计算机视觉笔记基础概念及8miu博客总结（1）

视频地址：https://www.bilibili.com/video/BV19x411X7k6?p=2

安装配置环境

1.安装Anaconde 1.配置tensorflow和opencv包，也要安装opencv-contrib-python,opencv-python 2.跟换pychem的python 环境（换成Anaconde） 3.一般在Anaconda Prompt 命令行操作 4.用jupyter notebook（在网打开），把用户作为主目录 5.测试是否安装成功

图像的预处理工作

图像显示与储存原理 图像增强的目标 点运算：基于直方图的对比度 …

颜色空间 RGB颜色空间：越叠加越白（越亮） CMY颜色空间 ：越叠加越黑（越暗） HSV颜色空间：色调，饱和度，亮度

CIE-XYZ颜色空间：人类颜色直觉直接测定（用不到）

图像显示与储存原理 RGB三通道彩色图 单通道的灰度图（只有亮度）[0.255] 可以转换Gray = R0.3 + G0.59 + B*0.11 图像存储格式 图像增强的目标 改善效果 易于分析、 突出重点 锐化，平滑，去噪，灰度调整（对比度增强）

图像处理的手段

空间域–>频率域处理 领域运算（图上写错了） 特征提取的方法 直方图：全局特征，被每个像素的个数表示出来 直方图均衡化 https://blog.csdn.net/zhulf0804/article/details/52770613 避免像素集中，比如非线性拉伸！！

自适应直方图均衡（AHE）

https://blog.csdn.net/eternity1118_/article/details/51492105 CLAHE(直方图均衡): https://blog.csdn.net/u010839382/article/details/49584181?utm_medium=distribute.pc_relevant_download.none-task-blog-BlogCommendFromBaidu-2.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-BlogCommendFromBaidu-2.nonecas

图像插值：https://blog.csdn.net/helimin12345/article/details/82117848

形态学运算

膨胀和腐蚀 https://blog.csdn.net/zqx951102/article/details/82997588

空间域处理及其变换

卷积（滤波）：卷积===滤波：

https://blog.csdn.net/chaipp0607/article/details/72236892?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase

卷积：相乘再相加，把最后的值放到中心处

问题：边界填充（padding） 比如有一个5x5的卷积核，和一个4x4的原图也能卷积：卷积核的中心对在你想要卷积的位置上—>卷积前的尺度和卷积后保持一致

边上的？全部设成0，中心点从左上一直到右下卷积，卷积后把值放到中心点，会形成周围全是0不起作用，最后卷积前的尺度和卷积后保持一致。 边界填充策略 补零，边界复制，镜像，块复制

注意：不要用过大的卷积核去卷积小的图片！！！

图像中值滤波和均值滤波（滤波又叫图像平滑化）：

https://blog.csdn.net/qinghuaci666/article/details/81737624 均值滤波示意

空间域分析及变换

平均中值滤波（处理叫言行噪音）

![在这里插入图片描述](https://img-blog.csdnimg.cn/20201003174901519.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTMwMzc4MQ==,size_16,color_FFFFFF,t_70#pic_center 空间域分析及变换

平滑高斯滤波卷积（关注中间区域）

[https://blog.csdn.net/kuaile20/article/details/17606235](https://blog.csdn.net/kuaile20/article/details/17606235)

用处主要是在高斯金字塔中使用！！！

边缘（垂直和水平）检测的滤波器：拉普拉斯算子

https://blog.csdn.net/scottly1/article/details/44408343

中间的点做成-很大的点，所有的相加等于零：避免把完全平滑的区域选出来，如果图片上有一区域像素点一样，卷积（滤波后）为零。

图像细节，把细节的部分都找出来，叠加到上面

频域分析及变换

高斯金字塔

https://blog.csdn.net/firstlai/article/details/78108399

图像的缩放

降采样：平均的取图像中的点，缩小图片

拉普拉斯金字塔

一层一侧的减小之后（高频逐渐丢失），想办法把高频的细节保留下来。

注意：用opencv 的python 版本时候，文件名不能出现中文，否则会报错

高频，是指一个信号的变化速度较快，这是一个相对概念。在图像上来说，就是一片图像的亮度变化较多且明显，频谱上有很多峰值，低频则频谱上有一个峰值，像素集中

频率域分析—傅里叶变换

时域中的波形可以通过多个不同频率的正弦波叠加而来

下面黑色的图像，为在频域上这个图像的表示

F(w)代表固定频率的正弦波，e(jwt)代表弹簧，jw转动，t沿着时间轴展开，再全都加起来

离散傅里叶变换

2D离散傅里叶变换

如果你在图像上是连续的那么你在频谱上就是一些点（右边是频谱） 如果你在图像上是离散的（一般是），那么你在频谱上就是很多很多一些点（右边是频谱） 越靠外频率越高为高通部分，在中间频率越低为低通部分

低频滤波，将频谱图中间的保留住，会使原图像变模糊。高频滤波，将频谱图中间的去除，会保留原图像的边缘。

基于傅里叶变换的滤波：

https://blog.csdn.net/qq_29462849/article/details/80995335 我们知道，低频对应的图像中变化不明显的部分，于是，图像就变的非常模糊。这在图像处理中也叫平滑滤波。再介绍一个概念：图像的锐化。就是与平滑化相对，即下面高通滤波器所达到的效果。很明显，图像边缘增强了

频谱滤波

FFT中竖直的线，代表着水平方向有明暗明暗的条纹（看上面的图片） 在图片水平方向有明暗的波动 把中间保留，周围去掉（保留低频（主题部分），去除高频）—>低通滤波 把中间去掉，周围保留（保留高频（细节部分），去除低频）—>高通滤波

体现在频谱上有两个亮点，把亮点扣除，再还原回去就完美了（一定要用这种方式）

傅里叶变换的不足

短时傅里叶变化

https://blog.csdn.net/lvsehaiyang1993/article/details/80521538?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-10.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-10.nonecase

短时傅里叶变换的特点

小波变换：

频率域分析----小波变换

常用的小波函数

小波变换补课:

傅里叶变化：（假设时域信号不随着时间发生改变）

傅里叶变化的缺点：频域随着时间变化的信号，进行傅里叶变化，仅从傅里叶变换不能知道信号的高频和低频在什么地方。它失掉了频率的时间特征

原因：在于这些正弦波，每一个正弦波横跨整个时间轴并且频率保持不变，不能知道原来的信号某一时刻的频率是多少。 改进：不要这么长的正弦波，把正弦波砍短，这就是小波变化的思想。

典型的小波

小波并不是因为它的幅值比较低，或者个子比较小，是因为它的长度比较短。 小波也有频域信息，变化比较快的，比较瘦–>频率高 傅里叶变换把一个信号拆解成，不同频率的正弦信号 小波变换就是把一个信号拆解成不同胖瘦，不同位置的小波

每个小波它只持续一个很短的时间，因此需要把这个小波在时间轴上移动，才能够更好的表达原来的信号。

把红色的信号做小波变换：

初试用比较胖的小波，随着时间的增长要用比较瘦的小波，频率越来越高