•从文本分类图像分类 • 如何从图像中获取全局特征？ • 颜色特征、纹理特征、形状特征 • 如何从图像中获取局部特征？ • SIFT: Scale-invariant feature transform •图像分类的几个发展阶段 • Low-level Modelling • Semantic Modelling • Sparse Coding • Deep Learning

8.1 图像分割 Image Segmentation ◼ 1、概述和分类 ◼ 2、基于灰度的分割技术 ◼ 3、基于梯度的分割技术 ◼ 4、彩色图像分割技术 ◼ 5、分割评价 8.2 图像描述 Image Description ◼ 1、概述和分类 ◼ 2、链码描绘子 ◼ 3、傅立叶描绘子 ◼ 4、矩

• 图像结构 • 图像的空间变换 • 图像的亮度变换

◆8.1 像素间的基本关系 ◆8.2 目标物边界的描述 ◆8.3 目标物的区域描述 ◆8.4 图像的几何特征 ◆8.5 图像的矩描述 ◆8.6 图像的纹理描述 ◆8.7 形态学在纹理描述中的应用

9.1 图像基础及色彩应用 9.2 静态图像的制作 9.3 动画图像制作 9.4 动态交互图像的制作 9.5 网站首页的设计

◆9.1 图像匹配 ◆9.2 图像的分类 ◆9.3 图像识别 ◆9.4 要点总结

第一节 图像压缩的基本概念 4.1.1 数据冗余 4.1.2 保真度标准 4.1.3 图像压缩模型 第二节 无损压缩 4.2.1 基于字典的压缩 4.2.2 统计编码 4.2.3 无损预测编码

5.0 概述 5.1 退化模型 5.2 ,常见退化模型及辨识方法 5.3 图像的无约束恢复 5.4 图像的有约束最小二乘恢复 5.5 几何畸变图像的恢复 5.6 超分辨率图像复原

用多激光线代替单激光线应用于钢轨表面缺陷在线检测,解决了单激光线模式下由于钢轨跳动造成\伪缺陷\的问题.对相机采集到的多激光线单幅图像进行了中心线提取、差值算法检测、缺陷判别及缺陷图像拼接等处理,实现了缺陷的在线检测,并获得缺陷的完整区域图像.该方法利用多激光线单幅图像光带间的互相关和自相关深度信息提取图像的特征区域进行检测,避免了单激光线模式的深度拼接步骤,从根本上解决了由于钢轨跳动造成的\误检\问题.该方法已经在线应用于钢轨轨底的表面缺陷检测,相对于单激光线检测具有更高的准确率

 色彩基础  色彩模型  伪彩色处理  色彩变换  彩色图像的平滑与锐化  彩色图像分割  彩色图像压缩