谭升
非主流人工智能科学家 我和外面那些妖艳的货不一样

Category: 图像处理

【数字图像处理】8.3:彩色图像-色彩空间 CMY(K)空间 0

【数字图像处理】8.3:彩色图像-色彩空间 CMY(K)空间

首先必须要说一下光的彩色和染料的颜色有什么不同,首先看到的光的颜色就是光的颜色,比如看到光是红色的,那么这就是红色的光,但染料颜色和光的颜色不同,我们看到的染料颜色是它反射的颜色,也就是说你看到红色的染料,其实它是非红色的(也就是青色),也就是染料本身的颜色是所看到的相反的颜色。

【数字图像处理】8.0:彩色模型,CIE XYZ,CIE RGB 0

【数字图像处理】8.0:彩色模型,CIE XYZ,CIE RGB

颜色的根本来源人类对光的一种心理学感知,而光具有波粒二象性,我们只关心其波性质,原因是人类感官对不同波长的光的反应不同,继而从认知的层次产生了颜色,即光本身没有颜色这个属性,而是人们根据个人需要,把感受到的不同波长定义了不同的颜色。

【数字图像处理】7.10:灰度图像-图像分割 区域分割之分水岭算法 0

【数字图像处理】7.10:灰度图像-图像分割 区域分割之分水岭算法

我感觉图像处理能分成三个阶段,或者更多,第一阶段的人很多,听说这行前景好或者工资高的人,多半会学习点图像的知识,比如彩色空间啊,了解下OpenCV啊等等,还有一些属于纯属上课被逼无奈的,比如我们学校就对电子信息类专业和通信类开数字图像处理这门课,而且我当时考试还挂了。。。。这部分大家会接触一些名词,一些简单算法,有用心的同学可能会实现下代码,这阶段风景不错,而且好多名词可以拿来忽悠HR或者忽悠导师,得到一份不错的工作,或者做点导师的项目。

【数字图像处理】7.8:灰度图像-图像分割 区域分割之区域生长 0

【数字图像处理】7.8:灰度图像-图像分割 区域分割之区域生长

今天介绍基于区域的分割方法,前面基于阈值的分割方法暂时告一段落,基于区域的分割运用同样广泛,但和阈值比较,区域分割难度也稍微大了一些,比如后面要讲到的分水岭算法,分水岭算法是个算法族,并不是单一的一个固定算法,比如有基于形态学的,也有基于其他的,但思想都一样,分水岭是那种典型的,看起来很简单,一说原理,小学生都能听懂,但实现起来难度不小,也可能是我代码能力不行,反正写了将近一整天,修改了一天才算看到点结果。

【数字图像处理】7.7:灰度图像-图像分割 阈值处理之局部阈值 0

【数字图像处理】7.7:灰度图像-图像分割 阈值处理之局部阈值

该算法的关键点在于设计判别式Q和计算阈值向量T,因为此算法的通用性不是很强,但优点是灵活性强,可以根据不同的图片性质来设计不同的执行方案,比如下面例子中使用最简单的两种统计学参数,均值和标准差,当中心像素大于均值的n倍并且大于标准差的m倍。设置窗口大小,也就是邻域大小,参数n,参数m,最后得到较好的阈值结果。

【数字图像处理】7.5:灰度图像-图像分割 阈值处理之OTSU阈值 0

【数字图像处理】7.5:灰度图像-图像分割 阈值处理之OTSU阈值

废话开始,今天介绍OTSU算法,本算法比前面给出的算法更能够给出数学上的最佳阈值,不需要任何输入附加参数、与同样不需要输入附加参数的迭代均值和均值阈值来比较,OTSU给出的阈值能使分类更加均匀。
阈值处理将灰度值分为两类,而对于分类问题,已有的一种最优闭合解–贝叶斯决策规则。

由于博客移至wordpress,部分公式和代码显示不正常,博主正在努力修改,如发现公式显示错误,请及时在文章下留言,感谢您的帮助,尽请原谅!