科学网 › 标签 › 图像 › 相关日志

标签: 图像

相关日志

NASA“擂台”：厄尔尼诺增强还是衰减: 热度 2 杨学祥 2016-1-8 15:16; NASA “擂台”：厄尔尼诺增强还是衰减杨学祥，杨冬红关键提示：美国国家航空暨太空总署（ NASA ）新发布的影像显示，太平洋上厄尔尼诺现象没有转弱迹象，专家预测 2016 年情况会更糟，可能成为厄尔尼诺破坏力最大的一年，报道称，最新卫星影像显示，目前的现象与 1997 年 12 月有惊人相似处。然而，和 NASA 的预测相反，中国气象专家杨学祥、杨冬红则表示，最强拉尼娜或在 2016 年登场。他们认为，美国航空航天局的预测可能被误解或被忽悠。实际上， 2015 年厄尔尼诺的强度正在迅速衰弱，但厄尔尼诺的影响将在 2016 年达到最强， 2016 年情况会更糟糕，可能成为厄尔尼诺破坏力最大的一年。这并不是最强厄尔尼诺或今年登场，而是最强拉尼娜或今年登场。 http://www.shuichan.cc/news_view-269335.html http://blog.sciencenet.cn/blog-2277-947689.html http://blog.sciencenet.cn/blog-2277-948912.html 目前， 2015 年厄尔尼诺 3,4 区的厄尔尼诺指数（月平均和周平均）都在衰减。图 1 2015 年 1-12 月厄尔尼诺 3,4 区厄尔尼诺指数变化（周平均）表 1 2015 年 1-12 月厄尔尼诺 3,4 区厄尔尼诺指数变化 ( 周平均 ) 时间厄尔尼诺指数 2015-01-14 0.5 2015-02-04 0.5 2015-03-25 0.6 2015-04-21 0.7 2015-05-20 1.1 205-06-10 1.3 2015-07-22 1.6 2015-08-05 1.9 2015-08-26 2.2 2015-09-02 2.1 2015-09-09 2.3 2015-09-23 2.3 2015-09-30 2.4 2015-10-07 2.4 2015-10-14 2.4 上升停滞 2015-10-21 2.5 2015-10-28 2.7 上升加快 2015-11-04 2.8 上升减慢 2015-11-11 3.0 上升加速 2015-11-18 3.1 上升减慢 2015-11-25 3.0 开始衰减 2015-12-02 2.9 继续衰减 2015-12-09 2.8 继续衰减 2015-12-16 2.9 继续衰减 2015-12-23 2.7 继续衰减 2015-12-30 2.7 继续衰减图2 2015年1-12月厄尔尼诺3,4 区厄尔尼诺指数（月平均）表2 2015年1-12月厄尔尼诺3,4 区厄尔尼诺指数变化（月平均）时间厄尔尼诺 3,4 区厄尔尼诺指数（月平均） 2015-01-30 0.53 2015-02-28 0.56 2015-03-31 0.51 2015-04-30 0.78 2015-05-31 1.03 2015-06-30 1.32 2015-07-31 1.6 2015-08-31 2.06 2015-09-30 2.28 2015-10-31 2.46 2015-11-30 2.96 2015-12-31 2.82 开始衰减相关报道年初厄尔尼诺与拉尼娜之争难休秘鲁捕鱼节奏再度放缓 2016-01-06 09:32:00 　　中国水产养殖网　　出处：中国汇易咨询网早在 2015 年 11 月下旬期间，澳大利亚气象局率先表示，厄尔尼诺现象将持续至 2016 年上半年。其后，在 12 月底期间，英国气象局和印尼国家减灾机构对 2016 年底的气象预判存在分歧；至进入 2016 年元月以后，美国国家航空暨太空总署（ NASA ）和中国气象专家仍然各执一词。就目前而言，秘鲁鱼粉市场显得波澜不惊，但其捕鱼节奏再度有所放缓，未来天气趋势究竟是厄尔尼诺还是拉尼娜则是市场关注的焦点之一。一、元月初全球各气象机构对今年天气形势预判各执一词：是厄尔尼诺？还是拉尼娜？在 2015 年 12 月底期间，各气象机构关于 2016 年天气趋势预判便存在分歧。其中，英国气象局便已经表示：“ 2016 年全球气温或与 2015 年相仿，甚至会更高，可能达到历史纪录高位，并分析称 2016 年全球平均气温低于 2015 年的概率只有 5% 。”与之相反的是，印尼国家减灾机构（ BNPB ）则表示，拉尼娜现象将在 2016 年中期走强。在进入 2016 年元月以后，美国国家航空暨太空总署（ NASA ）和中国气象专家围绕天气趋势再次打起了“擂台”：美国国家航空暨太空总署（ NASA ）新发布的影像显示，太平洋上厄尔尼诺现象没有转弱迹象，专家预测 2016 年情况会更糟，可能成为厄尔尼诺破坏力最大的一年，报道称，最新卫星影像显示，目前的现象与 1997 年 12 月有惊人相似处。然而，和 NASA 的预测相反，中国气象专家杨学祥、杨冬红则表示，最强拉尼娜或在 2016 年登场。他们认为，美国航空航天局的预测可能被误解或被忽悠。实际上， 2015 年厄尔尼诺的强度正在迅速衰弱，但厄尔尼诺的影响将在 2016 年达到最强， 2016 年情况会更糟糕，可能成为厄尔尼诺破坏力最大的一年。这并不是最强厄尔尼诺或今年登场，而是最强拉尼娜或今年登场。二、近阶段秘鲁捕鱼节奏再度有所放缓，外盘鱼粉市场仍显波澜不惊在全球各气象机构对于今年天气趋势争议不下的同时，近期秘鲁捕鱼节奏则再度出现了放缓。根据 Imarpe 统计， 2015 年 12 月 30 日秘鲁中北部捕鱼总量仅为 1871 吨； 11 月 17 日 — 12 月 30 日秘鲁中北部捕鱼量共计 84.7 万吨，剩余配额数量为 26.3 万吨，平均日捕鱼量为 1.9 万吨左右。与此同时，在元旦跨年气氛中，秘鲁鱼粉交投市场表现仍较为清淡，超级蒸气鱼粉参考报价稳定在 CNF1900 美元 / 吨左右，但多数鱼粉厂商仍不主动报盘。 http://www.shuichan.cc/news_view-269335.html; 个人分类: 学术争论|2944 次阅读|5 个评论

