标签:#ImageProcess

Posts

· 2017-11-27 · * ImageProcess *

近期因为要用到图像缩放技术,因此考察了关于图像缩放的方法,初步归纳以下两点:

重建方法:通过各种重建函数将离散数字图像重建为连续数学模型,再对连续模型进行冲采样得到差值点。

  • 最近邻域法
  • 双线性内插法(一阶样条方法)
  • 三次内插法
  • 卷积方法
  • 基于数学形态学的图像放大技术,利用线性插值和梯度计算
  • 高阶样条缩放方法,利用斜投影算子构造简单快速的图像缩放算法。
  • 基于Bezier曲面的放大方法
  • 利用边界分割技术对图像进行放大
  • 非线性变分问题数值方法
  • 广义B样条插值和逼近技术
  • 利用多神经网络
  • 斜坡边界模型
· 2017-11-21 · * ImageProcess *

一、 基于梯度的算法

1、Roberts边缘检测算子
X方向:

1 0
0 -1

Y方向:

0 1
-1 0
· 2017-11-20 · * ImageProcess *

按照学术界的说法,一个好的边缘检测算法需要满足三个条件:好的检测、好的定位、最小响应。换个说法:又好、又准、又快。
本文只讨论怎么从一个形象的角度理解边缘检测,其中不涉及多少复杂和严谨的推论,只求简单明了。
从数学角度看一副图像,当一个点的在某个梯度方向上的梯度幅值达到某阈值时,即可判断该像素点为边缘。通俗来讲,梯度幅值代表了当前像素点是与周围像素是有多么的不同,而梯度方向代表了这个像素点是跟周围哪个地方的不同更多一点,上边?下边?还是左边?右边?
所以,寻找图像边缘,对于个人来说的是找哪个地方跟周围比较显得与众不同,对于数学来说,就是计算某个像素的梯度幅值。
为此,出现了一种叫做Sobel算子的东西,书写形式如下所示:

z1 z2 z3
z4 z5 z6
z7 z8 z9

这是一个简单的3×3的例子,也就是说,这个例子通过研究一个点,姑且叫做[i,j],周围紧挨着它一圈的其它点的情况,来判断它是不是一个边缘。
继续按照数学原理来研究,取一个例子来说,X方向梯度算子如下所示: