图像处理

元宵将至，新春节庆气氛浓重仍旧。厨房里，餐桌上，一碗碗热气腾腾的汤圆、皮薄馅足的饺子，织就了年节和煦幸福的画面。近期，合合信息旗下扫描全能王APP“拍照计数”性能取得宽广用户的关注。该性能基于图像AI技术，能够对图片中用户指定的指标物体进行统计，疾速“点出”出图片中的物体数量。想要大抵数清汤圆、饺子、车厘子、苹果等年货的数量，只需微微一拍，答案即可出现。 扫描全能王“拍照计数”在汤圆计数中的利用 边数边忘？“拍照计数”秒解难题 扫描全能王“拍照计数”性能不仅为节日削减了乐趣，也利用科技力量为生产、生存场景中的计数工作打造了“称手”的工具。以年货等商品盘点计数需要为例，家庭用户能够在购买水果、礼盒等年货时，应用“拍照计数”性能疾速盘点数量，商家则能够在进货、销售等环节中，利用该性能统计局部货物数量，进步工作效率。 扫描全能王“拍照计数”在苹果计数中的利用 波及计数的场景十分广泛，统计班级中的人数，盘点工厂中钢筋、整机数量，都可用到“拍照计数”。 扫描全能王团队技术人员曾在林业场景实际中发现，过来在林场进行盘点工作时，工人罕用给木材横截面刷带色彩的油漆的形式，来记录已数过的木材，有的木材能看进去曾经被刷过三种色彩的油漆。由此可见，“拍照计数”性能的推出，能够帮忙不同行业的用户在晋升计数效率的同时，防止“数到一半遗记哪些曾经数过了”的难堪地步。 AI智能图像处理优化计数体验 从技术层面看，要对图片中的物体数量进行精准统计，非常考验图像处理技术中的指标检测、指标匹配、计数统计能力。“图片指标的通用辨认、统计能力是行业面临的挑战之一。”据扫描全能王团队技术人员介绍，因为被统计对象类目繁多、形态各异，传统的产品大多须要用户手动选取物体类别后进行计数。如波及统计类别的切换，至多须要操作三次。 扫描全能王“拍照计数”在车厘子计数中的利用 在AI技术的加持下，扫描全能王智能图像处理技术可依据海量不同类型的样例，实现通用性的检测和匹配，使得“拍照计数”性能具备了场景笼罩广、模型抉择便当、主动分流的特点，可在多个场景中为用户提供一键计数的便当；在木材、钢管计数等典型的工业场景需要中，相干性能也具备精度劣势。 扫描全能王是一款智能扫描及文字辨认APP，其提供的扫描及图像处理性能可将手机、平板变为随身携带的扫描仪，自2010年公布以来，产品曾经服务了寰球200个国家、地区的上亿用户。随着AI技术的一直冲破，越来越多的智能化工具正成为人们生存中不可或缺的一部分。扫描全能王将继续翻新产品性能，为宽广用户提供更加便捷、高效的服务。

元宵将至，新春节庆气氛浓重仍旧。厨房里，餐桌上，一碗碗热气腾腾的汤圆、皮薄馅足的饺子，织就了年节和煦幸福的画面。近期，合合信息旗下扫描全能王APP“拍照计数”性能取得宽广用户的关注。该性能基于图像AI技术，能够对图片中用户指定的指标物体进行统计，疾速“点出”出图片中的物体数量。想要大抵数清汤圆、饺子、车厘子、苹果等年货的数量，只需微微一拍，答案即可出现。 扫描全能王“拍照计数”在汤圆计数中的利用 边数边忘？“拍照计数”秒解难题 扫描全能王“拍照计数”性能不仅为节日削减了乐趣，也利用科技力量为生产、生存场景中的计数工作打造了“称手”的工具。以年货等商品盘点计数需要为例，家庭用户能够在购买水果、礼盒等年货时，应用“拍照计数”性能疾速盘点数量，商家则能够在进货、销售等环节中，利用该性能统计局部货物数量，进步工作效率。 扫描全能王“拍照计数”在苹果计数中的利用 波及计数的场景十分广泛，统计班级中的人数，盘点工厂中钢筋、整机数量，都可用到“拍照计数”。 扫描全能王团队技术人员曾在林业场景实际中发现，过来在林场进行盘点工作时，工人罕用给木材横截面刷带色彩的油漆的形式，来记录已数过的木材，有的木材能看进去曾经被刷过三种色彩的油漆。由此可见，“拍照计数”性能的推出，能够帮忙不同行业的用户在晋升计数效率的同时，防止“数到一半遗记哪些曾经数过了”的难堪地步。 AI智能图像处理优化计数体验 从技术层面看，要对图片中的物体数量进行精准统计，非常考验图像处理技术中的指标检测、指标匹配、计数统计能力。“图片指标的通用辨认、统计能力是行业面临的挑战之一。”据扫描全能王团队技术人员介绍，因为被统计对象类目繁多、形态各异，传统的产品大多须要用户手动选取物体类别后进行计数。如波及统计类别的切换，至多须要操作三次。 扫描全能王“拍照计数”在车厘子计数中的利用 在AI技术的加持下，扫描全能王智能图像处理技术可依据海量不同类型的样例，实现通用性的检测和匹配，使得“拍照计数”性能具备了场景笼罩广、模型抉择便当、主动分流的特点，可在多个场景中为用户提供一键计数的便当；在木材、钢管计数等典型的工业场景需要中，相干性能也具备精度劣势。 扫描全能王是一款智能扫描及文字辨认APP，其提供的扫描及图像处理性能可将手机、平板变为随身携带的扫描仪，自2010年公布以来，产品曾经服务了寰球200个国家、地区的上亿用户。随着AI技术的一直冲破，越来越多的智能化工具正成为人们生存中不可或缺的一部分。扫描全能王将继续翻新产品性能，为宽广用户提供更加便捷、高效的服务。

在低光照的夜间，摄像头采集的画面通常是一片暗淡，画面清晰度要远远低于肉眼。而随着实时音视频利用技术的倒退，咱们曾经看到了各种画质加强的视频加强技术，那么是否存在一种技术，能够使视频在低光照条件下看起来比理论状况更清晰或靠近理论状况呢？ 卧室的墙和灯，在低照度加强之前和之后 一、低照度图像增强技术的利用场景低照度图像增强是指对暗光条件下拍摄的图像进行画质加强，使其变得清晰或靠近于肉眼成果。咱们总结了一些与低照度相干的强需要场景，具体如下： 1、进步夜间查看或监测的可见度在夜间条件下，监控摄像头或汽车平安摄像头的视频品质和清晰度至关重要。 夜晚的乌镇牌楼，低照度加强前后的比照  在公共场所设置监控摄像头的目标是为了监督和记录。然而，夜间视频记录在光线有余的状况下大多是光明和不清晰的，不能作为刑事案件的线索或证据提供明确和无力的反对。 而汽车平安摄像头的视频记录对于交通事故的解决至关重要，越分明的视频蕴含更多的细节，有助于交警更好更快的解决。 2、用于实时流媒体或视频聊天当波及到互联网娱乐和社交场景时，咱们心愿即便在暗光条件下也能分明的看到对方的脸。 这是产生在咱们客户上的一个实在事件。该客户是一个颇具规模的网络交友平台，有一个用户不喜爱在她的卧室里开灯再加上她自身是偏彩色的皮肤，后果她的网友在这种暗淡的环境中看不到她的脸。咱们的客户对用户放弃了高度的尊重，所以心愿可能在不开灯或光线有余的状况下也能改善用户的体验。 3、用于 AI 内容辨认的图像增强技术 咱们的 Avatar 技术可能依据输出图像对人物进行实时建模。该技术中的人脸识别、人体关键点辨认等多种和视频相干的算法都对输出图像品质有着比拟高的要求。算法可能正确的辨认到人脸和躯体地位取决于输出图像是否足够清晰。 在输出图像光明或含糊的状况下，辨认人脸和身材轮廓是十分具备挑战性的，所以最终的输入成果会受到影响。 二、传统做法与弊病为了满足用户需要，解决在光线有余及条件下视频品质低下的这些问题，咱们通过自研 AI 算法对低光照视频进行加强。 1、用传统算法来加强视频亮度低照度加强的次要作用是晋升画面的亮度，同时还要思考以下几点限度： 画面过曝：高亮度的像素不应该被适度提亮克制噪点：图像乐音不应该被放大轮廓清晰：无效信息应被最大限度地保留传统算法很难同时思考上述几点要求。深度学习办法也可用于低照度图像增强，但它在内存、CPU 和 GPU 上有肯定的耗费，其弊病如下： 模型和推理库较大计算量较大耗电 夜晚的社区走廊，在低照度加强之前和之后 2、传统算法的常见问题传统算法在进行视频低照度加强的同时，对画面中的所有内容都依照雷同的规定进行解决，容易导致画面中的亮区灰度被适度拉伸，使得画面呈现过曝。 而深度学习办法的模型个别较大，运算量大，功耗大，很难在挪动端或边缘设施上进行实时处理，笼罩机型极其无限。 三、ZEGO 低照度图像增强，成果更好1、ZEGO 低照度，补救传统算法有余为了解决传统低照度图像增强带来的问题，咱们做了以下几个方面的改良： 首先不是所有的视频像素都应该被提亮，咱们要防止适度提亮那些曾经足够亮的像素。一些视频像素是低亮度的，须要相应地提亮到不同的亮度。ZEGO 低照度算法一帧一帧的对视频进行扫描，对不同亮度的像素进行分类。 理论运行场景下不会加载深度学习模型。相同，咱们只加载 2D/3D LUT（又称查找表）。咱们离线训练了深度学习模型，并提取 2D/3D-LUTs，最初将其植入到咱们的算法中，因而咱们在达到和深度学习模型雷同成果的同时，躲避掉了其自身的一些弊病。 夕阳下的乌镇水道，在低照度加强之前和之后 2、ZEGO 低照度图像增强技术劣势 FHD 实时视频  FHD 视频是指具备高帧率的高清视频，它能给用户更好的观看体验。因为采纳了深度学习算法训练失去的 2D/3D-LUT，该算法能在保障加强品质的同时进行实时处理。 舒服天然的视觉体验 咱们置信 "少即是多 "的理念。咱们对不同亮度的区域做不同水平的解决，防止过曝，使视频看起来天然、舒服。当咱们检测到视频画面足够亮时，咱们甚至不进行任何解决。 全面笼罩挪动设施，包含低端设施 得益于离线深度学习办法和其余翻新措施，ZEGO 低照度技术即便在低端或老旧智能手机（如小米 2S 或 iPhone 4S）和物联网设施上也能有杰出的性能体现。 极其照明条件下的鲁棒性 ZEGO 低照度技术曾经在大量的极其照明状况下进行了测试，可能在极其光明或亮堂的条件下良好工作。咱们还与其余友商解决方案进行了比照测试，发现后者在极其的照明条件下会呈现炫光或闪动等异常情况。 四、ZEGO 低照度图像增强技术研发思路ZEGO 即构科技领有一支专门从事视频加强的人工智能研发团队，并且已零碎的建设了一套简单的人工智能画质加强算法。该团队多年来深耕图像处理技术，一直超过现有的技术手段，即便在极其的低照度场景，也能提供令人惊艳的画质，同时可能在边缘设施上以高分辨率、高帧率、进行实时运行。 1、轻量级的深度学习模型深度学习技术尽管能对加强低光视频起到很大的作用，但它很难在低端机型上实时运行起来。 咱们应用模型训练失去的 2D/3D LUT 并在运行阶段加载该查找表用于低照度加强。基于该查找表，算法的理论算力和内存耗费都十分小，使得低端机型也能进行实时的画质加强。 ...

公式RGB to YCbCr Y = a * R + b * G + c * BCb = (B - Y) / dCr = (R - Y) / eYCbCr to RGB R = Y + e * CrG = Y - (a * e / b) * Cr - (c * d / b) * CbB = Y + d * Cb BT.601/JPEGBT.709BT.2020a0.2990.21260.2627b0.5870.71520.6780c0.1140.07220.0593d1.7721.85561.8814e1.4021.57481.4746d和e这两个参数是为了让Cb和Cr落在-0.5~0.5区间才引入的（使之具备与明度信号Y雷同的幅值，便于工程实现），计算方法如下：d = (1 - c) / 0.5e = (1 - a) / 0.5 ...

经典图像超分辨率算法Real-ESRGAN先来看下GAN来利用到图像超分辨率的经典办法Real-ESRGAN。生成网络是ESRGAN的生成网络，放弃不变，首先用L1 loss，训练以PSRN为导向的网络，取得的模型称为Real-ESRNet，而后Real-ESRNet的网络参数进行网络初始化，同时应用 L1 loss、perceptual loss、 GAN loss损失函数，训练最终的网络Real-ESRGAN。  训练数据能够本人收集，应用进化办法，构建样本对。细节的生成能力依靠GAN的作用，GAN的生成能力的倒退进化曾经经验了多年，在此不做赘述，但从理论利用中看，对于图片生成的真实性和多样性依然有待晋升。 残缺内容请点击下方链接查看： https://developer.aliyun.com/article/1173669?utm_content=g_10... 版权申明：本文内容由阿里云实名注册用户自发奉献，版权归原作者所有，阿里云开发者社区不领有其著作权，亦不承当相应法律责任。具体规定请查看《阿里云开发者社区用户服务协定》和《阿里云开发者社区知识产权爱护指引》。如果您发现本社区中有涉嫌剽窃的内容，填写侵权投诉表单进行举报，一经查实，本社区将立即删除涉嫌侵权内容。援用

一、简要介绍 本文简要介绍了论文“Visible Watermark Removal via Self-calibrated Localization and Background Refinement ”的相干工作。在图像上叠加可见的水印，为解决版权问题提供了一种弱小的武器。古代的水印去除办法能够同时进行水印定位和背景复原，这能够看作是一个多任务学习问题。然而，现有的办法存在水印检测不残缺和复原背景的纹理品质降落的问题。 因而，作者设计了一个双阶段多任务网络来解决上述问题。粗度阶段由水印分支和背景分支组成，其中水印分支对粗略估算的掩膜进行自校准，并将校准后的掩膜传递给背景分支，重建水印区域。在细化阶段，作者整合了多层次的特色来进步水印区域的纹理品质。在两个数据集上的大量试验证实了作者所提出的办法的有效性。 二、钻研背景 随着社交媒体的激增，图像成为最风行的记录和传递信息的载体。为了爱护版权或主张所有权，各种类型的可见水印被设计并通过alpha混合叠加在背景图像上。叠加可见水印被认为是反抗攻击者的一种无效的办法。然而，利用古代水印去除技术，水印图像很可能被转换为无水印图像。水印去除基于水印图像的背景图像，是一个凋谢且具备挑战性的问题。水印能够笼罩在具备不同大小、形态、色彩和透明度的背景图像的任何地位。此外，水印通常蕴含简单的图案，如扭曲的符号、细线、暗影成果等。上述起因使得在没有提供先验常识的状况下，水印去除工作十分艰难。图1显示了带水印、无水标记图像和带水印图像的一个示例。在本文的其余部分中，作者交替应用两个术语“背景图像”和“无水印图像”。 在一些前沿工作中，须要定位水印区域的地位。在水印掩膜的领导下，水印去除相似于图像inpainting或特色匹配问题。然而，手动正文每个图像的水印掩膜是十分耗时和老本低廉的。 最近，钻研人员尝试通过深度学习办法以端到端形式解决盲水印去除问题。一些工作人员将水印去除问题表述为一个不定位水印的image-to-image的转换工作。相同，其余一些工作认为水印应该部分化，顺次或同时去除。只管这些新兴的办法获得了微小的胜利，但它们仍在致力准确和齐全地定位水印，特地是当水印具备简单的图案、不同的色彩或孤立的片段时。不精确的水印掩膜会烦扰背景图像的重建。此外，重建后的图像还存在含糊、伪影、构造扭曲等品质问题，有待进一步改良。本文提出了一种新的基于自校准定位和背景细化的水印去除网络（SLBR），该网络包含一个粗度阶段和一个细化阶段。 在粗度阶段，作者将水印定位和水印去除作为多任务学习框架中的两个工作。具体来说，作者采纳了一个U-Net构造，其中两个工作共享雷同的编码器，但有两个独立的解码器。掩膜解码器分支预测多尺度水印掩膜，通过掩膜疏导的背景加强（MBE）模块为背景解码器分支提供领导，以更好地重建无水印图像。思考到不同图像中的水印在许多方面存在很大的差别，作者设计了一个自校准掩膜细化（SMR）模块，将水印特色流传到整个特色图中，以更好地解决特定于图像的水印。在细化阶段，作者以预测的水印掩膜和粗度阶段的无水印图像作为输出，生成一个细化的无水印图像。为了充分利用粗度阶段的有用信息，作者在粗度阶段的后盾解码器分支和细化阶段的编码器之间增加了跳级连贯。思考到不同档次的特色捕捉了构造信息或纹理细节，作者在细化阶段重复应用跨档次特色交融（CFF）模块来聚合多层次编码器特色。从细化阶段失去的输入图像是最终复原的背景图像。 本文的次要奉献能够总结如下：（1）提出了一种新的跨阶段多任务网络SLBR，其跨工作信息流传技术用于水印去除工作。（2）在粗度阶段，作者设计了一个新的自校准掩膜细化（SMR）模块来校准水印掩膜，以及一个新的掩膜疏导背景加强（MBE）模块来加强背景示意。（3）在细化阶段，作者提出了一种新的跨档次特色交融（CFF）模块，该模块重复失去细化的无水印图像。在两个数据集上的（4）试验证实了作者所提办法的有效性。 三、办法介绍 给定在背景图像I上叠加水印失去的水印图像J，去除水印的指标是基于水印图像J复原无水印图像I。因为水印掩膜M通常未知，本文的办法须要同时执行水印定位和水印去除两个工作，能够在多任务学习框架下适应。 如图2所示，整个网络以从粗到细的形式设计，包含粗度阶段和细化阶段。在粗度阶段，与以往的多任务学习办法相似，作者采纳了一个共享编码器和两个宰割解码器，其中两个解码器别离负责定位水印（掩膜解码器分支）和复原背景图像（背景解码器分支）。在掩膜解码器分支中，作者设计了一个自校准的掩膜细化（SMR）模块，以进步预测的水印掩膜的品质。为了简化从掩膜解码器分支到背景解码器分支的信息流，作者采纳了一个掩膜疏导的背景加强（MBE）模块来加强背景解码器的个性。在细化阶段，作者在粗度阶段的解码器特色与细化阶段的编码器特色之间建设跳跃阶段连贯，以促成信息从粗度阶段到细化阶段的流传。为了更好地复原背景图像的构造和纹理，作者还设计了一个跨档次特色交融（CFF）模块，在细化阶段迭代聚合多层次编码器特色。3.1粗度阶段在粗度阶段，作者采纳U-Net 架构，通过跳路连贯编码器和解码器特色，如图2所示。 具体地说，作者采纳了《Blind visual motif removal from a single image.》的编码器块和解码器块的构造。水印定位和水印去除作为两个工作，它们共享所有五个编码器块和第一个解码器块。但它们有三个独立的解码器块，它们别离组成掩膜解码器分支和背景解码器分支。在掩膜解码器分支中，它装备了作者设计的自校准掩膜细化（SMR）模块，并被调配来批示水印的地位。除了从最初一个解码器块中预测的掩膜外，作者还基于其余两个解码器块的特色来预测侧输入掩膜。在后盾解码器分支中，它由掩膜疏导的背景加强（MBE）模块组成，并被调配来复原笼罩有水印的损坏的背景区域。接下来将具体介绍SMR和MBE模块。 五、总结与探讨 本文钻研了水印去除工作，开发了一种具备新的MBE、SMR和CFF模块的两阶段多任务网络，该网络能够对水印进行定位，同时复原无水印图像。在两个数据集上的大量试验验证了作者所提出的网络的优越性。

