unmix和conditional average:消混叠和条件均值
unmix
该程序用来消除“像素混叠”。所谓像素混叠,是值在自然场景的图像中,边缘线成像到cmos的像素上时,某些像素会刚好跨在该边缘线上。
这样的像素特点就是,其R、G、B三色像素梯度值不一致。比如说cmos上,每个彩色像素有R、G、B三色传感器组成,其排列方式是依次从左向右排序。
那么,如果刚好有一条倾斜的边缘线该像素的G位置,且该边缘线上部为背景、下部为物体,那么其三色梯度值不同,且dR>dB,反之则dB>dR.。类似于这样
的像素,我们可以通过unmix的方法将其消除。方法很简单,就是将该像素邻域内梯度相同或相近的像素替换该像素。下面是程序代码:
Mat unmix(const Mat&img,int neibourSize)
{
Mat imgCopy=img.clone();
int nr=neibourSize/2;
int cols=img.cols,rows=img.rows;
Mat kernel_x=(Mat_<int>(1,2)<<-1,1);
Mat kernel_y=(Mat_<int>(2,1)<<-1,1);
Mat img_dx,img_dy;//预声明X、Y方向的梯度矩阵
filter2D(img,img_dx,CV_32F,kernel_x);
filter2D(img,img_dy,CV_32F,kernel_y); Mat Gradient=abs(img_dx)+abs(img_dy); Mat theta=getGradientDirect(img_dy,img_dx);//该函数参见:https://www.cnblogs.com/phoenixdsg/p/11352623.html Mat thetaGray;
cvtColor(theta,thetaGray,COLOR_RGB2GRAY);//转成灰度图像便于处理 ///unmix()函数
for(int i=nr;i<rows-nr;i++)
{
for(int j=nr;j<cols-nr;j++)
{
float* pG=CV_MAT_ELEM2(Gradient,float,i,j);
float R=pG[2],G=pG[1],B=pG[2];
if(R!=B||R!=G||B!=G)
{
Mat tmp=thetaGray(Rect(j-nr,i-nr,neibourSize,neibourSize));
Mat tmpr=tmp.clone();//截取邻域像素
float Pij=*(CV_MAT_ELEM2(thetaGray,float,i,j));//获取当前像素值
tmpr =abs(tmpr-Pij);
tmpr.at<float>(nr,nr)=7; double minv;
Point minLoc;
minMaxLoc(tmpr,&minv,0,&minLoc);
minLoc=Point(nr,nr)-minLoc;
// cout<<"minv="<<minv<<" ; "
// <<"minLoc="<<minLoc<< endl;
int ii=minLoc.y+i,jj=minLoc.x+j;
for(int k=0;k<3;k++)
{
imgCopy.ptr<Vec3b>(i)[j][k]=
img.ptr<Vec3b>(ii)[jj][k];
}
}
}
}
return imgCopy;
}
该函数有两个参数,第一个是待处理的图像,第二个参数是邻域尺寸,尺寸必须是3、5、7等奇数。函数返回值,即是unmix的结果。
conditional average
设当前像素为N0,其邻域像素集合为S,从S中挑选有效像素{Ni}。求取有效像素均值N0',并替代N0 。
其中S={Ni: |Ni=N0|<T}。其中n是有效像素个数。注意S中始终包含N0。该程序会产生下面的效果:
1)在一个同质区域中,平滑掉小量噪声,噪声的相对值小于T;
2)在区域边界附近,对比度要大于T,刚好跨在边界上的像素不作均值处理。这样在平滑图像时,只对边界两边的像素作均值处理。
这与普通的均值模糊不同,普通的均值模糊连边界也被模糊了;
3)该程序只平滑一定梯度范围内的噪声,但不会将梯度平滑掉;
4)在纹理区域,如果纹理像素之间会有小量的差异(小于T),那么这些像素将被平滑为通知区域,也就是消除纹理。
如果纹理像素之间差值大于T,那么将不做平滑处理。
程序代码如下:
void conditionalAerage(Mat&img,int T)
{
int rows=img.rows,cols=img.cols;
int neighborSize=3;
int nr=neighborSize/2;
for(int i=nr;i<rows-nr;i++)
{
for(int j=nr;j<cols-nr;j++)
{
int ctn=0;
vector<Vec3b> nv;
Vec3b P0=img.at<Vec3b>(i,j);
float P0m=float(P0[0]+P0[1]+P0[1])/3.;
for(int in=i-nr;in<neighborSize;in++)
{
for(int jn=i-nr;jn<neighborSize;jn++)
{
Vec3b Pn=img.at<Vec3b>(in,jn);
float Pnm=float(Pn[0]+Pn[1]+Pn[1])/3.;
if(abs(Pnm-P0m)<T)
{
nv.push_back(Pn);
}
}
Vec3b sum(0,0,0);
ctn=nv.size();
for(int v=0;v<ctn;v++)
{
sum +=nv[v];
}
Vec3b aver=sum/ctn;
for(int k=0;k<img.channels();k++)
img.at<Vec3b>(i,j)[k]=aver[k];
} }
}
}
unmix和conditional average:消混叠和条件均值的更多相关文章
- 学习笔记:The Best of MySQL Forum
http://mysql.rjweb.org/bestof.html I have tagged many of the better forum threads. 'Better' is based ...
