像素

1.通道 意味着我们同过不同的角度来看图像，可以得到不同的图像信息，PS是以灰度图像来表现这种信息的强弱。 我们能看到什么取决于我们的视角。任何灰度图像都可以按照不同的规则来构成彩色图像。 通道除了能存放颜色信息，还能存放选择信息。 2.路径 可以转换为选区，也可以转换为矢量蒙板。与矢量蒙版对应的是点阵蒙版，二者可以搭配使用。 3.透明背景的时候可以用橡皮擦工具 4.注意如果图层是背景图层，要先解锁，然后才能进行选择删除操作 5.按住ctrl+鼠标左键可以快速选定图层，ctrl+j复制图层，按住alt然后再用鼠标拖动也可以复制图层。 6.双击放大镜工具可以将图层恢复到初始的尺寸，双击抓手工具可以将图层按当前工作区的大小铺开，ctrl+shift+I反选选区，图层和蒙版的链接符号表示图层移动时，蒙板也跟着移动，反之没有链接符号，蒙板不随图层移动，按住Alt +滑动鼠标滚轮可以对画布进行缩放, ctrl+r显示/隐藏标尺工具，左键单击标尺拖入图层，可以显示参考线，按住参考线拖入标尺，可以删除参考线，或者从视图菜单中选择清除所有参考线，已将全部参考线清除。 7. 我把画笔渐变图章这一类的工具称为像素工具组，这是最大的一个工具组，而路径钢笔工具等贝塞尔曲线之类的称为路径工具组或者矢量工具组，移动剪切选区这一些算是选择工具组。 8.按alt +图层上的小眼睛，可以只显示当前选中图层。 9

几何变换 在齐次坐标下，改变位置，不改变像素值 图像缩放 1.调用API import cv2 import numpy as np # 图像缩放:你得有缩放的比例吧 img = cv2 . imread ( 'image0.jpg' , 1 ) # 调用API imgInfo = img . shape height = imgInfo [ 0 ] width = imgInfo [ 1 ] dstHeight = int ( height * 0.5 ) dstWidth = int ( width * 0.5 ) dst2 = cv2 . resize ( img , ( dstWidth , dstHeight ) ) #（列数，行数） cv2 . imshow ( 'image' , dst2 ) cv2 . waitKey ( 0 ) import cv2 import numpy as np img = cv2 . imread ( 'image0.jpg' , 1 ) cv2 . imshow ( 'src' , img ) imgInfo = img . shape height = imgInfo [ 0 ] width = imgInfo [ 1 ] matScale = np . float32 ( [ [ 0.5 , 0 , 0 ] , [ 0 , 0.5

1. 前言 第一次在学校机房里见到计算机，还是上古时期。计算机型号大概是LASER-310吧，有点记不清了。那会儿，显示器还是单色的，只能显示文本，每行最多显示80个字符。想看图片，印象中只能用针式打印机打印在两侧穿孔的宽行打印纸上，每个像素用一个字符表示，不同的字符代表不同的灰度，就像下图这个样子。有没有感觉到浓郁古风呢？其实，随便一张照片，十几行Python代码，你也可以打印出这样的效果，还可以保存成文件。下面，我就一步一步地演示一下。 2. 打开图片，转为灰度模式 Python用于图像处理的模块有很多，最常用的当属PIL和PyOpenCV了。本案使用PIL模块来打开图像： >>> from PIL import Image >>> im = Image.open('xufive.jpg') >>> im.size (979, 1248) >>> im.mode 'RGB' im就是打开的图像对象，im.size是图像的分辨率，im.mode是图像模式。我们知道，计算机图像有很多种颜色模式，RGB是最常见的彩色图像模式。打印字符图片的话，需要将RGB模式转为灰度模式： >>> im = im.convert('L') >>> im.mode 'L' 3. 改变分辨率 打印字符图片，需要考虑显示器每行显示的字符个数。假定屏幕水平分辨率为1920，每个字符宽度占8个像素

