本系列Opencv实例收集了为图像处理初学者设计的 100 个问题的python和C++代码实现,以及对应的理论知识。和蝾螈一起学习基本的图像处理知识,理解图像处理算法吧!解答这里提出的问题请不要调用OpenCV的API,自己动手实践。相信对你掌握opencv有比较好的帮助。
问题1 – 10:
序号 | 问题 | Python | C++ |
---|---|---|---|
1 | 通道替换 | ✓ | ✓ |
2 | 灰度化(Grayscale) | ✓ | ✓ |
3 | 二值化(Thresholding) | ✓ | ✓ |
4 | 大津算法 | ✓ | ✓ |
5 | HSV 变换 | ✓ | ✓ |
6 | 减色处理 | ✓ | ✓ |
7 | 平均池化(Average Pooling) | ✓ | ✓ |
8 | 最大池化(Max Pooling) | ✓ | ✓ |
9 | 高斯滤波(Gaussian Filter) | ✓ | ✓ |
10 | 中值滤波(Median filter) | ✓ | ✓ |
问题11 – 20:
序号 | 内容 |
---|---|
11 | 均值滤波 |
12 | Motion Filter |
13 | MAX-MIN 滤波 |
14 | 微分滤波 |
15 | Sobel 滤波 |
16 | Prewitt 滤波 |
17 | Laplacian 滤波 |
18 | Emboss 滤波 |
19 | LoG 滤波 |
20 | 直方图表示 |
问题21-30:
序号 | 内容 |
---|---|
21 | 直方图归一化(Histogram Normalization) |
22 | 直方图操作 |
23 | 直方图均衡化(Histogram Equalization) |
24 | 伽玛校正(Gamma Correction) |
25 | 最邻近插值(Nearest-neighbor Interpolation) |
26 | 双线性插值(Bilinear Interpolation) |
27 | 双三次插值(Bicubic Interpolation) |
28 | 仿射变换(Afine Transformations)——平行移动 |
29 | 仿射变换(Afine Transformations)——放大缩小 |
30 | 仿射变换(Afine Transformations)——旋转 |
问题31-40:
序号 | 内容 |
---|---|
31 | 仿射变换(Afine Transformations)——倾斜 |
32 | 傅立叶变换(Fourier Transform) |
33 | 傅立叶变换——低通滤波 |
34 | 傅立叶变换——高通滤波 |
35 | 傅立叶变换——带通滤波 |
36 | JPEG 压缩——第一步:离散余弦变换(Discrete Cosine Transformation) |
37 | 峰值信噪比(Peak Signal to Noise Ratio) |
38 | JPEG 压缩——第二步:离散余弦变换+量化 |
39 | JPEG 压缩——第三步:YCbCr 色彩空间 |
40 | JPEG 压缩——第四步:YCbCr+DCT+量化 |
问题41-50:
序号 | 内容 |
---|---|
41 | Canny边缘检测:第一步——边缘强度 |
42 | Canny边缘检测:第二步——边缘细化 |
43 | Canny边缘检测:第三步——滞后阈值 |
44 | 霍夫变换(Hough Transform)/直线检测——第一步:霍夫变换 |
45 | 霍夫变换(Hough Transform)/直线检测——第二步:NMS |
46 | 霍夫变换(Hough Transform)/直线检测——第三步:霍夫逆变换 |
47 | 形态学处理:膨胀(Dilate) |
48 | 形态学处理:腐蚀(Erode) |
49 | 开运算(Opening Operation) |
50 | 闭运算(Closing Operation) |
问题51-60:
序号 | 内容 |
---|---|
51 | 形态学梯度(Morphology Gradient) |
52 | 顶帽(Top Hat) |
53 | 黑帽(Black Hat) |
54 | 使用误差平方和算法(Sum of Squared Difference)进行模式匹配(Template Matching) |
55 | 使用绝对值差和(Sum of Absolute Differences)进行模式匹配 |
56 | 使用归一化交叉相关(Normalization Cross Correlation)进行模式匹配 |
57 | 使用零均值归一化交叉相关(Zero-mean Normalization Cross Correlation)进行模式匹配 |
58 | 4-邻接连通域标记 |
59 | 8-邻接连通域标记 |
60 | 透明混合(Alpha Blending) |
问题61-70:
序号 | 内容 |
---|---|
61 | 4-邻接的连接数 |
62 | 8-邻接的连接数 |
63 | 细化处理 |
64 | Hilditch 细化算法 |
65 | Zhang-Suen 细化算法 |
66 | 方向梯度直方图(HOG)第一步:梯度幅值・梯度方向 |
67 | 方向梯度直方图(HOG)第二步:梯度直方图 |
68 | 方向梯度直方图(HOG)第三步:直方图归一化 |
69 | 方向梯度直方图(HOG)第四步:可视化特征量 |
70 | 色彩追踪(Color Tracking) |
问题71-80:
序号 | 内容 |
---|---|
71 | 掩膜(Masking) |
72 | 掩膜(色彩追踪(Color Tracking)+形态学处理) |
73 | 缩小和放大 |
74 | 使用差分金字塔提取高频成分 |
75 | 高斯金字塔(Gaussian Pyramid) |
76 | 显著图(Saliency Map) |
77 | Gabor 滤波器(Gabor Filter) |
78 | 旋转 Gabor 滤波器 |
79 | 使用 Gabor 滤波器进行边缘检测 |
80 | 使用 Gabor 滤波器进行特征提取 |
问题81-90:
序号 | 内容 |
---|---|
81 | Hessian 角点检测 |
82 | Harris 角点检测第一步:Sobel + Gausian |
83 | Harris 角点检测第二步:角点检测 |
84 | 简单图像识别第一步:减色化+直方图 |
85 | 简单图像识别第二步:判别类别 |
86 | 简单图像识别第三步:评估 |
87 | 简单图像识别第四步:k-NN |
88 | k-平均聚类算法(k -means Clustering)第一步:生成质心 |
89 | k-平均聚类算法(k -means Clustering)第二步:聚类 |
90 | k-平均聚类算法(k -means Clustering)第三步:调整初期类别 |
问题91-100:
序号 | 内容 |
---|---|
91 | 利用 k-平均聚类算法进行减色处理第一步:按颜色距离分类 |
92 | 利用 k-平均聚类算法进行减色处理第二步:减色处理 |
93 | 准备机器学习的训练数据第一步:计算 IoU |
94 | 准备机器学习的训练数据第一步:随机裁剪(Random Cropping) |
95 | 神经网络(Neural Network)第一步:深度学习(Deep Learning) |
96 | 神经网络(Neural Network)第二步:训练 |
97 | 简单物体检测第一步—-滑动窗口(Sliding Window)+HOG |
98 | 简单物体检测第二步—-滑动窗口(Sliding Window)+ NN |
99 | 简单物体检测第三步—-非极大值抑制(Non-Maximum Suppression) |
100 | 简单物体检测第三步—-评估 Precision, Recall, F-score, mAP |