像素點(diǎn)
- 一種新的魚(yú)眼圖像校正算法*
位置，為下一步像素點(diǎn)的校正奠定了基礎(chǔ)。在此基礎(chǔ)上又提出了從2D空間進(jìn)行魚(yú)眼圖像校正的新方法，實(shí)驗(yàn)結(jié)果表明本文基于變量系數(shù)的雙向經(jīng)度校正算法校正效果沒(méi)有拉伸嚴(yán)重的問(wèn)題，而且縱向校正效果明顯優(yōu)于傳統(tǒng)經(jīng)度校正算法［11～12］。2 基于圓形軌跡掃描的掃描線(xiàn)逼近算法原理2.1 算法介紹新的掃描線(xiàn)逼近算法的原理是一幅魚(yú)眼圖像的有效區(qū)域邊界都是黑色像素點(diǎn)的可能性非常小，所以會(huì)存在某處邊界像素點(diǎn)為非黑色像素點(diǎn)，那么我們先找到該非黑色像素點(diǎn)，確定一個(gè)有效區(qū)域的邊界點(diǎn)的位置
計(jì)算機(jī)與數(shù)字工程 2023年4期2023-08-02
- 多類(lèi)別標(biāo)簽弱監(jiān)督語(yǔ)義分割熱力圖生成算法
射到圖像的每個(gè)像素點(diǎn)，賦予像素點(diǎn)語(yǔ)義標(biāo)簽。目前，使用圖像級(jí)標(biāo)簽的弱監(jiān)督語(yǔ)義分割方法大多基于可視化的兩階段方法。首先，訓(xùn)練分類(lèi)網(wǎng)絡(luò)，通過(guò)初始定位獲得偽像素級(jí)掩碼；其次，利用生成的偽掩碼作為監(jiān)督信息訓(xùn)練語(yǔ)義分割網(wǎng)絡(luò)。目前弱監(jiān)督語(yǔ)義分割的方法主要集中在生成高質(zhì)量的偽像素級(jí)掩碼，而所有的圖像級(jí)弱監(jiān)督語(yǔ)義分割算法都使用了類(lèi)激活映射(Class Activation Map，CAM)獲取偽像素掩碼。CAM的本質(zhì)是利用交叉標(biāo)簽約束的先驗(yàn)，根據(jù)分類(lèi)模型提供的信息定位圖像中
大連民族大學(xué)學(xué)報(bào) 2023年1期2023-03-15
- 一種基于模板的二階段ZS細(xì)化算法
化算法不以基本像素點(diǎn)為處理?xiàng)l件,而是通過(guò)直接計(jì)算圖像的中心線(xiàn)或中值線(xiàn)生成骨架圖。非迭代算法的最大優(yōu)點(diǎn)是處理速度快,但缺點(diǎn)是骨架有時(shí)會(huì)斷開(kāi)或留下一些不必要的分支,通常骨架連通性差。迭代細(xì)化算法在每次迭代中以相同的條件迭代刪除邊緣像素點(diǎn),直到生成骨架。迭代細(xì)化算法可分為串行細(xì)化算法和并行細(xì)化算法。串行細(xì)化算法通過(guò)光柵掃描或跟蹤圖像輪廓,按順序標(biāo)記刪除邊緣像素點(diǎn),刪除條件取決于之前所有迭代的結(jié)果和本次迭代中已處理過(guò)像素點(diǎn)情況。串行細(xì)化算法在處理目標(biāo)圖像時(shí),采用邊
計(jì)算機(jī)技術(shù)與發(fā)展 2023年2期2023-03-04
- 包絡(luò)法非圓齒輪廓線(xiàn)提取方法研究
成圖像處理中的像素點(diǎn),然后通過(guò)提取像素點(diǎn)來(lái)得到非圓齒輪齒廓線(xiàn),最后通過(guò)放大倍數(shù)還原為原始的齒廓數(shù)據(jù)點(diǎn)。1 通過(guò)聯(lián)動(dòng)模型獲得包絡(luò)軌跡圖像刀具沿非圓齒輪節(jié)曲線(xiàn)做純滾動(dòng)一周時(shí)就可以得到完整的包絡(luò)軌跡：其中X1O1Y1為毛坯固定坐標(biāo)系,X2O2Y2為刀具運(yùn)動(dòng)坐標(biāo)系：式(1)和式(2)中r1為插齒刀節(jié)圓半徑,r為橢圓極徑,a為長(zhǎng)半軸,e為橢圓偏心率,n為橢圓的階數(shù),在插齒刀初始位置時(shí),極角φ為0。由圖中幾何關(guān)系可知：式中：x,y和x1,y1分別為為極徑和刀具中心在毛
制造業(yè)自動(dòng)化 2022年6期2022-06-28
- 適應(yīng)性雙通道先驗(yàn)的圖像去霧方法
驗(yàn)的白色或亮色像素點(diǎn)和黑色或暗色像素點(diǎn)；然后，選用超像素作為暗通道和亮通道計(jì)算的局部區(qū)域，估計(jì)局部透射率和大氣光值；最后，由于亮暗雙通道方法對(duì)白色和黑色像素點(diǎn)的透射率和大氣光值進(jìn)行錯(cuò)誤估計(jì)，采用本文提出的適應(yīng)性雙通道先驗(yàn)方法進(jìn)行矯正，通過(guò)導(dǎo)引濾波器對(duì)透射率圖和大氣光圖進(jìn)行濾波，代入到大氣散射模型中，求得清晰的去霧圖像。實(shí)驗(yàn)結(jié)果表明，去霧后的圖像恢復(fù)了真實(shí)顏色、視覺(jué)效果自然、清晰，準(zhǔn)確高效地實(shí)現(xiàn)圖像的去霧處理；在FRIDA數(shù)據(jù)集上進(jìn)行去霧處理，采用本文方法的
光學(xué)精密工程 2022年10期2022-06-01
- 用于CD56圖像分割的細(xì)胞標(biāo)注精細(xì)化與自適應(yīng)加權(quán)損失*
對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行分類(lèi)。將語(yǔ)義分割技術(shù)應(yīng)用于CD56圖像，可將統(tǒng)計(jì)陰陽(yáng)細(xì)胞數(shù)量的比例轉(zhuǎn)化為統(tǒng)計(jì)陰陽(yáng)細(xì)胞像素點(diǎn)個(gè)數(shù)的比例，從而實(shí)現(xiàn)從人工統(tǒng)計(jì)到計(jì)算機(jī)統(tǒng)計(jì)的轉(zhuǎn)變。但是，在CD56圖像中背景、陰性細(xì)胞和陽(yáng)性細(xì)胞的像素點(diǎn)個(gè)數(shù)比例失衡，這會(huì)影響語(yǔ)義分割模型對(duì)CD56圖像的分割效果。本文在語(yǔ)義分割模型的損失函數(shù)中為不同類(lèi)別的像素點(diǎn)添加不同的損失權(quán)重，并且對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重，緩解了類(lèi)別不平衡的問(wèn)題。此外，由于細(xì)胞數(shù)量很多，精細(xì)標(biāo)注費(fèi)時(shí)費(fèi)力，所以通常使用一個(gè)
計(jì)算機(jī)工程與科學(xué) 2022年5期2022-05-27
- 一種改進(jìn)ViBe 算法的移動(dòng)目標(biāo)檢測(cè)方法
算法利用每個(gè)像素點(diǎn)及其周邊鄰域像素點(diǎn)的信息，建立像素點(diǎn)信息的隨機(jī)鄰域傳播更新機(jī)制，使得每個(gè)像素點(diǎn)的值在其鄰域內(nèi)平滑傳播，增強(qiáng)算法適應(yīng)場(chǎng)景變化的能力。在背景發(fā)生微小變化時(shí)，檢測(cè)出的噪聲點(diǎn)較少。ViBe 算法在靜態(tài)背景和變化小的背景中有較好的檢測(cè)效果，檢測(cè)速度快，但也存在“鬼影”問(wèn)題。針對(duì)ViBe 算法存在的“鬼影”問(wèn)題，目前有兩種改進(jìn)方法：第一種是對(duì)初始化方式進(jìn)行改進(jìn)；第二種是先找出“鬼影”區(qū)域，再對(duì)“鬼影”進(jìn)行處理。第一種改進(jìn)方法有中位數(shù)法、平均法等。張
