图片填充算法

㈠ 二值形态学中的区域填充和图像分割中的区域生长，它们的原理有相通的地方吗

区域生长法图像分割是直接根据像素的相似性和连通性来对图像进行聚类的算法。基本原理是，雹锋给出若干种子点，然后依次对这些种子点进行如下操作，直到种子点集合为空：判断种子点四邻域或八邻域的像素点是否和种子点相似（灰度相似或其他测度相似），如果相似则将该点加入种子点集合，否则不作处理。
该算法原理很简单，但在数据结构的组织上却需要技巧，本文介绍一种简易的数据组织方式实现该算法。

如上图所示，左图为一幅W*H大小的图像示意图，利用区域生长法图像分割算法，该图像被分割（聚类）为7块；右图为相应的数据结构，图像分割的结果属于图像空间数据，其实就是一系列的像素点坐标数组或与像素点坐标直接关联的属性数组如租肆茄FLAG的数组等，这个数组的维度一定是W*H，而分割结果体现在数组元素的排列顺序：同一类别的元素连续存储。然而类别的界限无法用该数组表明，而只能用另外一个描述数组，这里我们称之为图像空间数据的“元弊察数据”数据，这个数组的有效维度为空间数据的类别数，即7，每个元素代表的是空间数据数组中每个类别的元素个数，其实也就相应地表明了每个类别的指针位置。

㈡ 计算机图形学 C#区域填充

填充算法满复杂的，常用的有活动边表填充，我以前也尝试用c#做图形学的程序。现在假设你知道填充算法，需要注意的是，c#中Graphics类没有setPixel()方法。你需要创建一个image（位图）对象，在位图中进行填充，然后再用Graphics类中的setImage()方法将位图显示在屏幕中。大概是这样，时间很长了，里面一些方法可能不太对，详细你查msdn，祝你成功！

㈢ android能实现不规则图形的图案填充么

可以。
图像的填充有2种经典算法。
一种是种子填充法。种子填充法理论上能够填充任意区域和图形,但是这种算法存在大量的反复入栈和大规模的递归,降低了填充效率。
另一种是扫描线填充法。

㈣ NI Vision：二值图像连通域标记算法

前面说到，要使用Labwindows + NI Vision（IMAQ Vision）这套商用开发框架来做数图课设。很明显，这套虚拟仪器开发平台由NI Instrument（美国国家仪器公司）开发的。大名鼎鼎的Labview软件就是这个公司开发的。相比较而言，Labwindows使用ANSI C开发，但应用场景是差不多的。

在做课程作业的时候，遇到了一个很有趣的应用。输入是米粒，比背景灰度要低，目的是输出米粒的颗数、面积、周长和孔数，这是工业上的一个很常见的应用。具体处理过程是二值化后使用低通滤波，并计算各种性质。

界面设计如下，可以看到米粒的详细情况。

让我感兴趣的，是通过怎样的算法能够得到米粒的数量？之前曾经用过OpenCV中找最大外界矩形这个函数，但没有具体了解算法实现。直觉告诉我原理应该是相似的。

可以看到，每一个米粒之间都是不连通的。这里就就提出了一个概念。 连通区域（Connected Component） 是指图像中相邻并有相同像素值的图像区域。 连通区域分析（Connected Component Analysis,Connected Component Labeling） 是指将图像中的各个连通区域找出并标记。

二值图像分析最重要的方法就是连通区域标记，它是所有二值图像分析的基础，它通过对二值图像中白色像素（目标）的标记，让每个单独的连通区域形成一个被标识的块，进一步的我们就可以获取这些块的轮廓、外接矩形、质心、不变矩等几何参数。如果要得到米粒的数量，那么通过连通区域分析（这里是二值图像的连通区域分析），就可以得到标记的数量，从而得到米粒的数量。

下面这幅图中，如果考虑4邻接，则有3个连通区域，8邻接则是2个。

从连通区域的定义可以知道，一个连通区域是由具有相同像素值的相邻像素组成像素集合，因此，我们就可以通过这两个条件在图像中寻找连通区域，对于找到的每个连通区域，我们赋予其一个唯一的 标识（Label） ，以区别其他连通区域。

