像素

数字图像处理——第二章(数字图像基础)

蹲街弑〆低调 提交于 2020-02-09 03:21:11
数字图像基础 一、人眼结构 二、电磁波谱和光 2.1 电磁波谱 2.2 光 三、图像的数学模型 四、图像的取样和量化 4.1 取样和量化的概念 4.2 数字图像表示 4.3 空间和灰度分辨率 4.4 图像内插 4.5 像素间的一些基本关系 4.5.1 相邻像素 4.5.2 邻接性、联通性、区域和边界 4.5.3 距离度量 五、数字图像处理中的数学工具介绍 5.1 阵列与矩阵操作 5.2 线性操作和非线性操作 5.3 算术操作 5.4 集合和逻辑操作 5.4.1 集合操作 5.4.2 逻辑操作 5.5 空间操作 5.5.1 单像素操作 5.5.2 邻域操作 5.5.3 几何空间变换和图像配准 5.6 向量和矩阵操作 5.7 图像变换 5.8 概率方法 一、人眼结构 眼睛由三层膜包裹:角膜与巩膜外壳、脉络膜和视网膜。 角膜 是一种硬而透明的组织,覆盖着眼睛的前表面,巩膜是一层包围眼球其余部分的不透明膜。 脉络膜 包含血管网,是眼睛的重要滋养源。 视网膜 是眼睛最里面的膜。眼睛适当聚焦时,来自眼睛外部物体的光在视网膜上成像。感受器通过感受视网膜表面分布的不连续光形成图案。 光感受器分为: 锥状体和杆状体 。 每只眼睛中的锥状体数量约为600~700万个, 对颜色高度敏感 。使用锥状体人可以充分 分辨图像细节 (每个锥状体都连接到自身的神经末梢)。锥状体视觉称为 白昼视觉或亮视觉 。

iPhone iPad 各种控件默认高度

你说的曾经没有我的故事 提交于 2020-02-08 19:54:06
1.状态栏 状态栏一般高度为20像素,在打手机或者显示消息时会放大到40像素高,注意,两倍高度的状态栏在好像只能在纵向的模式下使用。如下图 用户可以隐藏状态栏,也可以将状态栏设置为灰色,黑色或者半透明的黑色。 如果需要隐藏状态栏可以使用调用: [[UIApplication sharedApplication] setStatusBarHidden:YES animated:NO]; 或者在应用程序文件Info.plist中将UIStatusBarHidden键设为ture。 2.导航栏 在纵向模式下导航栏为44像素高,在横向模式下为32像素高,导航栏提供了一个很少用的提示模式,该模式将高度扩展了30像素,在纵向模式下为320*74像素,在横向模式下为480*74像素。 要向导航栏添加提示,则设置self.navigationItem.prompt = @"................"。 3.选项卡 工具栏 选项卡为48像素高,工具栏为44像素高。此两个UI元素通长不用于横向模式。 典型的带有导航栏和状态栏的应用程序为纵向显示保留了320*416的区域,为横向保留了480*268的区域。如果使用选项卡栏或者工具栏则会使高度再次减少48或者44像素。 4.键盘和pickerView 此一般都为横向320*216像素,纵向为480*162像素。 另外,UISwitch默认为94

【微信小程序】——rpx、px、rem等尺寸间关系浅析

会有一股神秘感。 提交于 2020-02-08 09:10:09
最近开发微信小程序,在写样式表的时候发现用PX的效果不太理想,而官方文档用rpx来做响应式布局单位,就仔细研究了下,在此做个小总结: 这里先引用官方定义的尺寸单位‘rpx’:可以根据屏幕宽度进行自适应。规定屏幕宽为750rpx。如在 iPhone6 上,屏幕宽度为375px,共有750个物理像素,则750rpx = 375px = 750物理像素,1rpx = 0.5px = 1物理像素。 看不懂?没关系,我们接着往下看.... 日常开发中,我们常用rem、em来做响应式布局的像素单位,他们都是相对单位。rem相对于文档的根元素,em相对于父元素。 那么问题来了,rpx到底是个啥?又该如何理解“750rpx = 375px = 750物理像素”这句话呢? 开始之前,我们先扯一扯像素、物理长度、设备独立像素、设备独立像素比都是些啥? 【像素】: 它不是自然界的物理长度,指基本原色素及其灰度的基本编码。 【物理像素】: 它是显示器(电脑、手机屏幕)最小的物理显示单位,每个物理像素由颜色值和亮度值组成。是不是有点眼熟?我们要记住物理像素指的是显示器上最小的点。 【设备独立像素】: 它又称密度无关像素,划重点——密度无关,是计算机程序实际处理的虚拟像素(如css的px),由相关关系转化为设备像素。这个相关关系就是指下面要介绍的——设备像素比 【设备像素比】: 设备像素比 = 物理像素 /