一、简要介绍 不谐和区域定位的目标是在与四周背景不兼容的合成图像中定位该区域。不谐和问题次要是因为图像编辑技术产生的色彩和照明不统一。在本钻研中，作者偏向于将输出的图像转换到另一个色彩空间，以放大不谐和区域与背景之间的域差别，从而使模型更容易地辨认不谐和区域。为此，作者提出了一种由一个色彩映射模块和一个不谐和的区域定位网络组成的新框架，其中前者装备了一种新的域差别放大损失，后者能够是一个任意的定位网络。在图像协调数据集上的大量试验表明了作者设计的框架的优越性。

单阈值大津法大津法属于全局阈值办法中的一种，即是最大类间方差法 大津法次要原理在于会主动找出一个阈值 使得宰割后的两部分类间方差最大 实用于有双波峰的图像，大津法作为图像宰割中阈值选取的罕用算法，计算简略，不受图像亮度和对比度的影响，次要原理如下：影像的大小为M×N，将前景区域和背景区域的宰割阈值记作T，影像中像素值小于阈值T的像素个数记为N0，像素值大于阈值T的像素个数记为N1，则有： w0=N0/(M×N) w1=N1/(M×N) =w0×0+w1×1 g=w0×(0-)^2+w1×(1-)^2 其中w0为前景区域像素个数占整幅影像的比例，其像素均值为0；w1是背景区域像素个数占整幅影像的比例，其像素均值为1；为影像的总像素均值，g为类间方差，当计算出的类间方差g最大时，对应的阈值T即为最佳宰割成果的阈值。 其实比照 方差的求解公式很容易了解 最大类间方差类间方差就是把图像分成两团 两个整体 别离计算 每个整体的方差 方差1 xi就是 前景的均值u0 x均匀 就是整幅影像均值u n=1 方差2 同样而后再乘以这两局部的权重 相加即可 #include <iostream>#include <opencv2/core.hpp>#include <opencv2/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2\imgproc\types_c.h>#include <opencv2/highgui/highgui_c.h>#include <opencv2/opencv.hpp>#include <iostream>using namespace std;using namespace cv;double Otsu(Mat& image){ int threshold = 0; double maxVariance = 0; double w0 = 0, w1 = 0;//前景与背景像素点所占比例 double u0 = 0, u1 = 0;//前景与背景像素值均匀灰度 int histogram[256] = { 0 }; //定义一个数组 长度为256 0-255 int Num = image.cols * image.rows; //总像素个数 //统计256个bin，每个bin像素的个数 for (int i = 0; i < image.rows; i++) { const uchar* p = image.ptr<uchar>(i); for (int j = 0; j < image.cols; j++) { histogram[int(*p++)]++; //cout<<"Histogram[data[i*image.step+j]]++:;"<<histogram[int(*p++)]++<<endl; } //*p++, *和++优先级是雷同的 先解援用取出指针指向的值， //而后再将指针地址加1，指向下一个地位。也就是取值为 *p 然而这时候指针曾经指向下一个地位 } //前景像素统计 for (int i = 1; i < 256; i++) { w0 = 0; //前景像素所占比例 w1 = 0; //背景像素所占比例 u0 = 0; //前景像素灰度均值 u1 = 0; //背景像素灰度均值 for (int j = 1; j <= i; j++) { w0 = w0 + histogram[j];//以i为阈值，统计前景像素比例 u0 = u0 + j * histogram[j];//以i为阈值，统计前景像素灰度总和 } u0 = u0 / w0; w0 = w0 / Num; //Num是总像素个数 //背景像素统计 for (int j = i + 1; j <= 255; j++) { w1 = w1 + histogram[j];//以i为阈值，统计前景像素个数 u1 = u1 + j * histogram[j];//以i为阈值，统计前景像素灰度总和 histogram[j]是像素值为j的像素个数 } u1 = u1 / w1; w1 = w1 / Num; // 后面的u1是总灰度和 除以w1总个数是前景的灰度均值// 后面的w1是总个数 除以Num当前才是比例 double variance = w0 * w1 * (u1 - u0) * (u1 - u0); //以后类间方差计算 if (variance > maxVariance) { maxVariance = variance; threshold = i; } } cout << "threshold:" << threshold << endl; return threshold;}int main(){ Mat img = imread("C://Users//马亚飞//Pictures//Saved Pictures//湖人.jpg"); imshow("原图", img); Mat img1; img.copyTo(img1); cvtColor(img, img, CV_BGR2GRAY); // 把img转为灰度图 cvtColor(img1, img1, CV_BGR2GRAY); //把img1转为灰度图 double th = Otsu(img); //调用Otsu函数 失去阈值th cout << "The return value of getOstu is: " << th << endl; //输入阈值th cout << "The return value of opencv threshold is: " << threshold(img1, img1, th, 255, CV_THRESH_OTSU);//opencv已实现的大津法 for (int i = 0; i < img.rows; i++) //行循环 { uchar* data = img.ptr<uchar>(i); //获取第i行的首地址 for (int j = 0; j < img.cols; j++) //列循环 { if (data[j] <= th) data[j] = 0; else data[j] = 255; } //行解决完结 } imshow("Ostu_img", img); //cv::namedWindow("Opencv_img", CV_WINDOW_NORMAL); cv::imshow("Opencv_img", img1); //对一次大津法 的彩色或者红色局部进行掩膜 //bitwise_not(img1, img1); //这里先变反转色彩 /*Mat src = imread("D://opencvdata//0//0.png"); src.setTo(0,img1); imshow("掩膜", src);*/ waitKey(0); return 0;}（威少的黑白图还有点像利拉德）都差不多 ...

边缘检测是指 部分信息的不连续性 比方灰度信息的渐变处称为边缘边缘检测算子分类：所谓的一阶 二阶就是 求几阶导 比方一阶就是别离对x或y方向求一阶导二阶就是 先对x 再对y求二阶导 （1）一阶 微分算子Roberts prewitt Sobel①roberts算子分为程度方向和垂直方向2x2 的滤波核 适宜解决低噪声图像和靠近45度的边缘 然而提取的边缘较粗 ②prewitt算子3x3的算子 也是分为程度方向和垂直方向 -1 -1 -1 1 1 1比 2x2的roberts算子 检测出边缘更精确 ③sobel算子与prewitt算子相比 减少了权重的概念 认为间隔以后像素点越近 对该像素影响越大3X3的算子 程度 垂直两个方向 有更强的抗噪性 （2）二阶拉普拉斯算子 属于空间锐化滤波操作 个别也用于边缘检测 小结：这种一阶和二阶导数对噪声很敏感 所以个别去除噪声 （3）其余canny算子比拟风行的边缘检测算子了 比较复杂次要是四个步骤：①高斯滤波去噪②计算图像梯度③用非极大值克制 技术解决梯度值非极大克制是一种瘦边经典算法。它克制那些梯度不够大的像素点，只保留最大的梯度，从而达到瘦边的目标（克制就是设置为0）④双阈值算法和滞后边界跟踪1）通过非极大值克制当前 可能仍然存在噪点 所以设定一个 阈值上界和阈值下界 大于阈值上界的 必然是边界在之间的 就设为候选项 （弱边界）小于阈值下界的 必然不是边界2）滞后边界跟踪当弱边缘的四周8邻域有强边缘点存在时，就将该弱边缘点变成强边缘点，以此来实现对强边缘的补充。 学习自：http://t.csdn.cn/a6Je9

什么是 StyleGANGAN 是机器学习中的生成性反抗网络，指标是合成与实在图像无奈辨别的人工样本，如图像。即扭转人脸图像中的特定特色，如姿态、脸型和发型，GAN 的次要挑战就是如何图像变得更加真切。StyleGAN 是一种基于款式的 GAN 的生成器体系结构，是一个弱小的能够管制生成图片属性的框架，它采纳了全新的生成模型，分层的属性管制，可能生成 1024×1024 分辨率的人脸图像，并且能够进行属性的准确管制与编辑，能够生成最先进的后果—高分辨率图像，看起来比以前生成的图像更实在。 如何应用 StyleGAN对于应用 StyleGAN 技术生成人脸的技术曾经开源了，已反对网红脸、明星脸、萌娃脸、超模脸、黄种人脸等图像的生成。对于 windows 中如何应用这项技术呢？首先咱们须要有 Python3 环境，这里举荐 Anaconda 集成环境，下载地址：https://www.anaconda.com/另外咱们须要装置 CUDA 10.0及以上的环境，下载地址：https://developer.nvidia.com/cuda-10.0-download-archive其次咱们须要装置 CUDA 10.0 对应的 cuDNN，我下载的是 cuDNN 7.6.4 for CUDA 10.0，下载地址：https://developer.nvidia.com/rdp/cudnn-archive最初咱们须要装置 VS2017 或 VS2019，下载地址：https://visualstudio.microsoft.com/zh-hans/vs/，装置的时候肯定勾选上 应用C++的桌面开发 下载我的项目首先咱们须要下载我的项目到本地，而后再装置我的项目所需的一些依赖即可我的项目地址：https://github.com/a312863063/generators-with-stylegan2.git如果你无奈通过 git clone 下载，也能够间接去链接外面下载压缩包，下载到本地后再解压# 下载我的项目库git clone https://github.com/a312863063/generators-with-stylegan2.git# 装置依赖pip install tensorflow-gpu==1.14.0pip install scipy==1.3.3pip install requests==2.22.0pip install Pillow==6.2.1 批改我的项目 MSVC须要关上我的项目中的文件 dnnlib/tflib/custom_ops.py，第29行所标注的 MSVC 的版本号这个根据本身电脑装置的版本进行批改便可，个别只须要批改下图的 14.16.27023 的地位即可compiler_bindir_search_path = [ 'C:/Program Files (x86)/Microsoft Visual Studio/2017/Community/VC/Tools/MSVC/14.16.27023/bin/Hostx64/x64', 'C:/Program Files (x86)/Microsoft Visual Studio/2019/Community/VC/Tools/MSVC/14.16.27023/bin/Hostx64/x64', 'C:/Program Files (x86)/Microsoft Visual Studio 14.0/vc/bin',] 运行我的项目只须要运行 python main.py 即可生成对应的模型的图片在 main.py 文件中，咱们能够看到，能够自定义模型和一次性生成图片的数量模型须要自行下载，下载实现后放到 networks 目录下，想生成哪种类型的图片，只有更换模型门路即可当初反对网红脸、明星脸、萌娃脸、超模脸、黄种人脸等模型，下载链接在 networks 文件夹下文本文档中def main(): os.makedirs('results/', exist_ok=True) os.makedirs('results/generate_codes/', exist_ok=True) network_pkl = 'networks/generator_star-stylegan2-config-f.pkl' # 模型地位 generate_num = 20 # 生成数量 generate_images(network_pkl, generate_num) 运行后果生成的对应后果寄存在 results 文件夹下 ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。98.roifill性能：在图像的任意区域中进行平滑插补。语法： J = roifill(I,c,r) J = roifill(I)J = roifill(I,BW) [J,BW] = roifill(...) J = roifill(x,y,I,xi,yi)[x,y,J,BW,xi,yi] = roifill(...)举例 I = imread('eight.tif');c = [222 272 300 270 221 194];r = [21 21 75 121 121 75];J = roifill(I,c,r); imshow(I)figure, imshow(J) 相干命令： roifilt2, roipoly 99.roifilt2性能：过滤敏感区域。语法： J = roifilt2(h,I,BW)J = roifilt2(I,BW,fun)J = roifilt2(I,BW,fun,P1,P2,...)举例 h = fspecial('unsharp'); J = roifilt2(h,I,BW); imshow(J) 相干命令： filter2, roipoly 100.roipoly性能：抉择一个敏感的多边形区域。语法： BW = roipoly(I,c,r)BW = roipoly(I)BW = roipoly(x,y,I,xi,yi) [BW,xi,yi] = roipoly(...)[x,y,BW,xi,yi] = roipoly(...)举例 ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。86.pixval性能：显示图像像素信息。语法： pixval on pixval off pixvalpixval(fig,option) 相干命令： impixel, improfile 87.qtdecomp性能：进行四叉树合成。语法： S = qtdecomp(I)S = qtdecomp(I,threshold)S = qtdecomp(I,threshold,mindim)S = qtdecomp(I,threshold,[mindim maxdim]) S = qtdecomp(I,fun)S = qtdecomp(I,fun,P1,P2,...)举例 I = [1 1 1 1 2 3 6 61 1 2 1 4 5 6 81 1 1 1 10 15 7 71 1 1 1 20 25 7 720 22 20 22 1 2 3 420 22 22 20 5 6 7 820 22 20 20 9 10 11 1222 22 20 20 13 14 15 16];S = qtdecomp(I,5); full(S)ans =4 0 0 0 2 0 2 00 0 0 0 0 0 0 00 0 0 0 1 1 2 00 0 0 0 1 1 0 04 0 0 0 2 0 2 00 0 0 0 0 0 0 00 0 0 0 2 0 2 00 0 0 0 0 0 0 0相干命令： qtgetblk, qtsetblk ...

高效解决raw图像，强推DxO PureRAW中文激活版，人工智能在保留细节与打消乐音之间达到了完满的均衡。DeepPRIME技术解决了您背后的这些问题，并且比您更好。您的镜头应该失去最好的校对。应用DxO专门设计的光学模块，能够主动校对设施中的缺点。复原旧的RAW文件从新开始编辑因为图像品质差，噪点或不足清晰度而搁置的旧照片。DxO PureRAW给您另一个机会。细节在于完满 DxO PureRAW 中文激活版点此 享受大幅面照片：DxO PureRAW揭示了您捕捉的每种纹理的所有细节和技巧，因而您能够享受令人难以置信的纯照片。柔和，无颗粒的散景永恒删除相机在照片的含糊区域中创立的“寄生”颗粒。DxO PureRAW为您的图像削减了令人难以置信的柔韧性。

