图像加减运算

图像的加减运算

原创文章:转载请注明出处 ©️ Sylvan Ding

图像相加

图像相加常常被用来进行图片降噪处理。令 g(x,y)g(x,y)g(x,y) 是无噪声理想图像 f(x,y)f(x,y)f(x,y) 被高斯加性噪声 η(x,y)\eta (x,y)η(x,y) 污染后的图像,即

g(x,y)=f(x,y)+η(x,y)g(x,y)=f(x,y)+\eta (x,y)g(x,y)=f(x,y)+η(x,y)

其中,η\etaημ=0\mu =0μ=0σ2=ση2\sigma ^2 =\sigma ^2 _\etaσ2=ση2 的高斯加性噪声,且 η\etaηfff 不相关,那么通过对有噪图像进行平均,可以得到 gˉ(x,y)\bar{g}(x,y)gˉ(x,y)

gˉ(x,y)=1K∑i=1Kgi(x,y)\bar{g}(x,y)=\frac{1}{K}\sum _{i=1} ^K g_i(x,y)gˉ(x,y)=K1i=1Kgi(x,y)

其中,KKK 是有噪图像张数,不难证明:

E{gˉ(x,y)}=f(x,y)E\{ \bar{g}(x,y) \}=f(x,y)E{gˉ(x,y)}=f(x,y)

σgˉ=1Kση\sigma _{\bar{g}} = \frac{1}{\sqrt{K}} \sigma _{\eta }σgˉ=K1ση

其中,E{gˉ}E\{ \bar{g} \}E{gˉ}gˉ\bar{g}gˉ 的期望,σgˉ\sigma _{\bar{g}}σgˉgˉ\bar{g}gˉ 的标准差。上式表明,当 KKK 不断增大,σgˉ\sigma _{\bar{g}}σgˉ 将不断减小,gˉ\bar{g}gˉ 越来越接近 fff.

证明如下:

E{gˉ}=E{1K∑i=1K[fi+ηi]}=1K∑i=1K[E{fi}+E{ηi}]=f\begin{array}{c} & E\{ \bar{g} \} = E\{ \frac{1}{K} \sum _{i=1} ^K [f_i+\eta _i] \} \\ & = \frac{1}{K} \sum _{i=1} ^K [E\{ f_i\}+E\{ \eta _i\}] = f \end{array}E{gˉ}=E{K1i=1K[fi+ηi]}=K1i=1K[E{fi}+E{ηi}]=f

σgˉ2=Var{1K∑i=1K[fi+ηi]}=1K2Var{∑i=1K[fi+ηi]}=1K2∑i=1K[Var{fi}+Var{ηi}]=1K2Kση2=1Kση2\begin{array}{c} \sigma ^2 _{\bar{g}} &=& Var\{ \frac{1}{K} \sum _{i=1} ^K [f_i+\eta _i] \} \\ &=& \frac{1}{K^2} Var\{ \sum _{i=1} ^K [f_i+\eta _i] \} \\ &=& \frac{1}{K^2} \sum _{i=1} ^K [Var\{ f_i \}+Var\{\eta _i\}] \\ &=& \frac{1}{K^2} K \sigma ^2 _{\eta } \\ &=& \frac{1}{K} \sigma ^2 _{\eta } \end{array}σgˉ2=====Var{K1i=1K[fi+ηi]}K21Var{i=1K[fi+ηi]}K21i=1K[Var{fi}+Var{ηi}]K21Kση2K1ση2

import cv2
import numpy as np
import matplotlib.pyplot as pltmu = .0
sigma = 128.0# show original img and img with noise obeying N(0, 16384),
# perhaps some pixel value is over 255 after adding noiseimg = 'lena_gray.bmp'f = cv2.imread(img, cv2.IMREAD_GRAYSCALE)
eta = mu + sigma * np.random.rand(f.shape[0], f.shape[1])
g = f + etaplt.subplot(121)
plt.imshow(f, cmap='gray')
plt.subplot(122)
plt.imshow(g, cmap='gray')
plt.show()

左图为原图,右图为当噪声 ση=128\sigma _\eta =128ση=128 时的有噪图像.

分别对 K∈{4,16,32,64}K\in \{4,16,32,64 \}K{4,16,32,64} 进行平均降噪.

