时间：2024-10-29浏览次数：32
分水岭算法，一种在图像处理中用于分割吸水盆地的重要方法，主要参考chap7-watershed_哔哩哔哩_bilibili和冈萨雷斯的《数字图像处理》。算法基础包括形态学操作，如腐蚀、膨胀、开运算和闭运算。腐蚀和膨胀是通过结构元素进行的“与”操作，前者消除边界点缩小目标，后者扩大区域。
Watershed Algorithm（分水岭算法），顾名思义，就是根据分水岭的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么那一定是水绕 山，山围水的情形。当然在需要的时候，要人工构筑分水岭，以防集水盆之间的互相穿透。
最后，通过分水岭算法（markers = cvwatershed（img， markers）处理，边界区域标记为-1，以红色高亮，但需注意相邻组件可能无法完全分离。
分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。直接应用分水岭分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。
中文名：流域分水岭外文名：Watershed watershed学科：地理科学分类：对称和不对称流域分水岭，简称分水岭，是指分隔相邻两个流域的山岭或高地。在自然界中，流域分水岭较多的是山岭、高原。流域分水岭的脊线叫分水线，是相邻流域的界线，一般为分水岭最高点的连线。
1、增强部分不同，方式不同。增强部分不同。对数变换是增强较暗的部分，指数变换是选择性地增强高低灰度区域的对比度。方式不同。对数变换是用于扩展压缩的频谱图像，指数变换是增加细节。
2、① 线性变换： 当图像出现曝光不足或者曝光过度的时候，灰度图会被局限在很小的范围内，这时我们会通过线性变换将每一个像素线性拉伸。一般线性变换效果会增强图像的对比度，举个例子就是，图像会变得黑色更黑，白色更白。
3、数字图像处理主要再两个领域，这里介绍空间域的处理操作。 空间域：根据图像像元数据的空间表示 f（x，y）进行处理 变换域：对图像像元数据的空间表示f（x，y）先进行某种变换，然后正对变换数据进行处理。变换域处理一定有正变换和反变换。
4、阈值处理：用一个阈值将图像划分为两部分，大于阈值的像素设置为白色，小于阈值的像素设置为黑色，从而达到突出主体特征的目的。 灰度变换：通过确定输入和输出之间的映射关系，对图像的灰度值进行变换，改变图像的亮度和对比度。常用的灰度变换有对数变换、指数变换、直方图均衡化等。
1、《learning opencv》，有中文版。用这个入门最快。《机器学习实战》，简单，容易，清晰。《统计学习方法》，如果想学点理论，将整本书推导一下。入门这三本就够了。其他的书都太累太难。PRML和CV广大无比，深不可测，且常常很无用。
2、《认知机器人》、，《机器人规划与学习》、《仿生机器人》、《群体智能与自主系统》《无人驾驶技术与系统实现》《游戏设计与开发》《计算机图形学》《虚拟现实与增强现实》、《人工智能的现代方法I》、《问题表达与求解》、《人工智能的现代方法II》、《机器学习、自然语言处理、计算机视觉等》。
3、模式识别和场景分析领域奠基性的经曲名著。主要讲解统计模式识别和结构模式识别，以及许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。
4、推荐看Adrew NG 吴恩达的公开课，网易公开课应该有翻译。先看看《数字图像处理》，中文或者外文的都可以，然后看看《神经网络》、《有限元分析》等。
5、首先，学习人工智能的基本概念以及Python、数学基础。对于基础部分的学习，推荐使用Python菜鸟教程文档、《白话机器学习中的数学》。在Python学习中，仅需掌握到内置函数部分，而科学计算部分建议参考专门的书籍。接下来，学习机器学习。
1、数字图像处理中的基本数学工具包括对应元素运算和矩阵运算，以及线性运算与非线性运算。图像通常被视作矩阵，处理时逐像素进行。矩阵运算中的对应元素积称为哈达玛积。图像处理方法根据是否满足加性和同质性，分为线性和非线性。
2、节主要介绍了三种核心运算：空间运算、向量与矩阵运算以及图像变换。首先，空间运算是图像处理的基础，包括单像素运算，如使用变换函数改变像素灰度；邻域运算，通过对邻域像素进行运算生成新像素值；以及几何变换，通过仿射变换如缩放、旋转等调整像素布局。
3、《数字图像处理》（DigitalImageProcessing）-RafaelC.Gonzalez和RichardE.Woods：这本书是数字图像处理领域的经典教材，详细介绍了图像处理的基本概念和技术，包括图像增强、滤波、分割等。
4、OpenCV实现了大量通用算法，涉及到图像处理、结构分析、运动检测、摄像机定标、三维重建以及机器学习等方面，并有较高的运行效率。书中所有实例均提供C/C++语言的源代码。
机器视觉技术是指通过模拟人类视觉系统和认知过程，利用计算机对图像信息进行分析、理解和处理的技术。它可以从数字图像中提取出有用的信息，并进行识别、分类、定位等任务。机器视觉技术主要包括以下几个方面： 图像获取：通过使用数字相机、摄像机等设备来获取图像数据。
数字图像处理（digital image processing）是用计算机对图像信息进行处理的一门技术，使利用计算机对图像进行各种处理的技术和方法。数字图像处理主要研究的内容有以下几个方面： 1） 图像变换由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。
《机器视觉》（Robot Vision，作者：伯特霍尔德·霍恩）：这本书是机器视觉领域的经典之作，详细介绍了机器视觉的基本概念和技术。《数字图像处理》（作者：冈萨雷斯）：这本书是数字图像处理领域的必读之作，对于理解图像处理的基本算法和原理非常有帮助。
比如：在数字图像处理中，用个数字滤波器抑制图像中的噪声；在计算机图形学中对点云进行三角网格化；在计算视觉中，针对街道场景自动地识别出行人和车辆。再具体点：1）数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
1、图像处理需要学习的主要内容有：数字图像处理、图像信号处理、计算机视觉、图像编码与压缩等。 数字图像处理：这是图像处理的核心基础，涵盖了图像的数字化表示、图像的变换和处理技术、图像质量评估等。理解数字图像处理对于理解整个图像处理流程至关重要。包括灰度变换、图像滤波、形态学操作等。
2、最后两章，内容聚焦于图像分析与理解，探讨了图像分割、特征提取等高级技术，以及对图像的描述方法。这些内容对于计算机、自动控制、信号与信息处理、雷达、通信与电子工程等专业的高年级学生来说，是教材级别的学习材料，同时也为其他专业以及从事图像处理相关工作的工程师提供了实用参考。
3、节深入探讨数字图像处理的研究对象，帮助理解其核心概念和处理目标。2节则介绍数字图像处理系统的构成，包括硬件和软件的交互，以及数据处理流程。3节则列举了数字图像处理在多个领域的关键应用，如医学成像、遥感技术等，让读者看到其广泛的实际应用价值。
4、所对应的数学知识是高等数学（微积分），线性代数（矩阵论），概率论和随机过程。
5、对数字图像进行画意处理，探讨数字图像艺术处理方法的扩展与创新，旨在激发读者的创作灵感。书中所有案例和方法都是作者多年工作经验的结晶，确保其真实性和实用性。通过这本书的学习，读者不仅能够掌握Photoshop CS2的基本操作，还能深入理解数字图像处理的艺术性和创造性，为个人的创作提供强大的支持。
