根据图像块之间的相似性提出了3维块匹配(Block Method of 3-Dimension, BM3D)算法。该方法不仅有较高的信噪比，而且视觉效果也很好，但是时间复杂度相对较高。

基于linuxARM64 的opencvsharp4.5.1 图像处理库，经过重新编译，经过测试无误。netcore 图像处理库比较少，而opencvsharp不支持linuxARM,所以希望可以提供帮助。

结合小波变换和BP神经网络模型，提出了一种基于小波神经网络的图像边缘检测方法。利用二进小波边缘检测技术对灰度图像局部进行边缘检测，把边缘信息作为神经网络的输出，对局部图像数据进行神经网络模型训练，通过训练得到的局部图像模型预测得到整幅图像像素的边缘信息，通过对BP神经网络和小波神经网络的边缘检测结果进行对比实验可知，小波神经网络模型预测得到的边缘检测信息不仅比BP神经网络模型好，而且也可以更清楚地得到边缘近邻的更多信息。

数字图像的读入、显示与放大缩小图像的存储（MFC）实验，含实验指导书，MFC源程序（可运行），数据文件。

作业要求将图片前景的黑色栏杆去除，恢复遮挡部分。要求修改的图片有两张，第一张图片的前景栏杆较窄，第二张图片的前景栏杆大部分较窄，有一根栏杆较粗。 为了去除遮挡部分，首先需要找到遮挡部分的位置，即 mask，这一步使用一系列图像处理的方法来完成。 针对第一张图片，由于遮挡物较窄，我使用了 Fast Marching Method 算法来实现去遮挡，该算法运算较快，对窄遮挡物去除效果较好，但对宽遮挡物（宽度大于 15 像素）进行修复时会出现模糊现象(Telea, 2004)。因此，针对第二张图片的宽栏杆部分，我使用了 criminisi 算法来进行修复，该算法运算较慢，但对宽遮挡物修复效果极佳(Criminisi, Perez, &Toyama, 2003)。 此外，我对 criminisi 算法做了一点改动，大大提高了它的运算速度，同时保证修复质量。 为了便于可执行文件的使用，我制作简单的 UI 界面。 去遮挡算法难以用矩阵运算实现，只能使用 for 循环，因此运算速度整体较慢。为了减少运算时间，我缩小了图片尺寸。

冈萨雷斯 习题讲解 第四版， 英文版需要自己翻译， 数字图像处理

在用python进行图像处理时，二值化是非常重要的一步，现总结了自己遇到过的6种 图像二值化的方法（当然这个绝对不是全部的二值化方法，若发现新的方法会继续新增）。 1. opencv 简单阈值 cv2.threshold 2. opencv 自适应阈值 cv2.adaptiveThreshold (自适应阈值中计算阈值的方法有两种：mean_c 和 guassian_c ，可以尝试用下哪种效果好) 3. Otsu’s 二值化 例子: import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imr

数字图像处理大作业GUI设计

数字图像处理（MATLAB） 实验一 一、实验名称 图像的采样与量化 二、实验目的 1.熟悉MATLAB软件的使用。 2.掌握采样与量化的原理及数学运算。 3.于MATLAB环境下编程实现对图片的不同程度的采样与量化。 三、实验内容 1.对于给定图片，在MATLAB软件下编程实现对图片的不同程度的采样。 2.对于给定图片，在MATLAB软件下编程实现对图片的不同程度的量化。 实验二 一、实验名称 图像的灰度变换与直方图修正 二、实验目的 1.熟悉MATLAB软件的使用。 2.掌握灰度变换、直方图修正的原理及数学运算。 3.于MATLAB环境下编程实现对图片的灰度变换和直方图修正。 三、实验

针对微型齿轮缺陷传统检测手段落后、准确率低、不易在线实施、受人为因素影响等问题,提出了以电荷祸合器件为图像传感器,采用图像处理技术和支持向量机对齿轮缺陷进行检测的方法。首先,系统采用发光二极管照明光源提供高强度背光照明,使用A102FCCD数字摄像头采集齿轮的图像,经过图像采集卡传输到计算机。其次,采用边缘保持滤波器对含有噪声的原始数字图像进行降噪处理,采用迭代阂值法和Otsu双阂值法对齿轮图像进行分割,形成二值化图像。然后获取齿轮样本,提取样本特征。最后用支持向量机来构造齿轮缺陷识别模型。该方法识别正确