b, g, r = cv2.split(img)eqb_img = cv2.equalizeHist(b)eqg_img = cv2.equalizeHist(g)eqr_img = cv2.equalizeHist(r)eqz_img = cv2.merge((eqb_img, eqg_img, eqr_img))return eqz_imgif __name__ == '__main__':img = cv2.imread("test.png")"""1.实现最邻近插值near_img = nearest_interpolation(img,300, 300)cv2.imshow("near_img",near_img)cv2.waitKey(0)""""""2.实现双线性插值near_img = bilinear_interpolation(img, 300, 300)cv2.imshow("bili_img", near_img)cv2.waitKey(0)"""# 4.实现图像均衡化dst_img = equalization(img)cv2.imshow("dst_img", dst_img)cv2.waitKey(0)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/63231.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

python数据分析之爬虫基础:解析

目录 1、xpath 1.1、xpath的安装以及lxml的安装 1.2、xpath的基本使用 1.3、xpath基本语法 2、JsonPath 2.1、jsonpath的安装 2.2、jsonpath的使用 2.3、jsonpath的基础语法 3、BeautifulSoup 3.1、bs4安装及创建 3.2、beautifulsoup的使用 3.3、beautifulsoup基本语…

QNX的系统资源访问机制

资料参考: QNX官网文档 在QNX中,一些系统的资源默认是无法访问的,或者可访问的范围过大,导致产生不可控的危险,此时便需要对系统资源进行访问限制 接口如下 #include <sys/rsrcdbmgr.h> #include <sys/rsrcdbmsg.h>int rsrcdbmgr_create(

1000 道最新高频 Java 面试题

金九银十已过&#xff0c;之前面试的也差不多了&#xff0c;小编在这里给大家整理了一套阿里面试官最喜欢问的问题或者出场率较高的面试题&#xff0c;助校招或者社招路上的你一臂之力&#xff01; 首先我们需要明白一个事实&#xff0c;招聘的一个很关键的因素是在给自己找未…

记录vite关于tailwindcss4.0-bate4出现margin[m-*]、padding[p-*]无法生效的问题。

环境如下&#xff1a; vite:5.4.10 tailwindcss: 4.0.0-beta.4 tailwindcss/vite: 4.0.0-beta.4 4.0默认的样式优先级比较低 如果使用了一些reset的css文件 那么很多样式会失效 例如&#xff1a;reset.css中 html, body, ul, li, h1, h2, h3, h4, h5, h6, dl, dt, dd, ol, i…

亚马逊云(AWS)使用root用户登录

最近在AWS新开了服务器&#xff08;EC2&#xff09;&#xff0c;用于学习&#xff0c;遇到一个问题就是默认是用ec2-user用户登录&#xff0c;也需要密钥对。 既然是学习用的服务器&#xff0c;还是想直接用root登录&#xff0c;下面开始修改&#xff1a; 操作系统是&#xff1…

《向量数据库指南》——OPPO分布式向量检索的实战与突破

OPPO对向量检索的探索:从单机到分布式的华丽转身 在当今这个数据爆炸的时代,如何高效地存储、检索和分析数据,成为了企业面临的一大挑战。特别是在人工智能领域,向量数据的处理更是占据了举足轻重的地位。OPPO,作为全球知名的智能手机制造商,自然也不会放过这个技术风口…

Matlab 绘制雷达图像完全案例和官方教程(亲测)

首先上官方教程链接 polarplothttps://ww2.mathworks.cn/help/matlab/ref/polarplot.html 上实例 % 定义角度向量和径向向量 theta linspace(0, 2*pi, 5); r1 [1, 2, 1.5, 2.5, 1]; r2 [2, 1, 2.5, 1.5, 2];% 绘制两个雷达图 polarplot(theta, r1, r-, LineWidth, 2); hold …

bash命令缓存导致命令执行失败的问题

1、问题背景 为了修复老版本 vsftpd 的安全漏洞&#xff0c;需要把生产环境上 vsftpd 版本升级到 vsftpd-3.0.5&#xff0c;因为直接使用 rpm 包的方式进行升级还涉及到下层依赖包的升级(生产环境上的依赖包版本不能随意变更&#xff0c;可能会影响其他上层应用)&#xff0c;所…