《图个明白画说气象》（序）: xuxfyuwp 2015-3-16 20:54; 图像，包括绘画、图形、照片等，是最易被接受、被理解的信息传播载体。在科学技术快速发展的时代，我不知道还有多少人会不识字，但可以判断，只要是具备正常理解事物能力的人，对图片的接受程度较文字都会更容易些。不同的国家语言会有不同，相互之间存在着信息交流的障碍；不同专业的人相互介绍各自领域时，也会有犹如天书的感觉。但若能用图像方式来弥补，沟通则会顺畅许多。语言、文字、图片在信息交流方面会有各自的优势，图的特点明显体现在直观、通俗、简单上，哪怕是表达复杂的科学道理或深奥的人生哲理，能有图形图像助上一臂之力，都会使问题变得明晰简易，一目了然。气象既是广大民众每天都看得见、离不开的自然现象，也是一个深奥、复杂的科学领域。人们可以用下雨了、天晴了、刮风了、降温了、打雷了等通俗的语言描述气象，也可以用大气环流调整、副热带高压西伸、冷暖锋移动、强对流天气发展、数值预报方程、动力热力过程、非线性作用、突变、波动等概念进行深入的解读。但无论怎样描述，都不如看到具体的图像来得直接、真切，你告诉我某个地方漫天飞雪、银装素裹，通过这样的语言可以产生想象，但若能拍下一张照片来，想象则会自然落地，概念瞬间变得清晰，这就是图的效果。中国气象局与气象学会正是根据图片在传递信息方面的独特作用，合作编写了这本《图个明白画说气象》，试图用图文并茂，以图为主的方式解读一些与人们生活密切相关且经常遇到天气、气候问题，包括气候变化、雾 / 霾、高温、雷电、寒潮等，也包括如何对这些天气气候现象产生的负面影响进行防范的方法。除此之外，还涉及到了一些气象与生活的关系，这将更有利于人们从更广泛的角度加深对气象的认识，不仅是防灾减灾，而是注重更为全面的趋利避害。我们生活在大自然中，离不开阳光、雨露、空气，对其中的灾害要学会规避，但更多的还是享受大自然的恩惠，同时还要为保护好我们赖以生存的地球环境尽一份责任。要做到这些，就必须要了解、认识每天都与我们相伴的天气气候及其变化，学习、顺应其中的规律。不可能每个人都成为专家，但通过科学普及，掌握一些简单、基本知识，相信会有助于我们提高对大气环境的认知，并采取正确的方法应对我们可能会遇到的各类问题。图的最直接作用是快速传递信息，给人们留下强烈的第一印象，这种印象一旦产生，往往记忆深刻，难以忘却，这也就要求制作的每幅图都应力求精准地表达，避免引起误读。气候变化的趋势、预警信号的表示方式、厄尔尼诺发生时的海温分布等，都需要清晰、准确。图的另一作用是解读信息，通过生动、形象、通俗、科学的设计和表达，使深奥的科学问题变得浅显易懂，起到学习、引导的作用，这是更难做到的。科学问题深入不易，浅出更难，特别是要让外行理解，更需要用心设计和制作，如雷电的成因、台风的形成、气候变化的解读等。图形图像还有一个独到效果是艺术欣赏作用，图形的美观程度、幽默感、色彩搭配等都会成为能否吸引读者的重要因素。相信这本手册的编写者试图努力在发挥这些作用上尽力尝试，也确实达到了一定效果，但显然与理想状态尚有不小差距，希望这种尝试能够持续下去，根据气象科普的需求和实践，设计出更多的作品，接受读者们的检验。; 个人分类: 文章|2828 次阅读|0 个评论

[转载]美碳监测卫星传回首张图像: redtree 2014-12-22 22:58; 美碳监测卫星传回首张图像克服设计缺陷顺利开工作者：赵熙熙来源：中国科学报发布时间：2014/12/22 9:41:16 来自OCO-2 的数据显示了10 月1 日至11 月11日的大气二氧化碳浓度。图片来源：NASA 本报讯美国宇航局（NASA）的碳监测卫星日前顺利通过其发射后的检测，并正在向地球传回高质量的数据。然而为了实现这一切，科学家已经作出一些必要的调整。在“轨道碳观测者2号”（OCO-2）卫星于今年7月发射升空后，NASA曾不得不克服这架探测器在设计上的一个被忽略了10年的关键问题。关于这颗卫星状况的新闻来自于12月18日——在美国地球物理学会于加利福尼亚州旧金山市召开的一次情况通报会上，OCO-2的科学家公布了来自这架探测器的第一张图像。项目助理科学家、帕萨迪纳市NASA下属喷气推进实验室（JPL）的Annmarie Eldering表示：“这一成绩以及该项目的前景令人惊讶。” OCO-2是美国第一个用于监测地球大气二氧化碳水平的航天器，该项目将为人类提供一个新的全球观测工具，这一工具将显著提升人类对二氧化碳的观测水平。该任务将提供迄今最详细的关于二氧化碳自然来源和地球表面从大气中吸收二氧化碳的信息，并研究这些“源”和“汇”在全球的分布情况以及未来变化趋势。研究人员将把OCO-2所获数据与通过地面观察站、飞机以及其他卫星所获数据结合分析，并把新数据引入计算机模型，以了解人类活动和自然界排放二氧化碳以及自然界吸收二氧化碳等方面情况的更完整信息。 OCO-2数据的到来花费了相当长的时间——该项目的科学家与工程师仿佛刚刚坐了一次过山车。早在2009年，一次火箭发射失败让“轨道碳观测者”卫星折戟沉沙，这也宣告科学家关于碳绘图探测器的第一次尝试以失败告终。那一次失败缘于运载火箭的技术故障，这几乎让为此准备了数载的大气二氧化碳研究人员悲痛欲绝。NASA的OCO-2项目主管Ralph Basilio之前曾在6月12日举行的一次吹风会上表示：“原始的OCO计划的完全损失让人心碎。” 其替代品——OCO-2终于在今年成功发射。然而当JPL开启其主设备（3台测量地表太阳光反射的光谱分析仪）后，研究人员发现OCO-2的数据中存在一个问题。他们最终确定，该问题是由在一种操作模式期间减少进入设备的光量的一个设计上的瑕疵所导致的。 OCO-2项目科学小组负责人、JPL的David Crisp表示，这一问题可以回溯到2004年，并且在测试过程中从未被发现。他说：“这是一个愚蠢的错误。不免让仪器设计师和我感到非常尴尬。” 研究人员迅速给出了一个修补方案，包括让探测器倾斜30度，从而调整进入设备的光量。他们在3周内测试并验证了这一解决方案。Crisp说，OCO-2如今已经能够像最初设计的那样运行了。 OCO-2的目标在于以足够的精度测量大气中的二氧化碳浓度，从而帮助确定人类活动以及自然系统如何对温室气体的排放和吸收造成影响。它比类似的探测器——例如2009年发射的日本的温室气体观测卫星（GOSAT）——具有更高的分辨率。 OCO-2研究团队目前仍在评估其初始数据，并计划于2015年3月发布其首批二氧化碳观测数据。但在上周，研究人员发布的图像显示了该卫星最初几个月的观测结果。由OCO-2的数据绘制的第一幅全球图像显示了澳大利亚北部、非洲南部以及巴西东部具有最高的二氧化碳峰值。 OCO-2研究团队推测，非洲的高浓度二氧化碳来自于燃烧的稀树草原和森林。而北美洲、欧洲与中国的二氧化碳浓度升高则可能与人类活动有关，例如发电厂燃烧的化石燃料。这些以及其他人类活动正在每年向大气中排放400亿吨二氧化碳，从而使得温室气体的浓度已经高于数百万年来的水平。其中只有一半的二氧化碳停留在大气中，其余的温室气体则被海洋与植被所吸收。科学家们迫切想要知道这些二氧化碳到底去了哪里，以及自然系统是否已经失去了吸收一些污染物的能力。人们对于利用NASA的项目所收集的信息帮助解释其中一些问题抱有很大的信心。加利福尼亚大学伯克利分校大气科学家Inez Fung表示，对于二氧化碳的测量而言，“OCO-2是天空中最锐利的一双眼睛”。 NASA计划共发射6颗类似的地球监测卫星，这种卫星每99分钟绕地球运行一周，6颗卫星可实现对地球的全面同步观测。OCO-2的设计工作年限为至少2年，是这一系列卫星的第一颗。（赵熙熙）《中国科学报》 (2014-12-22 第2版国际); 个人分类: 环境新闻|1124 次阅读|0 个评论

