ConvolveOp (Java 2 Platform SE 6)
<META NAME="keywords" CONTENT="概述, JavaTM 2 Platform Standard Edition 6API 开发人员文档">
JavaTM&2&PlatformStandard&Ed. 6
java.awt.image
类 ConvolveOp
java.awt.image.ConvolveOp
所有已实现的接口： ,
public class ConvolveOpextends implements ,
此类实现从源到目标的卷积。使用卷积核的卷积是一种通过输入像素来计算输出像素的空间运算，方法是将核与输入像素邻域相乘。这种运算使得直接邻域可按核数学指定的方式影响输出像素。
此类可对颜色分量预乘 alpha 分量的 BufferedImage 数据进行运算。如果源 BufferedImage 有 alpha 分量，并且颜色分量没有预乘 alpha 分量，则在卷积运算前要先预乘该数据。如果 Destination 有未进行预乘的颜色分量，则在存入到 Destination 之前除以 alpha 分量（如果 alpha 为 0，则颜色分量被设置为 0）。如果 Destination 没有 alpha 分量，则在颜色分量除以 alpha 分量之从后即丢弃 alpha 分量。
Raster 被看作是没有 alpha 通道的。如果不希望对 BufferedImage 中的 alpha 通道进行上述处理，则可以通过获取源 BufferedImage 的 Raster 和使用与 Raster 一起工作的此类的 filter 方法予以避免。
如果 RenderingHints 对象是在构造方法中指定的，则在需要进行颜色变换时使用颜色呈现提示和抖动提示。
注意，Source 和 Destination 可能不是同一个对象。
另请参见：,
static&int
&&&&&&&&&&将位于源图像边缘的像素复制为目标中相应的像素，不加修改。
static&int
&&&&&&&&&&位于目标图像边缘的像素被设置为 0。
&&&&&&&&&&构造给定了 Kernel 的 ConvolveOp。
int&edgeCondition,
&&&&&&&&&&构造给定 Kernel、边缘条件和 RenderingHint 对象（可以为 null）的 ConvolveOp。
&&&&&&&&&&创建具有正确 band 大小和数量的归零目标图像。
&&&&&&&&&&创建给定源且具有正确 band 大小和数量的归零目标 Raster。
&&&&&&&&&&对 BufferedImage 执行卷积运算。
&&&&&&&&&&对 Raster 执行卷积运算。
&&&&&&&&&&返回已过滤目标图像的边界框。
&&&&&&&&&&返回已过滤目标 Raster 的边界框。
&&&&&&&&&&返回边缘条件。
&&&&&&&&&&返回 Kernel。
&&&&&&&&&&返回源中给定点的目标点位置。
&&&&&&&&&&返回此 op 的呈现提示。
, , , , , , , , , ,
EDGE_ZERO_FILL
public static final int EDGE_ZERO_FILL
位于目标图像边缘的像素被设置为 0。这是默认设置。
另请参见：
EDGE_NO_OP
public static final int EDGE_NO_OP
将位于源图像边缘的像素复制为目标中相应的像素，不加修改。
另请参见：
ConvolveOp
public ConvolveOp(&kernel,
int&edgeCondition,
构造给定 Kernel、边缘条件和 RenderingHint 对象（可以为 null）的 ConvolveOp。
参数：kernel - 指定的 KerneledgeCondition - 指定的边缘条件hints - 指定的 RenderingHints 对象另请参见：,
ConvolveOp
public ConvolveOp(&kernel)
构造给定了 Kernel 的 ConvolveOp。边缘条件将为 EDGE_ZERO_FILL。
参数：kernel - 指定的 Kernel另请参见：,
getEdgeCondition
public int getEdgeCondition()
返回边缘条件。
返回：ConvolveOp 的边缘条件。另请参见：,
public final
getKernel()
返回 Kernel。
返回：ConvolveOp 的 Kernel。
public final
filter(&src,
对 BufferedImage 执行卷积运算。源图像的每个分量都将被卷积处理（包括 alpha 分量，如果存在）。如果源图像中的颜色模型与目标图像中的不相同，则像素将按目标中像素转换。如果目标图像为 null，则使用源 ColorModel 创建 BufferedImage。如果源与目标相同，则可能抛出 IllegalArgumentException。
指定者：接口
参数：src - 要过滤的源 BufferedImagedst - 已过滤的 src 的目标 BufferedImage
返回：已过滤的 BufferedImage
- 如果 src 为 null
- 如果 src 等于 dst
