灰度图像

图像分割 是把图像划分成互不相交的若干个同质区域的处理过程。 图像阈值化 是通过选择合适地阈值把灰度图像转换为二值图像的过程，一般把灰度值小于等于阈值的像素作为图像背景，把灰度值大于阈值的像素作为目标处理。 来源： CSDN 作者： elkluh 链接： https://blog.csdn.net/qq_39696563/article/details/104541465

算子介绍: 一、gray_projections算子 ①gray_projections(Region, Image, Mode,HorProjection, VertProjection) Region:待处理区域 Image:待投影的灰度图 Mode:计算投影的方式，有’simple’、 ‘rectangle’,‘simple’ HorProjection:水平方向投影 VertProjection:竖直方向投影 ②功能介绍 计算水平和垂直灰度值投影。 二、create_funct_1d_array算子 ①create_funct_1d_array( YValues ，Function) YValues :函数的x点的值 Function:函数值 ②功能介绍 根据y值序列创建函数。 三、smooth_funct_1d_gauss算子 ①smooth_funct_1d_gauss( Function, Sigma ， SmoothedFunction) Function:待平滑的函数 sigma:平滑因子 SmoothedFunction:平滑后的函数 ②功能介绍 对原函数进行高斯平滑 四、tuple_max算子 ①tuple_max(tuple,max) tuple:元组 max:元组中的最大值 Tip:灰度投影可理解为记录每行、列的灰度平均值的数组,不同mode算法不同

第一部分:分段（线性变换）函数 摘自百度百科： 灰度拉伸又叫： 对比度 拉伸，它是最基本的一种 灰度 变换， 算法 ：使用的是最简单的分段 线性变换 函数，它的主要思想是提高图像处理时 灰度级 的 动态范围 。 它可以有选择的拉伸某段灰度区间以改善输出图像。如图，所示的变换函数的运算结果是将原图在a到b之间的灰度拉伸到c到d之间。如果一幅图像的灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来 拉伸 ( 斜率 >1)物体灰度区间以改善图像；同样如果 图像灰度 集中在较亮的区域而导致图像偏亮，也可以用灰度拉伸功能来 压缩 (斜率<1)物体灰度区间以改善 图像质量 。 原理：函数表达式 第二天睡饱了再看这个函数是如何构造的：选取了四个点（0,0） （x1,y1） (x2,y2) (255,255) 先计算斜率 然后再点斜式，（x1,y1） (x2,y2)自己设定 然后可以不断调整整个函数的图像。 分段函数的图像表达式： 代码： function out = MySegmentLinear(I,x1,x2,y1,y2) %功能：实现灰度图像的分段线性变换 %理论基础:http://pan.baidu.com/s/1dFoFuSD %输入参数I是uint8类型的灰度图像数据; I=im2double(I); [M,N] = size(I); out = zeros(M,N); for

直方图是图像处理过程中的一种非常重要的分析工具。 是图像内灰度值的统计特性与灰度值之间的函数，直方图统计图像内各个 灰度级出现的次数 需要注意三个概念： DIMS : 表示绘制直方图时，收集的参数的数量，一般情况下，直方图中收集的数据只有一种，就是灰度级，因此该值为1 RANGE ：表示统计的灰度级的范围，一般为[0 . 255] . 0对应的时黑色，255对应的时白色 BINS ： 参数子集的数目，在处理数据的过程中，有时需要将众多的数据划分为若干个组，在进行分析 该图中，BINS为6,RANGE为[2,6] python 的模块matplotlib.pyplot中的hist()函数能方便的绘制直方图， 函数形式为 matplotlib.pyplot.hist( x , BINS) x,为数据源 ，必须是一维的，图像通常都是二维的， 可以通过函数ravel()来将二维数组降成一维的 例如：图像x 23 34 14 54 63 23 45 25 76 对其使用函数ravel() y = x.ravel() 得到y为： 23 34 14 54 63 23 45 25 76 BINS为灰度级的分组情况 绘制图像的直方图 1 import cv2 2 import matplotlib.pyplot as plt 3 o = cv2.imread("/home/miao/dog.jpg"