現(xiàn)代電子技術(shù) 2022年8期2022-04-13
- 鋰電池隔膜微觀形貌分形分維對(duì)比研究
膜微觀孔結(jié)構(gòu)。像素點(diǎn)法和投影覆蓋法分形計(jì)算法為目前計(jì)算微觀形貌分形維數(shù)較常見(jiàn)兩種方法。本文采用像素點(diǎn)法和投影覆蓋法分別算出不同拉伸倍率工藝條件下鋰離子電池隔膜的分形維數(shù)，分析二者的各自?xún)?yōu)缺點(diǎn)，為分形分維在鋰離子電池隔膜微觀形貌分析的運(yùn)用提供參照。1 實(shí)驗(yàn)原理介紹1.1 像素覆蓋法將圖片進(jìn)行銳化處理并進(jìn)行二值化，圖片上的像素點(diǎn)歸結(jié)為0和1二值，其中0代表圖片深色像素點(diǎn)，1代表淺色像素點(diǎn)。圖片轉(zhuǎn)換成二值化表格后，再將表格進(jìn)行劃分，形成各等分小塊，記該劃分小塊的
信息記錄材料 2022年1期2022-03-11
- 基于絲桿傳動(dòng)的高精度機(jī)械矩陣設(shè)計(jì)
矩陣傳動(dòng)精度和像素點(diǎn)精度，本文采用絲杠傳動(dòng)裝置，利用光桿和絲杠配合實(shí)現(xiàn)矩陣單元外導(dǎo)向無(wú)間隙，可有效降低像素點(diǎn)面積，提高了像素點(diǎn)顯示精度。在光桿頂部加裝導(dǎo)向塊，其上的輔助輪和圓臺(tái)部可以有效保證矩陣單元的垂直度，提高了像素單元的傳動(dòng)精度和平穩(wěn)性。1 機(jī)械矩陣傳動(dòng)方案設(shè)計(jì)機(jī)械矩陣通過(guò)各個(gè)矩陣單元的上下往復(fù)運(yùn)動(dòng)來(lái)實(shí)現(xiàn)各種靜態(tài)、動(dòng)態(tài)的二維或三維圖案，主要是依靠機(jī)械傳動(dòng)結(jié)構(gòu)將電動(dòng)機(jī)的旋轉(zhuǎn)運(yùn)動(dòng)轉(zhuǎn)換為矩陣單元的直線(xiàn)運(yùn)動(dòng)，所以矩陣單元的機(jī)械結(jié)構(gòu)是實(shí)現(xiàn)這一功能的關(guān)鍵點(diǎn)，選擇合
機(jī)械工程師 2022年1期2022-01-22
- 圖像二值化處理硬件加速引擎的設(shè)計(jì)
法對(duì)整幅圖像的像素點(diǎn)運(yùn)算獲取最佳閾值,其算法通用性好,但是對(duì)圖像噪聲敏感[5],而且內(nèi)存開(kāi)銷(xiāo)大;自適應(yīng)閾值算法將原始圖像分割成若干個(gè)子圖像并分別求子圖像的最優(yōu)閾值,它能夠減小圖像噪聲的影響,但是計(jì)算過(guò)程相對(duì)復(fù)雜[6]。綜合考慮處理效果、硬件成本以及算法復(fù)雜度等因素,本文將Box Filter算法引入到圖像二值化處理過(guò)程中。這是一種自適應(yīng)閾值算法,以待處理像素點(diǎn)為中心、(2r+1)為邊長(zhǎng)的正方形框作為閾值窗口,閾值窗口內(nèi)所有像素點(diǎn)亮度值的數(shù)學(xué)期望是該像素點(diǎn)的
- 導(dǎo)向?yàn)V波的高光去除改進(jìn)算法
er的研究，將像素點(diǎn)投射到最大強(qiáng)度色度空間，采用從鏡面到漫射機(jī)制和強(qiáng)度對(duì)數(shù)微分的方法，分離出了漫反射分量和鏡面反射分量，但在分離過(guò)程中，像素點(diǎn)色度發(fā)生了變化，從而導(dǎo)致圖像的顏色失真；鄭芝寰等[8]為解決顏色失真的問(wèn)題，提出基于色度聚類(lèi)的高光區(qū)域選取算法和利用MSF圖像尋找高光點(diǎn)的體色度的算法，但計(jì)算過(guò)程較為復(fù)雜；Yang等[9]基于漫反射分量的最大部分在彩色圖像中平滑變化的特性，將低通濾波器應(yīng)用到顏色分量的最大部分用于估計(jì)鏡面反射分量，該方法可以去除高光，
計(jì)算機(jī)工程與應(yīng)用 2021年20期2021-10-28
- 基于像素點(diǎn)測(cè)量的瓶蓋檢測(cè)算法
要：采用基于像素點(diǎn)的飲料瓶瓶蓋檢測(cè)算法，可以很好地提高瓶蓋的檢測(cè)效率、降低成本。算法按照找出中垂線(xiàn)、左右邊緣線(xiàn)、上邊緣線(xiàn)和突出瓶頸4個(gè)步驟來(lái)判斷瓶蓋的4種情況。在實(shí)際操作過(guò)程中，系統(tǒng)監(jiān)測(cè)的準(zhǔn)確率超過(guò)了99%。實(shí)驗(yàn)證明，該算法有很強(qiáng)的實(shí)用性。關(guān)鍵詞：瓶蓋;檢測(cè);像素點(diǎn)在現(xiàn)代化的流水線(xiàn)中，一條罐裝飲料生產(chǎn)線(xiàn)每小時(shí)可以生產(chǎn)上萬(wàn)瓶飲料，期間會(huì)出現(xiàn)一些不合格產(chǎn)品，而不合格則主要體現(xiàn)為瓶蓋不合格。為了不影響產(chǎn)品質(zhì)量，需要對(duì)瓶子進(jìn)行全方位的檢測(cè)。如今，對(duì)不合格瓶子的檢
現(xiàn)代鹽化工 2021年3期2021-08-27
- 融合噪聲信息函數(shù)的改進(jìn)FCM圖像分割方法研究
相近特征的相鄰像素點(diǎn)聚到同一個(gè)區(qū)域，對(duì)每個(gè)像素點(diǎn)根據(jù)其特性采用不同的聚類(lèi)規(guī)則實(shí)現(xiàn)分割，分割準(zhǔn)確率較高，但是容易受到噪聲的干擾[3-4]，為此，許多學(xué)者進(jìn)行了改進(jìn)研究。文獻(xiàn)[5]提出一種利用包含度和隸屬度的遙感影像模糊分割方法，該方法將包含度作為一種新測(cè)度來(lái)描述聚類(lèi)與像素間的關(guān)系，并將包含度納入目標(biāo)函數(shù)中，通過(guò)迭代最小化目標(biāo)函數(shù)來(lái)得到最優(yōu)的隸屬度和包含度，通過(guò)反模糊化隸屬度和包含度之積實(shí)現(xiàn)帶有幾何噪聲的遙感圖像的分割；文獻(xiàn)[6]提出一種改進(jìn)的快速模糊C均值聚
能源與環(huán)保 2021年6期2021-07-06
- 一種檢測(cè)LCD顯示串?dāng)_的方法及系統(tǒng)
設(shè)有N 個(gè)測(cè)量像素點(diǎn)，N 為大于等于1的整數(shù)。在本論文的一個(gè)具體實(shí)施方法中，第一顏色為中灰色。下面舉例說(shuō)明獲取第一圖片的方式。例如，可以通過(guò)photoshop 獲取一張與液晶顯示器（即LCD）像素相同的圖片，并將該圖片的RGB 的百分比設(shè)置為50%，這樣就得到了顏色為中灰色的第一圖片，如圖2所示。其中，以N=4 為例，圖2中的四個(gè)點(diǎn)為預(yù)設(shè)的4 個(gè)測(cè)量像素點(diǎn)。S2，控制液晶顯示器顯示第一圖片，并測(cè)量第一圖片中N 個(gè)測(cè)量像素點(diǎn)的亮度值。具體地，通過(guò)液晶顯示器顯
電子技術(shù)與軟件工程 2021年1期2021-04-20
- 基于像素點(diǎn)的面積計(jì)算在蜂窩麻面圖像的應(yīng)用