连通区域分析的基本算法有两种：1）Two-Pass两便扫描法 2）Seed-Filling种子填充法 。

两遍扫描法（Two-Pass），正如其名，指的就是通过扫描两遍图像，就可以将图像中存在的所有连通区域找出并标记。

说了一堆数学语言，其实用图很好理解

种子填充方法来源于计算机图形学，常用于对某个图形进行填充。它基于区域生长算法。至于区域生长算法是什么，可以参照我的这篇 文章 。

同样的，上动图

NI Vision 中的算子定义如下

OpenCV中也有相应的算子

这里参照其他博客实现一下Two-Pass算法，Seed-Filling算法就偷懒不搞了。

Reference:
OpenCV实现图像连通组件标记与分析
OpenCV-二值图像连通域分析
数字图像处理技术 ——邓继忠（我的任课老师）

㈤ 为什么移动端需要@2x或者@3x的图片

上篇文章 讲到了我对设备像素比的理解，但在写文章的过程中，也一直有一个疑惑的地方：为什么在 Retina 屏下需要使用 @2x（两倍）甚至是 @3x（三倍）的图片呢？这样的用法跟设备像素比之间有什么关系呢？
为了明白这个问题，也看了一些文章，本文就是我对这个知识点的一些总结。

前面我们介绍了设备物理像素和 CSS 像素，这两个像素一个是实体的，一个是抽象的单位。关于图片，还有一个像素需要我们引起注意：位图像素。
一般我们在页面上使用的图片都是位图，位图的最小单位也是像素，叫做位图像素。位图像素是图片本身的特性，在图片产出时就已经确定了，和 CSS 像素以及设备物理像素没有任何关系。
位图像素是位图最小的单位，其不可以再被拆分。

以 IPhone6 为例，IPhone6 手机的尺寸为 375px * 667px，如果我们在 PC（非 Retina 屏）上制作出一个宽度为 375px 的图片，该图片在电脑上显示正常，但哗此在手机上显示就模糊了。这是为什么呢？不是分辨率越高，图片显示越清晰吗，为什么图片反而变得模糊了呢？
这个问题需要从以下几个方面来解释：

前面的文章提到过：设备像素比的意义在于规定设备以多少个物理像素来显示慎芦让 1px 的 CSS 像素也是如此。
此外，该结论对于位图一样适用：设备像素比规定了设备以多少个物理像素来显示 1px 的位图像素。
举个例子，一张 375px * 200px 的位图，其拥有 375 * 200 = 75000 个位图像素，如果我们在 PC（设备像素比为1） 上看这张图片，将会以 375 * 200 = 75000 个物理像素来显示，因此在 PC 上图片的清晰度不变。如果我们在 IPhone6 上预览这张图片，将会以 375 * 200 *4 = 300000 个物理像素来显示这张图片。
当我们在 IPhone6 上预览图片时，其用来显示图片的物理像素个数为图片像素的 4 倍（300000 个物理像素），而图片实际上只有 75000 个有效像素，我们知道像素是最基本的单位，无法再进行拆分，因此剩下的 300000 - 75000 = 225000 个物理像素将采用填充的方法来显示图片。
所谓填充，就是就近取色，这也是造成图片模糊的原因。下面这张图片解释的十分形象：

前面已经知道，造成图片模糊的原因是位图的像素总数和对应的物理像素个数不一致，那么只需要增加图片的位图像素数目，使其接近于设备物理像素就解决了这个问题。
因此我们采用 @2x 或者 @3x 的图片，就是为了使图片的位图像素和设备位图像素的数目接近于 1:1，就能使图片清晰显示不模糊。

前面讲到了图片在移动设备上预览时变得模糊是因为图片的位图像素总数小于物理像素的总数，而设备采用填充算法进行填充的原因。如果位图像素的数目大于物理像素，又是怎样的情况呢？
举个例子，我们将一张 750px * 400px 的图片在 PC（设备像素比宽局为1）上设置为 375px * 200px 显示，由于位图的像素数目大于物理像素的数目，这样一来即使使用全部的物理像素也无法完整显示这张图片，因此浏览器也会经过一定的算法，将图片进行压缩，使得压缩后图片的位图像素等于物理像素。
对于这个过程，下面这张图片解释的十分形象：

