图像处理与分析 计算机视觉 医学图像
第一部分是圖像處理與分析,第一部分部分是計(jì)算機(jī)視覺,第三部分是醫(yī)學(xué)圖像.
文章目錄
- ?《第一部分》
- 一、第一次課
- 1.1 讀取bmp圖片
- 二、 第二次課
- 2. 1 dpi(dot per inch)計(jì)算
- 2.2 灰度直方圖（histogram）
- 2.2.1 定義
- 2.2.2 編程實(shí)現(xiàn)灰度直方圖
- 2.3 灰度變換(均衡化)
- 2.4 二值化
- 三、 第三次課
- 3.1 點(diǎn)運(yùn)算
- 3.2 代數(shù)運(yùn)算
- 3.2.1 加法運(yùn)算
- 3.2.2 減法運(yùn)算
- 3.3 幾何運(yùn)算
- 3.3.1 實(shí)現(xiàn)幾何運(yùn)算有兩種方法
- 3.3.2 仿射變換
- 3.3.3 透視變換(Perspective Transformation)
- 3.4 鄰域運(yùn)算
- 四、圖像平滑
- 4.1 圖像噪聲
- 4.2 圖像平滑
- 五、邊緣檢測
- 六、圖像分割
- 七、物體測量與特征抽取
- 1.測量周長、面積
- 2.外接矩形
- 3.特征提取
- 八、圖像的頻域變換
- ?《第二部分》計(jì)算機(jī)視覺
- 計(jì)算機(jī)視覺課程內(nèi)容
- 10-25 梁棟老師代課內(nèi)容
- ?《第三部分》醫(yī)學(xué)圖像
- 醫(yī)學(xué)圖像來源
?《第一部分》
一、第一次課
1.1 讀取bmp圖片
參考
簡單bmp圖片處理工具——python實(shí)現(xiàn)
https://www.cnblogs.com/zyp4614/p/6917943.html
Python Struct讀取bmp圖片信息
https://blog.csdn.net/zoujin6649/article/details/81357696
Python中struct.pack()和struct.unpack()用法詳細(xì)說明
https://blog.csdn.net/weiwangchao_/article/details/80395941
Python版
from struct import unpackwith open('./bmp_19201080.bmp','rb') as f:s = f.read(30)print(unpack('<ccIIIIIIHH', s)) ''' (b'B', b'M', 6220854, 0, 54, 40, 1920, 1080, 1, 24) b'B、b'M說明是Windows位圖 一個(gè)4字節(jié)整數(shù)：位圖大小 一個(gè)4字節(jié)整數(shù)：保留位，始終為0 一個(gè)4字節(jié)整數(shù)：實(shí)際圖像的偏移量 一個(gè)4字節(jié)整數(shù)：Header的字節(jié)數(shù) 一個(gè)4字節(jié)整數(shù)：圖像寬度 一個(gè)4字節(jié)整數(shù)：圖像高度 一個(gè)2字節(jié)整數(shù)：始終為1 一個(gè)2字節(jié)整數(shù)：顏色數(shù) '''def bmp_info():unpackbuf = unpack('<ccIIIIIIHH',s)if (unpackbuf[0]!=b'B' or unpackbuf[1]!=b'M'):return Noneelse:return {'width':unpackbuf[6],'height':unpackbuf[7],'color':unpackbuf[9]} bi = bmp_info()print(bi['width'],'*',bi['height'],bi['color'])C版
