图像噪声

在机器视觉中，相机的作用是将通过镜头的光信号转换为电信号，其中最重要的组成部件是数字传感器，最为常用的有CCD（Charge-coupled device）和CMOS（cnmplementary metal-oxide semiconductor）两种。 1.CCD于CMOS的区别 （1）成像过程 CCD 和 CMOS 使用相同的光敏材料，因而受光后产生电子的基本原理相同，但是读取过程不同：CCD 是在同步信号和时钟信号的配合下以帧或行的方式转移，整个电路非常复杂，读出速率慢；CMOS 则以类似 DRAM的方式读出信号，并行读取，电路简单，读出速率高。 CCD数据读取结构图 CMOS图像读取结构图 （2）集成度 采用特殊技术的CCD读出电路比较复杂，很难将A/D转换、信号处理、自动增益控制、精密放大和存储功能集成到一块芯片上，一般需要 3～8 个芯片组合实现，同时还需要一个多通道非标准供电电压。 借助于大规模集成制造工艺，CMOS图像传感器能非常容易地把上述功能集成到单一芯片上，多数CMOS图像传感器同时具有模拟和数字输出信号。 （3）电源、功耗和体积 CCD电荷耦合器大多需要三组电源供电，耗电量较大；CMOS光电传感器只需使用一个电源（3V~5 V），耗电量非常小，仅为CCD电荷耦合器的1/8到1/10，高度集成CMOS 芯片可以做的相当小

3.1 背景知识 3.1.1 灰度变换和空间滤波基础 本节讨论的所有图像处理技术都是在空间域进行的。空间与包含图像像素的简单平面。与频率域相反，空间域技术是直接操作图像像素的简单平面。 本章讨论的空间域处理可有下式表示： g ( x , y ) = T ⋅ [ f ( x , y ) ] g(x,y)=T\cdot [f(x,y)] g ( x , y ) = T ⋅ [ f ( x , y ) ] 式中， f ( x , y ) f(x,y) f ( x , y ) 是输入图像， g ( x , y ) g(x,y) g ( x , y ) 是输出图像， T T T 是在点的邻域上定义的关于f的一种算子。算子可应用于单幅图像或图像集合。 邻域与预定义的操作一起称为空间滤波器(也称为空间掩模、核、模板、窗口)。在邻域中执行的操作据欸的那个了滤波处理的特性。 最小邻域为 1 × 1 1\times 1 1 × 1 。在这种情况下， g g g 仅取决于点(x,y)处的 f f f 值，而式(3.1-1)中的 T T T 则成为一个形如下式的灰度(也称为灰度级或映射)变换函数： s = T ( r ) s=T(r) s = T ( r ) 式中，令 s s s 和 t t t 分别表示 g g g 和 f f f 在任意点 ( x , y ) (x,y) ( x , y ) 处的灰度。

噪声 1.噪声表现形式 噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关，它以无用的信息形式出现，扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。 2.噪声对数字图像的影响 对于数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图像识别等后继工作的进行。 3.高斯噪声 噪声可以看作随机信号，具有统计学上的特征属性。功率谱密度（功率的频谱分布PDF）即是噪声的特征之一，通过功率谱密度分类噪声。 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。 概率密度函数PDF： 　　 其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平方σ2称为z的方差。 产生原因：1）图像传感器在拍摄时市场不够明亮、亮度不够均匀； 　　　　　2）电路各元器件自身噪声和相互影响； 　　　　3）图像传感器长期工作，温度过高 4.表现形式 5.图像 高斯滤波器 1.定义 高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似

转载 http://www.cnblogs.com/techyan1990/p/7291771.html 1. 写在前面 最近在做边缘检测方面的一些工作，在网络上也找了很多有用的资料，感谢那些积极分享知识的先辈们，自己在理解Canny边缘检测算法的过程中也走了一些弯路，在编程实现的过程中，也遇到了一个让我怀疑人生的BUG（日了狗狗）。就此写下此文，作为后记，也希望此篇文章可以帮助那些在理解Canny算法的道路上暂入迷途的童鞋。废话少说，上干货。 2. Canny边缘检测算法的发展历史 Canny边缘检测于1986年由JOHN CANNY首次在论文《A Computational Approach to Edge Detection》中提出，就此拉开了Canny边缘检测算法的序幕。 Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种技术，目前已广泛应用于各种计算机视觉系统。Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术。边缘检测的一般标准包括： 1) 以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。 2) 检测到的边缘应精确定位在真实边缘的中心。 3) 图像中给定的边缘应只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘。 为了满足这些要求

