图像处理
4 人学过
介绍图像处理领域的常用算法，是计算机视觉课程的先导课程。
课程内容
共7个章节 7个实验
1 图像增强
图像增强
实验1 图像增强
图像增强主要解决由于图像的灰度级范围较小造成的对比度较低的问题，目的就是将输出图像的灰度级放大到指定的程度，使得图像中的细节看起来增加清晰。
2 图像平滑
图像平滑
实验1 图像平滑
图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪音，模糊图像(噪音是图像中变化比较大的区域，也就是高频信息)。而高通滤波能够提取图像的边缘(边缘也是高频信息集中的区域)。
3 图像锐化
图像锐化
实验1 图像锐化
由于收集图像数据的器件或传输数图像的通道的存在一些质量缺陷，文物图像时间久远，或者受一些其他外界因素、动态不稳定抓取图像的影响，使得图像存在模糊和有噪声的情况，从而影响到图像识别工作的开展。这时需要开展图像锐化和边缘检测处理，加强原图像的高频部分，锐化突出图像的边缘细节，改善图像的对比度，使模糊的图像变得更清晰。
4 边缘检测
边缘检测
实验1 边缘检测
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
5 图像分割
图像分割
实验1 图像分割
一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，就是图像分割技术要解决的问题。
6 特征提取
特征提取
实验1 特征提取
特征提取的方法主要是通过属性间的关系，如组合不同的属性得到新的属性，这样就改变了原来的特征空间。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的好坏对泛化性能有至关重要的影响。
7 图像分类
图像分类
实验1 图像分类
K近邻算法(K-NN)，即给定一个已训练的数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，则判定该输入实例同属此类。
