前言
记录课程学习过程(主要)和个人对课程的评价，课程链接:
- https://edu.csdn.net/course/detail/26281
环境
- windows10 python3.7
另外，之前在学校上过数字图像处理的课程，并非零基础，因此过的比较快 当然，下面写的也很粗略
第一章
从文件名称可以大致了解到，第一章主要介绍计算机视觉的相关概念。 因为我自己的python版本是3.7不同于课程，所以下载的文件也不同。anaconda 现在可以在官网看到anaconda 支持版也是如此python3.7.一开始，我选择了官方网站，但网络速度真的很难说。所以我想到了另一个网站，所以我想到了清华大学的镜像源。清华镜像源
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=A
之后按照PDF里面说的继续往下走，安装anaconda有一个可以打钩选择加入path是的，下面是我在网上找到的图片。我说的是第一个。我当时钩住了它，所以我不需要在后面配置环境变量。当然，有不同的观点。你能看看这个钩子吗。例如，截图中的这个说它不是钩子。 然后进入安装opencv 这里的步骤python版本不同，所以要选择不同的版本opencv版本。例如，我选择的版本是：
- opencv_python-4.1.2 contrib-cp37-cp37m-win_amd64
之后按照PDF步骤可以。在操作第一个程序的那一块，个人推荐下一个IDE，可以是pycharm 或 vscode 。我win上面装的是vscode。vscode会比较小。
- 照明设备
- 成像设备
- 处理设备
- 算法软件
第二章
- 光通量 人眼能感受到的光通量，等于内某波段和该波段的的乘积。
- 辐照度 辐照度投射在平面上。指到达一平，上的
- 注意每个英文字母的含义，以及HSI/HSV的区别
传感器的基本原理，数字图像的表示
- 建议阅读数字图像处理教科书
第三章
- 数字图像的每个像素值都是离散值，因此采用离散形式的卷积公式。
不懂公式不是什么大问题，主要是理解老师后面讲的例子。卷积经常用在后面，深入学习CNN意思是卷积神经网络。
- PDF里面的例子5x5矩阵的最终结果是3x3.注意观察，可以发现其原因是边缘部分没有处理。一般来说，图像边缘没有处理。如果要考虑图像边缘，则需要填充图形边缘。常见的是在边缘补充0。其余感兴趣的人可以搜索图像padding。
- 其实本质是卷积。用某些算子卷积可以平滑，用某些算子卷积可以锐化。核心是理解卷积。
- 其实算子就是滤波器，注意区分各种算子
- 均值滤波、中值滤波(有效去除椒盐噪声)、高斯滤波(实际使用较多，前两次考试较多)、双边滤波(罕见)
- 中值滤波窗口中的元素数为奇数，从小到大排列（反过来，一般从小到大），以中位数为当前值
- 以下是关于腐蚀膨胀部分的博客描述，因为视频与我以前学到的有点不同
- 开操作:先腐蚀后膨胀(可消除小噪音)
- 关闭操作：先膨胀后腐蚀
第四章
- 边缘处梯度较大，因此可以求梯度然后对其进行筛选得到边缘信息（后面可能还会根据这些边缘信息进行一些锐化操作）。在数字图像处理的过程中一般会用差分来代替梯度原来的计算公式。
- 正如前面所说，这一块的计算过程有点像卷积。
- 记住常见的算子
- sobel最常用
- laplace of gaussian
- 优点：边缘可以自动连接，检测准确、对噪声稳健，故应用广泛
- 基本步骤
平滑图像
计算梯度（幅值和方向）
梯度幅值进行非极大值抑制（只保留幅值局部变化最大的点）
自动边缘连接
- 通过查看弱边缘像素及其8个领域像素，只要其中一个为强边缘像素，则该弱边缘点就可以保留为真实的边缘。
- 边缘梯度gradient：灰度膨胀图像和腐蚀图像的差值
- 顶帽变换tophat：图像与其开运算的差值
- 黑帽变换blackhat：图像闭运算与自身的差值
顶帽和黑帽的结合使用能用于增强对比度
做法：将img + 顶帽变换 -黑帽变换
enhanced=img+tophat-bottomhat
- 击中或击不中变换HMT：输出图像由所有在B1 中匹配的像素（击中）和未在B2中匹配的像素（击不中）组成
- 代码1
# 图像边缘检测
import cv2
img=cv2.imread("lena.png")
cv2.imshow("lena.png",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# sobel 边缘检测算子
# dx dy参数是sobel 的x y 方向的选择
sobel=cv2.Sobel(img,cv2.CV_16S,1,0,ksize=3)
#laplacian
laplacian=cv2.Laplacian(img,cv2.CV_16S)
#canny
canny=cv2.Canny(img,50,120)
# 如果没有以下两行代码，sobel,laplacian没有显示
# 原因在于imshow显示8位uint，而sobel,laplcian 每个像素对应的是16位的int
sobel=cv2.convertScaleAbs(sobel)
laplacian=cv2.convertScaleAbs(laplacian)
cv2.imshow("sobel",sobel)
cv2.imshow("laplacian",laplacian)
cv2.imshow("canny",canny)
cv2.waitKey()
cv2.destroyAllWindows()
- 代码2
# 形态学滤波
import cv2
import numpy as np
def gause_noise(image,mean=0,var=0.001):
image=np.array(image/255,dtype=float)
noise=np.random.normal(mean,var**0.5,image.shape)
out=image+noise
if out.min() < 0:
low_clip = -1
else:
low_clip = 0
out = np.clip(out,low_clip,1.0)
out = np.uint8(out*255)
return out
# 以灰度图形式打开lena图
img=cv2.imread("lena.png",0)
nimg=gause_noise(img)
# 生成形态学的结构化元素，形状十字形，大小3x3
kernel =cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))
eroded =cv2.erode(img,kernel)#腐蚀
dilated =cv2.dilate(img,kernel)#膨胀
#开运算
opened = cv2.morphologyEx(nimg,cv2.MORPH_OPEN,kernel)
#在开运算的基础上再进行闭运算
closed= cv2.morphologyEx(opened,cv2.MORPH_CLOSE,kernel)
# cv2.imshow("noise img",nimg)
# cv2.imshow("erode",eroded)
# cv2.imshow("dilate",dilated)
# cv2.imshow("opened",opened)
# cv2.imshow("closed",closed)
gradient=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
cv2.imshow("gradient",gradient)
# 顶帽黑帽变换
tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
bottomhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow("tophat",tophat)
cv2.imshow("bottomhat",bottomhat)
enhanced=img+tophat-bottomhat
cv2.imshow("enhanced",enhanced)
# 击中，击不中变换结果
kernel1=np.array(([0,1,0],[1,-1,1],[0,1,0]),dtype='int')
hmt=cv2.morphologyEx(img,cv2.MORPH_HITMISS,kernel1)
cv2.imshow("hmt",hmt)
cv2.waitKey()
cv2.destroyAllWindows()