注册
登录
| 关键词：图像识别 人工智能 AI |
对图像处理如何工作的理解 我发现的最令人惊奇的是如何使用微积分巧妙地计算图像边缘。 考虑一个黑白图像  在这里，我放大了一个小区域。 如你所见，它包含许多像素。 它可以表示为具有以下约束的2D矩阵：
所以这个小区域的矩阵将是  现在只考虑矩阵的一行。 即：像这样的东西 表示为： 如果我们在图表上绘制它： 它会像  记住高值意味着更多的白色，低值意味着更多的黑色，范围从0到255。 第1部分：现在有趣的开始 如果我们将这个图表区分开来，考虑到函数y = f（x），该怎么办？ 这里y是值AijAij，x是矩阵的i（这里y是不同的） 那么让我们绘制它的衍生物 正如你可以看到，从白色到黑色的图像变化点，衍生物的值突然增加 如果我们进一步区分，即双重差异，该怎么办？  所以你可以看到变化区域的突然爆发。 让我们在图像行中标记点：  现在，如果我们将这个东西应用于所有行并标记双重导数的高值。 它沿着图像的边缘 同样也可以将它用于所有列，你将获得图像中的完整边缘。 第2部分：数学实施（比上面更令人惊讶） 如何通过计算机将这种差异应用于图像： 一些数学家发现了一种叫做卷积的现象让我先解释一下： 考虑一个大的NxN矩阵和一个小的3x3矩阵：  这里，如果小矩阵的点积与大矩阵的所有3x3大小的部分完成。 点积表示每个元素乘以其各自的元素，例如。 131 *（ - 1），162 * 0,232 * 1等。 结果保存在另一个矩阵中。 这个过程称为卷积，这里3x3矩阵是内核，它可以更大，但最常用的是3x3。 这种现象是，如果一个大矩阵与一个类似于核的核心区域进行卷积，则在结果矩阵中突出显示（值增加），而非相似区域变暗。 代表双重差异的内核是：  以上这些也称为Sobel Kernel 第3部分：基于C ++的OpenCV实现  输出  通过使用高斯导数，Canny边缘检测去除噪声可以实现许多进步，这些可以在线轻松研究。 图像：除了提供链接的图像之外的所有图像都是由我捕获和编辑的。 它如何扩展到彩色图像 颜色通常表示为RGB值（这里是OpenCV，它是BGR） B->蓝色，G->绿色，R->红色边缘检测通常在将彩色图像转换为黑白之后进行。 但是还有一种方法，Image可以转换为HSV色空间这里 H 代表 Hue，S 代表饱和度，V 代表值，即 H 代表颜色，S 代表强度，V 代表亮度。 因此，如果我们只采用H或Hue，我们可以找到边缘而不受阴影或光线的影响。 还有其他方法。雷锋网雷锋网雷锋网 想要继续查看该篇文章相关链接和参考文献？ 长按链接点击打开或点击【一文带你读懂图像处理工作原理】： http://ai.yanxishe.com/page/TextTranslation/1248 AI研习社每日更新精彩内容，观看更多精彩内容： 神经网络如何完成表征？ 进入 kaggle 竞赛前 2% 的秘诀 如何极大效率地提高你训练模型的速度？ 这 25 个开源机器学习项目，一般人我不告诉 Ta 等你来译： 五个很厉害的 CNN 架构 这5种计算机视觉技术，刷新你的世界观 神经网络和3D程序化生成的未来 使用TensorSpace.js来做神经网络的的3D可视化 AI研习社资料推荐： |
| 本文出处： https://www.toutiao.com/a6626511204980359687/ |
|
声明：文章版权归原作者所有 部分文章转自互联网 如有侵权请联系
[邮箱地址] 删除
|
