一般的光照补偿算法结合网上的资料发现比较多的去光照不均匀算法基于二维伽马函数的光照不均匀图像自适应校正算法本文发表于北京理工大学学报该算法流程如图：将图片投影到hsv域，对亮度v进行gamma校正，然后重新融合图片，得到校正后的图片。参考网上的matlab代码clc,close all;
tic;
im=imread('srcmpp.bmp');
%im=imread('qqq.jpg');
figure;
imshow(im);
title
基于二维伽马函数的光照不均匀图像自适应校正算法相应论文：基于二维伽马函数的光照不均匀图像自适应校正算法http://journal.bit.edu.cn/zr/ch/reader/create_pdf.aspx?file_no=20160216&year_id=2016&quarter_id=2&falg=1该文的算法流程如下图所示：实现工具：matlab2013a.效果图：emmmm还原出来没有论文中效果那么好。。。。。。与其他传统方法相比gamma校正直方图均衡ret
1. 案例描述在数字图像处理中，图像分割是很关键的一步，当图像质量较好，光照很均匀的时候只需用全局阈值的方法就能很完美地完成图像分割任务，但是有些时候会遇到光照不均匀的现象，这个时候就需要用一些技巧才能达到比较好的分割效果。我们先看一个实例，下面图1和图3为做硬币面额识别拍摄的，可以看到，由于硬币表面的反光以及打光角度的原因，图片存在严重的光照不均现象。如果对两幅图像直接进行全局阈值可以得到图2和图4的结果，可以看到分割的效果很差，比如第一幅，右上角的光照要强一些，而且右上角的硬币存在一定的反光
直方图均衡简单、高效；但是，图像中不同的区域灰度分布相差甚远，对它们使用同一种变换常常产生不理想的效果；实际应用中，常常需要增强图像的某些局部区域的细节。为了解决这类问题，Pizer等提出了局部直方图均衡化的方法(AHE)；AHE方法仅仅考虑了局部区域的像素，忽略了图像其他区域的像素，且对于图像中相似区域具有过度放大噪声的缺点；K. Zuiderveld等人提出了对比度受限CLAHE的图像增强方法；通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强；也可以
前言像素灰度值仅仅反映了像素灰度级的幅值大小，并没有反映出像素与邻域的空间相关信息。二维灰度直方图的概念二维灰度直方图：像素的灰度值分布和邻域的平均灰度值分布构成的二维直方图二维直方图的值N(i,j) 。其中，i=f(x,y) 图像(x,y)的灰度值。j=g(x,y) 图像(x,y)位置邻域的平均灰度值。对于一幅MxN大小的灰度图像可以利用像素点的灰度值和其邻域平均灰度值组成的二元组(i,j)来表示图像。若设二元组(i j)出现的频数为Ω;则相应的联合概率密度p(i,j)为:p(i,j)=Ω/(
１、几何矩理论1.1 矩与数学期望数学期望定义（一维离散）：设X∈[a,b]X∈[a,b]，密度为f(x)f(x)，数学期望为：E(X)=∑i=1∞xiP(xi)E(X)=∑i=1∞xiP(xi)定义（一维连续）：设XX为连续型随机变量，其概率密度为f(x)f(x)，则X的数学期望为：E(X)=∫+∞−∞xf(x)dxE(X)=∫−∞+∞xf(x)dx注：假定广义积分绝对收敛，即∫+∞−∞|x|f(x)dx∫−∞+∞|x|f(x)dx存在定义（二维离散）：对于离散变量(X,Y)(X,Y)的P(x
大数据、人工智能、海难搜救、生物医学、邮件过滤，这些看起来彼此不相关的领域之间有什么联系？答案是，它们都会用到同一个数学公式—— 贝叶斯公式。它虽然看起来很简单、很不起眼，但却有着深刻的内涵。那么贝叶斯公式是如何从默默无闻到现在广泛应用、无所不能的呢？ 一 什么是贝叶斯公式18世纪英国业余数学家托马斯·贝叶斯（Thomas Bayes，1702～1761）提出过一种看上去似乎显而易见的观点：“用客观的新信息更新我们最初关于某个事物的信念后，我们就会得到一个新的、改进了的信念。” 这个
贝叶斯法则可能是概率论中最有生命力的一个公式。它可以用来计算条件概率或者主观概率。贝叶斯法则的思想非常简单：随机事件发生的概率随着相关条件的发生而改变，一个命题真假的信念即主观概率随着相关证据的发现而改变。当正相关条件发生时，条件概率上调，当负相关条件发生时，条件概率下调。当有利证据发现时，主观概率上调，当不利证据发现时，主观概率下调。然而，贝叶斯法则具有非常深刻的哲学意义和广泛的应用价值。哲学家们用它来解决休谟归纳问题；生命科学家用它来研究基因是如何被控制的；教育学家突然意识到，学生的学习过程
勇哥偶然看到一个博客，有下面几本书的读书笔记，因此把目录摘下来，有空可以读一读。《机器视觉算法与应用》《HALCON机器视觉与算法原理编程实践》《数字图像处理 冈萨雷斯》引用自博客《超级大洋葱的博客》https://blog.csdn.net/u014779536/category_10099920.html ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝《机器视觉算法与应用》第3章 机器视觉算法之模板匹配——学习笔记3.11 模板匹配前面
首先Hu矩是干嘛得呢？用hu矩来匹配图像下面是计算hu矩的过程 概念先了解一下吧普通矩 -----》0阶矩（m00） ：目标区域的质量1阶矩（m01，m10） ：目标区域的质心2阶矩（m02，m20，m11） ：旋转半径3阶矩（m03，m30，m12，m21） ：目标的方位和斜度，反应目标中心矩：构造平移不变性 ---------》 质心坐标：x = m10/m00 y = m01/m00；归一化中心矩:构造尺度不变性 ----------》（mu02，mu20，mu11，