第二章 第二章的笔记 其中横轴是从晶状体中心到视网膜的直线与视轴的角度，参照下图。 从这幅图里可以看到人眼中有一处盲点既没有锥状体，也没有杆状体。但是平时你却感受不到这处盲点。一个是因为大脑的脑部，还有一个是因为你的双眼视野刚好相互覆盖了盲点区域，所以要感受到这处盲点，需要蒙住一只眼睛。具体可以参考这个链接中的操作https://zhuanlan.zhihu.com/p/28105827 o是物距， object distance f是焦距,focal distance i是像距, image distance 相机中成像是通过改变镜头和成像平面的距离，改变i 而眼球中成像是通过晶状体改变f。 光的波长频率公式 波长=光速/频率， c是光速，v是频率。 电磁波谱各个分量的能量公式 E是能量，h是普朗克常数（6.62607015×10-34 J·s），v是频率。 常用的能量单位是电子伏特，即一个电子经过1伏特的电位差变化的动能。常用的焦耳是一库伦正电荷通过1伏特的电位差变化的动能。一个电子带电约1.6×10 -19 C的负电荷。 可以看出能量和频率成正比，就是频率越高，能量越大（微波炉能加热，但是衰减快，长波能通信，但是能量低）。 单色光指的是黑白灰，而不是彩色。 彩色光的电磁谱在0.43μm（紫色，微米，10 -3 mm）到0.79μm（红色）之间。

•​ 图1是一幅包含指纹的真实图像，请使用所学的图像处理技术进行处理，满足下面的要求： •​ 1. 使图像中的指纹更加清晰； •​ 2. 考虑到冬季皮肤粗糙的情况（成像时存在噪声，请自行添加噪声点），尽可能去除其中的噪声。 图1 基础题图像 目录 1需求分析... 3 1.1给指纹图像加噪声点... 3 1.2 指纹图像去除噪点... 3 1.3 图片转为灰度图... 4 1.4 灰度直方图... 4 1.5 图像分割... 4 1.6断点连接... 5 1.7 使得指纹图像平滑... 5 2 实现代码... 5 2.1 添加高斯噪声... 5 2.2 去除高斯噪声... 6 2.3 转换为灰度图... 6 2.4 计算灰度直方图... 7 2.5 指纹断点连接处理... 7 2.6 图片进行形态学开操作... 8 3 实验结果及分析... 8 4 附录... 13 4.1 代码目录... 13 1需求分析 根据题目要求，使得图像中的指纹更加清晰。给图像指纹加噪声点，尽可能去除其中的噪点。 1.1给 指纹图像加噪声点 使用高斯噪声给图片添加噪声点，高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性

以灰度图像为例，假设原图像像素的灰度值为D = f(x,y), (x,y)为图像坐标，处理后图像像素的灰度值为D’ = g(x,y),则灰度变换函数可以表示为： g(x,y) = T[f(x,y)] 或 D = T[D] 要求D和D’都在图像的灰度范围之内。灰度变换函数描述了输入灰度值和输出灰度值之间的转换关系。一旦灰度转换关系确定，则图像中每一点的运算关系就被完全确定下来。 灰度图像主要针对独立的像素点进行处理，由输入像素点的灰度值来决定相应的输出像素点的灰度值，通过改变原始图像数据所占据的灰度范围而使图像在视觉上得到改观，由于灰度变换没有利用像素点之间的相互关系，因而这种处理方法也叫点运算。 灰度变换法又分为线性变换和非线性变换，是根据他们采用的算法来定义的。 典型的非线性变换有： 1.负相变换 负相变换也叫做反相变换，即对每一个像素值求反。对图像求反就是讲原图的灰度值反转，简单的说就是黑的变成白的，白的变成黑的。 对于灰度图像或彩色图像的每个通道，其算法为：g(x,y) = 255 - f(x,y) 2.二值化和阈值处理 二值化是分段线性的一个特例，一副图像包括目标、背景和噪声，怎样从多值的灰度图像中提取出目标？最常用的方法就是设定一个阈值θ，用θ将图像的数据分成两部分：大于θ的像素群和小于θ的像素群。例如，输入图像为f(x,y)，输出图像为f'(x,y),则f'(x,y)