提出了一種基于像素點(diǎn)的蜂窩麻面病害面積的快速求解方法。首先介紹了基于像素點(diǎn)的面積計(jì)算在各類(lèi)研究中的實(shí)踐與應(yīng)用;其次基于像素點(diǎn)的面積計(jì)算方法，將其應(yīng)用于蜂窩麻面圖像，并結(jié)合系統(tǒng)采集的圖片進(jìn)行了實(shí)驗(yàn);最后得出：通過(guò)此方法進(jìn)行計(jì)算的蜂窩麻面病害區(qū)域像素?cái)?shù)與實(shí)際取得的病害像素?cái)?shù)相比，誤差極小，接近無(wú)誤差，且計(jì)算速度更快、更穩(wěn)定;取得的病害區(qū)域像素?cái)?shù)乘以像素當(dāng)量即為病害區(qū)域的面積?？勺鳛楣こ虘?yīng)用項(xiàng)目參考。關(guān)鍵詞：像素點(diǎn);面積計(jì)算;蜂窩麻面;像素當(dāng)量;二值化中圖分類(lèi)號(hào)
電腦知識(shí)與技術(shù) 2021年2期2021-03-24
- 色彩的復(fù)現(xiàn)：計(jì)算機(jī)圖像處理與數(shù)值計(jì)算
構(gòu)成彩色圖像的像素點(diǎn)顏色信息是由R（紅色）、G（綠色）、B（藍(lán)色）三基色的值構(gòu)成，不同的RGB值可以混合出各種顏色，我們可以用一個(gè)四腳共陰極的三色LED燈，通過(guò)控制這三個(gè)值，模擬顯示不同顏色。對(duì)于圖像處理的操作，如模糊處理、色度處理、對(duì)比度調(diào)節(jié)等就是對(duì)這組數(shù)據(jù)進(jìn)行復(fù)雜的數(shù)學(xué)運(yùn)算。本文利用開(kāi)源庫(kù)OpenCV，通過(guò)卷積運(yùn)算來(lái)實(shí)現(xiàn)圖像處理，讓學(xué)生看到圖像處理操作背后的數(shù)值計(jì)算才是圖像處理的本質(zhì)?，F(xiàn)代的顯示屏對(duì)色彩的還原度已經(jīng)達(dá)到了以假亂真的程度，而顯示器從單色到
中國(guó)信息技術(shù)教育 2021年5期2021-03-24
- PMP技術(shù)中檢測(cè)飽和及校正相位的算法研究
正弦曲線(xiàn)中飽和像素點(diǎn)的具體情況，提出利用正弦曲線(xiàn)中未發(fā)生飽和的像素點(diǎn)進(jìn)行相位計(jì)算；Guo等人[6]采用Hough變換投票的方法確定用于三維重建的相位；趙等人[7]通過(guò)建立正弦曲線(xiàn)中每個(gè)像素點(diǎn)滿(mǎn)足的強(qiáng)度值模型，從而得到相位值。本文首先提出一種檢測(cè)物體表面飽和區(qū)域的方法，該方法通過(guò)檢測(cè)純色圖像與N幀圖像作差得到的檢測(cè)圖像中每個(gè)像素點(diǎn)的值，從而檢測(cè)飽和區(qū)域；同時(shí)，針對(duì)平面型掃描物體，提出一種校正飽和區(qū)域相位的算法，該算法利用與飽和像素點(diǎn)鄰近的非飽和像素點(diǎn)的相位進(jìn)
山西電子技術(shù) 2021年1期2021-02-05
- 基于局部相似性的特征匹配篩選算法
檢測(cè)穩(wěn)定的特征像素點(diǎn)，以特征像素點(diǎn)鄰域的梯度直方圖為基準(zhǔn)對(duì)特征像素點(diǎn)進(jìn)行描述，所形成的特征像素點(diǎn)描述子對(duì)圖像的尺度以及旋轉(zhuǎn)變化適應(yīng)性很強(qiáng)，但計(jì)算量過(guò)大也使該算法在效率上略顯不足。為了獲得效率上的提升，Bay 等人提出一種利用圖像積分檢測(cè)特征像素點(diǎn)的SURF 算法。該算法相對(duì)SIFT 算法在效率上有所提升，在遙感圖像[5-6]上也獲得了應(yīng)用。隨著對(duì)算法實(shí)時(shí)性要求的提高，研究者對(duì)之前的算法進(jìn)行了優(yōu)化[7-9]。同時(shí)，Rublee 等人提出更具效率的ORB 算法
現(xiàn)代電子技術(shù) 2021年1期2021-01-17
- 基于泊松分布的非局部均值圖像去噪方法
來(lái)衡量圖像中兩像素點(diǎn)間的相似性大小，該方法在不同光子數(shù)條件下驗(yàn)證了其去噪的有效性?；趫D像泊松分布的統(tǒng)計(jì)特性，本文提出一種基于泊松分布的非局部均值圖像去噪方法。該方法利用像素點(diǎn)的非局部區(qū)域內(nèi)的像素信息并根據(jù)極大似然估計(jì)其泊松分布參數(shù)；根據(jù)兩泊松分布間的L2范數(shù)距離來(lái)表示兩像素點(diǎn)間的差異大小。采用兩像素點(diǎn)周?chē)徲騼?nèi)點(diǎn)對(duì)間的L2范數(shù)距離平方和來(lái)定義相似性權(quán)值的大小。依據(jù)非局部均值的思想對(duì)圖像進(jìn)行泊松去噪，實(shí)驗(yàn)證明，本文方法在不同光子數(shù)條件下均能取得較好的去噪性
液晶與顯示 2020年10期2020-11-05
- 基于模糊圖像邊緣檢測(cè)算法的改進(jìn)
值有明顯變化的像素點(diǎn)的集合，而邊緣檢測(cè)算法的目的便是準(zhǔn)確的找到這些像素點(diǎn)。當(dāng)前存在的大部分邊緣檢測(cè)算法即是根據(jù)像素點(diǎn)在邊緣區(qū)域的跳躍性變化來(lái)檢測(cè)，反映在數(shù)學(xué)上即是根據(jù)邊緣鄰近的一階或二階方向?qū)?shù)的變換規(guī)律，來(lái)判斷圖像邊緣點(diǎn)?；谝浑A和二階導(dǎo)數(shù)來(lái)進(jìn)行圖像邊緣檢測(cè)的算法也已經(jīng)存在多種，例如：結(jié)合了高斯平滑和微分求導(dǎo)，并采用了卷積核來(lái)檢測(cè)圖像邊緣的Sobel 算子；使用圖像梯度以及對(duì)圖像進(jìn)行二階求導(dǎo)的Laplace 算子；利用高斯平滑濾波器去除噪音，并采用一階求
現(xiàn)代計(jì)算機(jī) 2020年21期2020-09-02
- 基于CT圖像的金屬點(diǎn)陣結(jié)構(gòu)內(nèi)部缺陷檢測(cè)方法
據(jù)二維灰度圖中像素點(diǎn)灰度值的分布特征，開(kāi)展了缺陷自動(dòng)識(shí)別定位的研究。2 缺陷特征提取及識(shí)別方法研究對(duì)象是一種由選擇性激光熔融技術(shù)制備的鈦合金三維多層點(diǎn)陣結(jié)構(gòu)，其內(nèi)部的微結(jié)構(gòu)單元為正四面體結(jié)構(gòu)，每一個(gè)節(jié)點(diǎn)與其周?chē)?個(gè)節(jié)點(diǎn)之間等距離連接且呈一個(gè)固定角度。整個(gè)鈦合金三維多層點(diǎn)陣結(jié)構(gòu)外部由一層鈦合金板狀結(jié)構(gòu)構(gòu)成，使整個(gè)結(jié)構(gòu)處于半封閉狀態(tài)，其內(nèi)部存在的斷層缺陷很難通過(guò)常規(guī)無(wú)損檢測(cè)方法進(jìn)行識(shí)別。2.1 缺陷識(shí)別的原理采用工業(yè)CT對(duì)多層金屬點(diǎn)陣結(jié)構(gòu)材料進(jìn)行掃描，得到材料
計(jì)量學(xué)報(bào) 2020年5期2020-06-10
- 結(jié)合光暈顏色和網(wǎng)格聚類(lèi)的夜間尾燈識(shí)別
只需要判斷圖片像素點(diǎn)是否滿(mǎn)足定義的規(guī)則，識(shí)別速度快。由于車(chē)載嵌入式系統(tǒng)對(duì)于實(shí)時(shí)處理速度要求較高，因此更適合使用基于知識(shí)的方法識(shí)別尾燈。夜間前方同向車(chē)輛最明顯的特征就是紅色、明亮的尾燈。文獻(xiàn)[6-8]的研究是根據(jù)像素點(diǎn)的色調(diào)(H)、飽和度(S)、亮度(V)識(shí)別尾燈，此方法轉(zhuǎn)換公式復(fù)雜，計(jì)算耗時(shí)。文獻(xiàn)[9]計(jì)算像素點(diǎn)的紅(R)、綠(G)、藍(lán)(B)3個(gè)通道的差值，通過(guò)改進(jìn)最大類(lèi)間方差法(OTSU)，確定閾值，識(shí)別尾燈，此方法在前方只有偏黃路燈時(shí)，會(huì)將路燈誤判為尾
