log算子 和dog 算子
分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow
也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!
LOG算子
目录(?)[+]
背景引言
在博文差分近似图像导数算子之Laplace算子中,我们提到Laplace算子对通过图像进行操作实现边缘检测的时,对离散点和噪声比较敏感。于是,首先对图像进行高斯暖卷积滤波进行降噪处理,再采用Laplace算子进行边缘检测,就可以提高算子对噪声和离散点的Robust, 这一个过程中Laplacian of Gaussian(LOG)算子就诞生了。本节主要介绍LOG算子基本理论数学分析比较多些,最后,贴出用Mathcad软件实现的LOG代码。
基本理论
高斯卷积函数定义为:
而原始图像与高斯卷积定义为:
因为:
所以Laplacian of Gaussian(LOG)可以通过先对高斯函数进行偏导操作,然后进行卷积求解。公式表示为:
和
因此,我们可以LOG核函数定义为:
高斯函数和一级、二阶导数如下图所示:
Laplacian of Gaussian计算可以利用高斯差分来近似,其中差分是由两个高斯滤波与不同变量的卷积结果求得的
从两个平平滑算子的差分得出的是二阶边缘检测,反直观。近似计算可能如下图所示。图中一维空间,不同变量的两个高斯分布相减形成一个一维算子
参考代码
计算LOG算子模板系数的式(4.27)实现如下代码:
此函数包括一个正规函数,它确保模板系数的总和为1. 以便在均匀亮度区域不会检测到边缘。
参考资料
[1] Laplacian of Gaussian http://fourier.eng.hmc.edu/e161/lectures/gradient/node9.html.
[2] Rafael C.Gonzalez, Rechard E.Woods at. el , "Digital Image Processing Using MatLab (Second Editon)",Gatesamark Publishing.
关于Image Engineering & Computer Vision的更多讨论与交流,敬请关注本博和新浪微博songzi_tea
DOG算子
目录(?)[+]
背景简述
Difference of Gaussian(DOG)是高斯函数的差分。它是可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果,即去噪过程,这里的Gaussian和高斯低通滤波器的高斯一样,是一个函数,即为正态分布函数。同时,它对高斯拉普拉斯LoG(博文LOG算子介绍了实现原理)的近似,在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减,得到DoG的响应值图像。
基本理论
首先,高斯函数表示定义为:
其次,两幅图像的高斯滤波表示为:
最后,将上面滤波得到的两幅图像g1和g2相减得到:
即:可以DOG表示为:
在具体图像处理中,就是将两幅图像在不同参数下的高斯滤波结果相减,得到DoG图。具体步骤如下所示:
第一步,计算不同参数下的DOG;
在图1,图2,图3,三种图像给了不同参数下的高斯滤波输出的效果,如下图所示:
图1:一个高斯平滑参数为0.3,另一个高斯平滑参数为0.4
图2:一个高斯平滑参数为0.6,另一个高斯平滑参数为0.7
图3 :一个高斯平滑参数为0.7,另一个高斯平滑参数为0.8
第二步,根据DOG,求角点。
根据理论:三维图中的最大值和最小值点是角点,如图所示(此图片来源于自网络):
标记红色当前像素点,绿色的圈标记邻接像素点,用这个方式,最多检测相邻尺度的26个像素点。如果它是所有邻接像素点的最大值或最小值点,则标记红色被标记为特征点,如此依次进行,则可以完成图像的特征点提取。
因此在第一步后,我们可以计算出的图1,图2,图3三个DOG图中求图2中是极值的点,如下图所示:
图5:黑色为极小值,白色为极大值
因此,原始图像上以显示的DOG角点检测结果,如下图所示:
参考资料
[1] Difference of Gaussian(DOG) http://fourier.eng.hmc.edu/e161/lectures/gradient/node10.html.
[2] Difference of Gaussian From Wikipedia, the free encyclopedia.
[3] Rafael C.Gonzalez, Rechard E.Woods at. el , "Digital Image Processing Using MatLab (Second Editon)",Gatesamark Publishing.
关于Image Engineering & Computer Vision的更多讨论与交流,敬请关注本博和新浪微博songzi_tea.
给我老师的人工智能教程打call!http://blog.csdn.net/jiangjunshow
我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:
- 全新的界面设计 ,将会带来全新的写作体验;
- 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
- 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
- 全新的 KaTeX数学公式 语法;
- 增加了支持甘特图的mermaid语法1 功能;
- 增加了 多屏幕编辑 Markdown文章功能;
- 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
- 增加了 检查列表 功能。
功能快捷键
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
合理的创建标题,有助于目录的生成
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
如何改变文本的样式
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
插入链接与图片
链接: link.
