前幾天在翻一翻matlab中的幫助文檔，無意中發現一個叫fibermetric的圖像處理函數，感覺有點意思，可以增強或者説突出一些類似於管狀的對象，後面看了下算法的幫助文檔，在百度上找了找，原來這也是一種比較經典的增強算法。 核心的論文是《Multiscale vessel enhancement filtering》，可以從這裏下載得到：https://www.researchgate.
今天朋友給了一些拍照的文字圖像，由於噪音以及JPG編碼等因素的影響啊，在線條、文字等邊緣的部位放大後查看可以看到有明顯的彩色的斑點，這個對於後續的識別和處理都是不利的，因此，需要在進一步處理前把他們給去除掉，這裏經過測試提出一個簡單的算法，經過測試，還是有一定的效果的。 原圖放大 Deinte
在我博客裏，也多次提到了中值模糊的優化，比如以下兩篇文章： 【算法隨記三】小半徑中值模糊的急速實現（16MB圖7.5ms實現） + Photoshop中蒙塵和劃痕算法解讀。 任意半徑中值濾波（擴展至百分比濾波器）O(1)時間複雜度算法的原理、實現及效果。 但是，這些都是這對8位圖像的優化，也就是説圖像的色階最多隻有256，如果把這個優化算法直接擴展到16位的RAW圖像，有以下幾個
昨天實現了16位unsigned short數據的高效中值模糊算法，後面就在想其實我還有一箇中值算法一直沒有想到好的解決方案，那就是浮點數的中值，這個在某些場合還是有較高的應用價值的。 同樣，3*3或者5*5的浮點中值可以直接實現，而且效率一樣非常高。 其他半徑的了，怎麼辦，浮點數嘛，不能使用直方圖，而且數據範圍也很廣，不像8位或者16位數據範圍都是有限的。這兩個問題我一直沒有想到解決
邊緣檢測方面傳統的算法中最為經典的就是Canny算法，但是標準的Canny是不具有亞像素精度的，而且得到的結果是一堆離散的邊緣點，提取亞像素的方式有很多種，這個在網絡上還有一些資料，而如何將離散點鏈接成一根一根的線條，我一直沒有什麼思路，最近偶然又有朋友給我推薦了一片文章：A Sub-Pixel Edge Detector an Implementation of the Canny /Dev
相關參考文章：現代圖像處理算法教程（全） 參考書籍：modern-algorithms-for-image-processing-computer-imagery-by-example-using-C# 在上面的英文版書籍中，提出了一種去除脈衝噪音的方法，所謂的脈衝噪聲是影響單個的、隨機選擇的像素或相鄰像素的組合，而不是影響圖像的所有像素（這個是高斯噪聲的特徵）。我們傳統概念中提到的
