图像算法

Ⅰ 图像处理的算法有哪些

图像处理基本算法操作从处理对象的多少可以有如下划分：
一）点运算：处理点单元信息的运算
二）群运算：处理群单元 （若干个相邻点的集合）的运算
1.二值化操作
图像二值化是图像处理中十分常见且重要的操作，它是将灰度图像转换为二值图像或灰度图像的过程。二值化操作有很多种，例如一般二值化、翻转二值化、截断二值化、置零二值化、置零翻转二值化。
2.直方图处理
直方图是图像处理中另一重要处理过程，它反映图像中不同像素值的统计信息。从这句话我们可以了解到直方图信息仅反映灰度统计信息，与像素具体位置没有关系。这一重要特性在许多识别类算法中直方图处理起到关键作用。
3.模板卷积运算
模板运算是图像处理中使用频率相当高的一种运算，很多操作可以归结为模板运算，例如平滑处理，滤波处理以及边缘特征提取处理等。这里需要说明的是模板运算所使用的模板通常说来就是NXN的矩阵（N一般为奇数如3,5,7,...），如果这个矩阵是对称矩阵那么这个模板也称为卷积模板，如果不对称则是一般的运算模板。我们通常使用的模板一般都是卷积模板。如边缘提取中的Sobel算子模板。

Ⅱ 图像算法应用的领域主要有哪些

应用领域
图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。
1）航天和航空技术方面
航天和航空技术方面的应用数字图像处理技术在航天和航空技术方面的应用，除了JPL对月球、火星照片的处理之外，另一方面的应用是在飞机遥感和卫星遥感技术中。许多国家每天派出很多侦察飞机对地球上有兴趣的地区进行大量的空中摄影。对由此得来的照片进行处理分析，以前需要雇用几千人，而现在改用配备有高级计算机的图像处理系统来判读分析，既节省人力，又加快了速度，还可以从照片中提取人工所不能发现的大量有用情报。从60年代末以来，美国及一些国际组织发射了资源遥感卫星（如LANDSAT系列）和天空实验室（如SKYLAB），由于成像条件受飞行器位置、姿态、环境条件等影响，图像质量总不是很高。因此，以如此昂贵的代价进行简单直观的判读来获取图像是不合算的，而必须采用数字图像处理技术。如LANDSAT系列陆地卫星，采用多波段扫描器（MSS），在900km高空对地球每一个地区以18天为一周期进行扫描成像，其图像分辨率大致相当于地面上十几米或100米左右（如1983年发射的LANDSAT-4，分辨率为30m）。这些图像在空中先处理（数字化，编码）成数字信号存入磁带中，在卫星经过地面站上空时，再高速传送下来，然后由处理中心分析判读。这些图像无论是在成像、存储、传输过程中，还是在判读分析中，都必须采用很多数字图像处理方法。现在世界各国都在利用陆地卫星所获取的图像进行资源调查（如森林调查、海洋泥沙和渔业调查、水资源调查等），灾害检测（如病虫害检测、水火检测、环境污染检测等），资源勘察（如石油勘查、矿产量探测、大型工程地理位置勘探分析等），农业规划（如土壤营养、水份和农作物生长、产量的估算等），城市规划（如地质结构、水源及环境分析等）。我国也陆续开展了以上诸方面的一些实际应用，并获得了良好的效果。在气象预报和对太空其它星球研究方面，数字图像处理技术也发挥了相当大的作用。

Ⅲ 图像比对的原理或者算法

有噪声情况下。1、配准；2、两张图的图像块分别计算特征（lbp,sift等）；3、计算特征的距离（欧式距离等）。在matlab或opencv下都可以。

Ⅳ 图像识别算法都有哪些

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。

Ⅳ 如何自学图像算法工程师

因为我学的就是计算机软件专业，所以我可以告诉你：你会 C 语言编程固然很好，但是如果仅仅依靠会 C 语言编程，想成为某一个具体领域的工程师（例如：计算机图像处理、或者是语音识别、汉字手写体识别等），那是绝对不可能的。

你还必须要学习其他的很多理论课程。例如：各种数学（高等数学、高等代数、概率统计、离散数学等）的学习就是必不可少的，因为在进行计算机图像算法程序设计时，就百分之百需要依靠建立数学模型。如果没有扎实的数学基础，就无法建立数学模型，那么即使会熟练使用 C 语言编程，那么也是无法成为一个合格的图像算法工程师。
另外，还有计算机软件的其它专业课：数据结构及其各种算法、计算机图形学等都是必须要熟练掌握的。

Ⅵ java的图像算法

//没听懂你的需求，能更清楚一些吗？

我以前的一个程序使用BufferedImage读取图像像素点的RGB值，例子在下面。

你从例子中了解一下用一个整数表示RGB颜色的方法。然后用setRGB方法满足你的要求。

方法：
java.awt.image.BufferedImage

public int getRGB(int x,int y)
返回默认 RGB 颜色模型 (TYPE_INT_ARGB) 和默认 sRGB 颜色空间中的整数像素。如果此默认模型与该图像的 ColorModel 不匹配，则发生颜色转换。在使用此方法所返回的数据中，每个颜色分量只有 8 位精度。

public void setRGB(int x, int y,int rgb)
将此 BufferedImage 中的像素设置为指定的 RGB 值。假定该像素使用默认 RGB 颜色模型、TYPE_INT_ARGB 和默认 sRGB 颜色空间。对于具有 IndexColorModel 的图像，则选择最接近的颜色的索引。
参数：
x - 要设置的像素的 X 坐标
y - 要设置的像素的 Y 坐标
rgb - RGB 值