R语言进行图形输出: Bearjazz 2014-10-30 07:13; #作者信息熊荣川六盘水师范学院生物信息学实验室 xiongrongchuan@126.com http://blog.sciencenet.cn/u/Bearjazz bitmap(file=outfile , type='png16m', height=6, width=6, res=600, units='in') plot(1:10) dev.off() #可以输出多种图形，如tif，jeg等，详见?bitmap，units定义图片大小的单位，如英尺in。 svg('filename.svg') plot(1:10) dev.off() #输出.svg格式的图形，图片，优点在于可以随意放大（无限放大），在做地图分析输出时尤为有用。; 个人分类: 我的研究|8804 次阅读|0 个评论

[转载]【图形图像】【photoshop基础教程】: lcj2212916 2014-6-14 21:13; 【名稱】：photoshop基础教程【作者】：-- 【大小】：383KB 【格式】：pdf 【語言】：簡體中文【內容簡介】：一、Photosop 是ADOBE 公司推出的图形图像处理软件，功能强大，广泛应用于印刷、广告设计、封面制作、网页图像制作、照片编辑等领域。利用Photosop 可以对图像进行各种平面处理。绘制简单的几何图形、给黑白图像上色、进行图像格式和颜色模式的转换。二、Photosop7.0 的启动与退出 1、启动Photoshop 的方法：单击开始/程序/Photoshop7.0 即可启动.或者打开一个Photoshop 文件也能够启动Photoshop. .......... 【下載載點】： http://www.400gb.com/file/66554863; 1096 次阅读|0 个评论

IRAF中图像旋转与翻转: dabing 2013-11-18 21:31; Coupled with the imcopy and imtranspose tasks,allows simple coordinate transformations. Command Description imcopy imagename new1 flip the rows (image is upside down) imcopy imagename new2 flip the columns (image is inverted left-right) imcopy imagename new3 image is rotated 180 degrees imtranspose imagename new4 image is rotated 90 degrees counterclockwise imtranspose imagename new5 image is rotated 90 degrees clockwise TrackBack Ping URL: http://www.iac.es/sieinvens/SINFIN/CursoIraf/Cap_images.php 2013-11-18于BNU; 个人分类: IRAF测光|3693 次阅读|0 个评论

[转载]如何在SAC中保存图片 SAC保存图像小结: Zhouwenju 2013-11-11 22:13; SAVEIMG直接保存图形文件 SAC 101.5之后的版本加入了新功能，可以直接保存图形文件，这是个神器～目前支持的格式为ps、pdf、png、xpm。ps和pdf是矢量格式，因而是绘图的首选格式，png和xpm是位图图形格式，绘图精度较差，因而不建议使用。考虑到图像不清晰，且png和xpm需要格外的库文件，在SAC 101.6发布的二进制文件中不再支持png和xpm。 1 2 3 4 5 6 7 8 9 $ sac SEISMIC ANALYSIS CODE Copyright 1995 Regents of the University of California SAC fgseis SAC p SAC saveimg foo.ps save filefoo.ps SAC q pssac绘制ps文件 pssac利用GMT的ps库直接绘制SAC文件，pssac的具体细节可以站内搜索pssac。转自：http://seisman.info/sac-save-image.html; 个人分类: sac|788 次阅读|0 个评论

[转载]美国卫星图像显示中国北方严重雾霾天气: redtree 2013-10-30 23:13; 美国卫星图像显示中国北方严重雾霾天气作者：悠悠来源：腾讯科学发布时间：2013-10-30 16:24:29 美国宇航局Suomi NPP卫星最新图像显示中国北方地区上空严重的空气污染，这可能是由于工业污染排放、煤炭燃烧和秋收燃火等因素所导致的图中最明亮的区域是雾霾，其中的灰色和黄色部分是空气污染据英国每日邮报报道，上周，令人窒息的雾霾天气吞噬了中国北方地区，甚至导致哈尔滨等城市交通中断。哈尔滨出现严重的雾霾天气，这是一座人口超过1000万的城市，城区可见度下降至10米之内，雾霾天气迫使学校停课，交通阻塞中断，机场被迫关闭，这是今年中国冬季首次出现重大空气污染危机。目前，美国宇航局Suomi-NPP卫星最新拍摄图片显示中国雾霾天气问题日益严峻，并且有逐步扩大现象。 2013年10月20日测量结果显示，哈尔滨市空气质量指数(AQI)为500，这是最高数值，AQI指数达到300以上就对人体健康构成威胁。 10月21日，Aqua卫星的中度分辨率成像分光辐射谱仪(MODIS)拍摄到中国东北部地区真实色彩照片，图中明亮区域是雾霾，其中分布的灰色或者黄色部分是空气污染。其它没有云层的区域呈现灰褐色，一些街道社区空中细微粒物指数PM2.5高达每立方米1000微克，相比之下，美国环境保护署的PM2.5正常空气质量指数标准为每立方米细微粒物应低于35微克。当前这一极端的雾霾天气是没有尘暴或者森林火灾情况下出现的，据媒体称，在空气污染指数上升几天之后，哈尔滨市医院接收的呼吸系统相关疾病患者增加了30%，几家药店的防尘口罩销售一空。冷天气和缺少风流进一步加剧了空气污染程度，但是人类活动因素起到了主要作用，该地区秋收之后的麦秸和玉米杆点燃产生大量的烟雾。 10月3日，中国中部地区MODIS-Aqua真色彩图像显示，大量的燃火增添了烟雾，弥漫在中国上空。（悠悠/编译）; 个人分类: 环境新闻|2187 次阅读|0 个评论