【学习笔记】OpenCv+C++(四)

家住魔仙堡 提交于 2020-02-08 04:08:09
图像的模糊 模糊原理 Smooth/Blur是图像处理中最简单和常用的操作之一 使用该操作的原因之一就为了给图像预处理时候减低噪声 使用Smooth/Blur操作器背后是数学的卷积计算 g(i,j) = 求和(f(i+k,j+I)h(k,I)) 通常这些卷积算子计算都是线性操作,所以有叫线性滤波 假设有6x6的图像像素点矩阵 卷积过程:6x6上面是个3x3的窗口,从左向右,从上向下移动 黄色的每个像个像素点之和取平均值赋给中心红色像素作为它卷积处理之后新的像素值。每次移动一个像素格。 边缘处理最简单的方法: 向外扩张。插值 归一化盒子滤波(均值滤波) 权重不同 高斯滤波 相对于均值滤波,会保留像素原有的特质 相关API 均值模糊 blur(Mat src,Mat dst,Size(xradius,yradius),Point(-1,-1)); //注意:point表示中心像素在哪里,(-1,-1)默认正中心 dst(x,y) = 求和(Kernel(x1,y1)*src(x+x1-anchor.x,y+y1-anchor.y)) 高斯模糊 GaussianBlur(Mat src,Mat dst,Size(11,11),sigmax,sigmay); 其中Size(x,y),x,y必须是正数而且是奇数 #include<opencv2/opencv.hpp> #include

数字图像处理与分析---指纹图像增强

£可爱£侵袭症+ 提交于 2020-02-08 02:44:10
•​ 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

目标检测的图像特征提取之(二)LBP特征

穿精又带淫゛_ 提交于 2020-02-07 04:45:06
LBP( Local Binary Pattern ,局部二值模式)是一种用来描述图像 局部纹理特征 的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由 T. Ojala, M.Pietikäinen, 和 D. Harwood 在 1994 年提出,用于纹理特征提取。而且,提取的特征是图像的局部的纹理特征; 1 、 LBP 特征的描述 原始的 LBP 算子定义为在 3*3 的窗口内,以窗口中心像素为阈值,将相邻的 8 个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为 1 ,否则为 0 。这样, 3*3 邻域内的 8 个点经比较可产生 8 位二进制数(通常转换为十进制数即 LBP 码,共 256 种),即得到该窗口中心像素点的 LBP 值,并用这个值来反映该区域的纹理信息。如下图所示: LBP 的改进版本: 原始的 LBP 提出后,研究人员不断对其提出了各种改进和优化。 ( 1 )圆形 LBP 算子: 基本的 LBP 算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求, Ojala 等对 LBP 算子进行了改进,将 3 × 3 邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的 LBP 算子允许在半径为 R

21 OpenCV像素重映射remap

懵懂的女人 提交于 2020-02-07 04:02:56
一、像素重映射 重映射就是把一个图像中一个位置的像素放置到另一个图片指定位置过程。为了完成重映射过程有必要获得一些插值作为非整数像素坐标,因为原图像与目标图像的像素坐标不是一一对应的。我们通过重映射来表达每个像素的位置(x, y): g(x, y)=f(h(x,y)) 这里g()是目标图像,f()是原图像,h(x,y)是作用于(x,y)的映射方法函数 二、remap void cv :: remap ( InputArray src , OutputArray dst , InputArray map1 , InputArray map2 , int interpolation , int borderMode = BORDER_CONSTANT , const Scalar & borderValue = Scalar ( ) ) rc:输入图像 dst:目标图像,与原图像类型相同,与map1图像尺寸大小相等 map1: (x, y)的第一个映射或者是CV_16SC2、CV_32FC1或CV_32FC2的x值 map2: 第二个map,表示类型为CV_16UC1、CV_32FC1的y值或空值(如果map1是用(x,y)进行表示) interpolation: 插值方式,在此函数中不支持INTER_AREA插值方法。插值方法如下(可通过InterpolationFlags查看)