#include "stdafx.h" #include "ImgAlg.h" #include <math.h> #include <stdio.h>//printf for linux #include <stdlib.h>//abs for linux #include <string.h>//memset for linux#define PI 3.141592653589 int Load8bitBmp(const char* FileName,BYTE* img,int& width,int& height) {FILE* fp=fopen(FileName,"rb");if(fp==NULL){Message("open file error"); return 0;}BITMAPFILEHEADER FileHeader;if( fread(&FileHeader,sizeof(BITMAPFILEHEADER),1,fp)!=1 ){Message("read file error"); return 0;}if( FileHeader.bfType != 0x4d42 ){Message("no bmp file format"); return 0;}BITMAPINFOHEADER InfoHeader;if( fread(&InfoHeader,sizeof(BITMAPINFOHEADER),1,fp)!=1 ){Message("read file error"); return 0;}if(InfoHeader.biBitCount != 8){Message("no 8 bit bmp file"); return 0;}if(InfoHeader.biCompression != 0){Message("compression mode"); return 0;}width = InfoHeader.biWidth ;height= InfoHeader.biHeight ;fseek(fp,FileHeader.bfOffBits ,SEEK_SET);for(int i=height-1;i>=0 ;i--){if( fread(img+i*width,width,1,fp)!= 1 ){Message("read file error"); return 0;} if(width%4!=0)fseek(fp,4-width%4,SEEK_CUR);}fclose(fp);return 1; }二、 第二次課
2. 1 dpi(dot per inch)計(jì)算
(1) dpi(dot per inch)計(jì)算
(2×\times× 1200 + 4 ×\times× 1200)×\times× 3
解釋:1200dpi意思是每英寸可采集1200個(gè)像素點(diǎn),現(xiàn)在照片橫向2英寸,縱向4英寸,所以總共是(2×\times× 1200 + 4 ×\times× 1200), 然后24位彩色,1像素 = 3 bytes.
(2) 掃描完后 如果用600dpi打印出來,問打印出來的照片尺寸?(不縮放)
2400 / 600 = 4
4800 / 600 = 8
2.2 灰度直方圖（histogram）
2.2.1 定義
灰度直方圖（histogram）是灰度級的函數(shù)，是圖象的最基本的統(tǒng)計(jì)特征。它表示圖象中有每種灰度級的象素的個(gè)數(shù)，反映圖象中每種灰度出現(xiàn)的頻率。如下圖所示，
橫坐標(biāo)：灰度－r , 縱坐標(biāo)：為某一灰度值ri的像素個(gè)數(shù)ni,或是灰度出現(xiàn)的概率P( r)
從概率的觀點(diǎn)來理解，灰度出現(xiàn)的頻率可看作其出現(xiàn)的概率，這樣直方圖就對應(yīng)于概率密度函數(shù)pdf(probability density function)，而概率分布函數(shù)就是直方圖的累積和，即概率密度函數(shù)的積分，如下圖所示：
2.2.2 編程實(shí)現(xiàn)灰度直方圖
方法一:逐個(gè)點(diǎn)掃描