[转载]数字图像处理词汇表: haijunwang 2013-6-2 20:17; 转载地址： http://blog.sina.com.cn/s/blog_4781daba010009ic.html Algebraic operation 代数运算；一种图像处理运算，包括两幅图像对应像素的和、差、积、商。 Aliasing 走样（混叠）；当图像像素间距和图像细节相比太大时产生的一种人工痕迹。 Arc 弧；图的一部分；表示一曲线一段的相连的像素集合。 Binary image 二值图像；只有两级灰度的数字图像（通常为0和1，黑和白） Blur 模糊；由于散焦、低通滤波、摄像机运动等引起的图像清晰度的下降。 Border 边框；一副图像的首、末行或列。 Boundary chain code 边界链码；定义一个物体边界的方向序列。 Boundary pixel 边界像素；至少和一个背景像素相邻接的内部像素（比较：外部像素、内部像素） Boundary tracking 边界跟踪；一种图像分割技术，通过沿弧从一个像素顺序探索到下一个像素将弧检测出。 Brightness 亮度；和图像一个点相关的值，表示从该点的物体发射或放射的光的量。 Change detection 变化检测；通过相减等操作将两幅匹准图像的像素加以比较从而检测出其中物体差别的技术。 Class 类；见模或类 Closed curve 封闭曲线；一条首尾点处于同一位置的曲线。 Cluster 聚类、集群；在空间（如在特征空间）中位置接近的点的集合。 Cluster analysis 聚类分析；在空间中对聚类的检测，度量和描述。 Concave 凹的；物体是凹的是指至少存在两个物体内部的点，其连线不能完全包含在物体内部（反义词为凸） Connected 连通的 Contour encoding 轮廓编码；对具有均匀灰度的区域，只将其边界进行编码的一种图像压缩技术。 Contrast 对比度；物体平均亮度（或灰度）与其周围背景的差别程度 Contrast stretch 对比度扩展；一种线性的灰度变换 Convex 凸的；物体是凸的是指连接物体内部任意两点的直线均落在物体内部。 Convolution 卷积；一种将两个函数组合成第三个函数的运算，卷积刻画了线性移不变系统的运算。 Corrvolution kernel 卷积核；1，用于数字图像卷积滤波的二维数字阵列，2，与图像或信号卷积的函数。 Curve 曲线； 1，空间的一条连续路径，2 表示一路径的像素集合（见弧、封闭曲线）。 Deblurring 去模糊；1一种降低图像模糊，锐化图像细节的运算。2 消除或降低图像的模糊，通常是图像复原或重构的一个步骤。 Decision rule 决策规则；在模式识别中，用以将图像中物体赋以一定量的规则或算法，这种赋值是以对物体特征度量为基础的。 Digital image 数字图像； 1 表示景物图像的整数阵列，2 一个二维或更高维的采样并量化的函数，它由相同维数的连续图像产生，3 在矩形（或其他）网络上采样一连续函数，并才采样点上将值量化后的阵列。 Digital image processing 数字图像处理；对图像的数字化处理；由计算机对图片信息进行操作。 Digitization 数字化；将景物图像转化为数字形式的过程。 Edge 边缘；1 在图像中灰度出现突变的区域，2 属于一段弧上的像素集，在其另一边的像素与其有明显的灰度差别。 Edge detection 边缘检测；通过检查邻域，将边缘像素标识出的一种图像分割技术。 Edge enhancement 边缘增强；通过将边缘两边像素的对比扩大来锐化图像边缘的一种图像处理技术。 Edge image 边缘图像；在边缘图像中每个像素要么标注为边缘，要么为非边缘。 Edge linking 边缘连接；在边缘图像中将边缘像素连成边缘的一种图像处理技术。 Edge operator 边缘算子；将图像中边缘像素标记出来的一种邻域算子。 Edge pixel 边缘像素；处于边缘上的像素。 Enhance 增强；；增加对比度或主观可视程度。 Exterior pixel 外像素；在二值图像中，处于物体之外的像素（相对于内像素） False negative 负误识；在两类模式识别中，将属于物体标注为不属于物体的误分类 False positive 正误识；在两类模式识别中，将不属于物体标注为属于物体的误分类。 Feature 特征；物体的一种特性，它可以度量。有助于物体的分类。如大小，纹理，形状。 Feature extraction 特征检测；模式识别过程中的一个步骤，在该步骤中计算物体的有关度量。 Feature selection 特征选择；在模式识别系统开发过程中的一个步骤。旨在研究质量或观测能否用于将物体赋以一定类别。 Feature space 特征空间；参见度量空间 Fourier transform 傅立叶变换；采用复指数作为核函数的一种线性变换。 Geometric correction 几何校正；采用几何变换消除几何畸变的一种图像复原技术。 Gray level 灰度级；1和数字图像的像素相关连的值，它表示由该像素的原始景物点的亮度。2 在某像素位置对图像的局部性质的数字化度量。 Gray scale 灰度；在数字图像中所有可能灰度级的集合 Gray-scale transformation 灰度变换；在点运算中的一种函数，它建立了输入灰度和对应输出灰度的关系 Hankel transform Hankel 变换 Harmonic signal 谐波信号；有余弦实部和相同频率的正弦虚部组合的复数信号 Hermite function Hermite 函数；具有偶实部和奇虚部的复值函数 Highpass filtering 高通滤波；图形增强（通常是卷积）运算，相对于低频部分它对高频部分进行了提升 Hole 洞；在二值图像中，由物体内点完全包围的连通的背景点 Image 图像；对物理景物或其他图像的统一表示称为图像 Image compression 图像压缩；消除图像冗余或对图像近似的任一种过程，其目的是对图像以更紧凑的形式表示 Image coding 图像编码；将图像变换成另一个可恢复的形式（如压缩） Image enhancement 图像增强；旨在提高图像视觉外观的任一处理 Image matching 图像匹配；为决定两副图像相似程度对它们进行量化比较的过程。 Image-processing operation 图像处理运算；将输入图像变换为输出图像的一系列步骤 Image reconstruction 图像重构；从非图像形式构造或恢复图像的过程 Image registration 图像匹准；通过将景物中的一图幅像与相同景物的另一幅图像进行几何运算，以使其中物体对准的过程 Image restoration 图像复原；通过逆图像退化的过程将图像恢复为原始状态的过程。 Image segmentation 图像分割；1 在图像中检测并勾画出感兴趣物体的处理，2 将图像分为不相连的区域。通常这些区域对应于物体以及物体所处的背景。 Interior pixel 内像素；在一幅二值图像中，处于物体内部的像素（相对与边界像素，外像素） Interpolation 插值；确定采样点之间采样函数的过程称为插值 Kernel 核 Line detection 线检测；通过检查邻域将直线像素标识出来的一种图像分割技术 Line pixel 直线像素；处于一条近似于直线的弧上的像素 Local operation 局部运算；基于输入像素的一个邻域的像素灰度决定该像素输出灰度的图像处理运算，同邻域运算（对比：点运算） Local property 局部特征；在图像中随位置变化的感兴趣的特征（如光学图像的亮度或颜色；非光学图像高度、温度、密度等） Lossless image compression 无失真图像压缩；可以允许完全重构原图像的任何图像压缩技术。 Lossy image compression 有失真图像压缩；由于包含近似，不能精确重构原图像的任何图像压缩技术 Matched filtering 匹配滤波；采用匹配波器检测图像中特定物体的存在及其位量 Measurement space 度量空间；在模式识别中，包含所有可能度量向量的n维向量空间 Misclassification 误分类；在模式识别中，将物体误为别类的分类 Multispectral image 多光谱图像；同一景物的一组图像，每一个是由电磁谱的不同波段辐射产生的 Neighborhood 邻域；在给定像素附近的一像素集合 Neighoorhood operation 邻域运算；见局部运算 Noise 噪音；一幅图像中阻碍感兴趣数据的识别和解释的不相关部分 Noise reduction 噪音抑制；降低一副图像中噪音的任何处理 Object 目标，物体；在模式识别中，处于一二值图像中的相连像素的集合，通常对应于该图像所表示景物中的一个物体 Optical image 光学图像；通过镜头等光学器件将景物中的光投射到一表面上的结果 Pattern 模式；一个类的成员所表现出的共有的有意义的规则性，可以度量并可用于对感兴趣的物体分类 Pattern class 模式类；可赋予一个物体的相互不包容的预先定义的类别集合的任一个类 Pattern classification 模式分类；将物体赋予模式类的过程 Pattern recognition 模式识别；自动或半自动地检测、度量、分类图像中的物体 Pel 像素；图像元素（picture ; element ）的缩写 Perimeter 周长；围绕一物体的边界的周边距离 Picture element 图像元素，像素；数字图像的最小单位，一幅数字图像的基本组成单元 Pixel 像素；图像元素（picture element ）的缩写 Point operation 点运算；只根据对应像素的输入灰度值决定该像素输出灰度值的图像处理运算（对比：邻域运算） Quantitative image analysis 图像定量分析；从一副数字图像中抽取定量数据的过程 Quantization 量化；在每一个像素处，将图像的局部特性赋予一个灰度集合中的元素的过程 Region 区域；一副图像中的相连子集 Region growing 区域增长；通过重复地求具有相似灰度或纹理的相邻子区域的并集形成区域的一种图像分割技术 Registered 匹准的；1 调准的状态 2 两幅或多幅图像已几何调准，其中的物体吻合 Registered image 已匹准图像；同一景物的两副（或以上）图像已相互调准好位置，从而使其中的物体具有相同的图像位置 Resolution 分辨率；1 在光学中指可分辨的点物体之间最小的分离距离，2 在图像处理中，指图像中相邻的点物体能够被分辨出的程度 Run 行程；在图像编码中，具有相同灰度的相连像素序列 Run length 行程长度，行程；在行程中像素的个数 Run length encoding 行程编码；图像行以行程序列表示的图像压缩技术，每一行程以一个给定的行程长度和灰度值定义 Sampling 采样；（根据采样网络）将图像分为像素并测量其上局部特性（如亮度、颜色）的过程 Scene 景物；客观物体的一种特色的布局 Sharp 清晰；关于图像细节的易分辨性 Sharpening 锐化；用以增强图像细节的一种图像处理技术 Sigmoid function Sigmoid 函数 S函数；形如S的一种函数，是一种灰度变化函数，它也可用于神经元网络中处理单元（PE）中的函数 Sinusoidal 正弦型的；具有正弦函数形状的函数类型 Smoothing 平滑；降低图像细节幅度的一种图形处理技术，通常用于降噪 Statistical pattern recognition 统计模式识别；采用概率和统计的方法将物体赋予模式类的一种模式识别 Structural pattern recognition 结构模式识别；为描述和分类物体，将物体表示为基元及其相互关系的一种模式识别方法 Syntactic pattern recognition 句法模式识别；采用自然或人工语言模式定义基元及相互关系的一种结构模式识别方法 System 系统；任何接收输入，产出输出的东西 Texture 纹理；在图像处理中，表示图像中灰度幅度及其局部变化的空间组织的一种属性 Thinning 细化；将物体削减为（单像素宽度）的细曲线的一种二值图像处理技术 Threshold 阈值；用以生产二值图像的一特定灰度 Thresholding 二值化；有灰度图产生二值图像的过程，如果输入像素的灰度值大于给定的阈值则输出像素赋为1，否则赋为0 Transter function 传递函数；在线性移不变系统中，表达每一频率下的正弦型输入信号的幅值比例传递到输出信号上的频率函数; 个人分类: 图像基本知识|2254 次阅读|0 个评论