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。66.imshow性能：显示图像。语法： imshow(I,n) imshow(I,[low high]) imshow(BW) imshow(X,map) imshow(RGB)imshow(...,display_option) imshow(x,y,A,...)imshow filename h = imshow(...) 相干命令： getimage, imread, iptgetpref, iptsetpref, subimage, truesize, warp 67.imwrite性能：把图像写入图形文件中。语法： imwrite(A,filename,fmt) imwrite(X,map,filename,fmt) imwrite(...,filename) imwrite(...,Param1,Val1,Param2,Val2...) 举例 imwrite(X,map,'flowers.hdf','Compression','none',...'WriteMode','append') 相干命令： imfinfo, imread 68.ind2gray性能：把检索图像转化为灰度图像。语法： I = ind2gray(X,map)举例 load treesI = ind2gray(X,map); imshow(X,map) figure,imshow(I) 相干命令： gray2ind, imshow, rgb2ntsc 69.ind2rgb性能：转化索引图像为RGB 真彩图像。语法： RGB = ind2rgb(X,map) 相干命令： ind2gray, rgb2ind 70.iptgetpref性能：获取图像处理工具箱参数设置。语法： value = iptgetpref(prefname)举例 value = iptgetpref('ImshowAxesVisible') value =off相干命令： imshow, iptsetpref 71.iptsetpref性能：设置图像处理工具箱参数。语法： iptsetpref(prefname,value)举例 iptsetpref('ImshowBorder','tight') 相干命令： imshow, iptgetpref, truesize ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。54.imcontour性能：创立图像数据的轮廓图。语法： imcontour(I,n) imcontour(I,v) imcontour(x,y,...) imcontour(...,LineSpec) [C,h] = imcontour(...)举例 I = imread('ic.tif'); imcontour(I,3) 相干命令： clabel, contour, LineSpec 55.imcrop性能：剪切图像。语法： I2 = imcrop(I)X2 = imcrop(X,map) RGB2 = imcrop(RGB) I2 = imcrop(I,rect)X2 = imcrop(X,map,rect) RGB2 = imcrop(RGB,rect) [...] = imcrop(x,y,...) [A,rect] = imcrop(...)[x,y,A,rect] = imcrop(...)举例 I = imread('ic.tif');I2 = imcrop(I,[60 40 100 90]);imshow(I)figure, imshow(I2) 相干命令： zoom 56.imfeature性能：计算图像区域的特色尺寸。语法： stats = imfeature(L,measurements) stats = imfeature(L,measurements,n) 举例 BW = imread('text.tif');L = bwlabel(BW);stats = imfeature(L,'all'); stats(23)ans =Area: 89Centroid: [95.6742 192.9775]BoundingBox: [87.5000 184.5000 16 15]MajorAxisLength: 19.9127MinorAxisLength: 14.2953Eccentricity: 0.6961Orientation: 9.0845 ConvexHull: [28x2 double]ConvexImage: [15x16 uint8 ] ConvexArea: 205Image: [15x16 uint8 ] FilledImage: [15x16 uint8 ] FilledArea: 122EulerNumber: 0 Extrema: [ 8x2 double] EquivDiameter: 10.6451Solidity: 0.4341Extent: 0.3708 PixelList: [89x2 double]相干命令：bwlabel ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。37.fwind1性能：用一维窗口办法设计二维FIR 过滤器。语法： h = fwind1(Hd,win)h = fwind1(Hd,win1,win2) h = fwind1(f1,f2,Hd,...) 举例 [f1,f2] = freqspace(21,'meshgrid');Hd = ones(21);r = sqrt(f1.^2 + f2.^2); Hd((r<0.1)|(r>0.5)) = 0;colormap(jet(64)) mesh(f1,f2,Hd)相干命令： conv2, filter2, fsamp2, freqspace, ftrans2, fwind2 38.fwind2性能：用二维窗口办法设计二维FIR 过滤器。语法： h = fwind2(Hd,win)h = fwind2(f1,f2,Hd,win)举例 [f1,f2] = freqspace(21,'meshgrid'); Hd = ones(21);r = sqrt(f1.^2 + f2.^2); Hd((r<0.1)|(r>0.5)) = 0;colormap(jet(64)) mesh(f1,f2,Hd)相干命令： conv2, filter2, fsamp2, freqspace, ftrans2, fwind1 39.getimage性能：从坐标轴获得图像数据。语法： A = getimage(h) [x,y,A] = getimage(h)[...,A,flag] = getimage(h) [...] = getimage举例 ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。26.edge性能：辨认强度图像中的边界。 语法： BW = edge(I,'sobel')BW = edge(I,'sobel',thresh)BW = edge(I,'sobel',thresh,direction) [BW,thresh] = edge(I,'sobel',...)BW = edge(I,'prewitt')BW = edge(I,'prewitt',thresh)BW = edge(I,'prewitt',thresh,direction) [BW,thresh] = edge(I,'prewitt',...)BW = edge(I,'roberts')BW = edge(I,'roberts',thresh) [BW,thresh] = edge(I,'roberts',...) BW = edge(I,'log')BW = edge(I,'log',thresh)BW = edge(I,'log',thresh,sigma) [BW,threshold] = edge(I,'log',...) BW = edge(I,'zerocross',thresh,h) [BW,thresh] = edge(I,'zerocross',...) BW = edge(I,'canny')BW = edge(I,'canny',thresh)BW = edge(I,'canny',thresh,sigma) [BW,threshold] = edge(I,'canny',...) 举例 I = imread('rice.tif');BW1 = edge(I,'prewitt'); BW2 = edge(I,'canny'); imshow(BW1);figure, imshow(BW2) 27.erode性能：弱化二进制图像的边界。 语法： ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。11.bwselect性能：在二进制图像中选择对象。语法： BW2 = bwselect(BW1,c,r,n) BW2 = bwselect(BW1,n) [BW2,idx] = bwselect(...) 举例 BW1 = imread('text.tif');c = [16 90 144];r = [85 197 247];BW2 = bwselect(BW1,c,r,4);imshow(BW1)figure, imshow(BW2) 相干命令： bwfill, bwlabel, impixel, roipoly, roifill 12.cmpermute性能：调整色彩映像表中的色彩。 语法： [Y,newmap] = cmpermute(X,map) [Y,newmap] = cmpermute(X,map,index)举例 To order a colormap by luminance, use:ntsc = rgb2ntsc(map);[dum,index] = sort(ntsc(:,1));[Y,newmap] = cmpermute(X,map,index);相干命令： randperm 13.cmunique性能：查找色彩映像表中特定的色彩及相应的图像。语法： [Y,newmap] = cmunique(X,map) [Y,newmap] = cmunique(RGB) [Y,newmap] = cmunique(I)相干命令： gray2ind, rgb2ind 14.col2im性能：将矩阵的列从新组织到块中。语法： A = col2im(B,[m n],[mm nn],block_type)A = col2im(B,[m n],[mm nn])相干命令： blkproc, colfilt, im2col, nlfilter ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。图像显示colorbar 显示彩条 getimage 由坐标轴失去图像数据 ice（DIPUM） 交互黑白编辑 image 创立和显示图像对象 imagesc 缩放数据并显示为图像 immovie 由多帧图像制作电影 imshow 显示图像 imview 在Image Viewer中显示图像 montage 将多个图像帧显示为矩阵蒙太奇 movie 播放录制的电影帧 rgbcube 显示一个黑白RGB立方体 subimage 在单个图形中显示多幅图像 truesize 调整图像的显示尺寸 warp 将图像显示为纹理映射的外表 图像文件输出/输入Dicominfo 从一条DICOM音讯中读取元数据 Dicomread 读一幅DICOM图像 Dicomwrite 写一幅DICOM图像 Dicom-dict.txt 蕴含DICOM数据字典的文本文件 Dicomuid 产生DICOM惟一的识别器 Imfinfo 返回对于图像的文件的信息 Imread 读图像文件 Imwrite 写图像文件 图像算术Imabsdiff 计算两幅图像的相对差 Imadd 两幅图像相加或把常数加到图像上 Imcomplement 图像求补 Imdivide 两幅图像相除，或用常数除图像 Imlincomb 计算图像的线性组合 Immultiply 两幅图像相乘或用常数乘图像 Imsubtract 两幅图像相减，或从图像中减去常数 几何变换Checkerboard 创立棋盘格图像 Findbounds 求几何变换的输入范畴 Fliptform 颠倒TFORM构造的输出/输入 Imcrop 修剪图像 ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。目标收缩的简略利用、应用 strel 函数、侵蚀的阐明函数imopen 和imclose 的利用、应用IPT函数bwhitmiss灰度图像形态学开运算和闭运算灰度图像形态学应用重构删除简单图像的背景内容收缩的简略利用A=imread('D:\pic\DIP3E_CH04\Fig0419(a)(text_gaps_of_1_and_2_pixels).tif');figure, imshow(A)B=[0 1 0;1 1 1;0 1 0];A2=imdilate(A,B);figure,imshow(A2)应用 strel 函数合成构造元素的阐明 se=strel('diamond',5)decomp=getsequence(se);whosdecomp(1)decomp(2)decomp(3)decomp(4)侵蚀的阐明 A=imread('D:\pic\DIP3E_CH09\Fig0905(a)(wirebond-mask).tif');figure, imshow(A)%原图像se=strel('disk',10)A2=imerode(A,se)figure, imshow(A2)%半径为10 的圆盘侵蚀后的图像se=strel('disk',5)A3=imerode(A,se)figure, imshow(A3)%半径为5 的圆盘侵蚀后的图像A4=imerode(A,strel('disk',20))figure, imshow(A4)%半径为20 的圆盘侵蚀后的图像函数imopen 和imclose 的利用f=imread('D:\pic\DIP3E_CH09\Fig0905(a)(wirebond-mask).tif');figure, imshow(f)%原图像se=strel('square',20);fo=imopen(f,se);figure, imshow(fo)%开运算后的图像fc=imclose(f,se);figure, imshow(fc)%闭运算后的图像foc=imclose(fo,se);figure, imshow(foc)%图像A2 经闭运算后的图像应用 IPT 函数bwhitmiss f=imread('D:\pic\DIP3E_CH09\FigP0918(left).tif')figure,imshow(f)B1=strel([0 0 0;0 1 1;0 1 0]);B2=strel([1 1 1;1 0 0;1 0 0]);g=bwhitmiss(f,B1,B2);figure,imshow(g)灰度图像形态学开运算和闭运算%%%%%%%%%应用开运算和闭运算做形态学平滑%%%%%%%%%%%%%%%%%clear allclcf=imread('D:\pic\DIP3E_CH09\Fig0941(a)(wood_dowels).tif');figure, imshow(f)%原图像se=strel('disk',5);fo=imopen(f,se);figure, imshow(fo)%开运算后的图像foc=imclose(fo,se);figure, imshow(foc)%图像A2 经闭运算后的图像fasf=f;for k=2:5 se=strel('disk',k); fasf=imclose(imopen(fasf,se),se);endfigure,imshow(fasf) %%%%%% 交替程序滤波后的图像%%%%%%%%%%应用顶帽变换%%%%%%%%%%%%%%clear allclcf=imread('D:\pic\DIP3E_CH09\Fig0940(a)(rice_image_with_intensity_gradient).tif');figure, imshow(f)%原图像se=strel('disk',10);fo=imopen(f,se);figure, imshow(fo)%经开运算解决后的图像f2=imsubtract(f,fo);figure, imshow(f2)f2=imtophat(f,se);figure, imshow(f2)se=strel('disk',3);g=imsubtract(imadd(f,imtophat(f,se)),imbothat(f,se));%低帽、顶帽figure, imshow(g)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%颗粒剖析%%%%%%%%%%%%%%clear allclcf=imread('D:\pic\DIP3E_CH09\Fig0940(a)(rice_image_with_intensity_gradient).tif');sumpixels=zeros(1,36);for k=0:35 se=strel('disk',k); fo=imopen(f,se); sumpixels(k+1)=sum(fo(:));endfigure,plot(0:35,sumpixels);xlabel('k');ylabel('surface area')figure, plot(-diff(sumpixels))xlabel('k');ylabel('surface area reduction')%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%灰度图像形态学应用重构删除简单图像的背景%灰度图像形态学应用重构删除简单图像的背景clear allclcf=imread('D:\pic\DIP3E_CH09\Fig0944(a)(calculator).tif');figure, imshow(f)%原图像f_obr=imreconstruct(imerode(f,ones(1,71)),f);figure, imshow(f_obr)f_o=imopen(f,ones(1,71));%for comparisonfigure, imshow(f_o)f_thr=imsubtract(f,f_obr);figure, imshow(f_thr)f_th=imsubtract(f,f_o);%or imtophat(f,ones(1,71))figure, imshow(f_th)g_obr=imreconstruct(imerode(f_thr,ones(1,11)),f_thr);figure, imshow(g_obr)g_obrd=imdilate(g_obr,ones(1,21));figure, imshow(g_obrd)f2=imreconstruct(min(g_obrd,f_thr),f_thr);figure, imshow(f2)参考文献： ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。目标1． 了解图像压缩的相干概念及图像压缩的次要准则和目标；2． 把握霍夫曼编码3． 把握几种常见的图像压缩编码方法4． 利用 MATLAB 程序进行图像压缩 原理图像压缩原理图像压缩次要目标是为了节俭存储空间，减少传输速度。图像压缩的现实规范是信息失落起码，压缩比例最大。不损失图像品质的压缩称为无损压缩，无损压缩不可能达到很高的压缩比；损失图像品质的压缩称为有损压缩，高的压缩比是以就义图像品质为代价的。压缩的实现办法是对图像从新进行编码，心愿用更少的数据表示图像。 信息的冗余量有许多种，如空间冗余，工夫冗余，构造冗余，常识冗余，视觉冗余等，数据压缩本质上是缩小这些冗余量。高效编码的次要办法是尽可能去除图像中的冗余成分，从而以最小的码元蕴含最大的图像信息。 编码压缩办法有许多种，从不同的角度登程有不同的分类办法，从信息论角度登程可分为两大类。 （1）冗余度压缩办法，也称无损压缩、信息放弃编码或嫡编码。具体说就是解码图像和压缩编码前的图像严格雷同，没有失真，从数学上讲是一种可逆运算。 （2）信息量压缩办法，也称有损压缩、失真度编码或烟压缩编码。也就是说解码图像和原始图像是有差异的，容许有肯定的失真。 利用在多媒体中的图像压缩编码方法，从压缩编码算法原理上能够分为以下 3 类： （1）无损压缩编码品种哈夫曼（Huffman）编码，算术编码，行程（RLE）编码，Lempel zev 编码。 （2）有损压缩编码品种 预测编码，DPCM，静止弥补频率域办法：正交变换编码(如DCT)，子带编码；空间域办法：统计分块编码；模型办法：分形编码，模型基编码；基于重要性：滤波，子采样，比特调配，向量量化；（3）混合编码。 有 JBIG，H261，JPEG，MPEG 等技术标准。 离散余弦变换(DCT)图像压缩原理离散余弦变换 DCT 在图像压缩中具备宽泛的利用，它是JPEG、MPEG 等数据压缩规范的重要数学根底。 和雷同图像品质的其余罕用文件格式(如GIF(可替换的图像文件格式)，TIFF(标签图像文件格式)，PCX(图形文件格式))相比，JPEG 是目前动态图像中压缩比最高的。JPEG 比其余几种压缩比要高得多，而图像品质都差不多(JPEG 解决的图像只有真彩图和灰度图)。正是因为其高压缩比，使得JPEG 被宽泛地利用于多媒体和网络程序中。JPEG 有几种模式，其中最罕用的是基于DCT 变换的程序型模式，又称为根本零碎(Baseline)。 用DCT 压缩图像的过程为： (1)首先将输出图像合成为8×8 或16×16 的块，而后对每个子块进行二维DCT变换。(2)将变换后失去的量化的DCT 系数进行编码和传送，造成压缩后的图像格式。 用 DCT 解压的过程为： (1)对每个8×8 或16×16 块进行二维DCT 反变换。(2)将反变换的矩阵的块合成一个繁多的图像。 余弦变换具备把高度相干数据能量集中的趋势，DCT 变换后矩阵的能量集中在矩阵的左上角，右下的大多数的DCT 系数值十分靠近于0。对于通常的图像来说，舍弃这些靠近于0 的DCT 的系数值，并不会对重构图像的画面质量带来显著的降落。所以，利用DCT变换进行图像压缩能够节约大量的存储空间。压缩应该在最正当地近似原图像的状况下应用起码的系数。应用系数的多少也决定了压缩比的大小。 在压缩过程的第 2 步中，能够正当地舍弃一些系数，从而失去压缩的目标。在压缩过程的第2 步，还能够采纳RLE 和Huffman 编码来进一步压缩。 行程编码（RLE）原理例如如下这幅的二值图像， 如果采纳行程编码能够按如下格局保留 其中10 和8 示意图像的宽和高。在这个小例子中行程编码并没有起到压缩图像的作用。这是因为这个图的尺寸过小，当图像尺寸较大时行程编码还是不错的无损压缩办法。对于灰度图像和二值图像，用行程编码—般都有很高的压缩率。行程编码方法实现起来很容易，对于具备长反复值的串的压缩编码很无效，例如：对于有大面积的暗影或色彩雷同的图像，应用这种办法压缩成果很好。很多位图文件格局都采纳行程编码，如TIFF，PCX，GEM，BMP等。 步骤MATLAB 中的变长码映射clear allclcf2=uint8([2 3 4 2;3 2 4 4;2 2 1 2;1 1 2 2])whos('f2')c=huffman(hist(double(f2(:)),4))h1f2=c(f2(:))'whos('h1f2')%h2f2=char(h1f2)'h2f2=[1 0 1 0 0 1 1 0 0 0 0 1 1 0 1 1;...' ' 1 ' ' 1 1 ' ' 1 0 0 1 ' ' 0 ' ';...' ' 0 ' ' 1 0 ' ' 1 ' ' 1 ' ']whos('h2f2')h2f2=h2f2(:);h2f2(h2f2==' ')=[];whos('h2f2')h3f2=mat2huff(f2)whos('h3f2')hcode=h3f2.code;whos('hcode')dec2bin(double(hcode))%-----------------------------------------%function CODE=huffman(p)error(nargchk(1,1,nargin));if(ndims(p)~=2)|(min(size(p))>1)|~isreal(p)|~isnumeric(p) error('p must be a real numeric vector');endglobal CODECODE=cell(length(p),1);%init the global cell arrayif (length(p)>1) %when more than one symbol.... p=p/sum(p);%Normalize the input probabilities s=reduce(p);%Do Huffman source symbol reductions makecode(s,[]);%Recursively(递归) generate the codeelse CODE={'1'};%else, trivial(一般的) one symbol caseend;%---------------------------------------------------------%function s=reduce(p);s=cell(length(p),1);for i=1:length(p) s{i}=i;endwhile size(s)>2 [p,i]=sort(p);%sort the symbol probabilities p(2)=p(1)+p(2);%Merge the 2 lowest probabilities p(1)=[];% and prune(,剪除、删除) the lowest one s=s(i); s{2}={s{1},s{2}}; s(1)=[];end%------------------------------------------------------------%function makecode(sc,codeword)global CODEif isa(sc,'cell') makecode(sc{1},[codeword 0]); makecode(sc{2},[codeword 1]);else CODE{sc}=char('0'+codeword);End%-----------------------------------------------------------%function y=mat2huff(x)if ndims(x)~=2|~isreal(x)|(~isnumeric(x) & ~islogical(x)) error('x must be a 2-D real numeric or logical matrix');endy.size=uint32(size(x));x=round(double(x));xmin=min(x(:));xmax=max(x(:));pmin=double(int16(xmin));pmin=uint16(pmin+32768);%y.min=pmin;x=x(:)';h=histc(x,xmin:xmax);if max(h)>65535 h=65535*h/max(h);endh=uint16(h);y.hist=h;%code the input matrix and store the resultmap=huffman(double(h));hx=map(x(:)-xmin+1)hx = ['1' ' ' '1' '0' ' ' '1' '1' '0' ' ' ' '... '0' '1' '1' ' ' '1' '1']';%hx=char(hx);hx=hx(:)';hx(hx==' ')=[];ysize=ceil(length(hx)/16);hx16=repmat('0',1,ysize*16);hx16(1:length(hx))=hx;hx16=reshape(hx16,16,ysize);hx16=hx16' - '0';twos=pow2(15:-1:0);y.code=uint16(sum(hx16.*twos(ones(ysize,1),:),2))';%-----------------------------------------------------------------------%离散余弦变换（DCT）图像压缩在图像的变换和压缩中，经常用到离散余弦变换（DCT）。DCT 具备能使图像的最重要的信息集中在DCT 的几个系数上的性能。正是基于此，DCT 通常利用于图像的压缩。 ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。目标Haar、尺度和小波函数；比拟函数wavefast 和函数wavedec2 的执行工夫；小波的方向性和边缘检测。步骤Haar、尺度和小波函数[Lo_D,Hi_D,Lo_R,Hi_R]=wfilters('haar')%Haar 变换的合成和重构滤波器的长度为2waveinfo('haar');[phi,psi,xval]=wavefun('haar',10);xaxis=zeros(size(xval));subplot(121);plot(xval,phi,'k',xval,xaxis,'--k');axis([0 1 -1.5 1.5]);axis square;title('haar scaling function');subplot(122);plot(xval,psi,'k',xval,xaxis,'--k');axis([0 1 -1.5 1.5]);axis square;title('haar wavelet function');应用haar 滤波器的一个简略FWTf=magic(4)%应用Haar 的单尺度小波变换[c1,s1]=wavedec2(f,1,'haar')[c2,s2]=wavedec2(f,2,'haar')比拟函数wavefast 和函数wavedec2 的执行工夫function [varargout]=wavefilter(wname,type)%Check the input and output argumentserror (nargchk(1,2,nargin));if (nargin==1&nargout~=4)|(nargin==2&nargout~=2) error('Invalid number of output arguments');endif nargin == 1 & ~ischar(wname) error('WNAME must be a string');endif nargin == 2 & ~ischar(type) error('TYPE must be a string');endswitch lower(wname) case {'haar','db1'} ld=[1 1]/sqrt(2); hd=[-1 1]/sqrt(2); lr=ld; hr=-hd; case 'db4' ld=[-1.059740178499728e-002 3.288301166698295e-002 ... 3.084138183598697e-002 -1.870348117188811e-001 ... -2.798376941698385e-002 6.308807679295904e-001 ... 7.14846575525415e-001 2.303778133088552e-001]; t=(0:7); hd=ld; hd(end:-1:1)=cos(pi*t).*ld; lr=ld; lr(end:-1:1)=ld; hr=cos(pi*t).*ld; case 'sym4' ld=[-7.576571478927333e-002 -2.963552764599851e-002 ... 4.976186676320155e-001 8.03738758059161e-001 ... 2.978577956052774e-001 -9.921954357684722e-002 ... -1.260396726203783e-002 3.222310060404270e-002]; t=(0:7); hd=ld; hd(end:-1:1)=cos(pi*t).*ld; lr=ld; lr(end:-1:1)=ld; hr=cos(pi*t).*ld; case 'bior6.8' ld=[0 1.908831736481291e-003 -1.914286129088767e-003 ... -1.699063986760234e-002 1.193456527972926e-002 ... 4.973490349094079e-002 -7.726317316720414e-002 ... -9.405920349573646e-002 4.207962846098268e-001 ... 8.259229974584023e-001 4.207962846098268e-001 ... -9.405920349573646e-002 -7.726317316720414e-002 ... 4.973490349094079e-002 1.193456527972926e-002 ... -1.699063986760234e-002 -1.914286129088767e-003 ... 1.908831736481291e-003]; hd=[0 0 0 1.442628250562444e-002 -1.446750489679015e-002 ... -7.872200106262882e-002 4.036797903033992e-002 ... 4.178491091502746e-001 -7.589077294536542e-002 ... 4.178491091502746e-001 4.036797903033992e-002 ... -7.872200106262882e-002 -1.446750489679015e-002 ... 1.442628250562444e-002 0 0 0 0]; t=(0:17); lr=cos(pi*(t+1)).*hd; hr=cos(pi*t).*ld; case 'jpep9.7' ld=[0 0.02674875741080976 -0.01686411844287495 ... -0.07822326652898785 0.266861184428732 ... 0.6029490182363579 0.266861184428732 ... -0.07822326652898785 -0.01686411844287495 ... 0.02674875741080976]; hd=[0 -0.09127176311424948 0.05754352622849957 ... 0.5912717631142470 -1.115087052456994 ... 0.5912717631142470 0.05754352622849957 ... -0.09127176311424948 0 0]; t=(0:9); lr=cos(pi*(t+1)).*hd; hr=cos(pi*t).*ld; otherwise error('Unrecognizable wavelet name (WNAME).');end%Output the requested filtersif(nargin == 1) varargout(1:4)={ld,hd,lr,hr};else switch lower(type(1)) case 'd' varargout={ld,hd}; case 'r' varargout={lr,hr}; otherwise error('Unrecognizable filter TYPE.') endendfunction [c,s]=wavefast(x,n,varargin)error(nargchk(3,4,nargin));if nargin == 3 if ischar(varargin{1}) [lp,hp]=wavefilter(varargin{1},'d'); else error('Missing wavelet name'); endelse lp=varargin{1};hp=varargin{2};endf1=length(lp);sx=size(x);if (ndims(x)~=2)|(min(sx<2))|~isreal(x)|~isnumeric(x) error('X must be a real, numeric matrix');endif (ndims(lp)~=2)|~isreal(lp)|~isnumeric(lp) ... |(ndims(hp)~=2)|~isreal(hp)|~isnumeric(hp) ... |(f1~=length(hp)) | rem(f1,2)~=0 error(['LP and HP must be even and equal length real ,'...'numeric filter vectors']);endif ~isreal(n)|~isnumeric(n)|(n<1)|(n>log2(max(sx))) error(['N must be a real scalar between 1 and' ...'log2(max(size(x)))']);endc=[];s=sx;app=double(x);%for each decomposition...for i=1:n [app,keep]=symextend(app,f1); rows=symconv(app,hp,'row',f1,keep); coefs=symconv(rows,hp,'col',f1,keep); c=[coefs(:)' c]; s=[size(coefs);s]; coefs=symconv(rows,lp,'col',f1,keep); c=[coefs(:)' c]; rows=symconv(app,lp,'row',f1,keep); coefs=symconv(rows,hp,'col',f1,keep); c=[coefs(:)' c]; app=symconv(rows,lp,'col',f1,keep);endc=[app(:)' c];s=[size(app);s];function [y,keep]=symextend(x,f1)keep=floor((f1+size(x)-1)/2);y=padarray(x,[(f1-1) (f1-1)],'symmetric','both');function [ratio, maxdiff]=fwtcompare(f,n,wname)tic;[c1,s1]=wavedec2(f,n,wname);reftime=toc;tic;[c2,s2]=wavefast(f,n,wname);t2=toc;%compare the resultsratio=t2/(reftime+eps);maxdiff=abs(max(c1-c2)); function y=symconv(x,h,type,f1,keep)if strcmp(type,'row') y=conv2(x,h); y=y(:,1:2:end); y=y(:,f1/2+1:f1/2+keep(2));else y=conv2(x,h'); y=y(1:2:end,:); y=y(f1/2+1:f1/2+keep(1),:);end %比拟两种办法下的速度clear allclcf=imread('D:\图像库\DIP3E_CH07_Original_Images\Fig0701.tif','tif');[ratio,maxdifference]=fwtcompare(f,5,'db4')小波的方向性和边缘检测clear allclcf=imread('D:\图像库\DIP3E_CH07_Original_Images\Fig0701.tif');imshow(f);[c,s]=wavefast(f,1,'sym4');figure;wave2gray(c,s,-6);[nc,y]=wavecut('a',c,s);figure;wave2gray(nc,s,-6);edges=abs(waveback(nc,s,'sym4'));figure;imshow(mat2gray(edges));%子程序function w=wave2gray(c,s,scale,border)error(nargchk(2,4,nargin));if(ndims(c)~=2)|(size(c,1)~=1) error('c must be a row vector');endif(ndims(s)~=2)|~isreal(s)|~isnumeric(s)|(size(s,2)~=2) error('s must be a real,numeric two-column array');endelements=prod(s,2);if (length(c)<elements(end))|... ~(elements(1)+3*sum(elements(2:end-1))>=elements(end)) error(['[c s] must be a standard wavelet' ...'decomposition structure']);endif(nargin>2)&(~isreal(scale)|~isnumeric(scale)) error('scale must be a real,numeric scalar');endif(nargin>3)&(~ischar(border)) error('border must be character string');endif nargin==2 scale=1;%default scaleendif nargin<4 border='absord';%default borderendabsflag=scale<0;scale=abs(scale);if scale==0 scale=1;end[cd,w]=wavecut('a',c,s);w=mat2gray(w);cdx=max(abs(cd(:)))/scale;if absflag cd=mat2gray(abs(cd),[0,cdx]); fill=0;else cd=mat2gray(cd,[-cdx,cdx]); fill=0.5;end%build gray image one decomposition at a timefor i=size(s,1)-2:-1:1 ws=size(w); h=wavecopy('h',cd,s,i); pad=ws-size(h); frontporch=round(pad/2); h=padarray(h,frontporch,fill,'pre'); h=padarray(h,pad-frontporch,fill,'post'); v=wavecopy('v',cd,s,i); pad=ws-size(v); frontporch=round(pad/2); v=padarray(v,frontporch,fill,'pre'); h=padarray(v,pad-frontporch,fill,'post'); d=wavecopy('d',cd,s,i); pad=ws-size(d); frontporch=round(pad/2); d=padarray(d,frontporch,fill,'pre'); d=padarray(d,pad-frontporch,fill,'post'); %Add 1 pixel white border switch lower(border) case 'append' w=padarray(w,[1 1],1,'post'); h=padarray(h,[1 0],1,'post'); v=padarray(v,[0 1],1,'post'); case 'absord' w(:,end)=1; w(end,:)=1; h(end,:)=1; v(:,end)=1; otherwise error('Unrecognized border parameter'); end w=[w h;v d];endif nargout==0 imshow(w);%display resultendfunction [varargout]=waveback(c,s,varargin)error(nargchk(3,5,nargin));error(nargchk(1,2,nargout));if (ndims(c)~=2)|(size(c,1)~=1) error('c must be a row vector');endif(ndims(s)~=2)|~isreal(s)|~isnumeric(s)|(size(s,2)~=2) error('s must be a real,numeric two-column array');endelements=prod(s,2);if (length(c)<elements(end))|...~(elements(1)+3*sum(elements(2:end-1))>=elements(end)) error(['[c s] must be a standard wavelet' ... 'decomposition structure']);endnmax=size(s,1)-2;wname=varargin{1};filterchk=0;nchk=0;switch nargin case 3 if ischar(wname) [lp,hp]=wavefilter(wname,'r'); n=nmax; else error('updefined filter'); end if nargout~=1 error('wrong number of output arguments'); end case 4 if ischar(wname) [lp,hp]=wavefilter(wname,'r'); n=varargin{2}; nchk=1; else lp=varargin{1}; hp=varargin{2}; filterchk=1; n=nmax; if nargout~=1 error('wrong number of output arguments'); end endcase 5 lp=varargin{1}; hp=varargin{2}; filterchk=1; n=varargin{3}; nchk=1; otherwise error('improper number fo input arguments');endf1=length(lp);if filterchk if (ndims(lp)~=2)|~isreal(lp)|~isnumeric(lp) ... |(ndims(hp)~=2)|~isreal(hp)|~isnumeric(hp) ... |(f1~=length(hp)) | rem(f1,2)~=0 error(['LP and HP must be even and equal length real ,'... 'numeric filter vectors']); endendif nchk & (~isnumeric(n)|~isreal(n)) error('n must be a real numeric');endif (n>nmax)|(n<1) error('Invalid number (N) of reconstructions requested');endif (n~=nmax) & (nargout~=2) error('Not enough output arguments');endnc=c;ns=s;nnmax=nmax;for i=1:n a=symconvup(wavecopy('a',nc,ns),lp,lp,f1,ns(3,:))+ ... symconvup(wavecopy('h',nc,ns,nnmax),hp,lp,f1,ns(3,:))+ ... symconvup(wavecopy('v',nc,ns,nnmax),lp,hp,f1,ns(3,:))+ ... symconvup(wavecopy('d',nc,ns,nnmax),hp,hp,f1,ns(3,:)); nc=nc(4*prod(ns(1,:))+1:end); nc=[a(:)' nc]; ns=ns(3:end,:); ns=[ns(1,:);ns]; nnmax=size(ns,1)-2;endif nargout==1; a=nc; nc=repmat(0,ns(1,:)); nc(:)=a;endvarargout{1}=nc;if nargout==2 varargout{2}=ns;endfunction z=symconvup(x,f1,f2,fln,keep)y=zeros([2 1].*size(x));y(1:2:end,:)=x;y=conv2(y,f1');z=zeros([1 2].*size(y));z(:,1:2:end)=y;z=conv2(z,f2);z=z(fln-1:fln+keep(1)-2,fln-1:fln+keep(2)-2);function [nc,y]=wavecut(type,c,s,n)error(nargchk(3,4,nargin));if nargin==4 [nc,y]=wavework('cut',type,c,s,n);else [nc,y]=wavework('cut',type,c,s);Endfunction y=wavecopy(type,c,s,n)error(nargchk(3,4,nargin));if nargin==4 [nc,y]=wavework('cut',type,c,s,n);else [nc,y]=wavework('cut',type,c,s);Endfunction y=wavepaste(type,c,s,n)error(nargchk(5,5,nargin))nc=wavework('paste',type,c,s,n,x);function [varargout]=wavework(opcode,type,c,s,n,x)error(nargchk(4,6,nargin));if (ndims(c)~=2)|(size(c,1)~=1) error('c must be a row vector');endif(ndims(s)~=2)|~isreal(s)|~isnumeric(s)|(size(s,2)~=2) error('s must be a real,numeric two-column array');endelements=prod(s,2);if (length(c)<elements(end))|... ~(elements(1)+3*sum(elements(2:end-1))>=elements(end)) error(['[c s] must be a standard wavelet' ... 'decomposition structure']);endif strcmp (lower(opcode(1:3)),'pas') & nargin < 6 error('Not enough input arguments');endif nargin<5 n=1;endnmax=size(s,1)-2;aflag=(lower(type(1))=='a');if ~aflag & (n>nmax) error('N exceeds the decompositon in [c,s]');endswitch lower(type(1)) case 'a' nindex=1; start=1; stop=elements(1); ntst=nmax; case {'h','v','d'} switch type case 'h' offset=0; case 'v' offset=1; case 'd' offset=2; end nindex=size(s,1)-n; start=elements(1)+3*sum(elements(2:nmax-n+1))+ ... offset*elements(nindex)-1; stop=start+elements(nindex)-1; ntst=n; otherwise error('Type must begin with "a","h","v",or "d"');endswitch lower(opcode) case {'copy','cut'} y=repmat(0,s(nindex,:)); y(:)=c(start:stop); nc=c; if strcmp(lower(opcode(1:3)),'cut') nc(start:stop)=0; varargout={nc,y}; else varargout={y}; end case 'paste' if prod(size(x))~=elements(end-ntst) error('x is not sized for the requested paste'); else nc=c; nc(start:stop)=x(:); varargout={nc}; end otherwise error('unrecognized OPCODE');end参考文献： ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。目标应用 RGB、索引和灰度级图像间转换的函数把握彩色图像平滑的MATLAB 仿真彩色图像锐化RGB 彩色图像宰割内容1.应用 RGB、索引和灰度级图像间转换的函数 clcf=imread('D:\pic\DIP3E_CH06\Fig0651(a)(flower_no_compression).tif');imshow(f)title('原图像');[X1,map1]=rgb2ind(f,8,'nodither');figureimshow(X1,map1);%无抖动解决的色彩数缩小到8 的图像title('无抖动解决的色彩数缩小到8 的图像');[X2,map2]=rgb2ind(f,8,'dither');figureimshow(X2,map2)%有抖动解决的色彩数缩小到8 的图像title('有抖动解决的色彩数缩小到8 的图像');g=rgb2gray(f);g1=dither(g);figure,imshow(g);title('应用函数rgb2gray 失去的原图像的灰度级图像');figure,imshow(g1);title('经抖动解决后的灰度图像（这是一幅二值图像）');2.把握彩色图像平滑的MATLAB 仿真 function hsi = rgb2hsi(rgb)rgb=im2double(rgb);r=rgb(:,:,1);g=rgb(:,:,2);b=rgb(:,:,3);num=0.5*((r-g)+(r-b));den=sqrt((r-g).^2+(r-b).*(g-b));theta=acos(num./(den+eps));H=theta;H(b>g)=2*pi-H(b>g);H=H/(2*pi);num=min(min(r,g),b);den=r+g+b;den(den==0)=eps;S=1-3.*num./den;H(S==0)=0;I=(r+g+b)/3;hsi=cat(3,H,S,I);function rgb=hsi2rgb(hsi)H=hsi(:,:,1)*2*pi;S=hsi(:,:,2);I=hsi(:,:,3);R=zeros(size(hsi,1),size(hsi,2));G=zeros(size(hsi,1),size(hsi,2));B=zeros(size(hsi,1),size(hsi,2));idx=find((0<=H)&(H<2*pi/3));B(idx)=I(idx).*(1-S(idx));R(idx)=I(idx).*(1-S(idx).*cos(H(idx))./cos(pi/3-H(idx)));G(idx)=3*I(idx)-(R(idx)+B(idx));idx=find((2*pi/3<=H)&(H<4*pi/3));R(idx)=I(idx).*(1-S(idx));G(idx)=I(idx).*(1+S(idx).*cos(H(idx)-2*pi/3)./cos(pi-H(idx)));B(idx)=3*I(idx)-(R(idx)+G(idx));idx=find((4*pi/3<=H)&(H<=2*pi));G(idx)=I(idx).*(1-S(idx));B(idx)=I(idx).*(1+S(idx).*cos(H(idx)-4*pi/3)./cos(5*pi/3-H(idx)));R(idx)=3*I(idx)-(G(idx)+B(idx));rgb=cat(3,R,G,B);rgb=max(min(rgb,1),0);%%%%%%%%%%%主函数——图像平滑clear allclcfc=imread('D:\pic\DIP3E_CH06\Fig0637(a)(caster_stand_original).tif');imshow(fc)h=rgb2hsi(fc);H=h(:,:,1);%显示h 重量图像figure,imshow(H)title('H 重量')S=h(:,:,2);title('S 重量')figure,imshow(S)I=h(:,:,3);figure,imshow(I)title('I 重量')w=fspecial('average',25);I_filtered=imfilter(I,w,'replicate');h=cat(3,H,S,I_filtered);f=hsi2rgb(h);figure,imshow(f)f=min(f,1);%RGB images must have values in the range[0,1]figure,imshow(f)3.彩色图像锐化 clear allclcfc=imread('D:\pic\DIP3E_CH06\Fig0637(a)(caster_stand_original).tif');imshow(fc)lapmask=[1 1 1;1 -8 1;1 1 1];fen=imsubtract(fc,imfilter(fc,lapmask,'replicate'));figure,imshow(fen)4.RGB 彩色图像宰割 function [C,m]=covmatrix(X)[K,n]=size(X);X=double(X);if n==1 C=0; m=x;else m=sum(X,1)/K; X=X-m(ones(K,1),:); C=(X'*X)/(K-1); m=m';endfunction I=colorseg(varargin)f=varargin{2};if(ndims(f)~=3)|(size(f,3)~=3) error('Input image must be RGB!');endM=size(f,1); N=size(f,2);[f,L]=imstack2vectors(f);f=double(f);I=zeros(M*N,1);T=varargin{3};m=varargin{4};m=m(:)';%make sure that m is a row vetorif length(varargin)==4 method='euclidean';elseif length(varargin)==5 method='mahalanobis';else error('wrong number of inputs!');endswitch method case 'euclidean' p=length(f); D=sqrt(sum(abs(f-repmat(m,p,1)).^2,2)); case 'mahalanobis' C=varargin{5}; D=mahalanobis(f,C,m); otherwise error('Unknown segmentation method!');endJ=find(D<=T);I(J)=1;I=reshape(I,M,N);function [X,R]=imstack2vectors(S,MASK)[M,N,n]=size(S);if nargin==1 MASK=true(M,N);else MASK=MASK~=0;end[I,J]=find(MASK);R=[I,J];Q=M*N;X=reshape(S,Q,n);MASK=reshape(MASK,Q,1);X=X(MASK,:);%%%%%%RGB 图像宰割主程序clear allclcf=imread('D:\pic\DIP3E_CH06\Fig0637(a)(caster_stand_original).tif');mask=roipoly(f);figure,imshow(mask)%mask 是一幅2 值图像（大小与f 雷同）red=immultiply(mask,f(:,:,1));figure,imshow(red)title('red 重量');green=immultiply(mask,f(:,:,2));figure,imshow(green)title('green 重量');blue=immultiply(mask,f(:,:,3));figure,imshow(blue)title('blue 重量');g=cat(3,red,green,blue);figure,imshow(g)%计算ROI 中的点的均值向量和协方差矩阵[M,N,K]=size(g);I=reshape(g,M*N,3);idx=find(mask);I=double(I(idx,1:3));[C,m]=covmatrix(I);d=diag(C);sd=sqrt(d)'E25=colorseg('euclidean',f,25,m);%colorseg('m',f,T,m)T 值可取的值为25 的倍数时失去的不同后果参考文献： ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。目标理解 MATLAB 工具箱中的滤波器。把握空间滤波学会对图像的空间变换内容A. 用滤波器祛除图象噪声在数字图像处理中，经常会遇到图像中混淆有许多的噪声。因而，在进行图像处理中，有时要先进行祛除噪声的工作。最罕用的祛除噪声的办法是用滤波器进行滤波解决。MATLAB 的图像处理工具箱里也设计了许多的滤波器。如均值滤波器、中值滤波器、维纳滤波器等。 （别离用均值滤波，中值滤波，及维纳滤波器祛除退出高斯噪声的图象） I=imread('D:\pic\DIP3E_CH04\FigP0438(left).tif ');J=imnoise(I,'gaussian',0,0.002);%进行均值滤波h=fspecial('average',3);I2=uint8(round(filter2(h,I)));%进行中值滤波I3=medfilt2(J,[3,3]);%进行维纳滤波I4=wiener2(J,[3,3]); %进行一次维纳滤波I5=wiener2(I4,[3,3]);%进行二次维纳滤波subplot(2,3,1),imshow(I),title('原图象')subplot(2,3,2),imshow(J),title('加噪声图象')subplot(2,3,3),imshow(I2),title('均值滤波后图象')subplot(2,3,4),imshow(I3),title('中值滤波后图象')subplot(2,3,5),imshow(I4),title('维纳滤波后图象')subplot(2,3,6),imshow(I5),title('两次维纳滤波后图象')B. 空间噪声滤波器%用函数imnoise2 生成具备表5.1 中的CDF 的随机数function R=imnoise2(type,M,N,a,b)if nargin ==1 a=0;b=1; M=1;N=1;elseif nargin ==3 a=0;b=1;endswitch lower(type) case 'uniform' R=a+(b-a)*rand(M,N); case 'gaussian' R=a+b*randn(M,N); case 'salt & pepper' if nargin <=3 a=0.05;b=0.05; end if (a+b)>1; error('The sum Pa+Pb must not exceed 1.') end R(1:M, 1:N) = 0.5; X=rand(M,N); c=find(X<=a); R(c)=0; u=a+b; c=find(X>a & X<=u); R(c)=1; case 'rayleigh' R=a+(-b*log(1-rand(M,N))).^0.5; case 'exponential' if nargin <=3; a=1; end if a<=0 error('Parameter a must be positive for exponential type.') end k=-1/a; R=k*log(1-rand(M,N)); case 'erlang' if nargin<=3 a=2;b=5; end if (b~=round(b)|b<=0) error('Parameter b must be a positive integer for Erlang') end k=-1/a; R=zeros(M,N); for j=1:b R=R+k*log(1-rand(M,N)); end otherwise error('unknown distribution type.')endfunction image=changeclass(class,varargin)switch class case 'uint8' image=im2uint8(varargin{:}); case 'uint16' image=im2uint16(varargin{:}); case 'double' image=im2double(varargin{:}); otherwise error('Unsupported IPT data class.');end%%%%% spfilt 函数与表中列出的任何滤波器在空间域执行滤波。function f = spfilt(g,type,m,n,parameter)if nargin ==2 m=3;n=3;Q=1.5;d=2;elseif nargin == 5 Q=parameter;d=parameter;elseif nargin== 4 Q=1.5; d=2;else error ('wrong number of inputs');endswitch type case 'amean' w=fspecial('average',[m,n]); f=imfilter(g,w, 'replicate'); case 'gmean' f=gmean(g,m,n); case 'hmean' f=harmean(g,m,n); case 'chmean' %f=charmean(g,m,n,Q); f=charmean(g,m,n,Q); case 'median' f=medfilt2(g,[m n], 'symmetric'); case 'max' f=ordfilt2(g,m*n,ones(m,n),'symmetric'); case 'min' f=ordfilt2(g,1,ones(m,n), 'symmetric'); case 'midpoint' f1=ordfilt2(g,1,ones(m,n), 'symmetric'); f2=ordfilt2(g,m*n,ones(m,n), 'symmetric'); f=imlincomb(0.5,f1,0.5,f2); case 'atrimmed' if(d<0)|(d/2~=round(d/2)) error('d must be a nonnegative, even integer.') end f=alphatrim(g,m,n,d); otherwise error('Unknown filter type.')endfunction f=gmean(g,m,n)inclass =class (g);g=im2double(g);warning off;f=exp(imfilter(log(g),ones(m,n),'replicate')).^(1/m/n);warning on;f=changeclass(inclass, f);function f=harmean(g,m,n)inclass=class(g);g=im2double(g);f=m*n./imfilter(1./(g+eps),ones(m,n),'replicate');f=changeclass(inclass,f);function f=charmean(g,m,n,q)inclass=class(g);g=im2double(g);f= imfilter(g.^(q+1),ones(m,n),'replicate');f=f./ (imfilter(g.^q,ones(m,n),'replicate')+eps);f=changeclass(inclass,f);function f=alphatrim(g,m,n,d)inclass = class(g);g=im2double(g);f=imfilter(g,ones(m,n),'symmetric');for k=1:d/2 f=imsubtract(f,ordfilt2(g,k,ones(m,n),'symmetric'));endfor k=(m*n – (d/2)+1):m*n f=imsubtract(f,ordfilt2(g,k,ones(m,n),'symmetric'));endf=f/(m*n-d);f=changeclass(inclass,f);%应用函数spfiltclear allclcf=imread('D:\pic\DIP3E_CH04\FigP0438(left).tif');[M,N]=size(f);R=imnoise2('salt & pepper',M,N,0.1,0);%被概率只有0.1 的胡椒噪声污染c=find(R==0);gp=f;gp(c)=0;figure, imshow(gp);R=imnoise2('salt & pepper',M,N,0,0.1);c=find(R==1);gs=f;gs(c)=255;figure,imshow(gs)fp=spfilt(gp,'chmean',3,3,1.5);%应用Q 为正值的反和谐滤波器figure, imshow(gp);fs=spfilt(gs,'chmean',3,3,-1.5);figure, imshow(gs);fpmax=spfilt(gp,'max',3,3); %应用最大最小滤波器figure, imshow(gp);fsmin=spfilt(gs,'min',3,3);figure, imshow(gs);C.用滤波器祛除图象噪声%产生一个等角变换用于测试图像f=checkerboard(50);s=0.8;theta=pi/6;T=[s*cos(theta) s*sin(theta) 0; -s*sin(theta) s*cos(theta) 0; 0 0 1];tform=maketform('affine',T);g=imtransform(f,tform);figure, imshow(g);g2=imtransform(f,tform,'nearest');figure, imshow(g2);g3=imtransform(f,tform,'FillValue',0.5);figure, imshow(g3);T2=[1 0 0;0 1 0; 50 50 1];tform2=maketform('affine',T2);g4=imtransform(f,tform2);figure, imshow(g4);g5=imtransform(f,tform2,'XData',[1 400],'YData',[1400],'FillValue',0.5);figure, imshow(g5);参考文献： ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。目标1.把握二维 DFT 变换及其物理意义 2.把握二维 DFT 变换的MATLAB 程序 3.空域滤波与频域滤波 原理1.利用傅立叶变换进行图像处理傅里叶变换是线性系统剖析的一个无力工具，它可能定量地剖析诸如数字化零碎、采样点、电子放大器、卷积滤波器、乐音和显示点等的作用。通过试验造就这项技能，将有助于解决大多数图像处理问题。对任何想在工作中无效利用数字图像处理技术的人来说，把工夫用在学习和把握博里叶变换上是很有必要的。 2.傅立叶（Fourier）变换的定义对于二维信号，二维Fourier 变换定义为： $$F(u, v)=\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) e^{-j 2 \pi (u x+vy)} d x d y$$ 逆变换： $$f(x, y)=\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} F(u d, v) e^{j 2 \pi (u x+vy) } d u d v$$ 二维离散傅立叶变换为： $$F(u, v)=\sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x, y) e^{-j 2 \pi\left(\frac{\mathrm{ux}}{\mathrm{M}}+\frac{v y}{N}\right)}$$ 逆变换： $$f(x, y)=\frac{1}{M N} \sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u, v) e^{j 2 \pi\left(\frac{\mathrm{ux}}{M}+\frac{v y}{N}\right)}$$ 图像的傅立叶变换与一维信号的傅立叶变换变换一样，有疾速算法，具体参见参考书目，无关傅立叶变换的疾速算法的程序不难找到。实际上，当初有实现傅立叶变换的芯片，能够实时实现傅立叶变换。 利用MATLAB 实现数字图像的傅立叶变换A． ...