unsigned long hist[256]; unsigned char *pCur; for(int i=0;i<256;i++) hist[i]=0;for(i=0;i<height;i++) for(j=0;j<width;j++)hist[pImg + i*width + j]++;方法二:效率高 (考試)
unsigned long hist[256]; unsigned char *pCur; for(int i=0;i<256;i++) hist[i]=0; int ImgSize=width*height; for(i=0,pCur=pImg;i<ImgSize;i++) hist[*(pCur++)]++;拓展參考
十一.灰度直方圖概念及OpenCV繪制直方圖
https://blog.csdn.net/eastmount/article/details/83758402
2.3 灰度變換(均衡化)
2.4 二值化
OpenCV—圖像二值化
https://www.cnblogs.com/ssyfj/p/9272615.html#%E4%B8%89opencv%E4%B8%AD%E7%9A%84%E4%BA%8C%E5%80%BC%E5%8C%96%E6%96%B9%E6%B3%95
python實(shí)現(xiàn)直方圖均衡化(HE)
https://blog.csdn.net/qq_30967115/article/details/85210870
三、 第三次課
3.1 點(diǎn)運(yùn)算
由于點(diǎn)運(yùn)算在處理與顯示中的重要性，圖象處理系統(tǒng)都有專門的處理硬件與之對應(yīng)，以便能夠以視頻速率實(shí)時(shí)完成操作，這樣的部件稱為查找表LUT(LookUpTable)。通常圖象處理系統(tǒng)都有成組的查找表供編程使用
在通用的計(jì)算機(jī)上，沒有查找表可以直接利用，通過軟件逐點(diǎn)處理來實(shí)現(xiàn)，這時(shí)查找表僅表現(xiàn)為一種數(shù)據(jù)結(jié)構(gòu)。因?yàn)樵跀?shù)字圖像處理中，自變量g的值域是有限的，比如通常的灰度圖像中，0<=g<=255，最多只有256種取值，因此，對于實(shí)現(xiàn)任意的G=F(g)而言，都可以使用查表的方法實(shí)現(xiàn)
方法一: 慢
要計(jì)算ImgSize次，當(dāng)圖像為512x512時(shí)，F要被計(jì)算262144次
方法二: 快 (考試)
BYTE LUT[256]; BYTE *pCur, for(g = 0;g < 256;g++) LUT[g ] = F(g);*pEnd = pImg + ImgSize; for(pCur = pImg; pCur < pEnd;pCur++) *(pCur++) = LUT[*pCur];在使用LUT時(shí)，F函數(shù)僅被計(jì)算256次。
3.2 代數(shù)運(yùn)算
3.2.1 加法運(yùn)算
圖象相加一般用于對同一場景的多幅圖象求平均，以便有效地降低加性（additive）隨機(jī)噪聲。通常圖象采集系統(tǒng)中采集圖象時(shí)有這樣的參數(shù)可供選擇。通常直接采集的圖象品質(zhì)較好，不需要這樣的處理，但是對于經(jīng)過長距離模擬通訊方式傳送的圖象（如太空航天器傳回的星際圖象）這種處理是不可缺少的。利用求平均的方法降低噪聲信號提高信噪比的做法，只有當(dāng)噪聲可以用同一個(gè)獨(dú)立分布的隨機(jī)模型描述時(shí)才會有效
3.2.2 減法運(yùn)算
圖象相減是常用的圖象處理方法，用于檢測變化及運(yùn)動物體。在可控制的條件下，如工業(yè)視覺環(huán)境下，這種稱之為差分方法的簡單處理與閾值化處理一道往往是建立機(jī)器視覺系統(tǒng)最有效的方法之一。在相對穩(wěn)定的環(huán)境下，可以假設(shè)背景變化緩慢，且符合一定的分布規(guī)律，通過建立背景模型，實(shí)施差分方法來檢測運(yùn)動物體，可以獲得很好的效果。因此，差分方法可以分為控制環(huán)境下的簡單差分方法和基于背景模型的差分方法。