例子：（获取RGB值）---了解一下用一个整数表示RGB颜色的方法
import java.awt.image.BufferedImage;
import javax.imageio.ImageIO;
import java.io.*;

public class Test{
public static void main(String args[]) {
int[] rgb = new int[3];

File file = new File("a.bmp");
BufferedImage bi=null;
try{
bi = ImageIO.read(file);
}catch(Exception e){
e.printStackTrace();
}

int width=bi.getWidth();
int height=bi.getHeight();
int minx=bi.getMinX();
int miny=bi.getMinY();
System.out.println("width="+width+",height="+height+".");
System.out.println("minx="+minx+",miniy="+miny+".");

for(int i=minx;i<width;i++){
for(int j=miny;j<height;j++){
//System.out.print(bi.getRGB(jw, ih));
int pixel=bi.getRGB(i, j);
rgb[0] = (pixel & 0xff0000 ) >> 16 ;
rgb[1] = (pixel & 0xff00 ) >> 8 ;
rgb[2] = (pixel & 0xff );
System.out.println("i="+i+",j="+j+":("+rgb[0]+","+rgb[1]+","+rgb[2]+")");

}
}

}

}

Ⅶ 图像二值化的算法比较

OTSU的中心思想是阈值T应使目标与背景两类的类间方差最大。
//用类间方差最大思想计算阈值
int Threshold(int *hist) //compute the threshold
{
float u0, u1;
float w0, w1;
int count0;
int t, maxT;
float devi, maxDevi = 0; //方差及最大方差
int i;
int sum = 0;
for (i = 0; i < 256; i++)
{
sum = sum + hist[i];
}
for (t = 0; t < 255; t++)
{
u0 = 0; count0 = 0;
//阈值为t时，c0组的均值及产生的概率
for (i = 0; i <= t; i++)
{
u0 += i * hist[i]; count0 += hist[i];
}
u0 = u0 / count0; w0 = (float)count0/sum;
//阈值为t时，c1组的均值及产生的概率
u1 = 0;
for (i = t + 1; i < 256; i++)
{
u1 += i * hist[i];
}
u1 = u1 / (sum - count0); w1 = 1 - w0;
//两类间方差
devi = w0 * w1 * (u1 - u0) * (u1 - u0);
//记录最大的方差及最佳位置
if (devi > maxDevi)
{
maxDevi = devi;
maxT = t;
}
}
return maxT;
}
//二值化处理
void OTSU(IplImage *src, IplImage *dst)
{
int i = 0, j = 0;
int wide = src->widthStep;
int high = src->height;
int hist[256] = {0};
int t;
unsigned char *p, *q;
for (j = 0; j < high; j ++)
{
p = (unsigned char *)(src->imageData + j * wide);
for (i = 0; i < wide; i++)
{
hist[p[i]]++; //统计直方图
}
}
t = Threshold(hist);
for (j = 0; j < high; j ++)
{
q = (unsigned char *)(dst->imageData + j * wide);
p = (unsigned char *)(src->imageData + j * wide);
for (i = 0; i < wide; i++)
{
q[i] = p[i] >= t ? 255 : 0;
}
}
}
OTSU算法对不均匀光照的图片不能产生很好的效果。 另外一个Kittler算法，是一种快速的全局阈值法。它的效果不比OTSU差多少，但速度快好多倍，如果可以应用在图像质量不错的环境。
它的中心思想是，计算整幅图像的梯度灰度的平均值，以此平均值做为阈值。
//kittler算法
for (i=1;i<high-1;i++)
{
plineadd=src->imageData+i*wide;
pNextLine=src->imageData+(i+1)*wide;
pPreLine=src->imageData+(i-1)*wide;
for(j=1;j<wide-1;j++)
{
//求水平或垂直方向的最大梯度
Grads=MAX(abs((uchar)pPreLine[j]-(uchar)pNextLine[j]),abs((uchar)plineadd[j-1]-(uchar)plineadd[j+1])); //max(xGrads,yGrads)
sumGrads += Grads;
//梯度与当前点灰度的积
sumGrayGrads += Grads*((uchar)plineadd[j]);
}
}
threshold=sumGrayGrads/sumGrads;
// printf(%d ,threshold);
for(i=0;i<high;i++)
{
plineadd=src->imageData+i*wide;
pTempLine=kittler->imageData+i*wide;
for(j=0;j<wide;j++)
{
pTempLine[j]=(uchar)plineadd[j]>threshold?255:0;
}
}

Ⅷ 零基础入行图像算法工程师需要学习哪些课程

我们实验室就是做FPGA图像处理的。建议你学习一下《信号与系统》，《数字信号处理》。然后学习一下冈萨雷斯写的《数字图像处理》那本书。有了基础之后，选定一个方向进行具体研究。图像处理的方向比较多，图像增强，图像复原，图像压缩，图像分割等等。个人感觉FPGA做图像预处理（譬如图像去噪）比较好，如果涉及较为复杂的算法，用FPGA就需要深厚的功底。毕竟FPGA的计算能力不强。总之，你先把基础打好，然后选定一个喜欢的方向深入研究。FPGA只是实现的工具。

Ⅸ 图像处理算法有哪些

多了：图像分割、增强、滤波、形态学，等等，推荐看数字图像处理那本厚书

Ⅹ 视觉算法和图像算法的区别

两者其实差别都不算很大，从专业本身来说，模式识别研发就比如汽车的车牌，你怎么去识别，图像算法主要研究目的就是比如车牌你怎么让他更清楚地被你采集后得到有用的信息，还原图片的原来面目等。都是算法类的研究，当然算法也是离不开程序的，如果你对软件不敢新区，那么这两个专业都不是适合你。