在这里插入图片描述

K = [4, 16, 32, 64]etai = mu + sigma * np.random.rand(f.shape[0], f.shape[1], 128)fig, axs = plt.subplots(2, 2, figsize=(7, 7))
for i in range(2):for j in range(2):eta = np.mean(etai[:, :, :K[i*2+j]], axis=2)g = f + etaax = axs[i][j]ax.set_title('K={}'.format(str(K[i*2+j])))ax.imshow(g, cmap='gray')
plt.show()

在这里插入图片描述

图像相减

图像相减常用于增强图像之间的差,通过图像相减来更改检测也用于图像分割。

数字减影血管造影技术(英文名:Digital Subtraction Angiography,简称:DSA)是一种新的X线成像系统,是常规血管造影术和电子计算机图像处理技术相结合的产物。

普通血管造影图像具有很多的解剖结构信息,例如骨骼、肌肉、血管及含气腔隙等等,彼此相互重叠影响,若要想单纯对某一结构或组织进行细微观察就较为困难。

DSA的成像基本原理是将受检部位没有注入造影剂和注入造影剂后的血管造影X线荧光图像,将两幅图像的数字信息相减,获得的不同数值的差值信号,再经对比度增强和数/模转换成普通的模拟信号,获得了去除骨骼、肌肉和其它软组织,只留下单纯血管影像的减影图像,通过显示器显示出来。

通过DSA处理的图像,使血管的影像更为清晰,在进行介入手术时更为安全。

g(x,y)=f(x,y)−h(x,y)g(x,y)=f(x,y)-h(x,y)g(x,y)=f(x,y)h(x,y)

其中,h(x,y)h(x,y)h(x,y) 是病人身体一个区域的X射线图像,注入造影剂后,再摄取f(x,y)f(x,y)f(x,y),二者之差为最终的血管影像图.

在这里插入图片描述

参考文献

  1. 数字图像处理:第3版,北京:电子工业出版社
  2. 百度百科:数字减影血管造影技术

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/news/484598.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

随机森林是我最喜欢的模型

来源:机器之心TensorFlow 决策森林 (TF-DF) 现已开源,该库集成了众多 SOTA 算法,不需要输入特征,可以处理数值和分类特征,为开发者节省了大量时间。在人工智能发展史上,各类算法可谓层出不穷。近十几年来&a…

拉普拉斯锐化[原理及Python实现](含拉氏标定、拉普拉斯标定)

拉普拉斯锐化 [原理及Python实现](含拉氏标定、拉普拉斯标定) 原创文章;转载请注明出处:©️ Sylvan Ding 锐化处理的主要目的是突出灰度的过度部分。图像锐化的用途多种多样,应用范围从电子印刷和医学成像到工业…

以太坊 方法签名

最近在工作中使用web3j调用合约,发现一个比较头疼的问题?复杂一点的合约参数多了,函数的方法签名老是出错。在这之前调用合约方法一直都是拼接合约的函数签名以及参数。为了能快速的获取每个合约的函数签名,我在思考是否便捷可行解…

训练 GPT-3,为什么原有的深度学习框架吃不消?

来源:AI前线作者:一流科技 CEO 袁进辉近年来,深度学习被广泛应用到各个领域,包括计算机视觉、语言理解、语音识别、广告推荐等。在这些不同领域中,一个共同的特点就是模型规模越来越大,比如 GPT-3 模型的参…

Canny边缘检测原理及其python实现

Canny边缘检测原理及其python实现 转载请注明出处:©️ Sylvan Ding Canny边缘检测算法 多数分割算法均基于灰度值的两个基本性质之一:不连续性和相似性。图像的边缘检测就是基于灰度的不连续性(灰度突变)来实现图像分割的。…

离奇的梦境,能够防范大脑过拟合

来源:混沌巡洋舰 1 )梦让我们对世界的理解不再那么简单化关于为什么大脑进化出夜间做梦?神经科学界提出了各种假说,诸如通过梦来调节情绪,巩固记忆,或梦可以帮助我们选择性的遗忘,对我们应对现实世界的问题…

RGB空间中的彩色图像分割原理及其python实现

RGB空间中的彩色图像分割 ⭐️ 为尊重原创性!转载请注明出处:©️ Sylvan Ding’s Blog 概述 本文论述了基于欧式距离和曼哈顿距离的彩色图像分割算法,并用python实现了各个算法。之后将二者的优势结合,提出了改进后的曼哈顿…