- Paper慢慢读 - AB实验人群定向 Recursive Partitioning for Heterogeneous Casual Effects
这篇是treatment effect估计相关的论文系列第一篇所以会啰嗦一点多给出点背景. 论文 Athey, S., and Imbens, G. 2016. Recursive partition ...
- 因果推理综述——《A Survey on Causal Inference》一文的总结和梳理
因果推理 本文档是对<A Survey on Causal Inference>一文的总结和梳理. 论文地址 简介 关联与因果 先有的鸡,还是先有的蛋?这里研究的是因果关系,因果关系与普通 ...
- training 2
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.136 Average Precision (AP) @[ IoU ...
- Learning Bayesian Network Classifiers by Maximizing Conditional Likelihood
Abstract Bayesian networks are a powerful probabilistic representation, and their use for classifica ...
- (转)Image Segmentation with Tensorflow using CNNs and Conditional Random Fields
Daniil's blog Machine Learning and Computer Vision artisan. About/ Blog/ Image Segmentation with Ten ...
- linux下c++實現簡單的生產者消費者隊列模式
引言 生產者消費者是一個經典的模式 利用生產者,消費者和緩衝區降低了生產者和消費者之間的的耦合度 便於對生產者和消費者的修改 下面記錄的是一個經典的單一生產者多消費者的模式 設計思路 以隊列做為緩衝區 ...
- Theano3.6-练习之消噪自动编码器
来自:http://deeplearning.net/tutorial/dA.html#daa Denoising Autoencoders (dA) note:该部分假设读者已经看过(Theano3 ...
- uva 10828 高斯消元求数学期望
Back to Kernighan-RitchieInput: Standard Input Output: Standard Output You must have heard the name ...
随机推荐
- ubuntu 完全干净的卸载docker
1. 删除某软件,及其安装时自动安装的所有包 sudo apt-get autoremove docker docker-ce docker-engine docker.io containerd r ...
- C# 集合(9) 持续更新
数组的大小是固定的.如果元素个数动态,就使用集合类. List<T>是与数组相当的集合类.其他的集合:队列.栈.链表.字典和集. .NET Framework 1.0 包括非泛型集合类,如 ...
- js原型补充
js定义函数: <script> function A() {} let a1 = new A(); let a2 = new A(); // 为A类添加原型 => 类似于类属性 A ...
- SPI使用笔记ADS1259+AD5676
SPI的通信速率通常比较快.目前用到的ADS1259芯片,可以达到2-4MHz,可能可以更加快.一般spi都是从慢速开始调试,但是具体到某个芯片,应该核对芯片时序图,比如ti的ds1259,数据手册上 ...
- .net 密码明文传输 加密传递方法
未加密传递是这样的 html标签加密使用的是jquery.md5.js 自行官网下载 html代码 <head runat="server"> <meta ht ...
- 嵌入式linux修改日期时间
命令格式为: date -s 时间字符串 例如只修改系统的日期,不修改时间(时分秒) date -s 2012-08-02 或只修改时间不修改日期 date -s 10:08:00 当然也可以同时修改 ...
- 智能指针unique_ptr记录
unique_ptr 对对象独有管理,无法复制,共享,值传递,可以使用move语义来转移控制权. std::default_delete<int> d; std::unique_ptr&l ...
- 小米 oj 找到第N个数字||
Mycode: #include<iostream> #include<stdio.h> #include<string.h> using namespace st ...
- [Luogu] trip
https://www.luogu.org/problemnew/show/T28848#sub #include <iostream> #include <cstdio> u ...
- Java 面试题 四
1.序列化 File 类的介绍:http://www.cnblogs.com/ysocean/p/6851878.html Java IO 流的分类介绍:http://www.cnblogs.com/ ...