- 基于ZS細(xì)化改進(jìn)算法的儀表盤(pán)指針讀數(shù)方法
現(xiàn)冗余和分叉的像素點(diǎn)[6]；陳樹(shù)等則在初步細(xì)化的基礎(chǔ)上采用四連通域模板和構(gòu)造保留模板實(shí)現(xiàn)徹底細(xì)化和直線(xiàn)連通[7]。然而上述方法都采用某一特定的模板進(jìn)行匹配細(xì)化，不能覆蓋可能出現(xiàn)的情況，且運(yùn)算過(guò)程復(fù)雜，無(wú)法解決直線(xiàn)細(xì)化過(guò)程中重復(fù)出現(xiàn)的分叉和像素冗余的問(wèn)題。為了解決現(xiàn)有方法存在的問(wèn)題，今提出一種基于ZS細(xì)化改進(jìn)算法的汽車(chē)儀表盤(pán)指針讀數(shù)方法。首先運(yùn)用顏色空間轉(zhuǎn)換的方法，將儀表盤(pán)圖像從RGB空間轉(zhuǎn)換至YUV空間，提取U分量得到指針區(qū)域圖像；然后針對(duì)上述ZS細(xì)化算法
中國(guó)計(jì)量大學(xué)學(xué)報(bào) 2020年1期2020-05-12
- 基于連通性檢測(cè)的圖像椒鹽噪聲濾波算法
未被污染的圖像像素點(diǎn)灰度值有較大差異，人們往往選用中值濾波算法[2]來(lái)處理椒鹽噪聲。該算法能有效地處理椒鹽噪聲，但它不加區(qū)分地對(duì)所有像素點(diǎn)進(jìn)行處理也導(dǎo)致了圖像細(xì)節(jié)變得更模糊的問(wèn)題。針對(duì)這一問(wèn)題，在此算法的基礎(chǔ)上，學(xué)者們相繼提出極值中值算法[3]、加權(quán)中值濾波算法[4-5]、自適應(yīng)中值濾波算法[6-7]等算法。其中的自適應(yīng)中值濾波算法[8]為Hwang和 Haddad提出，原理為通過(guò)大小可變的窗口消除噪聲。Lin和Yu則在自適應(yīng)中值濾波算法基礎(chǔ)上提出了一種基
液晶與顯示 2020年2期2020-04-07
- 視頻監(jiān)控中潛在長(zhǎng)期停留物體的檢測(cè)算法
方法，它能描述像素點(diǎn)在不同場(chǎng)景下表現(xiàn)出的多峰狀態(tài)，并實(shí)時(shí)對(duì)短時(shí)間尺度下的背景模型進(jìn)行實(shí)時(shí)更新判斷出視頻中運(yùn)動(dòng)物體的前背景分布[6]；然后，用長(zhǎng)時(shí)間尺度下的前背景模型法檢測(cè)出運(yùn)動(dòng)的物體，并對(duì)長(zhǎng)時(shí)間尺度下的背景模型進(jìn)行學(xué)習(xí)[7]；最后，將長(zhǎng)短背景模型進(jìn)行耦合，剔除視頻中快速通過(guò)的物體，得到視頻中潛在的長(zhǎng)期停留物體。1 構(gòu)建短時(shí)間尺度下的前背景模型在攝像機(jī)固定的情況下，視頻中運(yùn)動(dòng)物體的檢測(cè)常用的方法主要有背景差分法、幀間差分法[8]和光流法[9]。幀間差分法是利
電子技術(shù)與軟件工程 2020年21期2020-02-04
- 一種去除椒鹽噪聲的自適應(yīng)模糊中值濾波算法
固定窗口對(duì)每個(gè)像素點(diǎn)進(jìn)行相同的處理，不區(qū)分噪聲點(diǎn)和信號(hào)點(diǎn)，在去除噪聲的同時(shí)容易導(dǎo)致圖像細(xì)節(jié)模糊。為此，提出了各種改進(jìn)算法。自適應(yīng)中值濾波（AMF）算法［3-4］可自適應(yīng)調(diào)整濾波窗口的大小，并采用非噪聲的中值點(diǎn)代替窗口中心像素點(diǎn)，提高了噪聲的去除能力，但中值點(diǎn)很可能取到離窗口中心較遠(yuǎn)位置的像素點(diǎn)，易導(dǎo)致圖像細(xì)節(jié)丟失。文獻(xiàn)［5］提出了一種改進(jìn)的AMF算法，計(jì)算濾波窗口在4個(gè)方向上各像素點(diǎn)與中心像素點(diǎn)的灰度差值的和，并利用其絕對(duì)值的最小值進(jìn)行噪聲檢測(cè)，對(duì)受噪聲污
浙江大學(xué)學(xué)報(bào)（理學(xué)版） 2019年4期2019-08-15
- 用于指尖定位的多目標(biāo)分布估計(jì)算法
于選擇指尖區(qū)域像素點(diǎn)的多目標(biāo)優(yōu)化模型. 通過(guò)求解這一優(yōu)化模型，能夠得到某一手部區(qū)域中的所有指尖區(qū)域像素點(diǎn). 根據(jù)指尖伸出的數(shù)量，對(duì)得到的指尖區(qū)域像素點(diǎn)進(jìn)行聚類(lèi)，能夠得到任一指尖區(qū)域的像素點(diǎn). 然后，對(duì)于某一指尖區(qū)域的所有像素點(diǎn)計(jì)算它們的坐標(biāo)的平均值，這一平均值就是指尖區(qū)域中心的坐標(biāo). 對(duì)于上述指尖定位的優(yōu)化模型，為了得到比較準(zhǔn)確的指尖位置，需要保證選擇出的指尖區(qū)域像素點(diǎn)是準(zhǔn)確的. 由此可見(jiàn)，在求解指尖定位的優(yōu)化模型時(shí)，采用適合的求解方法，才能保證選擇出準(zhǔn)確
鄭州大學(xué)學(xué)報(bào)（工學(xué)版） 2019年4期2019-07-20
- 基于像素點(diǎn)篩選的艦船湍流尾跡檢測(cè)算法
著各條直線(xiàn)積分像素點(diǎn)數(shù)目不同的缺點(diǎn)。2005年，鄒煥新[8]等將Radon變換峰值點(diǎn)的一維截面用小波變換進(jìn)行匹配，獲得峰值點(diǎn)的特征向量，然后進(jìn)行分類(lèi)決策，有效地提取了Radon域中的尾跡峰值點(diǎn)。2016年，楊國(guó)錚等[7]則使用形態(tài)成分分析與剪切波變換實(shí)現(xiàn)了艦船尾跡的檢測(cè)。圖1 對(duì)全1矩陣進(jìn)行Radon變換后的雙X亮紋有別于Radon變換，本文提出的SAR圖像湍流尾跡檢測(cè)方法基于像素點(diǎn)篩選。其基本思想如圖2所示。圖2 像素點(diǎn)梯度方向示意圖湍流尾跡上的像素點(diǎn)與
微型電腦應(yīng)用 2019年1期2019-01-23
- 一種改進(jìn)的自適應(yīng)加權(quán)中值濾波算法研究
率對(duì)圖像中每個(gè)像素點(diǎn)產(chǎn)生噪聲，其概率密度如式1所示，方差和期望值如式2所示：(1)(2)(2)高斯噪聲：又叫正態(tài)噪聲，概率密度的描述如下：(3)其中，z表示圖像灰度值；μ表示z的期望值；σ表示z的標(biāo)準(zhǔn)差。高斯噪聲處理起來(lái)簡(jiǎn)單容易，應(yīng)用廣泛。(3)椒鹽噪聲：又稱(chēng)脈沖噪聲，是一種最典型的噪聲，對(duì)圖像質(zhì)量具有極大的影響。一般持續(xù)時(shí)間小于0.5 s，間隔時(shí)間大于1 s，概率密度描述如下：(4)如果b>a，則b將以點(diǎn)概率成為圖像中一個(gè)亮點(diǎn)，a成為一個(gè)暗點(diǎn)。(4)伽馬