图片:
带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
设定内容居中、居左、居右
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks |
'Isn't this fun?'
|
‘Isn’t this fun?’ |
Quotes |
"Isn't this fun?"
|
“Isn’t this fun?” |
Dashes |
-- is en-dash, --- is em-dash
|
– is en-dash, — is em-dash |
创建一个自定义列表
- Markdown
- Text-to-HTML conversion tool
- Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。2
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\forall n\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ(z)=∫0∞tz−1e−tdt .\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能,丰富你的文章
ganttdateFormat YYYY-MM-DDtitle Adding GANTT diagram functionality to mermaidsection 现有任务已完成 :done, des1, 2014-01-06,2014-01-08进行中 :active, des2, 2014-01-09, 3d计划一 : des3, after des2, 5d计划二 : des4, after des3, 5d
- 关于 甘特图 语法,参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图::
这将产生一个流程图。:
- 关于 Mermaid 语法,参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图:
- 关于 Flowchart流程图 语法,参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件或者.html文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
mermaid语法说明 ↩︎
注脚的解释 ↩︎
log算子 和dog 算子相关推荐
- LoG算子与DoG算子相似性数学推导
1. 推导动机 \qquad在学习图像尺度不变特征点检测的过程中(sift算法),我们总是习惯用DoG算子来替代LoG算子计算图像尺度不变特征点以提高运行效率,很多讲解blog都提到这一点,但很少有博 ...
- 图像处理特征不变算子系列之DoG算子(五)
图像处理特征不变算子系列之DoG算子(五) kezunhai@gmail.com http://blog.csdn.net/kezunhai 在前面分别介绍了:图像处理特征不变算子系列之Moravec ...
- 【图像处理】——Python图像分割边缘检测算法之二阶梯度算子(laplace、log、dog算子)
目录 一.二阶算子简介 二.laplace(拉普拉斯算子) 1.什么是拉普拉斯算子 (1)连续二维函数的二阶导 (2)离散二维函数的二阶导数 2.常用算子模块及代码 3.结果 三.log算子 1.什么 ...
- OpenCV3学习(6.1)——边缘检测---Canny,Sobel,Prewitt,Robert,Laplace,LOG,DOG算子
图像边缘信息主要集中在高频段,通常说图像锐化或检测边缘,实质就是高频滤波.我们知道微分运算是求信号的变化率,具有加强高频分量的作用.在空域运算中来说,对图像的锐化就是计算微分.由于数字图像的离散信号, ...
- python 图像处理 拉普拉斯算子的实现和改进-LoG和DoG算子
拉普拉斯算子 拉普拉斯算子是最简单的各向同性微分算子,它具有旋转不变性. 我们经常把它作为边缘检测之一,也是工程数学中常用的一种积分变换,也可以用于图像增强.角点检测等等. 这里只给出它的代码,原理可 ...
- Dog算子近似Log算子原理
在看图像金字塔时,资料上说,二维高斯函数的Dog算子可以近似Log算子,于是手动推导了下. 函数f对x和y的二阶导数之和与函数f对的一阶导数,差一个因子,所以说Dog算子可以近似Log算子,而且不用求 ...
- 图像处理 | 最常用的边缘检测详解与代码(Robert, Sober, Prewitt, Canny, Kirsch, Laplacian, LOG, DOG算子)
边缘检测 一阶 Roberts Cross 罗伯茨交叉算子 Sobel 索贝尔算子 Prewitt 普利维特算子 Canny 算子 Kirsch 算子 二阶 Laplacian 拉普拉斯算子 LoG ...
- log算子dog算子
背景引言 在博文差分近似图像导数算子之Laplace算子中,我们提到Laplace算子对通过图像进行操作实现边缘检测的时,对离散点和噪声比较敏感.于是,首先对图像进行高斯暖卷积滤波进行降噪处理,再采用 ...
- 【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程20 ...
- 数字图像处理与Python实现-边缘检测-高斯差分(DoG)算子边缘检测
高斯差分(DoG)算子边缘检测 高斯差分(DoG)算子边缘检测 1. 前言 2. 高斯差分(DoG)算子描述 3. 代码实现 1. 前言 在图像中,灰度或结构等信息的突变处称为边缘.边缘可以看作一个区 ...
最新文章
- LINUX环境下资源下载中文目录及中文文件名称问题
- 简单的特征值梯度剪枝,CPU和ARM上带来4-5倍的训练加速 | ECCV 2020
- 为什么牛逼的程序员都不用 “ ! = null 做判空?
- 给开源项目贡献代码_您可以为开源做出6种非代码贡献
- git在远程关联和push时出现问题
- python可以画动态图吗_matplotlib 画动态图以及plt.ion()和plt.ioff()的使用详解
- threejs 热力图做成材质_冷轧钢与热轧钢有什么区别?
- Android usb audio信息获取(一)
- SONATYPE NEXUS搭建MAVEN私服
- iwconfig 中 Link Quality and Signal Level 区别
- 扫雷win10_windows扫雷游戏原来是一道数学难题!
- Antd design pro 网站favicon.ICO图标 网页LOGO图标 左侧边栏LOGO文字 默认登陆页面LOGO 页面Loading样式修改
- 神经网络中的filter (滤波器)与kernel(内核)的概念
- RFT学习--适用范围
- php设置pdf下载加密文件,怎么解除pdf加密 被加密的pdf文件
- numpy.arctan, math.atan, math.atan2的区别
- 基于stm32f10x(原子)的电容触摸实验的个人解读 (16)
- 功能测试(六)—— APP测试之互联网公司的必备知识
- 2022 GopherChina 想听什么由你做主!
- 重要通知(温馨提示:大家访问博客的时候先清理一下浏览器缓存)