PSNR对不同的数据类型结果也不相同: haijunwang 2013-6-2 18:01; 最近实验中突然发现两幅图像在计算psnr时，uint8型和double型（均为0~255灰度）两种格式下的灰度图像计算结果差距很大，uint8型能飙到35左右，而double型的却在20多徘徊。今天看代码，终于明白怎么回事了： psnr中的关键代码是下面这一行 res = 10 * log10(L^2 / mean2((hat - star).^2)); 其中hat和star是要对比的两幅图像，如果为double型没有任何问题；但如果为uint8型，hat - star的结果仍然为uint8型，这样就把结果中的负值统一替换为0，自然误差就变小了，从而psnr飙升。; 个人分类: 图像基本知识|5588 次阅读|0 个评论

C#-Emgu.CV-------视频截取和图像处理基础: mafei863 2013-5-28 21:12; ImageBgr, Byte frame = capture.QueryFrame();//获取摄像头的视频帧 ImageBgr, Byte frame2 = frame.ConvertBgr, Byte(); //将帧转换为RGB类型，对应为三维数组 ImageGray, Byte grayFrame = frame.ConvertGray, Byte();//将帧转换为Gray类型，对应为一维数组 ImageYcc, Byte currentYCrCbFrame = frame.ConvertYcc, Byte();//将帧转换为YCbCr类型，对应为三维数组 ImageGray, Byte skin = new ImageGray, Byte(frame.Width, frame.Height);//构建灰度区域对象 int rows = frame.Rows; int cols = frame.Cols; Byte bgrData= frame2.Data; for (int i = 0; i rows; i++) for (int j = 0; j cols; j++) { b = bgrData ; g = bgrData ; r = bgrData ; if (b 110) { bgrData = (byte)0; bgrData = (byte)0; bgrData = (byte)0; } else //二值化 { bgrData = (byte)255; bgrData = (byte)255; bgrData = (byte)255; } } pictureBox1.Image = frame2.Flip(Emgu.CV.CvEnum.FLIP.NONE).ToBitmap(); //转换后，在picture上显示二值化图像。; 个人分类: openCV|14429 次阅读|0 个评论

常用的图像格式转化方法: blownsand 2013-5-28 17:07; 1) tifjpg：convert *.tif *.jpg 2) jpgeps: jpeg2ps *.jpg *.eps 3) mpseps: mps2eps *.mps *.eps \LaTeX 文件中最常用的图片格式是eps,脚本jpeg2ps和mps2eps分别把照片和metapost绘制的图片转成eps格式。; 2390 次阅读|0 个评论