我的项目成果飞浆是一个由百度推出的深度学习开发平台，为开发者提供了高效、易用、灵便和全面的深度学习开发工具和服务。PaddleGAN是飞浆在图像生成和解决畛域的一个代表性我的项目，通过深度学习的技术和飞浆的反对，PaddleGAN能够实现多种惊人的图像处理成果，例如图像转换、人脸编辑、动态效果生成等等。其中内置了StyleGAN V2与FOM别离实现人脸属性编辑和人脸动画成果。这些技术和利用在很多畛域都有宽泛的利用，例如娱乐、广告、电影制作、虚拟现实等等。 环境搭建这里集体举荐应用 Anaconda 搭建本地环境，因为如果我的项目太多，前期十分不好治理另外举荐全局更换 pip 源：pip config set global.index-url https://mirror.baidu.com/pypi/simple如果未更换源的话，下载会超级慢，甚至下载失败，也能够通过 -i 长期设置源：pip install xxx -i https://mirror.baidu.com/pypi/simple# 创立环境conda create --name PaddleGAN python=3.6# 激活环境activate PaddleGAN# 装置依赖cmakepip install cmake -i https://mirror.baidu.com/pypi/simple# 装置依赖boost pip install boost -i https://mirror.baidu.com/pypi/simple# 装置依赖numpypip install numpy -i https://mirror.baidu.com/pypi/simple# 装置依赖dlibpip install dlib==19.8.1 -i https://mirror.baidu.com/pypi/simple 下载PaddleGANGAN 是一种深度学习模型，是近年来简单散布上无监督学习最具前景的办法之一在装置依赖的时候，因应用的环境是 python3.6，所以须要将 requirements.txt 文件中的 opencv-python 加上一个版本号opencv-python==4.3.0.38，不然默认装置最新版本的，而最新版本的无奈被下载胜利# 下载源码git clone https://gitee.com/PaddlePaddle/PaddleGAN# 进入我的项目目录cd PaddleGAN# 装置我的项目依赖，这里肯定要设置全局源pip install -r requirements.txt# 装置环境python setup.py develop 装置飞浆装置 CPU 版本，不容易出错，但速度会有点慢，如果有 GPU 尽量应用 GPU 版本我这里只装置最新的，如果想要装置指定版本，请查看飞浆官网教程# CPU版本pip install paddlepaddle# GPU版本pip install paddlepaddle-gpu 生成图片潜码须要通过命令生成原图对应的 Latent Codeinput_image： 输出的图像门路output_path： 生成图片寄存的门路weight_paht： 预训练模型门路model_type： PaddleGAN 内置模型类型，若输出 PaddleGAN 已存在的模型类型，weight_paht 将生效，以后可用：ffhq-inversion，ffhq-toonifyseed： 随机数种子size： 模型参数，输入图片的分辨率style_dim： 模型参数，输入图片的分辨率n_mlp： 模型参数，格调z所输出的多层感知层的层数channel_multiplier： 模型参数，通道乘积，影响模型大小和生成图片的品质cpu： 是否应用 cpu 推理，若不应用，请在命令去除这里从网上找了一张我最喜爱的大甜甜照片来测试 ...

