這學(xué)期有兩門(mén)課程與圖像處理有關(guān)，一門(mén)是圖像處理與內(nèi)容分析(數(shù)字圖像處理+機(jī)器學(xué)習(xí))，另一門(mén)SLAM課程，SLAM的全稱(chēng)為Simutaneously Localization and Mapping，具體來(lái)說(shuō)就是即使獲取圖像，處理圖像并進(jìn)行路徑規(guī)劃與場(chǎng)景建模，下面是第一次作業(yè)的小結(jié)

作業(yè)1:實(shí)現(xiàn)SSD算法：

SSD算法的思路很簡(jiǎn)單，假設(shè)要找的模塊為target, 找的對(duì)象是img, 那就不斷從img里面截取target大小的子圖像，然后計(jì)算兩個(gè)模塊每個(gè)像素灰度值的差的取絕對(duì)值，再平方求和得到誤差，誤差最小的子圖就是匹配得出的對(duì)象了 ，想法簡(jiǎn)單很簡(jiǎn)單,匹配下面這個(gè)玩意兒：

但是一看結(jié)果。。

這么簡(jiǎn)單的算法也能出錯(cuò)？？？

然后一番摸索，甚至從原圖中摳圖再匹配誤差仍然大得驚人，輸出一看，咋這么多255？

然后一番思索，發(fā)現(xiàn)：

原來(lái)，圖像每個(gè)像素灰度值被表示成了np.int8，兩個(gè)numpy數(shù)組在計(jì)算差的時(shí)候，負(fù)數(shù)還會(huì)補(bǔ)碼，嚇得趕緊展開(kāi)成一維的圖像進(jìn)行處理：

后來(lái)發(fā)現(xiàn)，在很多代碼中都采用了展開(kāi)成一維，再用.dot()運(yùn)算，運(yùn)算速度也快了起來(lái)，匹配成功

作業(yè)2:實(shí)現(xiàn)ZNCC算法：

ZNCC，在這篇文章中有詳細(xì)的寫(xiě)公式Zero Mean Normalized Cross-Correlation，意為零均值歸一化交叉熵，零均值肯定要每項(xiàng)減去均值，歸一化意味著要除以標(biāo)準(zhǔn)差，交叉熵體現(xiàn)在兩個(gè)圖片'向量'的點(diǎn)乘上，如果說(shuō)SSD關(guān)注的是像素上的相似性，那么ZNCC關(guān)注的，更多是結(jié)構(gòu)上的相似性。

為了證明上述猜測(cè)，可以對(duì)原圖進(jìn)行Histogram Specification，即直方圖特例化，向檢測(cè)目標(biāo)進(jìn)行轉(zhuǎn)換，圖為轉(zhuǎn)化前，參考圖，以及轉(zhuǎn)化后圖

特例化后，SSD算法明顯變好

ZNCC算法評(píng)價(jià)指標(biāo)可有下式子計(jì)算：

總結(jié)

以上是生活随笔為你收集整理的负数如何归一化处理_小白的图像处理入门(一)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。