計(jì)算機(jī)技術(shù)與發(fā)展 2018年12期2018-12-20
- 基于5×5鄰域像素點(diǎn)相關(guān)性的劃痕修復(fù)算法
復(fù)區(qū)域鄰域一層像素點(diǎn)會(huì)存在噪聲和游離的衰減區(qū)域點(diǎn)或跳變點(diǎn)[6].如果僅僅通過(guò)傳統(tǒng)的4鄰域或8鄰域中的相關(guān)像素點(diǎn)來(lái)修復(fù),肯定會(huì)產(chǎn)生錯(cuò)誤積累,出現(xiàn)劃痕修復(fù)不徹底和模糊現(xiàn)象.本工作改進(jìn)了傳統(tǒng)圖像修補(bǔ)算法,并將其應(yīng)用到舊的影視資料的劃痕修復(fù)中.本工作的主要思想是利用待修復(fù)區(qū)域與周?chē)?4個(gè)鄰近像素點(diǎn)的相關(guān)性,通過(guò)定義劃痕邊界待修復(fù)像素點(diǎn)的優(yōu)先度來(lái)確定填充順序;并結(jié)合圖像本身的結(jié)構(gòu)特征,依次修復(fù)每一個(gè)像素點(diǎn)并及時(shí)更新此像素點(diǎn)及其附近邊界像素點(diǎn)的優(yōu)先度,重復(fù)操作直至待修
- 一種圖像壞點(diǎn)檢測(cè)及修正算法
是在以當(dāng)前待測(cè)像素點(diǎn)為中心,大小為5×5像素的色彩濾波(color filter array,CFA)矩陣[4](見(jiàn)圖1)基礎(chǔ)上,對(duì)當(dāng)前待測(cè)像素點(diǎn)進(jìn)行壞點(diǎn)判斷.圖1 初始5×5 CFA矩陣Fig.1 Original 5×5 CFA matrix文獻(xiàn)[5]利用當(dāng)前待測(cè)像素點(diǎn)鄰域數(shù)值的均值和標(biāo)準(zhǔn)差,將圖像分為平坦區(qū)和非平坦區(qū),分別設(shè)置高、低閾值.當(dāng)待測(cè)像素點(diǎn)在閾值外時(shí),則判定其為壞點(diǎn).該算法需要設(shè)定平坦區(qū)和非平坦區(qū)的參數(shù),且可通過(guò)調(diào)節(jié)參數(shù)去除多個(gè)連續(xù)壞點(diǎn)并且
- 一種X射線(xiàn)圖像白點(diǎn)噪聲去除算法
心點(diǎn)是否為噪聲像素點(diǎn)；最后，對(duì)濾波窗口下已經(jīng)確定的噪聲像素點(diǎn)進(jìn)行處理并對(duì)去噪后的圖像進(jìn)行增強(qiáng)。實(shí)驗(yàn)結(jié)果表明，使用所提算法進(jìn)行去噪所獲得的圖像細(xì)節(jié)更加清楚并且成功去除白點(diǎn)噪聲。關(guān)鍵詞： X射線(xiàn)拍攝； 圖像去噪； 低照度圖像； 圖像增強(qiáng)； 白點(diǎn)噪聲； 像素點(diǎn)中圖分類(lèi)號(hào)： TN911.73?34； TP751.1 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）18?0096?03An algorithm for removing white spo
現(xiàn)代電子技術(shù) 2018年18期2018-09-12
- 基于非對(duì)稱(chēng)直方圖修改的可逆信息隱藏方案
該方法先取每個(gè)像素點(diǎn)左上方相鄰 3個(gè)像素點(diǎn)中像素值最大(小)值作為該點(diǎn)的預(yù)測(cè)值，計(jì)算預(yù)測(cè)誤差并統(tǒng)計(jì)分布生成預(yù)測(cè)誤差分布直方圖，通過(guò)直方圖平移的方法在峰值點(diǎn)處進(jìn)行秘密信息的嵌入(若取最大值作為預(yù)測(cè)值，則直方圖向右平移，反之則向左平移)，在完成原始圖像的每個(gè)像素點(diǎn)進(jìn)行了第一輪秘密信息的嵌入后，然后對(duì)含密圖像的每個(gè)像素點(diǎn)進(jìn)行第二輪秘密信息的嵌入，此時(shí)取每個(gè)像素點(diǎn)左上方相鄰 3個(gè)像素點(diǎn)中像素值最小(大)值作為該點(diǎn)的預(yù)測(cè)值，計(jì)算此時(shí)的預(yù)測(cè)誤差并統(tǒng)計(jì)分布生成預(yù)測(cè)誤差直
網(wǎng)絡(luò)與信息安全學(xué)報(bào) 2018年5期2018-05-29
- 基于灰度直方圖的單一圖像噪聲類(lèi)型識(shí)別研究
類(lèi)型；灰度級(jí)；像素點(diǎn)；含噪圖像DOI：10.11907/rjdk.172618中圖分類(lèi)號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）004-0197-04Abstract：The identification of the image noise type is not only a prerequisite for the study of the noise suppression scheme， but also play
軟件導(dǎo)刊 2018年4期2018-05-15
- 基于模糊聚類(lèi)的施工升降梯內(nèi)部人數(shù)統(tǒng)計(jì)
理對(duì)象是一系列像素點(diǎn)的坐標(biāo)，它們的相近和疏遠(yuǎn)程度的最直接表征就是像素點(diǎn)坐標(biāo)之間的歐氏距離，很明顯此處選擇歐氏距離的表達(dá)方式更方便，如果rij的表達(dá)方式選擇歐氏距離，那么rij的值越小，則表示Xi與Xj離的越近，選擇合適的距離λ，當(dāng)rij＜=λ時(shí)，rij=1，表明 Xi與 Xj屬于同一類(lèi)，其余情形rij=0，這樣得到了相應(yīng)矩陣Rλ，根據(jù)Rλ中各個(gè)元素的值便可實(shí)現(xiàn)類(lèi)的合并。2 圖像中特定顏色安全帽的提取本文所研究的情形中，安全帽區(qū)域?yàn)楦信d趣區(qū)域（ROI），而且
現(xiàn)代計(jì)算機(jī) 2017年35期2018-01-18
- 一種基于OpenGL的重合航跡處理方法
需要與屏幕上的像素點(diǎn)一一映射才能完成繪制。因此，需要獲得屏幕上顯示區(qū)域所包含的像素點(diǎn)個(gè)數(shù)。假設(shè)空情態(tài)勢(shì)顯示圓形區(qū)域，顯示坐標(biāo)系定義為正北方向?yàn)閅軸正方向、正東為X軸正方向。符號(hào)P表示顯示圓盤(pán)半徑表示范圍用，符號(hào)n表示圓盤(pán)半徑長(zhǎng)度對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)，則目標(biāo)在顯示坐標(biāo)系下的參數(shù)按公式（8）、公式（9）得到：若顯示圓盤(pán)半徑表示范圍為P=600km，對(duì)應(yīng)像素點(diǎn)個(gè)數(shù)為n=600，則兩個(gè)像素對(duì)應(yīng)的目標(biāo)數(shù)值范圍為1km，如圖2所示。常規(guī)飛行器的飛行速度在150m/s～72
電子測(cè)試 2017年14期2017-08-16
- 圖像采集過(guò)程中基于膚色理論的采集框自動(dòng)定位