在控制環(huán)境下，或者在很短的時(shí)間間隔內(nèi)，可以認(rèn)為背景是固定不變的，可以直接使用差分方法檢測變化或直接分割出作為前景的物體。其流程圖如下：
作業(yè)
1.編制將兩個(gè)灰度圖象相減的程序，注意合理處理數(shù)值區(qū)間，以便顯示差圖象，例如取絕對值或適當(dāng)平移等（輸入輸出圖象格式bmp）。
2.編制將一灰度圖象與將其少許平移后得到的圖象相減的程序，觀察其效果。
3.3 幾何運(yùn)算
幾何運(yùn)算與點(diǎn)運(yùn)算不同，它可改變圖象中物體（象素）之間的空間關(guān)系。這種運(yùn)算可以看成將各象素在圖象內(nèi)移動的過程。其定義為：g(x,y)=f(x’,y’)=f[a(x,y),b(x,y)] ，其中，f(x,y)表示輸入圖象，g(x,y)表示輸出圖象，a(x,y)和b(x,y)表示空間變換，若它們是連續(xù)的，則將保持圖象中的連通關(guān)系。
3.3.1 實(shí)現(xiàn)幾何運(yùn)算有兩種方法
- 其一為前向映射法，即：將輸入象素的灰度一個(gè)個(gè)地轉(zhuǎn)移到輸出圖象中，如果一個(gè)輸入象素被映射到四個(gè)輸出象素之間的位置，則其灰度值就按插值法在四個(gè)輸出象素之間進(jìn)行分配；
- 其二為后向映射法（象素填充法），這時(shí)將輸出象素逐個(gè)地映射回輸入圖象中，若輸出象素被映射到四個(gè)輸入象素之間的位置，則其灰度由它們的插值來確定。在實(shí)際中，通常采用后向映射法。
圖像旋轉(zhuǎn)后,會出現(xiàn)許多空洞點(diǎn),我們需要對這些空洞點(diǎn)必須進(jìn)行填充處理,否則圖像旋轉(zhuǎn)后的效果不好,一般也稱這種操作為插值處理,最簡單的插值方法是最近鄰插值，即選擇離它所映射到的位置最近的輸入象素的灰度值為插值結(jié)果。復(fù)雜一點(diǎn)的方法是雙線性插值,如下圖所示:
3.3.2 仿射變換
其中 A 是變形矩陣，b是平移矢量。在2維空間，A可以按如下的四個(gè)步驟分解：尺度、伸縮、扭曲、旋轉(zhuǎn)
將一個(gè)點(diǎn)順時(shí)針旋轉(zhuǎn)a角，r為該點(diǎn)到原點(diǎn)的距離，在旋轉(zhuǎn)過程中，r保持不變；b為r與x軸之間的夾角。
旋轉(zhuǎn)前：x0=rcosb；y0=rsinb
旋轉(zhuǎn)a角度后：
x1 = rcos(b-a) = rcosbcosa + rsinbsina = x0cosa + y0sina；
y1 = rsin(b-a) = rsinbcosa - rcosbsina = -x0sina + y0cosa；
3.3.3 透視變換(Perspective Transformation)
透視變換是中心投影的射影變換，在用非齊次射影坐標(biāo)表達(dá)時(shí)是平面的分式線性變換，具有如下的形式：
透視變換常用于圖象的校正，例如在移動機(jī)器人視覺導(dǎo)航研究中，由于攝象機(jī)與地面之間有一傾斜角，而不是直接垂直朝下（正投影），有時(shí)希望將圖象校正成正投影的形式，就需要利用透視變換。
下面看一個(gè)案例
在地面上取定一個(gè)矩形（不一定是正方形），要求它的邊平行或垂直于車體軸線，這樣的矩形在原始圖象中顯示為一個(gè)等腰梯形，如圖所示。
設(shè)A點(diǎn)的坐標(biāo)為（x1,y1），C點(diǎn)坐標(biāo)為(x2,y2)，則B、D的坐標(biāo)分別是（φ-x1,y1）和(φ-x2,y2)。經(jīng)過投影，ABCD四個(gè)點(diǎn)依此與規(guī)范化坐標(biāo)系中的(0,0),(1,0),(0,1),(1,1)四個(gè)點(diǎn)相對應(yīng)。把此對應(yīng)關(guān)系代入上式，得