我们已经知道，不管是图片的位图像素数目大于物理像素，还是图片的位图像素数目小于物理像素都会造成显示上的差异，要么是图片变模糊了，要么是色差和锐利度减少了。因此，要想完美的适配多种设备，就需要 针对不同设备采用相应的图片，使得图片的位图像素数目等于物理像素。
通常情况下，设备像素比为 1 的设备上使用 @1x 的图片，在设备像素比为 2 的设备上采用 @2x 的图片，在设备像素比为 3 的设备上采用 @3x 的图片。如果对于移动端适配要求完美，就采用上述的方案，如果要求一般，提供 @1x 和 @2x 的图片也是可以的。要求再低一点，可以统一使用 @2x 的图片，这样对于低分屏会增加一些流量消耗，但是显示效果也是不错的。

本文解答了为什么在高清屏下需要使用 @2x 或者 @3x 的图片，这是由于位图的像素数目小于物理像素数目的原因，对应的，在后面也分析了位图像素数目大于物理像素数目的情况。

附：参考资料
移动端高清、多屏适配方案
使用Flexible实现手淘H5页面的终端适配

完。

㈥ 像素图片怎么无损放大

在进行图像编辑时，有时候需要将一张图片放大，但是放大后茄汪棚却出现了模糊的情况，这是因为当我们将图片放大时，图片中的像素点会变得更加稀疏，导致图片质量下降。但是，有些软件可以帮助我们放大图片并保持图片清晰度。嗨格式图片无损放大器是一款专业图片修复工具，采用最新AI人工智能技术，来达到使图片变得更加清晰的目的。而且操作简便，只需几个步骤即可完成对图片的修复。在图片修复完毕之后，增强人的视觉感官效果~

>具体操作方法如下：嗨格式图片无损放大器

WPS

很多人都以为，这款软件只能进行文档表格编辑，其实它内置的图片编辑器，还能帮助我们进行多种图片处理。直接右击图片，选择【编辑】-【图片编辑】。

随后进入照片编辑器界面，点击右侧的【修复】，选择【高清修复】，这里提供了2倍无损放大和4倍无损放大，直接选择放大的倍数就可以了。

以上就是分享给大家的图片变清晰的部方法啦。可以帮助你轻松地将模糊的图片变得更加清晰。

㈦ 请教二值图像点阵区域孔洞的填充方法

四连通填充：
-找到孔洞中的一点，记录坐标(x,y)
-对于记录的点开始进行如下操作，直到所有记录的点都被处理完成：

-将当前点填充，判断该点上、下、左、右各点是否位于孔内，是否还未填充，如是，将该点添加到记录点数组的末尾
由此，处理完所有记录的点后，四连通的孔洞可填充完毕。以上算法比较简单，存在优化的可能。

㈧ C# 填充任意封闭图形

用更高效的扫槐肢描线填充算法。
http://course.cug.e.cn/cugFirst/computer_graphics/class/course/2-3-2-a.htm
这个是讲解。

想含缓要我的代码的铅老世话请发邮件给我[email protected]

㈨ PPT中，用直线曲线围成的不规则图形如何填充

最简单的方法是：首先对灰度图像进行变换，然后对二值图喊中友像进行二值化，然后用总像素数与总图像面积的比值，得到图像的面积。如果你想做的很好，这些步骤中的任何郑槐一个都培旅会很微妙，特别是二值化，有很多种算法，你需要结合实际情况选择常用的算法，或者根据图像的特点编写程序来自动选择算法。另一个问题，彩色图像的彩色分割本身就是一门硕士学位课程。

㈩ VC++ 6.0编写计算机图形学中的种子填充算法，想用递归的八向连通域，求助！

用八邻域的话，有重复的，这个你要考虑到，一般都用四邻域的，八邻域你可以设置一个标志数组，对于已经处理的点就不管了