文章和代码以及样例图片等相干资源，曾经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。一、试验目标1.直方图的显示 2.计算并绘制图像直方图 3.直方图的均衡化 二、试验内容灰度直方图用于显示图像的灰度值散布状况,是数字图像处理中最简略和最实用的工具。 MATLAB中提供了专门绘制直方图的函数 imhist() 。 1.直方图的显示imshow('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif');title('原图像')% 显示原图像A=imread('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif ','tif');figure;imhist(A);title('对应直方图')2.计算并绘制图像直方图A：用 bar 函数显示 A=imread('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif ','tif');h=imhist(A);h1=h(1:10:256);horz=1:10:256;bar(horz,h1)% 用bar 函数显示axis([0 255 0 15000])% 设置程度轴和垂直轴的最大值和最小值set(gca,'xtick',0:50:255)set(gca,'xtick',0:2000:15000)B：用 stem 函数显示 A=imread('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif ','tif');h=imhist(A);h1=h(1:10:256);horz=1:10:256;stem(horz,h1,'fill')% 用stem 函数显示axis([0 255 0 15000])% 设置程度轴和垂直轴的最大值和最小值set(gca,'xtick',[0:50:255])set(gca,'xtick',[0:2000:15000])C：用 plot 函数显示 A=imread('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif ','tif');h=imhist(A);plot(h)axis([0 255 0 15000])% 设置程度轴和垂直轴的最大值和最小值set(gca,'xtick',[0:50:255])set(gca,'xtick',[0:2000:15000])3.直方图均衡化imshow('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif');title('原图像')I=imread('D:\pic\DIP3E_CH02\Fig0221(a)(ctskull-256).tif ','tif');figure;imhist(I),title('对应直方图')% 从失去的直方图能够看出，图像的对比度很低，灰度级集中在70-160 范畴内，如果只取% 这个范畴内的灰度，并扩大到[0,255]，则会明显增强图像对比度J=imadjust(I,[70/255 160/255],[]);figure;imshow(J),title('经灰度级调整后的图')figure;imhist(J),title('灰度级调整后的直方图')% MATLAB 还提供了histeq 函数（主动直方图均衡化）K=histeq(I);figure;imshow(K),title('经直方图均衡化后的图')figure;imhist(K),title('直方图均衡化后的直方图')

一.评估指标的分类对于图像品质的评估指标 个别依据是否参考原始影像分为三种：全参考 局部参考 无参考（1）全参考这些个别跟深度学习搭边构造相似性SSIM、峰值信噪比PSNR（这俩都是越大越好） 均方误差MSE（越小越好）等等 （2）局部参考没咋钻研过 （3）无参考这些比较简单 传统图像处理均值，标准差，均匀梯度，信息熵等等 二 论文用到的评估指标我的试验数据集是本人在谷歌卫星影像上收集的 六大洲每个州选一个国家 数据集一共100多幅图（是比深度学习的数据集外面图片少） 我从中抉择了六幅蕴含不同地物的影像 先放一组比照试验a是原图 b是咱们的后果 （参考影像选的上半局部色块） 咱们从上面几个方面做评估 （1）色块提取准确率评估这个就不说了 波及二值图标签的制作 （2）影像整体色调一致性评估分成五个块 统计每个块的均值 标准差 制成柱状图①分块办法：上下左右四个块 加两头雷同大小的块②柱状图： （3）影像部分地物色调一致性评估简略点说 一幅影像外面的地物 比如说路线 绿地之类的 雷同环境下 这些地物的特色应该类似①抉择的评估指标包含：因为是须要比拟 部分地物的相似性 属于全参考评估指标选了：梯度幅值类似偏差GMSD、色彩偏差c_st和扭曲水平D_st具体定义大家本人百度下，这里只阐明下指标的判断根据： 当梯度幅值类似偏差GMSD的值越小时，表明两个色块中抉择的样本区域间构造越类似，部分品质进化越小，地物特色越靠近。 色彩偏差c_st越小，阐明区域间地物均值差别越小，具备相近的特色。 扭曲水平反映出不同色块间雷同地物特色的差别大小，值越小，阐明地物差别越小，信息保真度较好。②而后抉择了这三个小区域 局部数据：** （4）影像整体品质评估这个是探讨影像通过解决当前 品质产生了怎么的变动的 次要抉择了 信息熵E、均匀梯度G 、空间频率SF和灰度方差乘积SMD2这四类影像品质评估指标这属于 无参考评估指标了 单纯思考后果影像 信息熵越大，图像携带的信息量越大，信息越丰盛。均匀梯度越大，图像档次越多，图像就越显得清晰。图像空间频率越高，图像越清晰。当图像越含糊时，整个图像的灰度较为平均，相邻像素之间的差值很小，即计算失去的SMD2后果越小；图像越清晰时，计算失去的SMD2后果会越大。我感觉我做的试验指标也太多了。。