- 如果 src 不能过滤
public final
filter(&src,
对 Raster 执行卷积运算。源 Raster 的每个 band 都将被卷积处理。源和目标必须有相同数量的 band。如果目标 Raster 为 null，则创建新 Raster。如果源与目标相同，则可能抛出 IllegalArgumentException。
指定者：接口
参数：src - 要过滤的源 Rasterdst - 已过滤的 src 的目标 WritableRaster
返回：已过滤的 WritableRaster
- 如果 src 为 null
- 如果 src 和 dst 没有相同数量的 band
- 如果 src 不能过滤
- 如果 src 等于 dst
createCompatibleDestImage
createCompatibleDestImage(&src,
创建具有正确 band 大小和数量的归零目标图像。如果 destCM 为 null，则使用适当的 ColorModel。
指定者：接口
参数：src - 进行过滤操作的源图像。destCM - 目标的 ColorModel。可以为 null。
返回：具有正确 band 大小和数量的 BufferedImage。
createCompatibleDestRaster
createCompatibleDestRaster(&src)
创建给定源且具有正确 band 大小和数量的归零目标 Raster。
指定者：接口
参数：src - 源 Raster
返回：与 src 兼容的 WritableRaster
getBounds2D
public final
getBounds2D(&src)
返回已过滤目标图像的边界框。因为这不是几何操作，所以边界框不变。
指定者：接口
参数：src - 要过滤的 BufferedImage
返回：表示目标图像边界框的 Rectangle2D。
getBounds2D
public final
getBounds2D(&src)
返回已过滤目标 Raster 的边界框。因为这不是几何操作，所以边界框不变。
指定者：接口
参数：src - 源 Raster
返回：一个 Rectangle2D，它是从过滤操作得到的 Raster 的边界框。
getPoint2D
public final
getPoint2D(&srcPt,
返回源中给定点的目标点位置。如果 dstPt 为非 null，则该位置将用来存储返回值。因为这不是几何操作，所以 srcPt 将等于 dstPt。
指定者：接口
中的 指定者：接口
参数：srcPt - 表示源图像中点的 Point2DdstPt - 用于存储结果的 Point2D
返回：与源图像中指定点对应的目标图像中的 Point2D。
getRenderingHints
public final
getRenderingHints()
返回此 op 的呈现提示。
指定者：接口
中的 指定者：接口
返回：针对此 BufferedImageOp 的 RenderingHints 对象。如果没有设置提示，则返回 null。
JavaTM&2&PlatformStandard&Ed. 6
版权所有 2008 Sun Microsystems, Inc. 保留所有权利。请遵守。OpenCV成长之路(6)：数学形态学基本操作及其应用 - 文章 - 伯乐在线
& OpenCV成长之路(6)：数学形态学基本操作及其应用
数学形态学实际上可以理解为一种滤波行为，所以很多地方称它为形态学滤波。有了个这概念，我们就能更好的理解它。我们滤波中用的滤波器（kernel）在这里被称为结构元素，结构元素往往是由一个特殊的形状构成，如：线条、矩形、圆、菱形等。我们把结构元素的中心（Anchor Point）与图像上像素点对齐，然后结构元素覆盖的领域像素就是我们要分析的像素，我们定义一种操作就形成了一种形态学运算。
我们在这里不解释形态学操作的算法原理及它们的意义，有兴趣的可以参见相关数字图像处理方面的教材，或关注本博客，博主打算在OpenCV系列写完后，开始写图像处理方面算法系列的文章。
一、形态学的基本操作
腐蚀运算：erode
void erode(InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1),
int iterations=1, int borderType=BORDER_CONSTANT,
const Scalar& borderValue=morphologyDefaultBorderValue());
void erode(InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1), &&&&&&&&&& int iterations=1, int borderType=BORDER_CONSTANT, &&&&&&&&&& const Scalar& borderValue=morphologyDefaultBorderValue());
src：输入图像，很多场合下我们使用的是二值图像，当然灰度图像也可以。
dst：输出图像，格式和输入图像一致。
kernel：定义的结构元素。
anchor：结构元素的中心，如果是默认参数(-1,-1)，程序会自动将其设置为结构元素的中心。