与二值图像有些差异。 示例： （1）灰度膨胀 >> t=rand(7,8); >> t=ceil(t.*256)%t为灰度图像 t = 209 125 191 9 168 246 158 14 232 205 101 113 42 141 122 136 33 37 168 98 31 36 91 200 234 108 44 196 128 39 213 240 162 235 181 204 246 66 150 34 25 203 9 48 88 216 141 146 72 246 71 126 150 66 235 121 >> figure,imshow(t,[],'InitialMagnification','fit'); 结构元素： >> se=strel('square',3) se = Flat STREL object containing 9 neighbors. Neighborhood: 1 1 1 1 1 1 1 1 1 灰度膨胀操作： >> g=imdilate(t,se) g = 232 232 205 191 246 246 246 158 232 232 205 191 246 246 246 200 234 234 205 196 196 213 240 240 235 235 235 246 246 246 240 240 235 235

1、灰度变换 1）灰度图的线性变换 Gnew = Fa * Gold + Fb。 Fa为斜线的斜率，Fb为y轴上的截距。 Fa>1 输出图像的对比度变大，否则变小。 Fa=1 Fb≠0时，图像的灰度上移或下移，效果为图像变亮或变暗。 Fa=-1，Fb=255时，发生图像反转。 注意：线性变换会出现亮度饱和而丢失细节。 2）对数变换 t=c * log(1+s) c为变换尺度，s为源灰度，t为变换后的灰度。 对数变换自变量低时曲线斜率高，自变量大时斜率小。所以会放大图像较暗的部分，压缩较亮的部分。 3）伽马变换 y=(x+esp) γ ,x与y的范围是[0,1]， esp为补偿系数，γ为伽马系数。 当伽马系数大于1时，图像高灰度区域得到增强。 当伽马系数小于1时，图像低灰度区域得到增强。 当伽马系数等于1时，图像线性变换。 4）图像取反 方法1：直接取反 imgPath = 'E:\opencv_pic\src_pic\pic2.bmp'; img1 = imread(imgPath); % 前景图 img0 = 255-img1; % 取反景图 subplot(1,2,1),imshow(img1),title('原始图像'); subplot(1,2,2),imshow(img0),title('取反图像'); 方法2：伽马变换 Matlab：imadjust(f, [low

图像处理总结4 灰度形态学 之前说过： 形态学起源于法国巴黎高等矿业学院，因为人家是搞地质的。 可见一斑，形态学的精要就是在于将图像看作是等高线组成的地形图，他的基本操作就是动土，平高填低等等。 之前的二值形态学针对的是二值图片，在地形上，就像是现代的建筑，拔地而起没有一定的梯度。 而这篇是针对灰度图片的形态学，这时的图片就更像自然界的地貌，像山川，像河谷。 基本操作 基本操作也是腐蚀和膨胀。 Dilation（膨胀）： 先看公式： F ⨁ k = m a x a , b ∈ k { F ( x + a , y + b ) + k ( a , b ) } F\bigoplus k=max_{a,b\in k}\{F(x+a,y+b)+k(a,b)\} F ⨁ k = m a x a , b ∈ k ​ { F ( x + a , y + b ) + k ( a , b ) } 同样有两种算法。 1）平移 对原图先加上SE对应部分的值，再向SE对应的位置平移，然后取最大值。 比如，现在有一个一维的SE: [1,2,3], 中心点定为第一个点，就是“1”。 那么首先对应于“1”，则是原图位置不变加1. 对于“2”，原图灰度值加2，向右平移一位。 对于“3”，原图灰度值加3，向右平移两位。 最后将三张图重合，并在原图区域取最大值，作为结果图。 2）盖章 SE在原图上滑动，每个滑动的位置