路飞学城Python-Day171

Evernote Export 线性结构:python的列表操作列表是如何存储的:顺序存储的,是一块连续的内存,内存是一堆格子,列表是一串连续的编号32位机器上一个整数占4个字节数组和列表有2点不同,1.数组的元素类型要求是…

HarmonyOS 2面世!是没有退路还是时机成熟?中国操作系统崛起元年或已到来

来源:21Tech(News-21)作者:倪雨晴编辑:张星6月2日晚间,华为鸿蒙操作系统HarmonyOS迎来重要时刻,华为正式发布多款搭载HarmonyOS 2的新产品,包括HUAWEI Mate 40系列新版本、Mate X2新版本、HUAWEI WATCH 3系…

操作系统:线程同步

操作系统:线程同步 使用Linux无名信号量实现了读写者线程的互斥和同步。 实验环境 环境:Linux语言:CCMake:3.17.1GCC:7.5.0IDE:Clion 2020.3.1 实验目标 理解进程同步的两种制约关系:互斥与…

中国工程院2021年院士增选第二轮候选人名单公布

来源:先进制造业中国工程院2021年院士增选进入第二轮评审候选人名单(按候选人姓名拼音排序)未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城…

vsftpd部署流程和常见问题详解

vsftpd部署流程和常见问题详解 ⭐️ 网上关于在云服务器里配置vsftpd的文章鱼龙混杂,没有一篇是可以彻底解决问题的,有些问题虽简单,但也让初学者感到困惑。本文详细说明vsftpd的部署流程和一些常见问题的解决方法,详述用户创建过…

谷歌发布史上最强人类大脑「地图」,1.3亿个突触,在线可视3D神经元「森林」!...

来源:Google AI Blog编辑:yaxin, LQ (新智元)突触,是神经网络的「桥梁」。我们知道,人类大脑有860亿个神经元,因为有了突触,才可以把神经元上的电信号传递到下一个神经元。长久以来&…

智慧食堂项目策划书(商业计划书/立项计划)

金鹰物联智慧食堂项目策划书(商业计划书/立项计划) ©️ 金鹰物联项目组,转载请注明出处! ⭐️ 技术部分请参考博文:基于YOLOv5的中式快餐店菜品识别系统 文章目录金鹰物联智慧食堂项目策划书(商业计划…

pipelineDB学习笔记-2. Stream (流)

一、流的定义: 所谓的“流”(stream)在pipelineDB中是指那些被允许的数据库客服端推送到 Continuous View(连续视图) 的时序化数据的一种“抽象”。流中的每一个raw(数据列)或者event(事件),看起来是和普通…

银行家算法之Python实现[操作系统实验]

银行家算法 银行家算法是著名的死锁避免算法,其思想是:把操作系统视为银行家,操作系统管理的资源相当于银行家管理的资金,进程向操作系统请求分配资源相当于用户向银行家贷款。操作系统按照银行家制定的规则为进程分配资源。进程…

城市智能化发展中,AI公司应该做什么?

来源:虎嗅APP题图来源:视觉中国在上海长宁区的部分区域,你会发现共享单车总是能够整整齐齐的排列,并且在每一个你需要的街道路边,都能找到空闲的单车,既不会车辆爆满,也不会无车可骑。这些城市细微之处的体…

getchar(),putchar()用法

1.getchar函数可以接收用户输入的多个字符,只用等用户按下回车键后,getchar()函数才会从键盘缓冲区依次读出字符; 2.getchar()和putchar()结合使用,可以将读取的字符输出到屏幕; 3.函数原型: int getchar…

[操作系统]页面置换算法实验及C++实现(OPT、FIFO、LRU)

虚拟内存页面置换算法实验(OPT、FIFO、LRU) 进程运行时,若其访问的页面不再内存中而需将其调入,但内存已无空闲空间时,就需要从内存中调出一页程序或数据,送入磁盘的对换区。选择调出页面的算法就称为页面…

智谱AI多项成果惊艳亮相2021北京智源大会

来源:学术头条2021 年 6 月 1 日,由北京智源人工智能研究院(以下简称 “智源”)主办的 2021 北京智源大会在北京中关村国家自主创新示范区会议中心成功开幕。包括 Yoshua Bengio、David Patterson 等图灵奖获得者在内的两百余位国…