測(cè)；圖像采集；像素點(diǎn)中圖分類(lèi)號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2095-6363（2017）12-0112-021 識(shí)別膚色理論膚色作為人顯著的特征常被應(yīng)用到人臉檢測(cè)和識(shí)別研究中。識(shí)別圖像中的膚色是人臉檢測(cè)的預(yù)處理步驟，橢圓膚色模型就是基于膚色在YCbCr空間cb、cr分量分布的穩(wěn)定性，來(lái)區(qū)分像素點(diǎn)是否屬于膚色區(qū)域。2 Delphi中具體實(shí)現(xiàn)過(guò)程2.1 先對(duì)圖像濾波通過(guò)對(duì)一個(gè)像素點(diǎn)相鄰周?chē)?個(gè)像素點(diǎn)中間值對(duì)圖像進(jìn)行濾波處理，使圖像整體畫(huà)面平滑，沒(méi)有突顯
科學(xué)家 2017年12期2017-08-10
- 你知道什么是像素嗎
就是像素，也叫像素點(diǎn)（如下圖）。每一個(gè)小方形，就是1像素。這和“十字繡”的圖紙是一樣的道理。任何圖像都是由這樣細(xì)小的像素點(diǎn)構(gòu)成的，你可以找一個(gè)早期的手機(jī)來(lái)看看，細(xì)細(xì)看還能看到這些格子。像素是組成數(shù)碼圖像的一種最小單位，形狀有長(zhǎng)方形和正方形。一個(gè)像素只有一種顏色。認(rèn)識(shí)像素之后，我們就可以用像素來(lái)描述圖像的大小了。一張圖像的大小由其像素總量決定，像素總量可以通過(guò)下面的公式計(jì)算：像素總量=寬度×高度（以像素點(diǎn)計(jì)算）。通常，當(dāng)我們說(shuō)一張圖片為1024×768像素時(shí)
數(shù)學(xué)小靈通·3-4年級(jí) 2017年7期2017-05-30
- 基于信號(hào)對(duì)稱(chēng)性的抑制飽和誤差算法
應(yīng)的光柵圖片中像素點(diǎn)之間的對(duì)稱(chēng)性,修復(fù)飽和像素點(diǎn)的強(qiáng)度值,利用修復(fù)后的像素點(diǎn)強(qiáng)度值重建物體的三維形貌,從而降低飽和誤差.通過(guò)仿真軟件仿真及實(shí)驗(yàn)均證實(shí)本文算法的效用.實(shí)驗(yàn)結(jié)果表明：采用該算法的飽和誤差的均方根值相對(duì)于傳統(tǒng)測(cè)量方法減小了77.78%.三維測(cè)量；相位測(cè)量輪廓術(shù)；相位誤差；光強(qiáng)飽和；正反信號(hào)編碼相位測(cè)量輪廓術(shù)（PMP）是主動(dòng)式的三維測(cè)量方法之一[1-2].由于其具有測(cè)量快、精確度高等優(yōu)點(diǎn),目前被廣泛使用在三維建模、生物識(shí)別等領(lǐng)域[3-4].但在實(shí)際
- 用于紋理特征提取的改進(jìn)的成對(duì)旋轉(zhuǎn)不變共生局部二值模式算法
化和最小化圖像像素點(diǎn)的二值序列，得到兩個(gè)鄰域像素點(diǎn)的坐標(biāo)，由中心像素點(diǎn)坐標(biāo)和得到的鄰域像素點(diǎn)坐標(biāo)計(jì)算出共生點(diǎn)對(duì)的坐標(biāo)；其次，利用完備二值模式 （CLBP） 算法提取圖像的每個(gè)像素點(diǎn)的紋理信息。在相同分類(lèi)器下，對(duì)Brodatz、Outex（TC10，TC12）、Outex（TC14）、CUReT和KTH_TIPS數(shù)據(jù)庫(kù)的分類(lèi)實(shí)驗(yàn)中，所提算法的識(shí)別率比PRICoLBP算法分別提高了0.17、0.24、2.65、2.39和2.04個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，所提算法
計(jì)算機(jī)應(yīng)用 2016年12期2017-01-13
- 信噪比
雖然不同大小的像素點(diǎn)產(chǎn)生的噪點(diǎn)數(shù)量是一樣的，但是更小的像素點(diǎn)所能捕捉到的光子——光的基本粒子——?jiǎng)t更少。所以從比例上來(lái)說(shuō)，更小的傳感器會(huì)產(chǎn)生更多的噪點(diǎn)，即更低的信噪比。更大尺寸的傳感器在產(chǎn)生相同數(shù)量的噪點(diǎn)的同時(shí)能接收更多的光子（接受到更多有效信號(hào)），也就有了更高的信噪比。結(jié)果就是更大尺寸的傳感器能夠在相同ISO值時(shí)拍出更“純凈”的照片，在低ISO情況下區(qū)別不明顯，而隨著ISO的提高，畫(huà)質(zhì)差距會(huì)十分明顯。更小的像素點(diǎn)每個(gè)像素點(diǎn)捕捉到的光子（黃色）以及隨機(jī)的噪
攝影之友(影像視覺(jué)) 2016年11期2016-07-31
- 基于分塊聚類(lèi)特征匹配的無(wú)人機(jī)航拍三維場(chǎng)景重建
詞：圖像匹配；像素點(diǎn)；無(wú)人機(jī)航拍視頻；三維重建；聚類(lèi)隨著計(jì)算機(jī)視覺(jué)理論以及無(wú)人機(jī)平臺(tái)技術(shù)的迅猛發(fā)展，無(wú)人機(jī)視覺(jué)研究將重新定義未來(lái)人類(lèi)感知世界的能力與范圍。無(wú)人機(jī)視覺(jué)研究已經(jīng)逐步從二維的圖像處理、分析發(fā)展為三維場(chǎng)景的重構(gòu)與解析。復(fù)雜大場(chǎng)景的三維重建是當(dāng)前國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題。無(wú)人機(jī)平臺(tái)在獲取三維數(shù)據(jù)方面具有視角靈活性大、飛行成本低以及時(shí)效性強(qiáng)等優(yōu)勢(shì)，可得到同一場(chǎng)景連續(xù)多視角、海量無(wú)標(biāo)定圖像序列。SFM重建框架[1]無(wú)需相機(jī)標(biāo)定信息，僅利用序列圖像特征的內(nèi)在約
西北工業(yè)大學(xué)學(xué)報(bào) 2016年4期2016-07-25
- 一種基于MATLAB圖像邊界提取算法
邊界特征提取；像素點(diǎn)數(shù)字圖像處理技術(shù)最早出現(xiàn)于20世紀(jì)50年代，經(jīng)過(guò)半個(gè)多世紀(jì)的發(fā)展,已經(jīng)廣泛地應(yīng)用于工業(yè)、遙感、醫(yī)療保健、航空航天、軍事等各個(gè)領(lǐng)域,在國(guó)民經(jīng)濟(jì)中發(fā)揮著越來(lái)越大的作用[1-2].圖像邊緣的識(shí)別精度將直接影響測(cè)量的精度[3]，因此，如何獲取高精度的圖像邊緣已經(jīng)成為幾何量精密測(cè)量領(lǐng)域的熱門(mén)話(huà)題，國(guó)內(nèi)外學(xué)者提出很多圖像邊緣的提取方法，但是這些算法大多過(guò)于復(fù)雜，運(yùn)算量大，不利于實(shí)時(shí)處理[4-6].為了能夠準(zhǔn)確快速的提取邊界輪廓，本文出了一種利用MA
吉林化工學(xué)院學(xué)報(bào) 2015年11期2016-01-31
- 基于達(dá)芬奇平臺(tái)的運(yùn)動(dòng)目標(biāo)跟蹤算法
e 算法中每個(gè)像素點(diǎn)都具有各自的背景模型，且使用第1 幀圖像即可完成背景模型的初始化。假設(shè)像素點(diǎn)的背景模型由N(N 一般取值為20)個(gè)樣本構(gòu)成，即背景模型可以表示成S={s1，s2，…，sN}，則在該像素點(diǎn)的L ×L(L 一般取值為5)的鄰域內(nèi)隨機(jī)選取N 個(gè)像素點(diǎn)的顏色值作為該像素點(diǎn)的背景模型，即S，遍歷完圖像中所有像素點(diǎn)，即可完成背景模型的初始化?？梢钥闯鯲ibe 算法的背景模型初始化過(guò)程非常簡(jiǎn)單，容易實(shí)現(xiàn)。Step2 前景提取和背景模型更新。背景模型初