文章来源 机器之心公众号 http://mp.weixin.qq.com/s/4CypEZscTfmUzOk-p_rZog 2017-09-10 Roman Trusov 机器之心 选自 Sigmoidal 作者：Roman Trusov 机器之心编译 参与：Panda 生成对抗网络是现在人工智能领域的当红技术之一。近日，Sigmoidal.io 的博客发表了一篇入门级介绍文章，对 GAN 的原理进行了解释说明。另外，在该文章的最后还附带了一些能帮助初学者自己上手开发实验的资源（包含演讲、教程、代码和论文），其中部分资源机器之心也曾有过报道或解读，读者可访问对应链接查阅。 你怎么教一台从未见过人脸的机器学会绘出人脸？计算机可以存储拍字节级的照片，但它却不知道怎样一堆像素组合才具有与人类外表相关的含义。 多年以来，已经出现了很多各种各样旨在解决这一问题的生成模型。它们使用了各种不同的假设来建模数据的基本分布，有的假设太强，以至于根本不实用。 对于我们目前的大多数任务来说，这些方法的结果仅仅是次优的。使用隐马尔可夫模型生成的文本显得很笨拙，而且可以预料；变分自编码器生成的图像很模糊，而且尽管这种方法的名字里面有「变」，但生成的图像却缺乏变化。所有这些缺陷都需要一种全新的方法来解决，而这样的方法最近已经诞生了。 在这篇文章中，我们将对生成对抗网络（GAN）背后的一般思想进行全面的介绍

GAN的全称为Generative Adversarial Networks，意为对抗生成网络。原始的GAN是一种无监督学习方法，它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本。DCGAN将GAN的概念扩展到卷积神经网络中，可以生成质量较高的图片样本。GAN和DCGAN在各个领域都有广泛的应用，这篇文章首先会介绍他们的原理，再介绍如何在TensorFlow中使用DCGAN生成图像，关于GAN和DCGAN的更多项目会在接下来的章节中进行介绍。 GAN的原理 GAN的原理其实非常简单。可以把GAN看成数据生成工具，这里以生成图片数据为例进行讲解，实际GAN可以应用到任何类型的数据。 假设有两个网络，生成网络G（Generator）和判别网络D（Discriminator） 他们的功能分别是： G负责生成图片，它接收一个随机的噪声 z z //--> ，通过该噪声生成图片，将生成的图片记为 G ( z ) G ( z ) //--> 。 D负责判别一张图片是不是“真实的”。它的输入时 x x //--> ， x x //--> 代表一张图片，输出 D ( x ) D ( x ) //--> 表示 x x //--> 为真实图片的概率，如果为，代表真实图片的概率为%，而输出为，代表不可能是真实的图片。 在训练过程中

前言 ​ 本资料整理了高光谱遥感图像概念定义、分析处理与分类识别的基本知识。第一部分介绍高光谱图像的一般性原理和知识，第二部分介绍了高光谱图像的噪声问题；第三部分介绍高光谱图像数据冗余问题以及数据降维解决冗余的方法；第四部分介绍高光谱图像的混合像元问题，对光谱解混做了一定介绍；第五部分和第六部分分别介绍了高光谱图像的监督分类和分监督分类的特点、流程和常用算法。 1.基本介绍 高光谱遥感(Hyperspectral remote sensing) 是将成像技术和光谱技术相结合的多维信息获取技术,同时探测目标的二维集合空间与一维光谱信息,获取高光谱分辨率的连续、窄波段图像数据。 高光谱图像与高分辨率图像、多光谱图像不同。 高光谱识别优势： 光谱分辨率高、波段众多，能够获取地物几乎连续的光谱特征曲线，并可以根据需要选择或提取特定波段来突出目标特征； 同一空间分辨率下，光谱覆盖范围更宽，能够探测到地物更多对电磁波的响应特征； 波段多，为波段之间的相互校正提供了便利； 定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件； 包含丰富的辐射、空间和光谱信息，是多种信息的综合载体。 高光谱在识别方面的困难： 数据量大，图像包含几十个到上百个波段，数据量是单波段遥感图像的几百倍；数据存在大量冗余，处理不当，反而会影响分类精度；