略
作業(yè)
1 完成圖像的雙線性差值旋轉(zhuǎn)的程序。
2 編制實(shí)現(xiàn)透視及仿射變換的程序，通過交互 輸入?yún)?shù)觀察效果。
3.4 鄰域運(yùn)算
模板：模板就是一個(gè)矩陣（其實(shí)就是下面說的卷積核），也就是處理圖像這個(gè)過程對應(yīng)的函數(shù)，對應(yīng)卷積運(yùn)算。
卷積運(yùn)算：可以看做加權(quán)求和的過程，為了圖像增強(qiáng)和減少噪聲，用該像素點(diǎn)的鄰域像素點(diǎn)進(jìn)行加權(quán)，得到處理完之后這個(gè)點(diǎn)的像素點(diǎn)（會把噪聲減弱，當(dāng)然也會有別的問題）。
卷積核：上面不是說了卷積運(yùn)算了嘛，這個(gè)點(diǎn)的鄰域和哪個(gè)矩陣進(jìn)行加權(quán)啊？換句話說，這個(gè)點(diǎn)的鄰域那么多像素點(diǎn)，這些像素點(diǎn)所占的權(quán)重是多少啊？這些權(quán)重構(gòu)成一個(gè)矩陣，這個(gè)矩陣就叫卷積核，卷積核的行數(shù)和列數(shù)都是奇數(shù)。
————————————————
版權(quán)聲明：本文為CSDN博主「lixin051435」的原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/tsfx051435adsl/article/details/78305643
四、圖像平滑
4.1 圖像噪聲
圖像噪聲產(chǎn)生的原因很復(fù)雜，有的可能是數(shù)字信號在傳輸過程中發(fā)生了丟失或者受到干擾，有的是成像設(shè)備或者環(huán)境本身導(dǎo)致成像質(zhì)量不穩(wěn)定，反應(yīng)到圖像上就是圖像的亮度與顏色呈現(xiàn)某種程度的不一致性。
從噪聲的類型上，常見的圖像噪聲分為以下幾種：
- 高斯噪聲/符合高斯分布
一般會在數(shù)碼相機(jī)的圖像采集（acquisition）階段發(fā)生，這時(shí)它的物理、電、光等各種信號都可能導(dǎo)致產(chǎn)生高斯分布噪聲。 - 均勻分布噪聲(實(shí)際不常見,模擬常用)
均勻/規(guī)則噪聲一般都是因?yàn)槟承┮?guī)律性的錯誤導(dǎo)致的。 - 椒鹽噪聲(脈沖噪聲) 黑白的點(diǎn)
是一種隨機(jī)在圖像中出現(xiàn)的稀疏分布的黑白像素點(diǎn)， 對椒鹽噪聲一種有效的去噪手段就是圖像中值濾波。
————————————————
版權(quán)聲明：本文為CSDN博主「kingkee」的原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/kingkee/article/details/93617051
4.2 圖像平滑
圖像平滑從信號處理的角度看就是去除其中的高頻信息，保留低頻信息。因此我們可以對圖像實(shí)施低通濾波。低通濾波可以去除圖像中的噪音，模糊圖像(噪音是圖像中變化比較大的區(qū)域，也就是高頻信息)。而高通濾波能夠提取圖像的邊緣(邊緣也是高頻信息集中的區(qū)域)。
根據(jù)濾波器的不同又可以分為均值濾波，高斯加權(quán)濾波，中值濾波， 雙邊濾波。
( 參考 【數(shù)字圖像處理】 圖像平滑 )
▲ 圖像處理的幾種濾波(含核的解釋)
五、邊緣檢測
邊緣是指其周圍象素的灰度有階躍變化(step edge)或屋頂狀變化(roof edge)的象素、常存在于目標(biāo)與背景之間、目標(biāo)與目標(biāo)之間、目標(biāo)與其影子之間。
分析手段：因?yàn)榛叶鹊淖兓?#xff0c;可以反映為導(dǎo)數(shù)；因此，根據(jù)邊緣的形狀，可以通過求導(dǎo)的方法來尋求邊緣。邊緣的參數(shù)包括：邊緣強(qiáng)度(edge intensity)和邊緣方向(edge direction)。