一.图像宰割1.什么是图像宰割图像宰割就是把图像分成若干个特定的、具备独特性质的区域并提出感兴趣指标的技术和过程。也就是说图像宰割将图像细分为一个个子区域或物体，细分的水平取决于要解决的的问题，当咱们失去感兴趣区域时，宰割就进行。PS 打个岔：图像分类是什么 计算机看图像是一堆数字矩阵，不像咱们人眼这么高级 能分辨出外面比方有小狗 兔子这些货色。所以为了让计算机了解图像的内容，咱们须要利用图像分类，应用计算机视觉和机器学习算法解决图像，这个操作能够简略的为一张图像调配一个标签，如猫还是狗，或者也能够高级到解释图像的 内容并且返回一个可读的句子。 总的来说图像分类个别是波及计算机视觉和机器学习，相对来说更高级 比图像宰割波及范畴更广小结：图像宰割是取得想要的区域或者物体 图像分类是对图像中的内容进行了解和解释 2.现有图像宰割办法的分类少数宰割办法是基于灰度值的两个根本性质 不连续性和相似性（1）基于阈值的办法包含全局阈值、自适应阈值等等①全局阈值是指整幅图像应用同一个阈值做宰割解决，实用于背景和前景有显著比照的图像。依据整幅图像确定，然而这种办法只思考像素自身的灰度值，个别不思考空间特色，因此对噪声很敏感。罕用的全局阈值选取办法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵主动阈值法以及其它一些办法。②自适应阈值 在图像中比较复杂的状况下，全局阈值很难精确地将物体与背景离开。这时能够依据须要理论依照将图像分成若干子区域别离计算阈值，进行图像宰割，这时的阈值为自适应阈值。 举例子：cv2.threshold（src，thresh，maxval，type）cv2.adaptiveThreshold() （2）基于区域基于区域的办法是以间接寻找区域为根底的宰割技术①区域成长②区域决裂与聚合 今天独自写一篇 （3）基于边缘基于边缘的宰割办法 是以灰度部分激烈变化检测为根底 其中 线和边缘 是次要钻研对象边缘或者说边缘线段是连贯边缘像素的汇合 线两侧的灰度一侧远亮于该线上的灰度 另一侧是远暗于该线上的灰度边缘检测 （很多算子）先天独自写一篇 （4）基于特定实践特定实践大略有：聚类分析、模糊集实践、基因编码、小波变换等。小波变换用的也挺多的 这篇排到大后天了 二.单阈值大津法大津法属于全局阈值办法中的一种，即是最大类间方差法 大津法作为图像宰割中阈值选取的罕用算法，计算简略，不受图像亮度和对比度的影响，次要原理如下：影像的大小为M×N，将前景区域和背景区域的宰割阈值记作T，影像中像素值小于阈值T的像素个数记为N0，像素值大于阈值T的像素个数记为N1，则有： w0=N0/(M×N) w1=N1/(M×N) =w0×0+w1×1 g=w0×(0-)^2+w1×(1-)^2 其中w0为前景区域像素个数占整幅影像的比例，其像素均值为0；w1是背景区域像素个数占整幅影像的比例，其像素均值为1；为影像的总像素均值，g为类间方差，当计算出的类间方差g最大时，对应的阈值T即为最佳宰割成果的阈值。 #include <iostream>#include <opencv2/core.hpp>#include <opencv2/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2\imgproc\types_c.h>#include <opencv2/highgui/highgui_c.h>#include <opencv2/opencv.hpp>#include <iostream>using namespace std;using namespace cv;double Otsu(Mat& image){ int threshold = 0; double maxVariance = 0; double w0 = 0, w1 = 0;//前景与背景像素点所占比例 double u0 = 0, u1 = 0;//前景与背景像素值均匀灰度 int histogram[256] = { 0 }; //定义一个数组 长度为256 0-255 int Num = image.cols * image.rows; //总像素个数 //统计256个bin，每个bin像素的个数 for (int i = 0; i < image.rows; i++) { const uchar* p = image.ptr<uchar>(i); for (int j = 0; j < image.cols; j++) { histogram[int(*p++)]++; //cout<<"Histogram[data[i*image.step+j]]++:;"<<histogram[int(*p++)]++<<endl; } //*p++, *和++优先级是雷同的 先解援用取出指针指向的值， //而后再将指针地址加1，指向下一个地位。也就是取值为 *p 然而这时候指针曾经指向下一个地位 } //前景像素统计 for (int i = 1; i < 256; i++) { w0 = 0; //前景像素所占比例 w1 = 0; //背景像素所占比例 u0 = 0; //前景像素灰度均值 u1 = 0; //背景像素灰度均值 for (int j = 1; j <= i; j++) { w0 = w0 + histogram[j];//以i为阈值，统计前景像素比例 u0 = u0 + j * histogram[j];//以i为阈值，统计前景像素灰度总和 } u0 = u0 / w0; w0 = w0 / Num; //Num是总像素个数 //背景像素统计 for (int j = i + 1; j <= 255; j++) { w1 = w1 + histogram[j];//以i为阈值，统计前景像素个数 u1 = u1 + j * histogram[j];//以i为阈值，统计前景像素灰度总和 histogram[j]是像素值为j的像素个数 } u1 = u1 / w1; w1 = w1 / Num; // 后面的u1是总灰度和 除以w1总个数是前景的灰度均值// 后面的w1是总个数 除以Num当前才是比例 double variance = w0 * w1 * (u1 - u0) * (u1 - u0); //以后类间方差计算 if (variance > maxVariance) { maxVariance = variance; threshold = i; } } cout << "threshold:" << threshold << endl; return threshold;}int main(){ Mat img = imread("C://Users//马亚飞//Pictures//Saved Pictures//湖人.jpg"); imshow("原图", img); Mat img1; img.copyTo(img1); cvtColor(img, img, CV_BGR2GRAY); // 把img转为灰度图 cvtColor(img1, img1, CV_BGR2GRAY); //把img1转为灰度图 double th = Otsu(img); //调用Otsu函数 失去阈值th cout << "The return value of getOstu is: " << th << endl; //输入阈值th cout << "The return value of opencv threshold is: " << threshold(img1, img1, th, 255, CV_THRESH_OTSU);//opencv已实现的大津法 for (int i = 0; i < img.rows; i++) //行循环 { uchar* data = img.ptr<uchar>(i); //获取第i行的首地址 for (int j = 0; j < img.cols; j++) //列循环 { if (data[j] <= th) data[j] = 0; else data[j] = 255; } //行解决完结 } imshow("Ostu_img", img); //cv::namedWindow("Opencv_img", CV_WINDOW_NORMAL); cv::imshow("Opencv_img", img1); //对一次大津法 的彩色或者红色局部进行掩膜 //bitwise_not(img1, img1); //这里先变反转色彩 /*Mat src = imread("D://opencvdata//0//0.png"); src.setTo(0,img1); imshow("掩膜", src);*/ waitKey(0); return 0;}（威少的黑白图还有点像利拉德）都差不多 ...

本地上传形式 <!DOCTYPE html><html lang="cn"><head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <meta http-equiv="X-UA-Compatible" content="ie=edge"> <title>客户端模仿</title> <link href="https://cdn.bootcss.com/twitter-bootstrap/4.3.1/css/bootstrap.min.css" rel="stylesheet"> <style> .bg-light { background-color: #f8f9fa!important; } .pt-3 { padding-top: 3rem!important; } .pb-3 { padding-bottom: 3rem!important; } a { text-decoration: none; } #canvas-dep { margin-left: -15px; } #canvas-inf { margin-left: -15px; } </style></head><body class="bg-light"> <canvas id="canvas-col" width="640" height="480"></canvas> <canvas id="canvas-dep" width="640" height="480"></canvas> <canvas id="canvas-inf" width="640" height="480"></canvas> <div class="container"> <div class="pt-3 pb-3 text-center"> <h2>图片查看工具</h2> <p class="lead">查看黑白、红外及深度原图</p> </div> <div class="row"> <div class="col-md-12 order-md-1"> <h4 class="mb-3">申请参数</h4> <form class="needs-validation" novalidate=""> <div class="row"> <div class="col-md-4 mb-3"> <label for="colfile">黑白</label> <input type="file" class="form-control" id="colfile" > <div class="invalid-feedback"> Valid appKey is required. </div> </div> <div class="col-md-4 mb-3"> <label for="depfile">深度图</label> <input type="file" class="form-control" id="depfile" > <div class="invalid-feedback"> Valid appKey is required. </div> </div> <div class="col-md-4 mb-3"> <label for="inffile">红外图</label> <input type="file" class="form-control" id="inffile" > <div class="invalid-feedback"> Valid appKey is required. </div> </div> </div> <hr class="mb-4"> <button class="btn btn-primary btn-lg btn-block" type="button" onclick="test();">测试</button> </form> </div> </div> </div> <script src="https://cdn.bootcdn.net/ajax/libs/jquery/3.3.1/jquery.min.js"></script> <!-- <script src="https://cdn.bootcss.com/popper.js/1.14.7/umd/popper.min.js"></script> --> <script src="https://cdn.bootcss.com/twitter-bootstrap/4.3.1/js/bootstrap.min.js"></script> <script type="text/javascript"> const w = 640; const h = 480; const depThresholdValue = 4000; const infThresholdValue = 1000; function test() { let colfile = $("#colfile"); if (colfile && colfile[0].files && colfile[0].files[0]) { console.log(colfile[0].files) let fileReader = new FileReader(); fileReader.onload = (event) => { var buffer = new Uint8Array(event.target.result); console.log(buffer) var ctx = document.getElementById("canvas-col").getContext('2d'); var data = ctx.createImageData(w, h); for(var index = 0; index < w * h; index ++) { let i = index * 4; let bi = index * 3; data.data[i] = buffer[bi]; data.data[i + 1] = buffer[bi + 1]; data.data[i + 2] = buffer[bi + 2]; data.data[i + 3] = 255; } ctx.putImageData(data, 0, 0); console.log('bye color'); } fileReader.readAsArrayBuffer(colfile[0].files[0]); } // let depfiles = $("#depfile"); if (depfiles && depfiles[0].files && depfiles[0].files[0]) { let fileReader = new FileReader(); fileReader.onload = (event) => { var buffer = new Uint8Array(event.target.result); var ctx = document.getElementById("canvas-dep").getContext('2d'); var data = ctx.createImageData(w, h); for(var index = 0; index < w * h; index ++) { let i = index * 4; let pixel = Math.ceil((buffer[index*2 + 1] * 256 + buffer[index*2]) * 255 / depThresholdValue); if (pixel > 255) pixel = 255; data.data[i] = pixel; data.data[i + 1] = pixel; data.data[i + 2] = pixel; data.data[i + 3] = 255; } ctx.putImageData(data, 0, 0); console.log('bye dep'); } fileReader.readAsArrayBuffer(depfiles[0].files[0]); } let inffiles = $("#inffile"); if (inffiles && inffiles[0].files && inffiles[0].files[0]) { let fileReader = new FileReader(); fileReader.onload = (event) => { var buffer = new Uint8Array(event.target.result); var ctx = document.getElementById("canvas-inf").getContext('2d'); var data = ctx.createImageData(w, h); for(var index = 0; index < w * h; index ++) { let i = index * 4; let pixel = Math.ceil((buffer[index*2 + 1] * 256 + buffer[index*2]) * 255 / infThresholdValue); if (pixel > 255) pixel = 255; data.data[i] = pixel; data.data[i + 1] = pixel; data.data[i + 2] = pixel; data.data[i + 3] = 255; } ctx.putImageData(data, 0, 0); console.log('bye inf'); } fileReader.readAsArrayBuffer(inffiles[0].files[0]); } } </script></body></html>ajax形式： ...

出品人：Towhee 技术团队 顾梦佳 因为大量的参数和其模型设计（注意力机制），基于 ViT 的模型通常比轻量级卷积网络慢几倍。因而，为实时应用程序部署 ViT 特地具备挑战性，尤其是在资源受限的硬件（如挪动设施）上。为了让 transformers 同时领有高性能和速度，EfficientFormer 从新扫视了 ViT 模型中应用的网络架构和运算符，引入一个维度统一的纯 Transformer 作为设计范例。 大量试验表明 EfficientFormer 系列模型在挪动设施上的性能和速度方面具备优越性。其中最快的模型 EfficientFormer-L1 在公开的图像数据集 ImageNet-1K 上实现了 79.2% 的 top-1 精度，在 iPhone 12 上的运行速度与 MobileNetV2×1.4 一样快。而最大的模型 EfficientFormer-L7 也可能以 7.0 毫秒的提早取得 83.3% 的准确率。EfficientFormer 证实正确设计的变压器能够使模型在放弃高性能的同时，在挪动设施上达到极低的提早。 Overview of EfficientFormer 基于提早剖析，EfficientFormer 的模型设计齐全基于 Transformers。该网络首先用一个卷积骨干用作 patch embedding，而后蕴含了一组 MetaBlock (MB)。其中 MB4D 和 MB3D 领有不同的 token mixer 配置，即以维度统一的形式排列的部分池化或全局多头自注意力。 相干材料： 代码地址：https://github.com/snap-resea...论文链接：EfficientFormer: Vision Transformers at MobileNet Speed更多材料：EfficientFormer：MobileNet 速度下的视觉Transformer

Lightroom Classic 2022是一款桌面照片编辑和管理软件，照片前期处理软件，数码摄影师必备工具，次要面向数码摄影师、图形设计等专业人士和高端用户，以及所有爱好拍照、须要拍照的人群，反对各种RAW图像相机配置，HDR全景照片，次要用于数码相片导入整顿、编辑解决、前期打印等制作。 应用Lightroom Classic ，您能够取得所需的所有桌面编辑工具，以便在照片中施展最佳性能。关上色彩，使黯淡的镜头充满活力，去除扩散注意力的物体，并拉直歪斜的镜头。 此外，最新版本提供了改良的性能，因而您能够比以往更快地工作。 Lightroom Classic 具备更好的性能，可让您导入照片，生成预览，并在创纪录的工夫内从Library挪动到Develop Module。应用范畴屏蔽工具能够依据色彩，亮度或深度轻松抉择要编辑的区域或对象。

ON1 Photo RAW 2022 for Mac反对超过 800 多个摄像头,还反对 JPEG、TIF、PSD、PSB、PNG 和 DNG。这款专业级照片管理器、原始处理器、分层编辑器和成果应用程序蕴含您在一个摄影应用程序中所需的所有。 ON1 Photo RAW 2022.5 for Mac(ps/lr滤镜raw图像编辑器) ON1 Photo RAW 2022 for Mac软件特色天空调换人工智能延时摄影创作者Photoshop 插件主机无噪声集成导出和备份/目录组织摄影师须要导入、筛选和组织他们的照片库的所有原料加工以极致的图像清晰度、靓丽的色调，并放弃最轻微的细节合并照片应用带有内置过滤器的完满合成和遮罩工具人工智能驱动的性能和集成用于编辑肖像和缩小噪点的色彩和色调弱小的成果照片成果、滤镜、LUT 和预设的最佳汇合调整大小、打印、共享显示最高品质的照片云同步和挪动在您的所有设施和计算机上捕获、编辑、整顿和同步您的照片灵活性齐全领有它或抉择每月或每年订阅，订阅者始终无需额定费用即可取得软件的最新次要降级专业级工具业余的照片管理器、原始处理器、分层编辑器和成果应用程序弱小的掩蔽在应用程序的任何中央应用 Photo RAW 弱小的遮罩

Lightroom Classic 2022是一款桌面照片编辑和管理软件，照片前期处理软件，数码摄影师必备工具，次要面向数码摄影师、图形设计等专业人士和高端用户，以及所有爱好拍照、须要拍照的人群，反对各种RAW图像相机配置，HDR全景照片，次要用于数码相片导入整顿、编辑解决、前期打印等制作。 装置LrC 2022中文版

近日，联结图像专家组JPEG颁布了JPEG AI规范平台提案后果，火山引擎多媒体实验室凭借软件平台BEE的优异体现，取得主观品质性能评比最佳问题。 JPEG是国际标准化组织、国际电工委员会和国际电信联盟的工作小组。信息“爆炸”时代，图像压缩对于互联网数据的传输和存储至关重要。得益于深度学习在图像压缩技术上的飞速停顿，JPEG AI小组公布了JPEG AI规范平台提案的征集，心愿构建全新的智能图像编码零碎，在晋升图片品质的同时，也能进步压缩性能。 来自世界各地的高校、科研院所、企业等数十家单位，提交了各自的软件平台计划。在雷同文件大小的前提下，图像压缩最重要的评估指标是人类的主观视觉感触。此次主观品质性能评比中，火山引擎软件平台BEE优于其余参赛软件平台，名列该项评比的榜首。 据悉，主动驾驶、媒体散发等场景对图像压缩技术有较高的要求，须要在无限带宽的条件下传输更多高质量图片。智能图像编码是人工智能技术在图像压缩上的跨畛域利用，在工业利用中具备微小后劲，是图像压缩的重要倒退方向。 火山引擎多媒体实验室负责人示意，BEE软件平台提出了多个翻新算法，解决了智能图像编码软硬件实现中的一系列难题，独创的“解耦式熵编码”技术更是化解了长期困扰端到端压缩的数据依赖，使得编解码速度有了根本性晋升。 据介绍，业界在智能图像编码过程中，熵编码与像素重建过程是高度耦合的，“这就如同一个力工和一个瓦工配合造房，力工每次给瓦工一块砖，等瓦工抹好水泥砌上并给出收条后，他才会去搬下一块。这在流程上造成了‘耦合’与‘依赖’，会影响造房效率。 ”火山引擎“解耦式熵编码”技术突破了这种制约，“力工不必再等瓦工抹水泥，只须要不停地搬砖放到指定地位就能够，甚至能够叫来更多力工一起搬。而瓦工也不必关注力工，只有指定地位有砖，他就能够不停地砌墙，从而大幅提高生产效率”。 图1：JPEG官网主观测试后果图，TEAM16、24为火山引擎的计划 图2：JPEG主观测试DMOS表，TEAM16、24为火山引擎的计划 测试结果表明，BEE平台的解码速度要比其余参赛软件平台高1-3个数量级，其速度曾经超过最新的规范H.266/VVC。在图形处理器GPU加持下，BEE平台解码工夫仅为H.266/VVC官网参考软件的一半。 火山引擎多媒体实验室是字节跳动旗下的钻研团队，致力于摸索多媒体畛域的前沿技术，参加国内、国内的标准化工作，其泛滥翻新算法曾经广泛应用在抖音、西瓜视频等产品的多媒体业务，并向火山引擎的企业级客户提供技术服务。

