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

  1. 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 ...

  2. 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 ...

  3. 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 ...

  4. training 2

    Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.136 Average Precision (AP) @[ IoU ...

  5. Learning Bayesian Network Classifiers by Maximizing Conditional Likelihood

    Abstract Bayesian networks are a powerful probabilistic representation, and their use for classifica ...

  6. (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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. BZOJ2278 [Poi2011]Garbage[欧拉回路求环]

    首先研究环上性质,发现如果状态不变的边就不需要动了,每次改的环上边肯定都是起末状态不同的边且仅改一次,因为如果有一条边在多个环上,相当于没有改,无视这条边之后,这几个环显然可以并成一个大环.所以,我们 ...

  2. 【HDU5521】Meeting

    题目大意:给定一张\(N\)个点的图,构成了\(M\)个团,每个团内的边权均相等,求图上有多少个点满足到\(1\)号节点和\(N\)号节点的最大值最小. 题解: 本题的核心是如何优化连边,考虑对于每一 ...

  3. javascript内置对象:Date

    JavaScript内置函数:Date时间<script>    var today=new Date();    weeks=["日","一",& ...

  4. EXE中释放DLL中分配的内存

    在DLL中分配的内存,如果到其调用者中释放,可能会出现CRASH的情况,其原因在于: 在DLL中的Code Generation如果是采用了MT(静态加载LIBCRTD.LIB)在该库中维护了一个al ...

  5. CentOS上部署Kubernetes集群

    1.开始前系统环境准备 # 1.设置基本环境 yum install -y net-tools conntrack-tools wget vim ntpdate libseccomp libtool- ...

  6. Codevs 2482 宝库通道 2007年省队选拔赛安徽

    2482 宝库通道 2007年省队选拔赛安徽 时间限制: 1 s 空间限制: 128000 KB 题目等级 : 大师 Master 题目描述 Description 探宝的旅程仍然继续中,由于你的帮助 ...

  7. 简单NLT

    目录 操作文本 需求 代码实现 操作文本 I have a dream that my four little children will one day live in a nation where ...

  8. 浅谈C++运算符重载

    首先,什么是运算符重载? C++里运算符重载主要有两种方法.一是通过类的成员函数进行重载,二是通过类的友元函数进行重载. 下面以简单的复数类complex为例: 下面是通过类的成员函数进行运算符的重载 ...

  9. 13.调整数组顺序使奇数位于偶数前面 Java

    思路 两次遍历,第一次把奇数加到list中,第二次把偶数加到list中,时间复杂度为O(n). 利用类似于插入排序的方法,但时间复杂度为O(n^2). 代码 import java.util.Arra ...

  10. 【零基础】入门51单片机图文教程(Proteus+Keil)

    参考资料: https://www.jianshu.com/p/88dfc09e7403 https://blog.csdn.net/feit2417/article/details/80890218 ...