下面具體展開:
- Roberts算子
定義為：G(i ,j)=|f(i,j)-f(i+1,j+1)|+|f(i+1,j)-f(i,j+1)|
- Prewitt算子
- Sobel算子
(濾波和邊緣檢測可以結(jié)合起來)
然后去讀這篇博客:
▲ 徹底理解數(shù)字圖像處理中的卷積-以Sobel算子為例
▲ 卷積計(jì)算動圖
六、圖像分割
圖象分割是將圖象劃分為若干互不相交的小區(qū)域的過程。小區(qū)域是某種意義下具有共同屬性的象素的連通集合，如物體所占的圖象區(qū)域、天空區(qū)域、草地等。
圖像分割的目的:
- 圖像分割使得畫面場景被分為“目標(biāo)物”及“非目標(biāo)物”兩類,即將圖像的像素變換為黑、白兩種。
- 因?yàn)榻Y(jié)果圖像為二值圖像，所以通常又稱圖像分割為圖像的二值化處理。
閾值是在分割時(shí)作為區(qū)分物體與背景象素的門限，大于或等于閾值的象素屬于物體，而其它屬于背景。這種方法對于在物體與背景之間存在明顯差別（對比）的景物分割十分有效。實(shí)際上，在任何實(shí)際應(yīng)用的圖象處理系統(tǒng)中，都要用到閾值化技術(shù)。為了有效地分割物體與背景，人們發(fā)展了各種各樣的閾值處理技術(shù)，包括全局閾值、自適應(yīng)閾值、最佳閾值等等。
-
p率閾值化
一般用于灰度圖像，使用條件是已知目標(biāo)在政府圖像中所占的面積比為P%(需要先驗(yàn)知識)，先得到圖像的灰度直方圖，然后從小到大累加，直到為P%，記錄當(dāng)前灰度，以它為閾值來分割圖像。條件很苛刻，大部分情況下都用不上。 -
基于類間方差的閾值分割法
-
基于熵的閾值選取（Entropy）
-
循環(huán)迭代策略得到閾值
七、物體測量與特征抽取
1.測量周長、面積
在物體從圖象中分割出來后，進(jìn)一步就可以對它的幾何特征進(jìn)行測量和分析，在此基礎(chǔ)上可以識別物體，也可以對物體分類，或?qū)ξ矬w是否符合標(biāo)準(zhǔn)進(jìn)行判別，實(shí)現(xiàn)質(zhì)量監(jiān)控。與圖象分割一道，物體測量與形狀分析在工業(yè)生產(chǎn)中有重要的應(yīng)用，它們是機(jī)器視覺的主要內(nèi)容之一。例如，能將馬鈴薯或蘋果等農(nóng)產(chǎn)品按品質(zhì)自動分類的機(jī)器視覺系統(tǒng)，自動計(jì)算不規(guī)則形狀所包含面積的測量系統(tǒng)，將傳送帶上不同工件自動分類的視覺系統(tǒng)，等等。
- 周長
其中，nθn_{\theta}nθ? 是鏈中具有奇數(shù)值的鏈碼的個(gè)數(shù)，n0n_{0}n0?是鏈中具有偶數(shù)值的鏈碼的個(gè)數(shù)。 - 面積
A=x2y1-1/2x1y2-1/2x2y2-1/2(x2-x1)(y2-y1)=1/2(x1y2-x2y1)
2.外接矩形
當(dāng)物體從圖象中分割出來以后，形狀描述特征與尺寸測量結(jié)合起來可以作為區(qū)分不同物體的依據(jù)，在機(jī)器視覺系統(tǒng)中起著十分重要的作用。
①長度和寬度
在已知物體的邊界時(shí)，用其外接矩形的尺寸來刻畫它的基本形狀是最簡單的方法。如果僅計(jì)算其在坐標(biāo)系方向上的外接矩形是很簡單的，只需計(jì)算物體邊界點(diǎn)的最大和最小坐標(biāo)值，就可得到物體的水平和垂直跨度。但通常需要計(jì)算反映物體形狀特征的主軸方向上的長度和與之垂直方向上的寬度，這樣的外接矩形是物體最小的外接矩形（MER-Minimum Enclosing Rectangle）。
計(jì)算MER的一種方法是將物體在90度范圍內(nèi)等間隔地旋轉(zhuǎn)，每次記錄其坐標(biāo)系方向上的外接矩形參數(shù)，取其面積為最小的矩形的參數(shù)為主軸意義下的長度和寬度。通常主軸可以通過矩（moments）的計(jì)算得到，也可以用求物體的最佳擬合直線的方法求出。