摘要： 近年来，机器人自动货仓技术逐步成为焦点，尤其在亚马逊挑战赛(APC). 一个全自动化货仓抓取系统(picking-and-place system)要求robust vision从而能够在复杂环境，自遮挡，传感器噪声以及大量物体的情况下准确的识别放置物体。在这篇文章，我们提出一种利用multi-view RGB-D data, self-supervised, data-driven learning的方法来克服这些困难。 在该方法中，我们通过全卷积网络(fully convolutional neural network)分割和标记场景中多个视角，然后拟合预先扫描的3D模型和分割结果得到6D位姿。训练用于分割的深度学习网络需要大数据量，我们提出自监督方法(self-supervised method)来生成大量带标签的数据集，省去了繁琐的人工分割。我们在多种场景下证明该方法可以可靠地估计6D物体姿态。 I. Introduction 近二十年来，自动货仓技术快速发展，满足了电商的需求，提供了更快、更经济的传送。然而，一些任务仍很难实现自动化。亚马逊致力于解决以下两个任务：1)picking an instance of a given product ID out of a populated shelf and place it into a tote; 2

图像去噪是数字图像处理中最为关键的环节，去噪效果的好坏也会影响到图像的后续处理，比如图像分割、特征提取、目标识别等。数字图像在产生和传输过程中都可能会受到噪声的破坏，一般有高斯噪声、脉冲噪声、泊松噪声等。在进行数字图像去噪实验时，我们经常使用MATLAB工具去实现，本文主要讲解的是如何使用MATLAB对上述噪声进行模拟仿真。 1、高斯噪声 高斯噪声，从字面含义上可以看出，其概率密度函数服从高斯高分。如果某噪声，其幅度分布服从高斯分布，而它的功率谱密度服从均匀分布，那么称此噪声为高斯白噪声。在数字图像中，高斯噪声产生的原因主要有图像传感器在拍摄时市场不够明亮、亮度不均匀，电路各元器件自身噪声或者图像传感器长期工作而造成温度过高等造成的。 在MATLAB中，我们可以通过下述程序对其进行模拟仿真。 sigma = 30 ; % noise variance InputImg = double ( imread ( 'Lena.gif' )); randn ( 'seed' , 0 ) NoiseImg = InputImg + sigma * randn ( size ( InputImg )); figure ( 1 ); subplot ( 121 ); imshow ( InputImg ,[]); title ( 'Clear Image' ) subplot ( 122 ),

1. 摘要 目前的话，低光条件下面的摄影的话，主要的图片的质量效果都不是很好的，一般的话我们使用的解决方法有两种：一种方法是使用长时间曝光，通过延长曝光时间从而使得系统能够吸收到更多的光线，从而拍摄到清晰的照片；另外的一种方法是使用提高拍摄时候的系统的感光度（ISO）数值从而实现获得更加清晰的图像的功能。其实还有第三种方法，不过只是在摄影过程中，是使用更大光圈值的光学镜头来进行拍摄。总的来说的话，基本的方法是使得整个系统接收到的光线更多，从而实现弱光环境下获得较好的图像效果。 这里面的话，各种解决方法都有各自的局限性： 使用长时间曝光的问题在于，我们没有办法对于动态的物体进行捕捉，会导致画面的模糊。 使用提高系统感光度的方法：这一种方法对于感光的元器件的要求非常的高。一般来说，能够支持很高iso的设备价格非常昂贵，而且体积都不小，仅仅是特定摄影器材。而且在非常高的iso的情况下，再好的感光元件的图像都是含有非常多不规则的热噪声。 使用更大光圈的光学镜头进行拍摄的话，同样存在着价格昂贵，不具有普适性的问题。 这篇论文采用的方法是另外一种方法，其实有一些想法和陈老师目前的实现方法有一些类似。这里面的话是设计了一组相互对应的短曝光时长的低光照图片集和长曝光时长的图片。 这个里面的话，通过构建一个端到端的全卷积网络来进行直接对于从传感器读取出来的RAW数据直接进行处理