計(jì)算機(jī)與現(xiàn)代化 2015年10期2015-11-25
- 四倍清晰度 1ms極速顯示
精細(xì)的將每一個(gè)像素點(diǎn)分成4個(gè)像素點(diǎn)，重新組合后的畫(huà)面，就像iPhone所配備的Retina屏幕一樣，用四個(gè)超精細(xì)像素點(diǎn)合成一個(gè)常規(guī)的像素點(diǎn)，讓畫(huà)面更加清晰銳利，不會(huì)再有“馬賽克”現(xiàn)象。除了四倍于1080P的超精細(xì)畫(huà)質(zhì)以外，AOC U2868PQU顯示器還支持一般只有專(zhuān)業(yè)電競(jìng)顯示器才支持的1毫秒極速響應(yīng)時(shí)間。從硬件設(shè)計(jì)的角度有效降低了拖影對(duì)第一人稱(chēng)射擊和賽車(chē)等高速游戲的干擾。對(duì)游戲玩家來(lái)說(shuō)，戰(zhàn)場(chǎng)瞬息萬(wàn)變，只有比其他對(duì)手更清晰的判斷敵人的行蹤，才能更加從容的取
數(shù)字家庭 2014年7期2015-03-18
- 基于圖像塊間像素特征的隱寫(xiě)算法設(shè)計(jì)與實(shí)現(xiàn)＊
式.由于圖像塊像素點(diǎn)自身的特點(diǎn)和人眼對(duì)圖像像素細(xì)微變化的不明顯性，使得在圖像塊中插入隱寫(xiě)信息成為可能.目前在圖像塊中植入隱寫(xiě)信息的研究很多，所提出的相關(guān)算法也很多，比如經(jīng)典的LSB算法.由于圖像的像素點(diǎn)最低位的變化對(duì)人眼視角效果影響不明顯，因此在圖像隱寫(xiě)算法中，基于最低像素位的隱寫(xiě)算法是一種非常經(jīng)典的圖像隱寫(xiě)算法.在基于最低像素位嵌入隱寫(xiě)信息的算法基礎(chǔ)上，也發(fā)展形成了若干種新的改進(jìn)性的隱寫(xiě)算法.然而在研究圖像隱寫(xiě)算法時(shí)，更多的是考慮像素點(diǎn)與像素點(diǎn)之間的相互
- 一種高效視頻編碼插值濾波VLSI架構(gòu)設(shè)計(jì)
用于ME的分?jǐn)?shù)像素點(diǎn)預(yù)測(cè)中。對(duì)于亮度插值，其精確度是1/4像素，所以總共有15個(gè)位置的像素值需要被計(jì)算出來(lái)。對(duì)于8×8子塊的預(yù)測(cè)，最多需要16×16的參考像素。相比H．264/AVC標(biāo)準(zhǔn)中使用的6抽頭濾波器［6］，8抽頭濾波器在硬件實(shí)現(xiàn)時(shí)將花費(fèi)更多的面積。因此，設(shè)計(jì)一個(gè)高效的內(nèi)插值濾波器VLSI架構(gòu)對(duì)于實(shí)時(shí)實(shí)現(xiàn)高品質(zhì)的視頻是必要的。本文設(shè)計(jì)一個(gè)內(nèi)插值濾波器VLSI架構(gòu)。為便于VLSI實(shí)現(xiàn)，提出一種快速內(nèi)插值濾波算法［7］，將所有的4×8，4×16和12×1
計(jì)算機(jī)工程 2015年4期2015-01-02
- 實(shí)時(shí)DSP圖像處理高斯濾波優(yōu)化
和y表示的是到像素點(diǎn)間的距離,σ為分布函數(shù)，高斯濾波曲線(xiàn)的形狀可以通過(guò)改變分布函數(shù)σ來(lái)完成。下面以如下5×5大小的高斯模板為例來(lái)說(shuō)明本文的優(yōu)化方法：圖1 高斯低通濾波方法器2 基于DM6446高斯濾波實(shí)現(xiàn)及優(yōu)化2.1 數(shù)據(jù)相關(guān)性分析高斯濾波器是一種相對(duì)簡(jiǎn)單的算法，如何充分利用DM6446 DSP良好的并行處理性能，來(lái)最快的實(shí)現(xiàn)算法是研究的重點(diǎn)。在高斯濾波算法計(jì)算過(guò)程中，每次像素點(diǎn)的計(jì)算都是相關(guān)聯(lián)的。比如當(dāng)前像素點(diǎn)和其周邊各個(gè)像素點(diǎn)的計(jì)算便有著大量重復(fù)計(jì)算。
制造業(yè)自動(dòng)化 2014年24期2014-12-18
- 基于像素點(diǎn)聚類(lèi)分離的濾波算法
用濾波窗口中心像素點(diǎn)值與窗口中值之間的差值大小，通過(guò)與設(shè)定的閾值進(jìn)行比較來(lái)判斷噪聲點(diǎn)；文獻(xiàn)[2]提出了基于統(tǒng)計(jì)噪聲檢測(cè)的中值濾波，該算法考慮到濾波窗口中的噪聲點(diǎn)數(shù)不止一個(gè)，又結(jié)合像素點(diǎn)之間的相似性，所以先求出除濾波窗口中心像素點(diǎn)之外的其他幾個(gè)像素點(diǎn)與中心像素點(diǎn)之間的差值，再選擇最小的四個(gè)差值進(jìn)行統(tǒng)計(jì)計(jì)算，最后確定出噪聲點(diǎn)并對(duì)噪聲點(diǎn)進(jìn)行濾除；文獻(xiàn)[3-4]提出了基于極值噪聲檢測(cè)的中值濾波，該算法主要根據(jù)噪聲點(diǎn)的孤立性和正常像素點(diǎn)之間的相似性，認(rèn)為噪聲點(diǎn)的像素
計(jì)算機(jī)工程與應(yīng)用 2014年5期2014-11-08
- 一種對(duì)比度增強(qiáng)的邊緣檢測(cè)改進(jìn)算法及FPGA實(shí)現(xiàn)
發(fā)生急劇變化的像素點(diǎn)的集合，圖像的邊緣含有豐富的信息，被廣泛應(yīng)用在圖像處理以及目標(biāo)識(shí)別等領(lǐng)域［2］。傳統(tǒng)的邊緣檢測(cè)算子是利用微分算子對(duì)像素灰度級(jí)劇烈變化進(jìn)行檢測(cè)從而得到邊緣，如經(jīng)典的Sobel邊緣算子，其結(jié)構(gòu)簡(jiǎn)單且運(yùn)算速度快，但是邊緣往往不夠完整和細(xì)致，對(duì)于噪聲和光照變化較為敏感，特別是低對(duì)比度圖像，提取的邊緣特征往往不明顯［3］。由生理學(xué)和光學(xué)原理可知，人眼感知的并非物體的絕對(duì)亮度，而是不同部位或物體間的相對(duì)亮度。因此對(duì)比度越強(qiáng)，畫(huà)面越易于觀察和鑒別［4
電視技術(shù) 2014年15期2014-09-18
- 基于詞袋模型的腦腫瘤MR圖像分割方法
將分割問(wèn)題看作像素點(diǎn)的分類(lèi)問(wèn)題。在基于分類(lèi)器的分割方法中，圖像特征具有的辨別能力的強(qiáng)弱直接影響著分割結(jié)果的好壞，如何提取有效的特征是分類(lèi)器算法面臨的關(guān)鍵問(wèn)題。針對(duì)傳統(tǒng)灰度特征辨別力不強(qiáng)缺乏空間信息，以及傳統(tǒng)紋理特征概括性較弱的不足，我們引入詞袋模型（bag of words，BoW）［15，16］并配合滑動(dòng)窗口來(lái)提取像素點(diǎn)的特征。詞袋模型將圖像看作視覺(jué)單詞的集合，由于視覺(jué)單詞即對(duì)相似的特征具有代表性又對(duì)不同的特征具有區(qū)分性，因而將詞典對(duì)像素點(diǎn)的表達(dá)作為特征