Android屏幕适配

这一生的挚爱 提交于 2020-02-07 02:28:10
Android手机屏幕适配一直是老生常谈的问题,像Android产品市场上种类繁多,单单就手机而言,屏幕的尺寸和分辨率就各有不同,还包括搭载Andorid系统的平板、穿戴设备、电视、车机等产品,要想自己做的APP能够自由地运行在各种设备上,适配那是必须的。 1.屏幕尺寸、屏幕分辨率、屏幕像素密度 (1)屏幕尺寸 买手机时最常见,目前Android手机都开始向大屏方向发展,像过往的5.0英寸的手机,都成小屏幕手机了,常见的5.0英寸、5.15英寸、5.5英寸等,都是屏幕尺寸,对于屏幕尺寸的适配,没有太多的要求。 (2)屏幕分辨率 目前市面上最常见的就是1080P,1920*1080, 单位是px,1px = 1像素点 ,这也是1080P的由来,P就是px,横纵的像素个数乘积。 (3)屏幕像素密度 指的是每英寸屏幕上像素点的个数, 单位是dpi ,这个参数在买手机的时候也是会带的,尤其是大屏手机,如果屏幕像素密度比较低,就会有颗粒感,不知你们有没有这样的体验。 2.dp、dip、dpi、sp、px等计量单位之间的关系 (1)dp和dip 这个就非常常见了,我们在写布局的时候,在设置控件宽度或者高度的时候,都会设置为xxdp;以160dpi(屏幕像素密度)为基准,1dip = 1px dp(dip)是密度无关像素,为什么这么说呢? 假设有两个手机屏幕,分别为A:480 320

蓝桥杯 全球变暖 bfs学习

我的梦境 提交于 2020-02-06 02:37:51
全球变暖 你有一张某海域NxN像素的照片,".“表示海洋、”#"表示陆地,如下所示: …… .##… .##… …##. …####. …###. …… 其中"上下左右"四个方向上连在一起的一片陆地组成一座岛屿。例如上图就有2座岛屿。 由于全球变暖导致了海面上升,科学家预测未来几十年,岛屿边缘一个像素的范围会被海水淹没。具体来说如果一块陆地像素与海洋相邻(上下左右四个相邻像素中有海洋),它就会被淹没。 例如上图中的海域未来会变成如下样子: …… …… …… …… ….#… …… …… 请你计算:依照科学家的预测,照片中有多少岛屿会被完全淹没。 【输入格式】 第一行包含一个整数N。 (1 <= N <= 1000) 以下N行N列代表一张海域照片。 照片保证第1行、第1列、第N行、第N列的像素都是海洋。 【输出格式】 一个整数表示答案。 1 【输入样例】 7 … .##… .##… …##. …####. …###. … 【输出样例】 1 解析 典型的bfs,但是从哪一点开始搜索呢,想必这是很多人会考虑的问题. 如何一次遍历整张图找出所有岛屿? 刚开始我也陷入了这个圈,在想能不能搜索湖逆推岛的数量,但是后来才想到, 湖和岛其实是等价的!!!(湖心岛和岛中湖) ,因此只能在一次bfs搜索完成后,从下一个点继续搜索. 代码 package algorithm ; import java .

图像增强之空间域滤波

て烟熏妆下的殇ゞ 提交于 2020-02-06 00:09:01
1 、为什么进行图像增强 图像增强是指增强图像中某些特征,同时削弱或去除某些不需要的信息,即为了某种应用而去改善图像的质量,消除噪声,显现那些被模糊了的细节或简单的突出一副图像中感兴趣的特征。所以图像增强并不是增强图像的原始信息,而是只针对某一特征以提高某种信息的辨别能力,图像增强需要根据需求采用特定的方法,当增强一些信息时另外一些信息必定被损失,不存在一种通用的方法,必须根据需求决定保留哪些信息丢弃哪些信息。 图像增强技术基本上可以分为两类:空间域增强、频域增强。 2 、空间域滤波理论 2.1定义 空间域滤波就是在图像平面上对像素进行操作。 空间域滤波大体分为两类:平滑、锐化。 平滑滤波:模糊处理,用于减小噪声,实际上是低通滤波,典型的滤波器是高斯滤波。 锐化滤波:提取边缘突出边缘及细节、弥补平滑滤波造成的边缘模糊。实际上是高通滤波。 空间域处理可由下式表示: g(x,y)=T[f(x,y)] 式中,f(x,y)是输入图像,g(x,y)是处理后的图像,T是在点(x,y)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。 2.2空间域滤波和邻域处理 1)空间滤波器由一个邻域(通常是一个较小的矩形)和对该邻域所包围图像像素执行的预定义操作组成。对预定义的点(x,y)为中心的领域内的像素进行计算。 2)滤波产生一个新像素,新像素的坐标等于邻域中心的坐标(x,y)