图像处理与视觉感知--期末复习重点(3)
最编程
2024-03-20 07:03:34
...
文章目录
- 一、空间域和频率域
- 二、傅里叶变换
- 三、频率域图像增强
一、空间域和频率域
1. 空间域:即所说的像素域,在空间域的处理就是在像素级的处理,如在像素级的图像叠加。通过傅立叶变换后,得到的是图像的频谱,表示图像的能量梯度。
2. 频率域:频率域是描述图像特征的另一种方式,以频率(即波数)为自变量。它可以将一幅图像像元值在空间上的变化分解为具有不同振幅、空间频率和相位的简振函数的线性叠加。
二、傅里叶变换
1. 傅里叶级数的复数形式:
2. 离散时间傅里叶变换的变换式:
3. 例题:
三、频率域图像增强
1. 频率域的滤波步骤:
2. 低通滤波器和高通滤波器:
(1) 低通滤波器:使低频通过而使高频衰减的滤波器。被低通滤波的图像比原始图像少尖锐的细节部分,而突出平滑过渡部分。
(2) 高通滤波器:使高频通过而使低频衰减的滤波器。被高通滤波的图像比原始图像少灰度级的平滑过渡,而突出边缘等细节部分。
3. 空间滤波和频率滤波的异同点:在使用非线性滤波时,应当在空间域进行处理。当使用线性滤波器时,可以在空间域也可以在频率域进行,在空间域线性滤波时,滤波器的尺寸应该远远小于图像的尺寸。在频率域滤波,需要使用正向变换和逆变换。
上一篇: 架构扩展性
推荐阅读
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
图像处理与视觉感知--期末复习重点(3)
-
图像处理与视觉感知 - 期末复习重点 (2) - I. 空间域图像增强
-
图像处理与视觉感知 - 期末复习重点 (1)