前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >一文带你读懂图像处理工作原理

一文带你读懂图像处理工作原理

作者头像
AI研习社
发布2018-12-18 10:00:24
6910
发布2018-12-18 10:00:24
举报
文章被收录于专栏:AI研习社

本文为 AI 研习社编译的技术博客,原标题 : An Amazing Insight of How Image Processing Works 作者 | Bhanu Parashar 翻译 | 老赵 校对 | 酱番梨 整理 | 菠萝妹 原文链接: https://medium.com/@bhanuparashar23/an-amazing-insight-of-how-image-processing-works-9b7a17aa42a4

对图像处理如何工作的理解

我发现的最令人惊奇的是如何使用微积分巧妙地计算图像边缘。

考虑一个黑白图像

在这里,我放大了一个小区域。

如你所见,它包含许多像素。

它可以表示为具有以下约束的2D矩阵:

  1. 在AijAij中,i表示像素的x坐标,j表示y坐标
  2. 左上角是坐标(0,0)
  3. x,即向右移动时增加,而y,j在向下移动时增加
  4. AijAij的值范围为0到255,0表示黑色255表示白色

所以这个小区域的矩阵将是

现在只考虑矩阵的一行。

即:像这样的东西

表示为:

如果我们在图表上绘制它:

它会像

记住高值意味着更多的白色,低值意味着更多的黑色,范围从0到255。

第1部分:现在有趣的开始

如果我们将这个图表区分开来,考虑到函数y = f(x),该怎么办?

这里y是值AijAij,x是矩阵的i(这里y是不同的)

那么让我们绘制它的衍生物

正如你可以看到,从白色到黑色的图像变化点,衍生物的值突然增加

如果我们进一步区分,即双重差异,该怎么办?

所以你可以看到变化区域的突然爆发。

让我们在图像行中标记点:

现在,如果我们将这个东西应用于所有行并标记双重导数的高值。

它沿着图像的边缘

同样也可以将它用于所有列,你将获得图像中的完整边缘。

第2部分:数学实施(比上面更令人惊讶)

如何通过计算机将这种差异应用于图像:

一些数学家发现了一种叫做卷积的现象让我先解释一下:

考虑一个大的NxN矩阵和一个小的3x3矩阵:

这里,如果小矩阵的点积与大矩阵的所有3x3大小的部分完成。 点积表示每个元素乘以其各自的元素,例如。 131 *( - 1),162 * 0,232 * 1等。

结果保存在另一个矩阵中。

这个过程称为卷积,这里3x3矩阵是内核,它可以更大,但最常用的是3x3。

这种现象是,如果一个大矩阵与一个类似于核的核心区域进行卷积,则在结果矩阵中突出显示(值增加),而非相似区域变暗。

代表双重差异的内核是:

以上这些也称为Sobel Kernel

第3部分:基于C ++的OpenCV实现

输出

通过使用高斯导数,Canny边缘检测去除噪声可以实现许多进步,这些可以在线轻松研究。

图像:除了提供链接的图像之外的所有图像都是由我捕获和编辑的。

它如何扩展到彩色图像

颜色通常表示为RGB值(这里是OpenCV,它是BGR)

B->蓝色,G->绿色,R->红色边缘检测通常在将彩色图像转换为黑白之后进行。

但是还有一种方法,Image可以转换为HSV色空间这里 H 代表 Hue,S 代表饱和度,V 代表值,即 H 代表颜色,S 代表强度,V 代表亮度。

因此,如果我们只采用H或Hue,我们可以找到边缘而不受阴影或光线的影响。

还有其他方法。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-11-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI研习社 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 第1部分:现在有趣的开始
  • 第2部分:数学实施(比上面更令人惊讶)
  • 第3部分:基于C ++的OpenCV实现
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档