计算机视觉：36幅图像的多阶矩分析与DFT变换

在项目一中，主要探讨了计算机视觉中的图像处理技术，针对36张显微图像进行了详细的分析。以下是各部分的关键知识点总结： 1. **直方图三维图**： - 通过 MATLAB 代码，对36张图像进行了处理，每张图像先转化为灰度图像，然后使用 `histcounts` 函数计算灰度直方图，bin数量设为64个。 - 结果显示为一个三维图，X轴代表图像索引，Y轴表示灰度级别，Z轴表示像素计数。观察到36张图的灰度值集中在41-46之间，表明图像可能存在像素值分布不均的问题，可能需要进行直方图均衡化来改善。 2. **颜色矩计算**： - 提取了一阶矩（位置）、二阶矩（亮度与对比度）、三阶矩（复杂度）、四阶矩（纹理特性）以及颜色图像的熵。 - 使用循环结构逐个处理36张图像，通过 `imread` 加载图像，然后分别计算不同阶的矩，并存储在相应的矩阵中。 - 结果通过图表对比显示，有助于理解图像中色彩和纹理的统计特性，这对于后续的图像特征分析至关重要。 3. **边缘检测**： - 边缘检测是计算机视觉中的关键步骤，选择了一个合适的边缘检测算法（未具体提及，可能是Sobel、Canny等）。边缘通常用于对象识别、分割或特征提取。 - 需要详细描述所选方法的工作原理，比如如何计算梯度，如何设置阈值，以及如何处理噪声等。 4. **DFT变换与滤波**： - 对36张图像进行了离散傅立叶变换（DFT），这是一种频域分析技术，用于图像频率成分的分解。 - 通过Butterworth滤波器进行了低通和高通滤波，低通滤波可以保留图像的主要频谱成分，而高通滤波则强调高频细节。这有助于增强或减弱特定频率的信息，对于图像去噪和增强特定特征具有重要意义。 - 必须展示处理后的图像效果，比较原始图像与滤波后的差异，以评估滤波效果。 整个项目结合了图像的基本处理步骤，如直方图分析、多阶矩计算和频域处理，以及边缘检测等高级技术，旨在深入了解图像的视觉特性，并为进一步的图像分析和机器学习应用奠定基础。