基本概念 图像的采样和量化 光照本身是连续的、但是转换成数字形式必然是不连续的 在坐标值（空间）上的数字化即为采样，对幅值的数字化即为量化 量化——每一像素值只能用有限位比特表示，故只能表现有限的精度 可以看作是笛卡儿积 Z 2 Z^2 Z 2 中的一对元素，映射到灰度值集合上的一个映射。 空间分辨率：如dpi每英寸点数；灰度分辨率直接用比特表示 图像插值 最简单的是最近邻方法，其次是双线性，最后是双三次 双线性：可以看作是在一个方格内拟合 f ( x , y ) = a + b x + c y + d x y f(x,y)=a+bx+cy+dxy f ( x , y ) = a + b x + c y + d x y ，比较好的特点是无论固定x还是固定y，关于另一个变量都是线性的。 像素间关系 4领域、8领域、m邻接（m邻接可以消除8邻接的二义性 连通性、区域、边界 距离的度量：非负、自反、交换、三角 常用计算 矩阵与阵列计算 灰度算术 集合和逻辑操作 空间操作（几何空间变换与图像配准 一般来说反向映射比前向映射要好，可以配合插值算法决定每个像素的输出值 把图像当作一个向量，然后乘以矩阵 图像变到某个变换域去（通常通过某个正交变换核 彩色图像 光的三原色为RGB 颜料的三原色为CMYK（青、品红、黄、黑 HSI 色调、饱和度、强度 图像增强 灰度变换 略 直方图处理 直方图

虽然数码相机普及的速度实在太快，但对于数码相机真正了解的人却非常少。由于经常去卖场和经销商沟通，自然有了很多与普通消费者面对面的机会。 　　“麻烦问一下，这里有800万像素的数码相机吗？” 　　“怎么才300万像素呀，听说这样的机器拍出来照片效果很差” 　　“我就是买画质好的数码相机，500万以下的您就别给我介绍了” 　　其实这些只是我选出了一些比较典型的例子，由于消费者对于像素认识上的误区，所以很容易将画质和像素联系在一起，错觉上认为高像素，拍出来的照片就一定清晰，其实不然。 　　对于消费级数码相机来说，特别是强调性价比的家用型数码相机，如果一味的追求高像素，则很可能损失相机本身的功能，例如像变焦、微距、甚至镜头素质，就单一的成像而言，画质的优良与镜头、CCD、数字处理芯片等多个部件都有关系，特别是CCD感光元件，并非是大家想象的那样，像素越高，画质就越清晰，相反，如果在CCD尺寸不变的情况下，像素越高，画质就越不清晰。接下来我们就从原理来给大家分几个点介绍什么是CCD感光元件，像素值多少才最合适。 一.CCD究竟是什么？ 　　CCD传感器又叫电荷耦合器，它是一种特殊的半导体材料，由大量独立的感光二极管组成，一般按照 矩阵 形式排列，相当于 传统相机 的胶卷。 　　目前，CCD的种类有很多，其中面阵型CCD是主要应用在数码相机中。它是由许多单个感光二极管组成的阵列，整体呈正方形

机器视觉入门知识总结 一、机器视觉系统 工业相机类型： 按照输出信号类型的不同分为模拟相机和数字相机两种。而数字相机按照接口标准不同，可以分为1394相机、USB相机、CameraLink相机以及Gige相机四种。其中CameraLink接口相机能够解决大数据量传送问题；Gige接口相机能够解决长距离、快速传输问题；而1394相机和USB接口相机具有简单易用、性价比高等特点； 镜头接口类型： C接口、CS接口、U接口等； 光源类型： 环形光源、背光源、同轴光源、条形光源、点光源、球积分光源等； 二、如何选择相机？ 1 、根据应用的不同分别选用 CCD 或 CMOS 相机 CCD工业相机主要应用在运动物体的图像提取，当然随着CMOS技术的发展，很多贴片机也在选用CMOS工业相机。用在视觉自动检查的方案或行业中一般用CCD工业相机比较多。CMOS工业相机由成本低，功耗低也应用越来越广泛。 2 、分辨率的选择 　　根据系统需求来选择分辨率大小。首先考虑待观察或待测量物体的精度，根据精度选择分辨率。相机像素精度=单方向视野范围大小/相机单方向分辨率。则相机单方向分辨率=单方向视野范围大小/理论精度。若单视野为5mm长，理论精度为0.02mm，则单方向分辨率=5/0.02=250。然而为增加系统稳定性，不会只用一个像素单位对应一个测量/观察精度值，一般可以选择倍数4或更高