图像处理领域的大牛: yangjiangong 2013-5-23 22:17; ( 首先说明：该文在持续添加中，请谅解！ ) Tony F. Chan 加州大学数学系教授，（似乎是香港出生的华人，待确认？）。在水平集图像分割方面，其论文《Active contours without edges 》提出的 C-V 模型，Google学术上显示被引用 5153 次之多。 http://www.math.ucla.edu/~chan/index.html Chunming Li 本科福建师范大学数学系，硕士复旦大学数学系，博士则在 University of Connecticut 电子工程专业。在水平集图像分割方面颇有成绩，其最有名的论文《 Level Set Evolution Without Re-initialization : A New Variational Formulation 》，Google学术显示被引用1128次之多。 http://www.engr.uconn.edu/~cmli/ http://scholar.google.com/citations?user=tpAgWBwAAAAJhl=en Daniel Cremers http://vision.in.tum.de/members/cremers http://scholar.google.com/citations?user=cXQciMEAAAAJhl=en 研究领域在：计算机视觉，数字图像处理，模式识别。 Mikael Rousson http://scholar.google.com/citations?user=SPKqz2kAAAAJhl=en Michael Leventon 麻省理工人工智能实验室 http://www.leventon.com/mit/ Bernhard Schölkopf 主要研究方向是机器学习，他在 Kernel方法，尤其是 Kernel PCA 方面成就很大。 http://www.is.tuebingen.mpg.de/employee/details/bs.html 他的文章大都在：http://www.is.tuebingen.mpg.de/research/dep/bs/publication-list-schoelkopf.html www.kernel-machines.org http://scholar.google.com/citations?user=DZ-fHPgAAAAJhl=en （说明：以下部分时转载自http://blog.sciencenet.cn/blog-672874-665865.html） CV人物1：Jianbo Shi史建波毕业于UC Berkeley，导师是Jitendra Malik。其最有影响力的研究成果：图像分割。其于2000年在PAMI上多人合作发表”Noramlized cuts and image segmentation”。这是图像分割领域内最经典的算法。主页： www.cis.upenn.edu/~jshi/ 和 www.cs.cmu.edu/~jshi/ CV人物2：Kristen Grauman毕业于MIT，导师是Trevor Darrell。其最有影响力的研究成果：Pyramid Match Kernel，用于图像匹配。她和Darrell在2005年CVPR合作发表了”The Pyramid Match Kernel: Discriminative Classification with Sets of Image Features”。金字塔匹配核函数可快速搜索两个特征集合之间匹配的特征，可应用于图像匹配、物体识别，是该领域经典算法之一。2011年Marr奖得主。主页： www.cs.utexas.edu/~grauman/ CV人物3：Irfan Essa现任教于Georgin Tech佐治亚理工大学，毕业于MIT，其最有影响力的研究成果：人脸表情识别。Essa和Alex Penland 在1997年PAMI合作发表了”Coding, analysis,interpretation,and recognition of facial expression”, 结合了几何模型和面部肌肉无力模型，用来描述脸部结构。主页： www.ic.gatech.edu/people/irfan-essa CV人物4：Matthew Turk毕业于MIT，最有影响力的研究成果：人脸识别。其和Alex Pentland在1991年发表了”Eigenfaces for Face Recognition”.该论文首次将PCA（Principal Component Analysis）引入到人脸识别中，是人脸识别最早期最经典的方法，且被人实现，开源在OpenCV了。主页： www.cs.ucsb.edu/~mturk/ CV人物5：David Lowe毕业于斯坦福大学，导师是Thomas Binfold，最有影响力的研究成果：SIFT。他是SIFT特征点检测的发明人。由于SIFT具有对于图像平移、旋转和尺度变化不变性的优点，使得SIFT成为近十年来最流行的图像特征点检测方法，被广泛用于图像匹配、物体识别、分类等领域。主页： http://www.cs.ubc.ca/~lowe/ CV人物6：Pascal Fua毕业于Orsay，导师是O.D.Faugera。最有影响力的研究成果：立体视觉。其在1993年发表了”A parallel stereo algorithm that produces dense depth maps and preserves image features”,提出了利用相关性来估计dense深度图的快速并行立体视觉算法，是立体视觉领域内经典算法之一。主页： http://cvlab.epfl.ch/~fua/ 和 http://people.epfl.ch/pascal.fua CV人物7：Luc Van Gool毕业于Katholieke Universiteit Leuven.最有影响力的研究成果：图像特征点检测和摄像机标定。Gool等发蒙的Surf(speeded up robust features)是除SIFT外，应用最广泛的特征点检测算法，surf具有提取速度更快、维度更低的优点，也被广泛用于物体检测、识别等。Opencv开源。Marc Pollefeys, Koch和Goolz 1999年IJCV上发表了”self-calibration and metric reconstruction inspite of varying and unknown intrinsic camera parameters”,是摄像机自标定领域内最经典论文，并获1998年Marr奖。主页： http://www.vision.ee.ethz.ch/~vangool/ CV人物8：Michal Irani毕业于Hebrew大学，最有影响力的研究成果：超分辨率。她和Peleg于1991年在Graphical Models and Image Processing发表了”Improving resolution by image registration”,提出了用迭代的、反向投影的方法来解决图像放大的问题，是图像超分辨率最经典的算法。我在公司实现的产品化清晰化增强算法就参考了该算法思想哈哈。主页： http://www.wisdom.weizmann.ac.il/~irani/ CV人物9： Jean Ponce毕业于Paris Orsay,最有影响力的研究成果：计算机视觉教育、物体识别。他和David Forsyth合写的”Computer Vision: A Modern Approach”被视为现代计算机视觉领域最经典教科书之一。其近年来的研究重点是物体识别，是Spatial Pyramid Matching算法发明人之一，比起之前广泛使用的bag-of-words方法相比，该方法考虑了一些局部特征之间的空间关系，因此更有效地描述物体特征。是目前最普遍使用的算法之一。主页： http://www.di.ens.fr/~ponce/ CV人物10： Andrew Blake毕业于Edinburgh，最有影响力的研究成果：目标跟踪、图像分割、人体姿态跟踪与分析。他是世界知名CV专家，两次荣获ECCV最佳论文奖和1次Marr奖。他和Michael Isard在1998年IJCV中合写的”Condensation—conditional density propagation for visual tracking”，将粒子滤波器用于目标跟踪，该领域的经典论文。二人1998年合写的另一篇”Active Contours”是图像分割领域经典算法，该算法用spline函数，通过最小化能量函数，是的样条逼近物体轮廓，在该算法基础上，衍生出了著名的Active shape model。Blake领导的微软剑桥研究院在人体姿态跟踪与分析上去的突破，用于Kinect中。主页： http://research.microsoft.com/~ablake CV人物11： Antonio Criminisi毕业于牛津大学，导师是Andrew Zisserman 和 Ian Reid。最有吸影响力的研究成果：Image Inpaiting.他在2004年发表”Region filling and object removal by exemplar-based image inpainting”，该方法用于去除图像中大的遮挡物或小的刮痕，结合了采样纹理生成和结构传递的图像修补技术，获得不错效果。主页： http://research.microsoft.com/en-us/people/antcrim/ CV人物12： Paul Viola毕业于MIT，研究领域：目标检测；最有影响力的研究成果：人脸检测；他和Michael Jones在2001年CVPR发表了”Rapid object detection using a boosted cascade of simple features”，真正意义上解决了人脸检测的问题，并开启了boosting算法的一个时代，很多学者受到boosting cascade算法的影响，扩展了该算法的应用领域，牛逼的影响力。主页： http://research.microsoft.com/en-us/um/people/viola/ CV人物13： Henry Rowley毕业于CMU，导师：Takeo Kanade；研究领域：大规模图像识别和机器学习；最有影响力的研究成果：人脸检测；他使用人工神经网络用于人脸检测，该算法是Paul Viola的boosting cascade人脸检测算法出现前，最经典的人脸检测算法。主页： http://www.cs.cmu.edu/~har/ CV人物14： Dorin Comaniclu毕业于Rutgers；最有影响力的研究成果：目标跟踪、图像分割；他在2000年发表了”Real-time tracking of non-rigid objects using mean shift”。该算法首次将mean shift用于目标跟踪，并在2002年PAMI发表了”Mean shift: A robust approach toward feature space analysis”，并将Meanshift拓展应用于图像分割中。主页： http://coewww.rutgers.edu/riul/FORMER/comanici/ CV人物15： Henry Schneiderman毕业于CMU，导师：Takeo Kanade；研究领域：目标检测和识别；最有影响力的研究成果：目标检测；他在2000年CVPR上发表了”A statistical method for 3D object detection applied to faces and cars”。该算法采用多视角训练样本，可用于检测不同视角下的物体，如人脸和车，是第一个能够检测侧脸的算法。他创建了PittPatt公司，后被Google收购。主页： http://www.cs.cmu.edu/~hws/ CV人物16： William T.Freeman毕业于MIT；研究领域：应用于CV的ML、可视化感知的贝叶斯模型、计算摄影学；最有影响力的研究成果：图像纹理合成；Alex Efros和Freeman在2001年SIGGRAPH上发表了”Image quilting for texture synthesis and transfer”，其思想是从已知图像中获得小块，然后将这些小块拼接mosaic一起，形成新的图像。该算法是图像纹理合成中经典中的经典。主页： http://people.csail.mit.edu/billf/ CV人物17： Feifei Li李菲菲，毕业于Caltech；导师：Pietro Perona；研究领域：Object Bank、Scene Classification、ImageNet等；最有影响力的研究成果：图像识别；她建立了图像识别领域的标准测试库Caltech101/256。是词包方法的推动者。主页： http://vision.stanford.edu/~feifeili/ CV人物18：Jitendra Malik毕业于斯坦福大学；导师：Thomas O.Binford；研究领域：轮廓检测、图像/视频分割、图形匹配、目标识别等；最有影响力的研究成果：边缘检测、图像分割和形状匹配；Malik培养了众多牛人，牛人的导师，你说牛不牛。培养了Alexie Efros, Jianbo Shi, Paul Debevec, Pietro Perona, Serge J.Belongie, Yair Weiss等知名专家。主页： http://www.cs.berkeley.edu/~malik/ CV人物19：Alexie Efros毕业于Berkeley大学；导师：Jitendra Malik；研究领域：Qualitative Reasoning for Image Understanding、Building the Visual Memex等；最有影响力的研究成果：图像纹理合成；他在1999年ICCV发表了”Texture Synthesis by non-parametric sampling”。该论文将MRF引入到纹理合成中。该方法最大限度保留了纹理的局部结构。主页： https://www.cs.cmu.edu/~efros/ CV人物20：Andrew Zisserman毕业于剑桥大学；最有影响力的研究成果：视觉几何、目标识别、可视化搜索；他牛逼了，三次获得Marr奖。是CV界权威中的权威。搞CV的人没读过他的多视几何学一书，枉为搞CV的。我2007年起，花了2年时间阅读、编码实现了其中所有两视几何学内容。主页： http://www.robots.ox.ac.uk/~az/ CV人物21：Ian D.Reid毕业于牛津大学；最有影响力的研究成果：目标跟踪；他在2007年PAMI发表了”MonoSLAM: real-time single camera SLAM”，是跟踪和机器人导航领域经典论文。在2011年CVPR上，和Ben Benfold发表了”Stable Multi-Target Tracking in Real-time survillance video”。主页： http://www.robots.ox.ac.uk/~ian/ ...; 个人分类: 科研资料|10167 次阅读|0 个评论