DxO PureRAW是一款弱小的raw图像处理工具！DxO PureRAW采纳了智能技术，以解决影响所有RAW文件的七个问题：去马赛克，降噪，波纹，变形，色差，不想要的渐晕，以及不足清晰度，从而能够在Adobe Photoshop，Lightroom或其余程序中对其进行润色之前创立更好的RAW文件。 性能开释Adobe Photoshop和Lightroom的RAW文件编辑性能，这要归功于DxO独有的去马赛克，去噪和镜头缺点校对技术，从而能够在Adobe Photoshop，Lightroom或其余程序中对其进行润色之前创立更好的RAW文件。污浊，无瑕疵且无噪音的RAW照片DxO PureRAW的人工智能在保留细节与打消乐音之间达到了完满的均衡。DeepPRIME技术解决了您背后的这些问题，并且比您更好。您的镜头应该失去最好的校对。应用DxO专门设计的光学模块，能够主动校对设施中的缺点。复原旧的RAW文件从新开始编辑因为图像品质差，噪点或不足清晰度而搁置的旧照片。DxO PureRAW给您另一个机会。细节在于完满享受大幅面照片：DxO PureRAW揭示了您捕捉的每种纹理的所有细节和技巧，因而您能够享受令人难以置信的纯照片。柔和，无颗粒的散景永恒删除相机在照片的含糊区域中创立的“寄生”颗粒。DxO PureRAW为您的图像削减了令人难以置信的柔韧性。简化照片编辑操作只需单击几下即可应用DxO PureRAW，而后再应用惯例编辑软件，即可将RAW文件转换为DNG文件，而无需滑动器或进行简单的调整。 下载：https://www.macz.com/mac/8106...

近日，第五届深度学习图像压缩挑战赛（以下将简称“ CLIC 大赛”）比赛结果颁布，首次参赛的火山引擎视频云多媒体实验室夺得视频压缩赛道第一名。压缩技术对于图像、视频利用非常重要。在保障同样的品质前提下，如何将图像压缩到更小的体积便于互联网信息传输，火山引擎视频云团队一直冲破压缩技术“天花板”。 以后字节跳动高峰期每秒需解决近百万张图片，基于今日头条、抖音等亿级 DAU 的实际打磨，与国内当先的压缩技术，火山引擎视频云打造图像一站式解决方案 veImageX ，笼罩上传、存储、解决、散发、展现、品质监控全链路，涵盖图像生产、图像生产、云平台三大利用场景。 图像生产图像生产场景次要将业务产生的图像写入图像存储中，起源包含用户端的图像上传、在镜像站或三方云的存储（按需拉取或全量迁徙）、在火山引擎的独立存储桶、业务自主合成的图片等。 图像生产图像生产环节提供了图片 URL 打包、图片实时处理链路、端数据上报等能力。 业务 URL 签发： 签发过程中会调用 veImageX 的签发服务，而后下发图片 URL 到业务客户端。通过签发的图片 URL ，携带了有效期和签名信息，能够无效避免 URL 盗链、 URL 篡改、域名盗用等。 客户端生产：业务图片加载 SDK ，实现图片下载、解码、展现、拜访数据上报一系列操作。客户端上报的数据，经数据上报核心荡涤后，会存储到数据仓库，供查问、监测图片的拜访性能、错误率等指标应用。 网络散发：在图片下载过程中，一般来说会首先拜访 CDN 。若 CDN 未缓存，则会触发回源，申请由源站接入层转发到图片静图服务。该服务次要负责拜访权限的校验、流量管制、图片资源下载以及动态图片的主体解决流程。申请处理过程中，对于须要利用图片算法、HEIF 静图 FPGA 编码的场景，图片静图服务会通过 RPC 申请 Lambda 计算平台，相应的能力已通过近程可调用函数的形式在平台上部署。对于 FPGA 不能反对的图片（分辨率过大或过小），会发送到 CPU 平台的 HEIF 静图编码服务做解决。对于动图转码解决的申请，图片静图服务会发送到动图服务做解决。因为动图的帧数有多有少，对于帧数多、分辨率高的大动图，当申请解决超过肯定工夫后，动图服务会将同步解决转为异步形式运行，并长期返回原图作为降级后果，待降级后果在 CDN 上的缓存生效后，相应的申请会再次回源，此时能够拿到异步解决后的图片。当图片静图服务实现图片申请的解决后，申请相应的数据会存入数据仓库，供数据分析、计费推量应用。 云平台veImageX 控制台作为一站式云平台，为用户提供了租户治理、配置下发、用量查问、品质监控、算法与算子治理等性能。 控制台的申请通过网关发往 veImageX 后端服务。 平台治理，相干的 OpenAPI 撑持了平台侧配置管理、用量查问、品质监控等能力。波及到后两者的场景，须要查问数据仓库获取对应的数据。波及到域名的场景，须要依赖 veImageX 的域名治理服务，和接入与散发的各个组件交互。 算子仓库，图像算法开发人员借此能够不便地治理、公布、运维图片算法模型。云数据迁徙服务则负责了图片生产场景中数据迁徙工作的治理。创意魔方服务实现了多图合成的能力，业务能够通过创意魔方附加组件创立款式，而后动静替换文字、图片，批量生产图片，实用于海报制作、商品图片合成等场景。 离线调用，作为图片实时散发链路的补充，这里还提供了图片算法的离线调用，蕴含了所有图片算法的 OpenAPI 。此外图片离线转码剖析平台能够应答批量图片的离线转码、画质剖析等场景。 veImageX 的技术演进历程veImageX 这些能力的造成并非欲速不达，而是随同着字节跳动的业务倒退一路成长。 ...

Retrobatch mac版是一款图像批量设计工具，能够批改图片的大小尺寸、格局以及色彩，并且你还可能为这些图片批量加上本人的水印成果。这样就能够防止图片被其他人盗用了。灵便基于节点的批处理图像处理器意味着您能够将不同的操作混合，匹配和组合在一起，以实现完满的工作流程。超级充电每个操作的节点，从应用AppleScript将DPI更改为旋转到机器学习到自定义行为。优化您的图像，以便通过Internet疾速交付。批处理一个图像或数千个图像，反对读写通用文件格式，创立多个输出和多个输入。 下载：https://www.macz.com/mac/5953...

LRTimelapse是一款弱小的提早摄影工具，能够配合Adobe Camera RAW 和 Adobe After Effects、Adobe lightroom等程序来进行特效解决，次要是通过设置关键帧、均衡曝光、去除闪动等操作，再辅以渲染操作能够为你制作出延时摄影的成果。 性能特色动画和关键帧曝光，白平衡和其余任何Lightroom编辑工具。您能够应用Lightroom / ACR的全副后劲进行调色，甚至还能够制作突变，径向和油漆刷子过滤器让时间推移摄影的“圣杯” - （白天到黑夜的过渡）非常简单 - 只需在拍摄时手动调整相机或应用诸如qDslrDashboard之类的ra子机即可。只需点击一下Deflicker - 基于开发的图像的外观，而不用来到RAW工作流程。这给你最好的品质可能。与弱小的lrTExport插件无缝集成Lightroom CC Classic高性能的视频渲染引擎，可解决高达8K分辨率的高质量视频和MP4 / H.264，ProRes（甚至Windows），H.265和MJpeg。 下载：https://www.macz.com/mac/1289...

Pixelmator Pro 是一款能够和ps媲美的业余的图像编辑工具，可让您施展照片中的最佳成果，创立富丽的构图和设计，绘制，利用令人惊叹的成果，设计丑陋的文本，以及编辑图像任何你能设想的形式。Pixelmator 领有大量用于编辑和润饰照片，创立图形设计，绘画，绘制矢量图形以及增加令人惊叹的成果的工具。 软件下载：https://www.macz.com/mac/5180...

近来，Lightroom Classic 2022 11.4.1版本更新！最新版Lightroom Classic 2022与旧版相比新增了许多新的性能，优化了细节。如：当初，您能够在Lightroom 应用编辑滑杆和「影片预设集」编辑影片。合并编辑工作流程，达成一致性美学！新版本减少新的「反转遮色片」选项可让您在群组和元件层级反转遮色片。您也能够抉择「复制并反转遮色片」。还有增强预设集的声援：应用「预设集总量滑杆」调整所套用预设集的强度。此外，也能够试试「最适化预设集」(可在 Lightroom 桌面版中应用)，以将预设集疾速套用至相片中的天空和主体...

当咱们在日常浏览视频网站、查看公众号文章时，精美的图片封面往往更容易吸引咱们去点击。像咱们的技术类文章如果能在文中交叉一些有意思、简明扼要或有动感的图片，就看起来特地的有层次感。 一、什么样的图片适宜咱们反对CC0收费商用协定的图片，是没有版权危险的，当然咱们不是法律人士，但这是咱们在网上多番搜寻得出的共识！ 二、图片素材起源目前网上得悉最靠谱的CC0协定图片库网站次要有Pixabay（pixabay.com）不过这个站点应用人数较多，简直没有其余同体量的cc0站点，所以有时关上比较慢，下面除了图片还有音视频、音效等资料 如何取得公众号文章的图片公众号文章的图片大都通过作者精美构思，或虚夸或低调都很吸引眼球，而这张图片往往不在注释中，无奈间接下载，通过浏览器关上，查看原文，搜寻cdn关键字能够找到，当然当初有很多现成的工具能够间接对源码进行正则匹配的提取，如微信公众号封面获取 - Toolzl工具 把文章的url粘过去即可。 三、图片加工解决图片的解决方法有很多，常见ps等牛刀，还有Online站点、手机app端，这里解说咱们罕用的解决工具 1)、人像抠图解决应用这个在线网站能够疾速抠图 上传图片 – remove.bg，产出PNG, 成果如下非付费用户只能下载低分辨率的小图，所以咱们可能须要用到上面这个工具，进行组合应用 2)、AI放大github上这个友人的工具，还是十分实用的 Releases · lltcggie/waifu2x-caffe (github.com) 咱们来试一下放大的成果，是不是很棒啊 3)、PPT叠图你没看错，PS咱们也不会，然鹅PPT来叠图、出图还是很容易做出精美图片，还能够当提词器、做提纲，十分的棒！ 如本文的图片，其实就是个百度找来的背景图+红色长条形+绿色五边形的文字组合，创意来自网上学习~ 当然，图片是在ppt中用iSlide进行对立导出，所以十分不便，倡议iSlide官网下载安装一个，收费就够用了！ 4)、制作gif动图工具有很多，都很玲珑，这里举荐用ScreenToGif，一个500K的小软件，设置好屏幕陆坪区域，而后用快捷键F7、F8进行开始和完结录制，再进行微调，可导出Gif、Avi等格局 写在最初好的工具、稳固的开发环境能够大幅提高工作效率，作者将本人日常积攒的教训分享进去心愿能帮忙更多的敌人! 码字不易，请多给点激励，【求评论、求点赞、求珍藏】

aircv是网易放出的小开源我的项目，应该也是当初做简略图像匹配被援用最多的我的项目了。上一篇做了如何应用aircv之find_template的形容，然而，它并不算是一个成熟的我的项目，外面的小坑不少，有待改良。明天先做个代码逻辑的解析。 外围函数find_template 与 find_all_templatefind_template函数是返回第一个最匹配的后果（地位未必在最下面），而find_all_template是返回所有大于指定置信度的后果。 比方要在思否页面截图中找后果如如下图所示： 咱们深刻进去看一下代码，就会发现find_template是这样写的: def find_template(im_source, im_search, threshold=0.5, rgb=False, bgremove=False): ''' @return find location if not found; return None ''' result = find_all_template(im_source, im_search, threshold, 1, rgb, bgremove) return result[0] if result else None好家伙! 间接调用find_all_template，而后取返回值的第一个。。。 所以find_all_template才是真正的外围，咱们排除掉无关代码，来看一下最要害的局部： def find_all_template(im_source, im_search, threshold=0.5, maxcnt=0, rgb=False, bgremove=False): # 匹配算法，aircv实际上在代码里写死了用CCOEFF_NORMED，大部分测试的成果，也的确是这个算法更好 method = cv2.TM_CCOEFF_NORMED # 获取匹配矩阵 res = cv2.matchTemplate(im_source, im_search, method) w, h = im_search.shape[1], im_search.shape[0] result = [] while True: # 找到匹配最大最小值 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) top_left = max_loc if max_val < threshold: break # 计算中心点 middle_point = (top_left[0]+w/2, top_left[1]+h/2) # 计算四个角的点，存入后果集 result.append(dict( result=middle_point, rectangle=(top_left, (top_left[0], top_left[1] + h), (top_left[0] + w, top_left[1]), (top_left[0] + w, top_left[1] + h)), confidence=max_val )) # 把最匹配区域填充掉，再持续查找下一个 cv2.floodFill(res, None, max_loc, (-1000,), max_val-threshold+0.1, 1, flags=cv2.FLOODFILL_FIXED_RANGE) return result其中cv2.matchTemplate是opencv的办法，它的返回值是个矩阵，相当于用小图在大图上滑动，从左上角开始，每次挪动一个像素，而后计算一个匹配后果，最终造成后果矩阵。 ...

我的开源我的项目SimpleRPA外面，始终应用aircv的find_template办法来做图像匹配，最常见的场景就是从屏幕截图中，查找事后截好的小图，来确定下一步鼠标点击的地位： 比方在上面的钉钉PC端主页面中： 咱们来查找企业logo的地位： aircv是网易保护的一个小我的项目，外面有几个图像处理工具函数，它的装置很简略： pip install aircv其中被应用最多的，就是这个find_template办法，根本用法如下： import aircv as acmatch_result = ac.find_template(image_origin, image_template, threshold, bgremove)几个参数别离示意 image_origin：被查找的源图（下面实例中的钉钉主页面截图），要留神源图的宽和高，都必须大于或等于模板图image_template：要查找的模板小图（下面实例中的logo）threshold：最小置信度，在0到1之间。因为图像匹配并不需要每个像素准确统一，能够含糊匹配，所以这个值设定得越高，找到的区域就越靠近模板图，但设得太高就有可能找不到。bgremove：是否去除背景。如果这个值设置为True，那么函数外部会用Canny算子先提取图像轮廓，再做查找返回值match_result是个dict构造： match_result:{ 'result': (x,y), #tuple，示意辨认后果的中心点 'rectangle':[ #二位数组，示意辨认后果的矩形四个角 [left, top], [left, bottom], [right, top], [right, bottom] ], 'confidence': percentage #辨认后果的置信度,在0-1之间，越大越精准}这样咱们就能够用返回值在图片上标出矩形框的地位： import cv2rect = match_result['rectangle']cv2.rectangle(img_result, (rect[0][0], rect[0,1]), (rect[3][0], rect[3][1]), (0, 0, 220), 2) 这个find_template办法只返回一个最可信的后果，如果源图中有多个模板图，都想找回来那么须要find_all_template函数，参数齐全一样，只是返回值是个match_result数组。 然而这个库很久没有保护了，我给它提交了一个PR，也没人理，还是有一些坑的，当前再缓缓聊。

前言这两周实习须要应用python+opencv实现一个图像处理的程序，咱们组实现的是车牌辨认程序。借此机会略微理解一些图像处理的常识。 灰度化当咱们拿到一个照片后，首先进行灰度化解决将彩色照片变成灰色照片，因为一些办法只能解决灰色图像。将彩色图像变为灰色图像的过程称为灰度化。 灰度化，在RGB模型中，如果R=G=B时，则黑白示意一种灰度色彩，其中R=G=B的值叫灰度值，因而，灰度图像每个像素只需一个字节寄存灰度值（又称强度值、亮度值），灰度范畴为0-255。这让我想到了以前的黑白电视机，当初猜测以前只有黑白电视机的起因之一是传输速率没有那么高，应用灰度图像比彩色图像缩小3/2数据。假如一个像素点示意为f(x,y)=(r,g,b)那么变为灰色图像的的原理是f(x,y)=0.21r+0.71g+0.07+b成果如图 卷积在理解边缘检测之前，先理解卷积的概念假如取出边缘一圈0的两头是咱们灰度化后的图像，咱们先在外圈补一圈0，而后与咱们的3*3的卷积核(这是咱们本人定义的)，顺次相乘求和，失去新的图像。如上图淡黄色里的每一个数值与对应地位黄色的每一个数值相乘而后求和。失去新的数值。而后咱们将淡黄色右移一格，失去邻近的数值，顺次失去新的图像。 边缘检测 边缘检测用于找到一个物体的边缘，咱们先察看一下一格物体的边缘有什么特点，如上图中人的肩膀，肩膀左下侧图像亮一些，肩膀外图像暗一些，肩膀轮廓左右图像灰度值变动较大。咱们找的边缘就是灰度值变动大的点。咱们在连续函数中求变动大的办法是导数。然而在离散的图像中求变化率用到了卷积。该办法蕴含两组3x3的矩阵，别离为横向及纵向，将之与图像作卷积，即可别离得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy别离代表经横向及纵向边缘检测的图像，其公式如上。、成果如图