② 矩形度
矩形度用物體的面積與其最小外界矩形的面積之比來刻畫，反映物體對其外接矩形的充滿程度：
此外，另一個(gè)與形狀有關(guān)的特征是長寬比 它可以將細(xì)長的物體與方形或圓形的物體區(qū)別開來。
③ 圓形度
圓形度用來刻畫物體邊界的復(fù)雜程度，它們在圓形邊界時(shí)取最小值。最常用的圓形度是周長的平方與面積的比
④ 不變矩
矩的定義：對于二元有界函數(shù)f(x,y),它的(j+k)階矩是：
3.特征提取
如何尋找右圖中玩具車的位置
這就需要用到 <尺度不變特征變換匹配算法 Scale Invariant Feature Transform>
90年代British Columbia大學(xué)大衛(wèi).勞伊（David G.Lowe）教授總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測方法，并正式提出了一種基于尺度空間的、對圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子－SIFT（尺度不變特征變換），這種算法在2004年被加以完善。
SIFT算法可以解決的問題
目標(biāo)的自身狀態(tài)、場景所處的環(huán)境和成像器材的成像特性等因素影響圖像配準(zhǔn)/目標(biāo)識別跟蹤的性能。而SIFT算法在一定程度上可解決：
- 目標(biāo)的旋轉(zhuǎn)、縮放、平移（RST）
- 圖像仿射/投影變換（視點(diǎn)viewpoint）
- 光照影響（illumination）
- 目標(biāo)遮擋（occlusion）
- 雜物場景（clutter）
- 噪聲
SIFT算法的實(shí)質(zhì)可以歸為在不同尺度空間上查找特征點(diǎn)（關(guān)鍵點(diǎn)）的問題。
SIFT算法實(shí)現(xiàn)物體識別主要有三大工序，1、提取關(guān)鍵點(diǎn)；2、對關(guān)鍵點(diǎn)附加詳細(xì)的信息（局部特征）也就是所謂的描述器；3、通過兩方特征點(diǎn)（附帶上特征向量的關(guān)鍵點(diǎn)）的兩兩比較找出相互匹配的若干對特征點(diǎn)
另參考 https://www.bilibili.com/video/av42629442
八、圖像的頻域變換
傅里葉變換, 看中國大學(xué)MOOC
https://www.icourse163.org/learn/WHUT-1003535158
?《第二部分》計(jì)算機(jī)視覺
2019-10-14 開始上計(jì)算機(jī)視覺
孫涵老師主頁 http://www.sunnyimgtech.com/
計(jì)算機(jī)視覺課程內(nèi)容
計(jì)算機(jī)視覺發(fā)展史，MarT視覺理論
人眼成像原理
紋理、顏色和光源
攝像機(jī)參數(shù)與模型，攝像機(jī)標(biāo)定
雙目視覺與立體觀測
運(yùn)動目標(biāo)檢測與跟蹤
計(jì)算機(jī)視覺典型應(yīng)用
10-25 梁棟老師代課內(nèi)容
1.華為P30拍月亮是如何實(shí)現(xiàn)的
2.手機(jī)單鏡頭人臉識別是如何實(shí)現(xiàn)的?為何照片無法欺騙鏡頭
擴(kuò)展:單鏡頭、多鏡頭的功能
3.合成孔徑
4.景深
了解景深 這一篇就夠了
https://zhuanlan.zhihu.com/p/55740729
光圈越大，景深越淺
光圈越小，景深越大
?《第三部分》醫(yī)學(xué)圖像
醫(yī)學(xué)圖像來源
X光
CT
Pet-CT
核磁共振 MRI
超聲波(B超)
總結(jié)
以上是生活随笔為你收集整理的图像处理与分析 计算机视觉 医学图像的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： win10 安装 Pytorch
- 下一篇： Java二手车交易系统