計(jì)算機(jī)工程與設(shè)計(jì) 2014年4期2014-02-09
- 每250nm距離安放一個(gè)像素點(diǎn)達(dá)光學(xué)分辨力極限的“最清晰”圖像問(wèn)世
可以有10萬(wàn)個(gè)像素點(diǎn)，這是光學(xué)分辨領(lǐng)域無(wú)法超越的理論極限。英國(guó)《自然·納米技術(shù)》雜志12日在線(xiàn)刊登報(bào)告說(shuō)，新加坡研究人員完成了這樣一幅圖像。這是一幅常用作圖像測(cè)試的彩色女子頭像“萊娜”，整幅頭像大小只有50μm見(jiàn)方，它的清晰程度達(dá)到光學(xué)分辨力的理論極限，即在每250nm距離上安放一個(gè)像素點(diǎn)。之所以說(shuō)這是理論極限，是因?yàn)楣獾难苌湫再|(zhì)決定，如果兩個(gè)像素點(diǎn)之間的距離低于250nm，它們發(fā)出或反射的光就會(huì)互相影響，使圖像模糊。我們?cè)谌粘Ｉ钪幸灿羞@樣的經(jīng)驗(yàn)，如果兩
光學(xué)儀器 2012年4期2012-12-28
- 線(xiàn)粒體電鏡圖像二值化增強(qiáng)算法研究
始圖像中，所有像素點(diǎn)可以被劃歸為線(xiàn)粒體或非線(xiàn)粒體成分的邊緣點(diǎn)和內(nèi)部點(diǎn).這里非線(xiàn)粒體成分包含粗面內(nèi)質(zhì)網(wǎng)、糖原、溶酶體、脂滴以及圖像噪聲.我們將構(gòu)成原始電鏡圖像的線(xiàn)粒體和非線(xiàn)粒體成分稱(chēng)為圖像中的對(duì)象.經(jīng)觀察，所有位于對(duì)象內(nèi)部的像素點(diǎn)具有共同特征：同一對(duì)象的內(nèi)部像素點(diǎn)的灰度值的差值，明顯小于該對(duì)象的邊緣像素點(diǎn)與內(nèi)部像素點(diǎn)的灰度值的差值.基于這一特征，我們可以設(shè)計(jì)一種邊緣像素點(diǎn)與內(nèi)部像素點(diǎn)的分類(lèi)器，將判定為對(duì)象內(nèi)部區(qū)域的像素點(diǎn)用黑色表示，將判定為對(duì)象邊緣區(qū)域的像素
中原工學(xué)院學(xué)報(bào) 2012年2期2012-12-27
- 基于AVS的快速亞像素運(yùn)動(dòng)估計(jì)算法
到最優(yōu)1/2亞像素點(diǎn)，然后根據(jù)最優(yōu)點(diǎn)和次優(yōu)點(diǎn)判斷最優(yōu)1/4亞像素點(diǎn)，縮小了搜索范圍［3］；基于運(yùn)動(dòng)補(bǔ)償誤差的數(shù)學(xué)模型快速算法，在得到最優(yōu)整像素點(diǎn)基礎(chǔ)上，利用其與周?chē)?個(gè)整像素點(diǎn)的運(yùn)動(dòng)補(bǔ)償誤差值求出模型系數(shù)，然后利用得到的模型估計(jì)分像素位置的絕對(duì)誤差和（SAD）值，從而求出最優(yōu)的分像素位置，計(jì)算量較大［4］；基于 MSE（均方誤差）的小數(shù)像素運(yùn)動(dòng)估計(jì)快速算法，利用了二次曲線(xiàn)D（x）＝ax2＋bx＋c在一定范圍內(nèi)可以取得最小值的特性，從而判斷出最優(yōu)點(diǎn)，計(jì)算量
計(jì)算機(jī)工程與設(shè)計(jì) 2012年7期2012-07-27
- LED大屏幕質(zhì)量檢測(cè)中的像素點(diǎn)定位方法研究
幕數(shù)以百萬(wàn)計(jì)的像素點(diǎn)，傳統(tǒng)檢測(cè)儀器及方法效率低下。而采用CCD面陣檢測(cè)器單次測(cè)量的像素點(diǎn)數(shù)量可以非常大，在相同的時(shí)間內(nèi)，其具有比其他方法測(cè)得更多的數(shù)據(jù)點(diǎn)的能力。測(cè)量時(shí)間上有了實(shí)質(zhì)性的節(jié)省。因此，采用CCD面陣檢測(cè)器的LED測(cè)量系統(tǒng)在顯示系統(tǒng)設(shè)計(jì)和生產(chǎn)的實(shí)施與質(zhì)量保證階段具有巨大的優(yōu)勢(shì)。本文基于圖像形態(tài)學(xué)處理方法，討論在復(fù)雜環(huán)境背景下，以及由于待測(cè)屏幕角度等原因造成投影到CCD上呈現(xiàn)的不規(guī)則大屏幕圖像的LED像素點(diǎn)的定位。為下一階段的像素級(jí)亮度色度檢測(cè)提供可
燈與照明 2012年2期2012-07-26
- 基于幾何分類(lèi)的自適應(yīng)圖像插值算法*
分辨率圖像部分像素點(diǎn);然后劃分高分辨率圖像已知像素點(diǎn)所構(gòu)成的插值單元;最后，對(duì)不同幾何類(lèi)型插值單元的未知像素分別求解，獲取高分辨率圖像。本文的主要貢獻(xiàn)有以下2點(diǎn)。其一是:根據(jù)初步賦值后的高分辨率圖像的已知像素點(diǎn)和未知像素點(diǎn)的相對(duì)位置關(guān)系，將插值未知像素點(diǎn)的插值單元分為矩形插值單元和菱形插值單元，保證插值圖像的邊緣走向和寬度，提高插值圖像的質(zhì)量。其二是:從8個(gè)方向分別對(duì)兩種插值單元進(jìn)行幾何分類(lèi)，最后再根據(jù)每個(gè)像素點(diǎn)所屬的相關(guān)插值單元進(jìn)行分類(lèi)插值，保證圖像邊緣
- 基于模糊推理的方向中值椒鹽濾波算法
濾波窗口中不同像素點(diǎn)或中心像素點(diǎn)賦予不同的權(quán)值來(lái)保護(hù)細(xì)節(jié)，但缺少噪聲點(diǎn)判斷，即將所有的像素點(diǎn)做統(tǒng)一處理，造成了圖像的模糊。后來(lái)又出現(xiàn)了一種極大極小值算法[3]，如在畢萍的“一種改進(jìn)的椒鹽噪聲非線(xiàn)性濾波算法”中將窗口中最大值和最小值附近的像素點(diǎn)視為噪聲點(diǎn)。在一定的區(qū)域內(nèi)，必然存在最大值和最小值，但不一定是噪聲點(diǎn)，所以該方法缺乏一定的準(zhǔn)確性。根據(jù)椒鹽噪聲的特點(diǎn)，董繼揚(yáng)、張軍英提出了“一種簡(jiǎn)單的椒鹽噪聲濾波算法”[4]及劉繼業(yè)和費(fèi)如純的“一種濾除椒鹽噪聲的改進(jìn)的
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2010年6期2010-09-29
- 基于中心點(diǎn)預(yù)測(cè)的分?jǐn)?shù)像素運(yùn)動(dòng)估計(jì)改進(jìn)算法
接預(yù)測(cè)最佳分?jǐn)?shù)像素點(diǎn),但一般情況下整數(shù)像素搜索過(guò)程最后采用小菱形模型,只搜索最佳整數(shù)點(diǎn)及其上下左右4個(gè)點(diǎn).W ang等人[4]提出通過(guò)鄰近像素值的預(yù)測(cè),將分?jǐn)?shù)像素點(diǎn)進(jìn)行分組從而減少搜索點(diǎn).Shen等人[5]提出利用整數(shù)像素點(diǎn)線(xiàn)性擬合分?jǐn)?shù)像素點(diǎn),并建立提前退出分?jǐn)?shù)像素搜索的模型以減少運(yùn)算量.Du等人[6]提出的PPHPS算法首先利用整數(shù)像素搜索的結(jié)果擬合誤差曲面,通過(guò)誤差曲面預(yù)測(cè)最佳分?jǐn)?shù)像素點(diǎn)的位置,從而省略部分分?jǐn)?shù)像素點(diǎn)的搜索.Chen等人[7]提出的CB