摘要：具体介绍图像去雾算法，通过图像增强后的图像也能利用于指标检测、图像分类或物联网检测等畛域，并且成果更好。本文分享自华为云社区《图像预处理之图像去雾详解》，作者： eastmount。 一.图像去雾随着社会的倒退，环境污染逐步加剧，越来越多的城市频繁呈现雾霾，这不仅给人们的身体健康带来危害，还给那些依赖图像信息的计算机视觉零碎造成了不良影响，因为在雾天采集到的图像对比度和饱和度均较低，色彩易产生偏移与失真等。因而，寻找一种简略无效的图像去雾办法，对计算机视觉的后续钻研至关重要。 该局部次要从下列几篇论文摘取对图像去雾算法进行遍及，援用及参考中文论文： • 魏红伟, 等. 图像去雾算法钻研综述[J]. 软件导刊, 2021.• 王道累, 等. 图像去雾算法的综述及剖析[J]. 图学学报, 2021.• OpenCV图像增强万字详解（直方图均衡化、部分直方图均衡化、主动色调均衡化）- Eastmount 图像增强（Image Enhancement）是指依照某种特定的需要，突出图像中有用的信息，去除或者减弱无用的信息。图像增强的目标是使解决后的图像更适宜人眼的视觉个性或易于机器辨认。 在医学成像、遥感成像、人物摄影等畛域，图像增强技术都有着宽泛的利用。图像增强同时能够作为指标辨认、指标跟踪、特色点匹配、图像交融、超分辨率重构等图像处理算法的预处理算法。 近些年来，呈现了泛滥的单幅图像去雾算法，利用比拟宽泛的有： • 直方图均衡化去雾算法• Retinex去雾算法• 暗通道先验去雾算法• 基于卷积神经网络的DehazeNet去雾算法 其次要能够分为 3 类：基于图像增强的去雾算法、基于图像复原的去雾算法和基于 CNN 的去雾算法。 (1) 基于图像增强的去雾算法通过图像增强技术突出图像细节，晋升对比度，使之看起来更加清晰，这类算法的适用性较广。具体的算法有： • Retinex 算法依据成像原理，打消了反射重量的影响，达到了图像增强去雾的成果• 直方图均衡化算法使图像的像素散布更加平均，放大了图像的细节• 偏微分方程算法将图像视作一个偏微分方程，通过计算梯度场进步对比度• 小波变换算法对图像进行合成，放大有用的局部 此外，在这类算法的根底上呈现了泛滥的基于图像增强原理的改良算法。 (2) 基于图像复原的去雾算法次要是基于大气散射物理学模型，通过对大量有雾图像和无雾图像进行察看总结，失去其中存在的一些映射关系，而后依据有雾图像的造成过程来进行逆运算，从而复原清晰图像。其中最经典的要属何恺明大佬提出的： • 暗通道先验去雾算法通过对大量无雾图像进行特征分析，找到了无雾图像与大气散射模型中某些参数的先验关系。该算法复杂度低，去雾成果好，因而在其根底上呈现了大量基于暗通道先验的改良算法。 (3) 基于CNN的去雾算法应用 CNN 建设一个端到端的模型，通过有雾图像复原出无雾图像，目前应用神经网络进行去雾的算法次要有两种思路： 应用 CNN 生成大气散射模型的某些参数，而后再依据大气散射模型来复原无雾图像应用 CNN (例如 GAN)间接依据含糊图像生成无雾的清晰图像CNN 因其弱小的学习能力在多个畛域失去利用，因而也呈现了采纳 CNN 进行去雾的算法。2016年CAI等首次提出了一种名为DehazeNet的去雾网络，用于预计有雾图像的透射率。DehazeNet 将有雾的含糊图像作为输出，输入其透射率，基于大气散射模型实践复原出无雾的清晰图像。 下图是别离对直方图均衡化、暗通道先验去雾、DehazeNet和AOD-Net去雾算法进行测试，试验后果如图所示。由图可知，基于图像增强的直方图均衡化算法的去雾图像对比度明显增强，因为不思考降质起因，在减少对比度的同时也对噪声进行了放大，呈现细节失落与色调偏差景象。基于物理模型的暗通道去雾算法、基于神经网络的 DehazeNet 和 AOD-Net 算法的去雾成果较直方图均衡化算法更佳。 其余去雾算法比照后果如下图所示，比方城市和路线有无图像去雾成果比照。 最初，正如总结王道累老师总结的一样，目前针对有雾图像去雾的算法次要是从基于图像增强、图像复原和 CNN 3 个方向进行的。 • 基于图像增强的办法不思考有雾图像的造成过程，而是间接通过突出图像的细节，进步对比度等形式，从而使有雾图像看上去更加清晰。• 基于图像复原的办法则是追寻图像降质的物理过程，通过物理模型还原出清晰的图像。• 基于 CNN 的办法则是利用神经网络弱小的学习能力，寻找有雾图像与图像复原物理模型中某些系数的映射关系或者应用 GAN，依据有雾图像还原出无雾的清晰图像。 ...

工作：抉择典型图像（football.jpg）为钻研对象1.显示原图像2.将图像旋转45°并进行显示（不调用自带函数，利用矩阵变换） 原理：（原文链接：https://blog.csdn.net/Bryan_Q...） 以坐标原点为核心旋转的原理点p0绕坐标原点逆时针方向旋转角度失去点p1 $$ \begin{bmatrix} cos() & -sin & 0\\ sin & cos() & 0 \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} x_0\\ y_0\\ 1 \end{bmatrix} = \begin{bmatrix} x_1\\ y_1\\ 1 \end{bmatrix}$$ 以任意图形中心点为坐标原点旋转原理（这合乎MATLAB的零碎空间坐标设置，绕核心旋转能够统一化几何变换问题，原点旋转解决具备个体化） 从上图可知，以任意图形核心为坐标原点旋转须要三步： （1）将坐标系I变成坐标系II注：坐标系I合乎MATLAB的零碎空间坐标设置，坐标系II中，图形核心是坐标原点。 $$ \begin{bmatrix} 1 & 0 & -0.5w\\ 0 & -1 & 0.5h \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} XI\\ YI\\ 1 \end{bmatrix} = \begin{bmatrix} XII\\ YII\\ 1 \end{bmatrix}$$ (2)将坐标系II旋转角 $$ \begin{bmatrix} cos() & -sin & 0\\ sin & cos() & 0 \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} x_0\\ y_0\\ 1 \end{bmatrix} = \begin{bmatrix} x_1\\ y_1\\ 1 \end{bmatrix}$$ ...

摘要：信用卡辨认的案例用到了图像处理的一些基本操作，对刚上手CV的人来说还是比拟敌对的。本文分享自华为云社区《Python openCV案例：信用卡数字辨认》，原文作者：深蓝的回音 。 前言实际是测验真谛的唯一标准。 因为感觉一板一眼地学习OpenCV太过干燥，于是在网上找了一个以我的项目为导向的教程学习。话不多说，动手做起来。 一、案例介绍提供信用卡上的数字模板： 要求：辨认出信用卡上的数字，并将其间接打印在原图片上。尽管看起来很蠢，但既然能够将数字打印在图片上，阐明曾经胜利辨认数字，因而也能够将其转换为数字文本保留。车牌号辨认等我的项目的思路与此案例相似。 示例： 原图 解决后的图 二、步骤大抵分为如下几个步骤：1.模板读入2.模板预处理，将模板数字离开，并排序3.输出图像预处理，将图像中的数字局部提取进去4.将数字与模板数字进行匹配，匹配率最高的即为对应数字。 1、模板读入，以及一些包的导入，函数定义等import cv2 as cvimport numpy as npimport myutilsdef cv_show(name, img): # 自定义的展现函数 cv.imshow(name, img) cv.waitKey(0)# 读入模板图n = 'text'img = cv.imread("images/ocr_a_reference.png")# cv_show(n, template) # 自定义的展现函数，不便显示图片2、模板预处理，将模板数字离开，并排序 模板的预处理程序：灰度图，二值化，再进行轮廓检测。须要留神的是openCV检测轮廓时是检测红色边框，因而要将模板图的数字二值化变为红色。 # 模板转换为灰度图ref = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# cv_show(n, ref)# 转换为二值图,把数字局部变为红色ref = cv.threshold(ref, 10, 255, cv.THRESH_BINARY_INV)[1] # 骚写法，函数多个返回值为元组，这里取第二个返回值cv_show(n, ref)# 对模板进行轮廓检测，失去轮廓信息refCnts, hierarchy = cv.findContours(ref.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)cv.drawContours(img, refCnts, -1, (0, 0, 255), 2) # 第一个参数为指标图像# cv_show(n, img) ...

明天 Gitee 为开发者们举荐的六款开源我的项目，蕴含了 Canvas 渲染引擎、图床、矢量图形渲染库、SVG生成工具、图片合成工具等，充沛满足开发者们在开发过程中的图像处理需要。话不多说，咱们间接往下看： 1.quark-renderer我的项目作者： quark-renderer 开源许可协定： BSD-3-Clause 我的项目地址：https://gitee.com/quark-renderer/quark-renderer 一款轻量且弱小的 Canvas(&SVG) 渲染引擎，从 ZRender 改良而来。 2.picbed我的项目作者： staugur 开源许可协定： BSD-3-Clause 我的项目地址：https://gitee.com/staugur/picbed 基于Flask的Web自建图床，反对存储到本地、又拍云、七牛云、阿里云OSS、腾讯云COS、GitHub、Gitee 等。 3.picasso2d我的项目作者： onecool 开源许可协定： BSD-3-Clause 我的项目地址：https://gitee.com/picasso2d/picasso2d Picasso 2D 是一款高质量的2D矢量图形渲染库。 它反对path，matrix，gradient，pattern，image和truetype字体。 4.SvgBadgeTool我的项目作者： Hamm 开源许可协定： MuLanPSL-2.0 我的项目地址：https://gitee.com/hamm/svg_badge_tool Svg Badge Tool是一个疾速生成SVG的小工具，反对传入参数进行生成svg的可外链小图标。 5.orly我的项目作者： 楠木 开源许可协定： MIT 我的项目地址：https://gitee.com/nanmu42/orly O'RLY 封面工厂是一个娱乐性的书籍封面生成器， 反对输出多种语言。 O'RLY 基于Golang和Vue.js实现。 6.image-combiner我的项目作者： opensourcechen 开源许可协定： MIT-996 我的项目地址：https://gitee.com/opensourcechen/image-combiner ImageCombiner是一个专门用于图片合成的工具，没有很简单的性能，简略实用，从理论业务场景登程，提供简略的接口，几行代码即可实现图片拼合（当然用于合成水印也能够），素材上反对图片和文本两种，反对定位、缩放、圆角、透明度、色彩、字体、字号、删除线、居中绘制、文本主动换行等个性，足够笼罩图片合成的日常需要。 点击前面的链接，去 Gitee 上看看更多的图像处理类开源我的项目：https://gitee.com/explore/image-processing

前言本文次要是为了给宽图片高低补边试验环境Windows 10 2004Python 3.8.3Pillow 7.1.2代码# encoding: utf-8# author: qbit# date: 2020-09-2# summary: 给宽图片高低补白边，让其满足肯定比例，而后缩放到指定尺寸import mathfrom PIL import Imagedef add_white_edge(inImgPath, outImgPath, width, height): r""" 给宽图片高低补白边，让其满足肯定比例，而后缩放到指定尺寸 inImgPath: 输出图片门路 outImgPath: 输入图片门路 width: 最终宽度 height: 最终高度 """ print(f'{inImgPath}') inImg: Image.Image = Image.open(inImgPath) bgWidth = inImg.width bgHeight = inImg.height if bgWidth > bgHeight: bgHeight = math.ceil((bgWidth * height) / width) # 创立一个红色背景图片 bgImg: Image.Image = Image.new("RGB", (bgWidth, bgHeight), (255, 255, 255)) bgImg.paste(inImg, (0, round((bgHeight - inImg.height) / 2))) bgImg.resize((width, height), Image.LANCZOS).save(outImgPath)if __name__ == "__main__": add_white_edge('wide.jpg', 'wide_out.jpg', 108, 150)示例输出图片样例（点击图片查看边框） ...

void convert_yuv420p_to_rgb_buffer(unsigned char* yuv, unsigned char* rgb, unsigned int width, unsigned int height) { int y, u, v; int r, g, b; unsigned char* rgbPixel = rgb; unsigned char* yuvPixel = yuv; unsigned char* uHeader = yuv + width * height; unsigned char* vHeader = yuv + width * height + (width * height) / 4; int half_width = width / 2; for (int j = 0; j < height; j++) { for (int i = 0; i < width; i++) { y = *yuvPixel; yuvPixel++; u = *(uHeader + (i / 2 + (j / 2 * half_width))); v = *(vHeader + (i / 2 + (j / 2 * half_width))); // yuv to rgb, 整数、移位， 缩小计算量 r = y + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; } } } void convert_yuv420sp_to_rgb_buffer(unsigned char* yuv, unsigned char* rgb, unsigned int width, unsigned int height) { int y, u, v; int r, g, b; unsigned char* rgbPixel = rgb; unsigned char* yuvPixel = yuv; unsigned char* uHeader = yuv + width * height; //unsigned char* vHeader = yuv + width * height + (width * height) / 4; int half_width = width / 2; for (int j = 0; j < height; j++) { for (int i = 0; i < width; i++) { y = *yuvPixel; yuvPixel++; u = *(uHeader + (i / 2 + (j / 2 * half_width)) * 2); // 留神： 因为是整数乘除， 这里 (i / 2 * 2) 不肯定都等于 i, 不要简化。 v = *(uHeader + (i / 2 + (j / 2 * half_width)) * 2+1); // yuv to rgb, 整数、移位， 缩小计算量 r = y + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; } } } void convert_yuyv_to_rgb_buffer(unsigned char* yuv, unsigned char* rgb, unsigned int width, unsigned int height) { unsigned int i; unsigned char* rgbPixel = rgb; unsigned char* yuvPixel = yuv; int y0, u, y1, v; int r, g, b; for (i = 0; i < width * height / 2; i++) { y0 = *yuvPixel; yuvPixel++; u = *yuvPixel; yuvPixel++; y1 = *yuvPixel; yuvPixel++; v = *yuvPixel; yuvPixel++; // yuv to rgb, 整数、移位， 缩小计算量 r = y0 + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y0 - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y0 + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; // yuv to rgb, 整数、移位， 缩小计算量 r = y1 + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y1 - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y1 + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; } }

void convert_yuv420p_to_rgb_buffer(unsigned char* yuv, unsigned char* rgb, unsigned int width, unsigned int height) { int y, u, v; int r, g, b; unsigned char* rgbPixel = rgb; unsigned char* yuvPixel = yuv; unsigned char* uHeader = yuv + width * height; unsigned char* vHeader = yuv + width * height + (width * height) / 4; int half_width = width / 2; for (int j = 0; j < height; j++) { for (int i = 0; i < width; i++) { y = *yuvPixel; yuvPixel++; u = *(uHeader + (i / 2 + (j / 2 * half_width))); v = *(vHeader + (i / 2 + (j / 2 * half_width))); // yuv to rgb, 整数、移位， 缩小计算量 r = y + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; } } } void convert_yuv420sp_to_rgb_buffer(unsigned char* yuv, unsigned char* rgb, unsigned int width, unsigned int height) { int y, u, v; int r, g, b; unsigned char* rgbPixel = rgb; unsigned char* yuvPixel = yuv; unsigned char* uHeader = yuv + width * height; //unsigned char* vHeader = yuv + width * height + (width * height) / 4; int half_width = width / 2; for (int j = 0; j < height; j++) { for (int i = 0; i < width; i++) { y = *yuvPixel; yuvPixel++; u = *(uHeader + (i / 2 + (j / 2 * half_width)) * 2); // 留神： 因为是整数乘除， 这里 (i / 2 * 2) 不肯定都等于 i, 不要简化。 v = *(uHeader + (i / 2 + (j / 2 * half_width)) * 2+1); // yuv to rgb, 整数、移位， 缩小计算量 r = y + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; } } } void convert_yuyv_to_rgb_buffer(unsigned char* yuv, unsigned char* rgb, unsigned int width, unsigned int height) { unsigned int i; unsigned char* rgbPixel = rgb; unsigned char* yuvPixel = yuv; int y0, u, y1, v; int r, g, b; for (i = 0; i < width * height / 2; i++) { y0 = *yuvPixel; yuvPixel++; u = *yuvPixel; yuvPixel++; y1 = *yuvPixel; yuvPixel++; v = *yuvPixel; yuvPixel++; // yuv to rgb, 整数、移位， 缩小计算量 r = y0 + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y0 - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y0 + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; // yuv to rgb, 整数、移位， 缩小计算量 r = y1 + ((360 * (v - 128)) >> 8); r = r > 255 ? 255 : (r < 0 ? 0 : r); *rgbPixel = r; rgbPixel++; g = y1 - (((88 * (u - 128) + 184 * (v - 128))) >> 8); g = g > 255 ? 255 : (g < 0 ? 0 : g); *rgbPixel = g; rgbPixel++; b = y1 + ((455 * (u - 128)) >> 8); b = b > 255 ? 255 : (b < 0 ? 0 : b); *rgbPixel = b; rgbPixel++; } }

文章导读在日常工作中，我们经常会遇到图像文件过大的问题，这时候就需要对图像文件进行压缩处理。市面上也有很多优秀的压缩工具，但是难免会遇到压缩率低、压缩之后变模糊、收费等一些情况，下面分享的一款软件就很好的解决了这个问题。 软件介绍Recompressor是一个追求将图像进行最佳压缩的在线工具，压缩的全程中通过浏览器提供在线文件完整预览，在文件尺寸和质量之间取得完美平衡，该网站使用完全免费并且无广告，支持用户自定义压缩方式，超高颜值等等优秀的地方。总结一下，具有一下特点: 1.超高颜值 2.操作方便 3.自定义压缩方式 4.实时查看压缩率 5.纯免费 6.数据安全 7.处理速度快 网站地址网站地址 效果预览