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

手机摄像头的组成结构和工作原理 手机摄像头由： PCB板、镜头、固定器和滤色片、DSP(CCD用)、传感器等部件组成。 工作原理为： 拍摄景物通过镜头，将生成的光学图像投射到传感器上，然后光学图像被转换成电信号，电信号再经过模数转换变为数字信号，数字信号经过DSP加工处理，再被送到手机处理器中进行处理，最终转换成手机屏幕上能够看到的图像。 PCB板 摄像头中用到的印刷电路板，分为硬板、软板、软硬结合板三种 镜头 镜头是将拍摄景物在传感器上成像的器件，它通常由由几片透镜组成。从材质上看，摄像头的镜头可分为塑胶透镜和玻璃透镜。 镜头有两个较为重要的参数：光圈和焦距。 光圈是安装在镜头上控制通过镜头到达传感器的光线多少的装置，除了控制通光量，光圈还具有控制景深的功能，光圈越大，景深越小，平时在拍人像时背景朦胧效果就是小景深的一种体现。 景深是指在摄影机镜头前能够取得清晰图像的成像所测定的被摄物体前后距离范围。 数值越小，光圈越大，进光量越多，画面比较亮，焦平面越窄，主体背景虚化越大； 值越大，光圈越小，进光量越少，画面比较暗，焦平面越宽，主体前后越清晰。 焦距 焦距是从镜头的中心点到传感器平面上所形成的清晰影像之间的距离。根据成像原理，镜头的焦距决定了该镜头拍摄的物体在传感器上所形成影像的大小。比如在拍摄同一物体时，焦距越长，就能拍到该物体越大的影像。长焦距类似于望远镜。 固定器和滤色片

近年来,深度学习技术已经广泛应用到图像语义分割领域.主要对 基于深度学习的图像语义分割的经典 方法 与研究现状进行分类、梳理和总结.根据分割特点和处理粒度的不同,将基于深度学习的图像语义分割方法分 为 基于区域分类的图像语义分割方法 和 基于像素分类的图像语义分割方法 .把基于像素分类的图像语义分割方法 进一步细分为 全监督学习图像语义分割方法 和 弱监督学习图像语义分割方法 .对每类方法的代表性算法进行了分 析介绍,并详细总结了每类方法的基本思想和优缺点,系统地阐述了深度学习对图像语义分割领域的贡献.对图像语 义分割相关实验进行了分析对比,并介绍了图像语义分割实验中常用公共数据集和性能评价指标.最后,预测并分析 总结了该领域未来可能的研究方向及相应的发展趋势. 其中，文中提出：CNN RNN GAN 三者是并列的。 ISSbRC 方法取得了一定的分割效果,但也存在图像分割精度不高和分割速度不够快等问题,因此,一些研究者提出直接在像素级别上进行图像语义分割,产生了基于像素分类的图像语义分割方法。从时间上来看bPC比bRC要晚。 ISSbPC 方法利用 DNN 从带有大量标注的图像数据中提取出图像特征和语义信息,再根据这些信息来学习、推理原始图像中像 素的类别,通过端到端训练的方式对每个像素进行分类,以像素分类的方式达到语义分割的目标.这是下一步研究方向。 ENet

基本概念： 屏幕大小 ：物理屏幕的大小，指屏幕的对角线长度，经常以英寸为单位。 分辨率 ：实际上是像素的总和。例如:1280*720 dpi ：密度。（每英寸所展示的像素） hdpi ：480*800 每英寸展示的像素约为240dpi ldpi ：320*240 每英寸展示的像素约为120dpi mdpi : 320*480 每英寸展示的像素约为160dpi (缩放比例为mdpi为参照物) xhdpi: 1280*720 每英寸展示的像素约为320dpi 缩放比例 l ：m ：h ：x= 3:4:6:8 例如一张图片的像素为48*48，放在drawable-mdpi目录下，若手机的屏幕分辨率为480*800，那么该图片会根据缩放比例自动转换为72*72像素的图片。 思考：为什么 屏幕分辨率为480*800，手机屏幕大小为4.0英寸的手机规定是hdpi(高分辨率) 屏幕适配的方法 1.在布局文件中对控件使用layout_weight属性设置其在整个屏幕中所占的比例。 2.创建适合不同分辨率的资源文件夹，如下所示 这样当遇到分辨率为1280*720的手机时，会自动使用layout-1280*720里面的布局文件。个人觉得这样做比较繁琐，消耗的资源也比较大。 3.根据手机屏幕分辨率在代码中自己适配控件的大小( 百分比适配 ) Demo展示： package com . example .