原创 真實感場景繪製（附源碼）
首先給出繪製效果圖： 說明: 本系統繪製了一個真實感的三維場景，並實現場景漫遊。使用按鍵↑、↓、←、→或W、S、A、D控制運動方向，PgDn和PgUp可以改變觀察者的高度，鼠標控制轉向，按鍵‘F’可以打開和關閉“霧氣”，Esc退出程序
2020-07-01 14:54:54
原创 形態學操作實現
數學形態學的基本思想是用具有一定形態的結構元素去度量和提取圖像中的對應形狀以達到對圖像分析和識別的目的。數學形態學的基本運算有四個：腐蝕、膨脹、開和閉。基於這些基本運算還可以推導和組合成各種數學形態學實用算法。本實驗分別實現針對二值圖像和
2020-07-01 14:54:54
2
原创 IIR型高斯濾波的原理及實現
二、實現 GIMP中有IIR型高斯濾波的實現，代碼位於contrast-retinex.c中，讀者可自行查看。下面給出本人實現的核心代碼： typedef struct { float B; float b[4]; } ga
2020-07-01 14:54:53
9
原创 積分圖像的應用（一）：局部標準差
局部標準差在圖像處理鄰域具有廣泛的應用，但是直接計算非常耗時，本文利用積分圖像對局部標準差的計算進行加速。 局部標準差： 標準差定義如下（採用統計學中的定義，分母爲）： 其中。 爲了計算圖像的局部標準差，首先設定局部區域的大小爲 ，則
2020-02-23 20:36:35
原创 積分圖像
積分圖像（integral image）是一種快速計算矩形區域之和的數據結構，常利用它對算法進行加速。積分圖像中處的值是原始灰度圖像的左上角與當前點所圍成的矩形區域內所有像素點的灰度值之和，即： 其中 爲原圖像， 爲積分圖像。圖1是
2020-02-23 20:36:35
原创 關於BMP
關於BMP位圖的資料網上有很多，內容也比較基礎。本文實現BMP位圖的讀取、顯示、保存，並對一些重要的問題進行說明（包括字節對齊、內存中的存儲順序、調色板）。 BMP文件共包括文件頭、信息頭、調色板（位深<=8的圖像含有此項）、位圖數據四大
2020-02-23 20:36:35
原创 Zernike矩之邊緣檢測（附源碼）
這一篇博文將討論Zernike矩在邊緣檢測中的應用，關於Zernike矩的基本概念，可以參看《Zernike矩之圖像重建（附源碼》 源碼下載 參考： [4] Ghosal S, Mehrotra R. Orthogo
2020-02-23 20:36:35
原创 Hu矩
close all; clear all; I1=imread('lena.bmp'); angle=30; T=[cos(angle),sin(angle),0;-sin(angle),cos(angle),0;0,0,1]; t
2020-02-23 20:36:35
原创 Zernike矩之圖像重建（附源碼）
源碼下載 參考： [1] Teague M R. Image analysis via the general theory of moments[J]. JOSA, 1980, 70(8): 920-930. [2] Hwang
2020-02-23 20:36:35
原创 非局部均值去噪（NL-means）
非局部均值（NL-means）是近年來提出的一項新型的去噪技術。該方法充分利用了圖像中的冗餘信息，在去噪的同時能最大程度地保持圖像的細節特徵。基本思想是：當前像素的估計值由圖像中與它具有相似鄰域結構的像素加權平均得到。理論上，該算法需要在
2020-02-23 20:36:35
原创 SUSAN角點檢測
close all; clear all; I=imread('corner2.gif'); [posX,posY]=susan(I,3); figure; imshow(I);hold on; plot(posX,posY,'g*
2020-02-23 20:36:35
原创 Harris角點檢測原理及實現
一、原理 二、實現 close all; clear all; I=imread('test.tif'); [posX,posY]=harris(I); figure;imshow(I); hold on; plot(posX, po
2020-02-23 20:36:35
原创 積分圖像的應用（二）：非局部均值去噪（NL-means）
非局部均值去噪（NL-means）一文介紹了NL-means基本算法，同時指出了該算法效率低的問題，本文將使用積分圖像技術對該算法進行加速。 假設圖像共像個素點，搜索窗口大小，領域窗口大小， 計算兩個矩形鄰域間相似度的時間爲，對於每個像
2020-02-23 20:36:35
原创 快速高斯濾波
高斯濾波器是圖像處理中經常用到的濾波器，其濾波核函數爲： 爲簡單起見，這裏省略了歸一化因子。 由的可分離特性： 得： 其中爲輸入圖像，爲輸出圖像，爲濾波模板半徑。根據準則，通常使。 由上式可見，我們可以將二維高斯濾波分解爲兩次一維
2020-02-23 20:36:35