[转载]局部图像特征描述概述: EnergeticYi 2013-5-22 14:27; 这次我们荣幸地邀请到中国科学院自动化研究所的樊彬老师为我们撰写图像特征描述符方面的最新综述。樊彬老师在图像特征描述方面已连续发表了包括TPAMI、PR、ICCV、CVPR在内的多篇高质量论文。他的个人主页为： http://www.sigvc.org/bfan/ 以后我们将持续邀请国内外众多老师做最新的视觉计算专业综述报告，如特征提取和描述、稀疏表达、人体跟踪、三维衣服布料动画、轻量级Web3D等，并陆续在学术论坛上发布。各位老师会尽量使综述通俗易懂、深入浅出，这样无论是初学者还是同行专家，都会有所收获。因为发布在本论坛中的学术文章不属于正式的学术出版，因此各位老师以后还可根据论坛的反馈建议将综述整理成正式的学术论文在期刊会议上发表。此外，如果您觉得国内外某位学者在您所关注的领域（与视觉计算相关的：“计算机视觉”、“计算机图形学”、“模式识别与机器学习”、“机器人视觉导航与定位”）做的不错，希望获得他的最新综述性见解，可把他/她的联系方式发给我们，我们将考虑邀请他/她撰写最新的综述报告，以便大家在第一时间分享。 ------------------------------------------------------------------------------------------------------------------------------------------------ 局部图像特征描述概述樊彬中国科学院自动化研究所模式识别国家重点实验室 (CASIA NLPR) 局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。它是许多方法的基础，因此也是目前视觉研究中的一个热点，每年在视觉领域的顶级会议 ICCV/CVPR/ECCV 上都有高质量的特征描述论文发表。同时它也有着广泛的应用，举例来说，在利用多幅二维图像进行三维重建、恢复场景三维结构的应用中，其基本出发点是要有一个可靠的图像对应点集合，而自动地建立图像之间点与点之间的可靠对应关系通常都依赖于一个优秀的局部图像特征描述子。又比如，在物体识别中，目前非常流行以及切实可行的方法之一是基于局部特征的，由于特征的局部性，使得物体识别可以处理遮挡、复杂背景等比较复杂的情况。局部图像特征描述的核心问题是不变性（鲁棒性）和可区分性。由于使用局部图像特征描述子的时候，通常是为了鲁棒地处理各种图像变换的情况。因此，在构建 / 设计特征描述子的时候，不变性问题就是首先需要考虑的问题。在宽基线匹配中，需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等；在形状识别和物体检索中，需要考虑特征描述子对形状的不变性。然而，特征描述子的可区分性的强弱往往和其不变性是矛盾的，也就是说，一个具有众多不变性的特征描述子，它区分局部图像内容的能力就稍弱；而如果一个非常容易区分不同局部图像内容的特征描述子，它的鲁棒性往往比较低。举个例子，假定我们需要对一个点周围固定大小的局部图像内容进行描述。如果我们直接将图像内容展开成一个列向量对其进行描述，那么只要局部图像内容发生了一点变化，就会使得它的特征描述子发生较大的变化，因此这样的特征描述方式很容易区分不同的局部图像内容，但是对于相同的局部图像内容发生旋转变化等情况，它同样会产生很大的差异，即不变性弱。而另一方面，如果我们通过统计局部图像灰度直方图来进行特征描述，这种描述方式具有较强的不变性，对于局部图像内容发生旋转变化等情况比较鲁棒，但是区分能力较弱，例如无法区分两个灰度直方图相同但内容不同的局部图像块。综上所述，一个优秀的特征描述子不仅应该具有很强不变性，还应该具有很强的可区分性。在诸多的局部图像特征描述子中， SIFT （ Scale Invariant Feature Transform ）是其中应用最广的，它在 1999 年首次提出，至 2004 年得到完善。 SIFT 的提出也是局部图像特征描述子研究领域一项里程碑式的工作。由于 SIFT 对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且 SIFT 具有很强的可区分性，自它提出以来，很快在物体识别、宽基线图像匹配、三维重建、图像检索中得到了应用，局部图像特征描述子在计算机视觉领域内也得到了更加广泛的关注，涌现了一大批各具特色的局部图像特征描述子。 SURF （ Speeded Up Robust Features ）是对 SIFT 的改进版本，它利用 Haar 小波来近似 SIFT 方法中的梯度操作，同时利用积分图技术进行快速计算， SURF 的速度是 SIFT 的 3-7 倍，大部分情况下它和 SIFT 的性能相当，因此它在很多应用中得到了应用，尤其是对运行时间要求高的场合。 DAISY 是面向稠密特征提取的可快速计算的局部图像特征描述子，它本质思想和 SIFT 是一样的：分块统计梯度方向直方图，不同的是， DAISY 在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。比较巧合的是， DAISY 这种特征汇聚策略被一些研究者（ Matthen Brown ， Gang Hua ， Simon Winder ）通过机器学习的方法证明相对于其他几种特征汇聚策略（卡迪尔坐标下分块、极坐标下分块）是最优的。 ASIFT （ Affine SIFT ）通过模拟所有成像视角下得到的图像进行特征匹配，可以很好地处理视角变化的情况，尤其是大视角变化下的图像匹配。 MROGH （ Multi-support Region Order-based Gradient Histogram ）则是特征汇聚策略上寻求创新，之前的局部图像特征描述子，其特征汇聚策略都是基于邻域内点的几何位置的，而 MROGH 基于点的灰度序进行特征汇聚。 BRIEF （ Binary Robust Independent Element Feature ）利用局部图像邻域内随机点对的灰度大小关系来建立局部图像特征描述子，得到的二值特征描述子不仅匹配速度快，而且存储要求内存低，因此手机应用中具有很好的应用前景。其实，利用邻域内点对的灰度大小关系进行特征描述这一思想在 SMD （ ECCV’08 ）中就已经有了。除了 BRIEF ，近两年还提出了许多二值特征描述子，例如 ORB 、 BRISK 、 FREAK 。上述这些特征描述子都是基于手动设计得到的，也有一些研究试图利用机器学习的方法，通过数据驱动得到想要的特征描述子。这类特征描述子包括 PCA-SIFT ， Linear Discriminative Embedding ， LDA-Hash 等。当然，除了提到的这些特征描述子之外，还有许多其他的特征描述子，在这就不再一一叙述了。国际上研究局部图像特征描述子比较著名的学者有：英国 Surrey 大学的 Mikolajzyk ，他在 INRIA 做博后的时候，在宽基线应用背景下，对 SIFT 、 Shape Context 、 PCA-SIFT 、不变矩等多种局部图像描述子的性能进行了评测，相关论文发表在 2005 年 PAMI 上，他提出来的评测方法至今仍是局部图像描述子研究领域中广泛采用的性能评测方法。 INRIA 的 C. Schmid ，她九十年代就开始研究局部图像描述方法了，是这个领域内的元老之一，不过这几年她的团队正在将重心转向大规模图像检索和行为识别等应用中。比利时 Leuven 大学的 Tinne Tuytelaars ，她是著名的 SURF 描述子的提出者， SURF 相关的论文于 2011 年获得 CVIU 引用最多论文奖，她写了三篇局部图像特征描述相关的综述文章，分别是“ Local Invariant Feature Detectors: A Survey ”，“ Local Image Features ”和“ Wide baseline matching ”。英国 Oxford 大学的 Andrea Valida ，他是 Vlfeat 的发起者和主要作者。 Vlfeat 是一个开源程序，其中包括了 SIFT 、 MSER ，被许多研究者广泛采用。 Vlfeat 目前正在逐渐实现其他常用的特征描述子。瑞士 EPFL 的 Vincent Lepetit 和 Pascal Fua ，他们的团队主要致力于发展快速、高效的局部图像特征描述子，用于模板匹配、三维重建、虚拟现实等应用。他们的工作包括用于稠密立体匹配的 DAISY 特征描述子，基于 Random Trees 的模板匹配方法，基于 Random Ferns 的模板匹配方法。此外， LDA-Hash 、 BRIEF 、 D-BRIEF （ ECCV 2012 ）也是他们的杰作。中国科学院自动化研究所的吴福朝研究员，他在这方面也做了比较深入的研究，并提出了许多不错的局部图像特征提取和描述方法。这些名字都是我们在读论文的时候会经常看到的。最近几年局部图像特征描述子的发展趋势是：快速、低存储。这两个趋势使得局部图像特征描述子可以在快速实时、大规模应用中发挥作用，而且有利于将许多应用做到手机上去进行开发，实实在在的将计算机视觉技术应用于我们周围的世界中。为了满足快速和低存储这两个需求，二值特征描述子得到了研究者的广泛关注，这两年 CVPR 和 ICCV 中关于局部图像特征描述子的文章，大部分都是这类的。相信它们在未来几年还会继续受到关注，期待出现一些深入大众生活中的成功应用。; 3 次阅读|0 个评论