【Point-LIO】基于Ubuntu20.04的ROS1平台的Point-LIO部署Mid-360激光雷达

0、前言 Mid360参数 1、代码拉取 2、代码编译运行 文件结构 编译流程&#xff1a; 1、先编译livox_ros_driver2 2、编译整个工程文件 3、运行launch文件&#xff08;livox_ros_driver2&#xff09; 成功启动&#xff1a; 3、实物运行 看得出来&#xff0c;在rviz…

mac终端自定义命令打开vscode

1.打开终端配置文件 open -e ~/.bash_profile终端安装了zsh&#xff0c;那么配置文件是.zshrc&#xff08;打开zsh配置&#xff0c;这里举&#x1f330;使用zsh&#xff09; sudo open -e ~/.zshrc 2.在zshrc配置文件中添加新的脚本&#xff08;这里的code就是快捷命令可以进…

SAP导出表结构并保存到Excel 源码程序

SAP导出表结构并保存到Excel,方便写代码时复制粘贴 经常做接口,需要copy表结构,找到了这样一个程程,特别有用。 01. 先看结果

python学习——格式化字符串

在Python中&#xff0c;格式化字符串是一种将变量插入到字符串中的方法&#xff0c;使得字符串的构建更为灵活和方便。以下是一些常见的格式化字符串的方法&#xff1a; 文章目录 1. 使用百分号 % 格式化2. 使用 str.format() 方法3. 使用 f-string (格式化字符串字面量)格式说…

Flink日志配置

所有Flink进程都会创建一个日志文本文件,其中包含进程中发生的各种事件的消息。这些日志可以深入了解Flink的内部工作原理,还可以用来检测问题(以警告/错误信息的形式),并帮助调试。 可以通过web界面的JobManager/TaskManager页面访问日志文件。使用的资源提供者(例如YA…

LLM学习笔记(15)LangChain、LlamaIndex、LlamaIndex

Transformer 和 PyTorch 是什么关系&#xff1f; Transformer和PyTorch可以很好地配合使用&#xff0c;但它们并不是同一层面的工具。具体来说&#xff1a; Transformer是一个神经网络的架构&#xff0c;最初用于自然语言处理&#xff0c;但也可以扩展到其他任务&#xff08;…

记录一下,解决js内存溢出npm ERR! code ELIFECYCLEnpm ERR! errno 134 以及 errno 9009

项目是个老项目&#xff0c;依赖包也比较大&#xff0c;咱就按正常流程走一遍来详细解决这个问题&#xff0c;先看一下node版本&#xff0c;我用的是nvm管理的&#xff0c;详细可以看我的其他文章 友情提醒&#xff1a;如果项目比较老&#xff0c;包又大&#xff0c;又有一些需…

【Linux】gdb / cgdb 调试 + 进度条

&#x1f33b;个人主页&#xff1a;路飞雪吖~ &#x1f320;专栏&#xff1a;Linux 目录 一、Linux调试器-gdb &#x1f31f;开始使用 &#x1f320;小贴士&#xff1a; &#x1f31f;gdb指令 &#x1f320;小贴士&#xff1a; ✨watch 监视 ✨打条件断点 二、小程序----进…

【人工智能】大数据平台技术及应用

文章目录 前言一、大数据平台基本概念及发展趋势1、数据量爆发式增长&#xff0c;发数据蓬勃发展2、大数据到底是什么&#xff1f;3、大数据处理与传统数据处理的差异4、为什么要建立大数据平台&#xff1f;5、大数据平台开源架构-Hadoop6、华为云大数据平台架构 二、大数据技术…

ABAP - 系统集成之SAP的数据同步到OA(泛微E9)服务器数据库

需求背景 项目经理说每次OA下单都需要调用一次SAP的接口获取数据&#xff0c;导致效率太慢了&#xff0c;能否把SAP的数据保存到OA的数据库表里&#xff0c;这样OA可以直接从数据库表里获取数据效率快很多。思来想去&#xff0c;提供了两个方案。 在集群SAP节点下增加一个SQL S…

PHP语法学习(第三天)

老规矩&#xff0c;先回顾一下昨天学习的内容 PHP语法学习(第二天) 主要学习了PHP变量、变量的作用域、以及参数作用域。 今天由Tom来打开新的篇章 文章目录 echo 和 print 区别PHP echo 语句实例 PHP print 语句实例 PHP 数组创建数组利用array() 函数 数组的类型索引数组关联…

映射vim键位,基本功能键位表(未更完)

键位映射&#xff1a;建议使用jj代替esc,毕竟esc离手那么远 linux下修改方法是&#xff1a;vim /etc/vim/vimrc 在该文件尾添加inoremap jj <Esc>该方法可以同样可以用到其他键位映射上 i&#xff1a;表示这个映射是在插入模式&#xff08;insert mode&#xff09;下有效…