前言 总结一下最近看的关于opencv图像几何变换的一些笔记. 这是原图: 1.平移 import cv2 import numpy as np img = cv2.imread(image0.jpg, 1) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] mode = imgInfo[2] dst = np.zeros(imgInfo, np.uint8) for i in range( height ): for j in range( width - 100 ): dst[i, j + 10

调用成熟的百度ocr技术，实现图片的文字读取 很准确、简单实用 值得使用

用于灰度图像中高密度椒盐噪声去除的不同自适应修正Riesz均值滤波器 引文： S.Memiş和U. Erkan，2021。《用于灰度图像中高密度盐和胡椒噪声去除的不同自适应修正Riesz均值滤波器》，《欧洲科学技术杂志》，（23），359-367。 doi：https ：//doi.org/10.31590/ejosat.873312 抽象的： 本文提出了一种新的滤波器，差分自适应修正里氏均值滤波器（DAMRmF），用于去除高密度椒盐噪声（SPN）。 DAMRmF可操作像素加权函数和自适应中值滤波器（AMF）的适应性条件。 在仿真中，将所提出的滤波器与自适应频率中值滤波器（AFMF），三值加权方法（TVWM），无偏加权均值滤波器（UWMF），不同应用中值滤波器（DAMF），自适应加权均值滤波器（AWMF）进行了比较。 ），自适应Cesáro均值滤波器（ACmF），自适应Riesz均

实现了2D的图像处理，关于图像的各种方式的DCT变换，以及反变换。

在基于图像的轨道检测系统中，光照变化和表面反射特性容易影响轨道表面缺陷的分割效果。本文提出了一种基于背景减法的轨道表面缺陷图像分割算法。其次，为了提高精度，结合相关系数和欧几里得距离来测量像素邻域之间的相似度。然后，利用相似度测量结果确定邻域平均尺度，多尺度建立背景图像模型。最后，通过差分图像的图像差分和设定阈值实现轨道表面缺陷的分割。该方法充分利用了轨道图像中像素邻域之间的相似度信息，并建立了背景图像的精确模型。 因此，该方法可以有效减少照明不均匀的影响和轨道表面的反射特性，同时突出图像中的缺陷区域。实验结果表明，该方法具有良好的效果。对块状缺陷和线性缺陷的分割都产生了影响，这些缺陷在图像中离散分布。

这种类型的压缩取决于两级 DWT，然后在每个 8x8 块上应用 2D walsh 变换。 通过算术编码编码的最终变换图像。

拍摄或者扫描图像不是规则的矩形，会对后期处理产生不 好影响，需要通过透视变换校正得到正确形状

单LDR2HDR 从单个低动态范围图像生成高动态范围图像的实现。 实验结果 注意力 输入图像的分辨率不应太大（取决于计算机的内存），因为使用SciPy解决大型线性系统可能会导致内存用尽。 设置 在Python3.5和Python2.7上测试。 依存关系 安装设备。 cd singleLDR2HDR pip install -r requirements.txt 用法： python run.py ./test_image/test1.jpg 参考 [1]

基于matlab的马尔科夫链图像显著性监测，亲测可以运行

Qt5.14，OpenCv4.5.5，OCR库编写的图片中汉字识别小例程，简单测试功能，代码及库均在其中，供学习和交流使用。 正在做基于Paddle的文字识别，目前存在环境问题，如通过将提供分享交流