[转载]matlab画图：高数中的二次函数图像: stone2002 2013-5-10 09:45; 转载自 http://blog.163.com/crazyzcs@126/blog/static/12974205020105913254270/ ，特对博主表示感谢！前几天做家教,教Matlab画函数图像,原想学了四年应该没什么问题,可真去教起来,觉得四年都白学了,画几张图费了我两天时间,虽说最后做出来了,可是依然一知半解的. 下面将这几天所做的图像及程序小记一下（望大虾指教）一、螺旋线 1.静态螺旋线 a=0:0.1:20*pi; h=plot3(a.*cos(a),a.*sin(a),2.*a,'b','linewidth',2); axis( ); grid on set(h,'erasemode','none','markersize',22); xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('静态螺旋线'); 2.动态螺旋线 t=0:0.1:10*pi; i=1; h=plot3(sin(t(i)),cos(t(i)),t(i),'*','erasemode','none'); grid on axis( ) for i=2:length(t) set(h,'xdata',sin(t(i)),'ydata',cos(t(i)),'zdata',t(i)); drawnow pause(0.01) end title('动态螺旋线'); (图略) 3.圆柱螺旋线 t=0:0.1:10*pi; x=r.*cos(t); y=r.*sin(t); z=t; plot3(x,y,z,'h','linewidth',2); grid on axis('square') xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('圆柱螺旋线') 二、旋转抛物面 b=0:0.2:2*pi; =meshgrid(-6:0.1:6); Z=(X.^2+Y.^2)./4; meshc(X,Y,Z); axis('square') xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('旋转抛物面') 或直接用：ezsurfc('(X.^2+Y.^2)./4') 三、椭圆柱面 load clown ezsurf('(2*cos(u))','4*sin(u)','v', ) view(-105,40) %视角处理 shading interp %灯光处理 colormap(map) %颜色处理 grid on %添加网格线 axis equal %使x,y轴比例一致 xlabel('x轴');ylabel('y轴');zlabel('z轴'); %添加坐标轴说明 title('椭圆柱面') %添加标题四、椭圆抛物面 b=0:0.2:2*pi; =meshgrid(-6:0.1:6); Z=X.^2./9+Y.^2./4; meshc(X,Y,Z); axis('square') xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('椭圆抛物面') 或直接用：ezsurfc('X.^2./9+Y.^2./4') 五、'双叶双曲面 ezsurf('8*tan(u)*cos(v)','8.*tan(u)*sin(v)','2.*sec(u)', ) axis equal grid on axis square xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('双叶双曲面') 六、双曲柱面 load clown ezsurf('2*sec(u)','2*tan(u)','v', ) hold on %在原来的图上继续作图 ezsurf('2*sec(u)','2*tan(u)','v', ) colormap(map) shading interp view(-15,30) axis equal grid on axis equal xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('双曲柱面') 七、双曲抛物面（马鞍面） =meshgrid(-7:0.1:7); Z=X.^2./8-Y.^2./6; meshc(X,Y,Z); view(85,20) axis('square') xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('双曲抛物面') 或直接用：ezsurfc('X.^2./8-Y.^2./6') 八、抛物柱面 =meshgrid(-7:0.1:7); Z=Y.^2./8; h=mesh(Z); rotate(h, ,180) %旋转处理 %axis( ); axis('square') xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('抛物柱面') 或直接用：ezsurfc('Y.^2./8') 九、环面 ezmesh('(5+2*cos(u))*cos(v)','(5+2*cos(u))*sin(v)','2*sin(u)', ) axis equal grid on xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('环面') 十、椭球 ezsurfc('(5*cos(u))*sin(v)','(3*sin(u))*sin(v)','4*cos(v)', ) axis equal grid on xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('椭球') 十一、单叶双曲面 ezsurf('4*sec(u)*cos(v)','2.*sec(u)*sin(v)','3.*tan(u)', ) axis equal grid on xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('单叶双曲面') 十二、旋转单叶双曲面 load clown ezsurf('8*sec(u)*cos(v)','8.*sec(u)*sin(v)','2.*tan(u)', ) colormap(map) view(-175,30) %alpha(.2) %透明处理 axis equal grid on axis square xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('旋转单叶双曲面') 十三、圆柱面 subplot(1,2,1) ezsurf('(2*cos(u))','2*sin(u)','v', ) grid on shading interp axis equal xlabel('x轴');ylabel('y轴');zlabel('z轴'); title('圆柱面') subplot(1,2,2) cylinder(30) shading interp axis square title('调用cylinder函数所得圆柱面') 下面给出用colormap()改变图像颜色的例子:(用了灯光效果shading interp) colormap(); %hot/cool/copper/gray/hsv/spring/summer/winter... colormap(hsv) colormap(hot) colormap(gray) colormap(cool) colormap(copper) 下面做了旋转(view( ))、灯光（“shading interp”）、透明（“alpha()”）处理：; 9829 次阅读|0 个评论

1 234 5 下一页

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 图像

相关日志

关闭安全验证