iterations：迭代次数，我们可以选择对图像进行多次形态学运算。
后面两个参数是边界类型，由于要处理领域问题，所以图像需要扩充边界。一般情况下使用默认即可。
膨胀运算：dilate
膨胀跟腐蚀的参数完全一致，就不过多的说明了。这两个形态学操作是最基本的两个操作。
int main()
Mat image=imread("../cat.png");
// 彩色转灰度
cvtColor(image,image,CV_BGR2GRAY);
threshold(image,image,255*(0.5),255,THRESH_BINARY);
// 形态学操作
// 如果把结构元素设置为Mat()，则将用默认的3*3的矩形结构元素
erode(image,eroded,Mat());
dilate(image,dilated,Mat());
1234567891011121314151617
int main(){&&&&Mat image=imread("../cat.png");&&&&// 彩色转灰度&&&&cvtColor(image,image,CV_BGR2GRAY);&&&&// 阈值化&&&&threshold(image,image,255*(0.5),255,THRESH_BINARY);&&&&&// 形态学操作&&&&// 如果把结构元素设置为Mat()，则将用默认的3*3的矩形结构元素&&&&Mat eroded;&&&&erode(image,eroded,Mat());&&&&Mat dilated;&&&&dilate(image,dilated,Mat());&&&&&return 0;}
下面要介绍的两个形态学操作，在实际应用中要比上面两个更加广泛，但实际上它们是上面两种操作的一个组合式的操作。
开运算与闭运算
这两个运算都是使用函数morphologyEx来实现的，这个函数的接口如下：
void morphologyEx(InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor=Point(-1,-1),
int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue());
void morphologyEx(InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor=Point(-1,-1), &&&& int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue());
函数的大部分参数都与上面介绍的erode函数参数是一样的，这里面的op是我们要进行的形态学的类型：
MORPH_OPEN：对图像进行开运算。
MORPH_CLOSE：对图像进行闭运算。
下面我们还是以小猫图像为例显示一下对二值图像进行开运算和闭运算后得到的结果。
int main()
Mat image=imread("../cat.png");
// 彩色转灰度
cvtColor(image,image,CV_BGR2GRAY);
threshold(image,image,255*(0.5),255,THRESH_BINARY);
// 定义结构元素
Mat se(5,5,CV_8U,Scalar(1));
morphologyEx(image,closed,MORPH_CLOSE,se);
morphologyEx(image,opened,MORPH_OPEN,se);
1234567891011121314151617
int main(){&&&&Mat image=imread("../cat.png");&&&&// 彩色转灰度&&&&cvtColor(image,image,CV_BGR2GRAY);&&&&// 阈值化&&&&threshold(image,image,255*(0.5),255,THRESH_BINARY);&&&&&// 定义结构元素&&&&Mat se(5,5,CV_8U,Scalar(1));&&&&Mat closed;&&&&morphologyEx(image,closed,MORPH_CLOSE,se);&&&&Mat opened;&&&&morphologyEx(image,opened,MORPH_OPEN,se);&&&&&return 0;}
从图片中我们可以得出结论：
闭运算可以填充图像中的孔洞，连接一些缺口；开运算可以去除图像中一些较小的结构。前提是这些孔洞或碎片要与进行运算的结构元素尺度相当。
二、用形态学操作来检测边缘和角点
其实用形态学来检测边缘的原理非常简单，我们打开源码看它是怎么操作的：
case CV_MOP_GRADIENT:
erode( src, temp, kernel, anchor, iterations, borderType, borderValue );
dilate( src, dst, kernel, anchor, iterations, borderType, borderValue );
case CV_MOP_GRADIENT:&&&&&&&&erode( src, temp, kernel, anchor, iterations, borderType, borderValue );&&&&&&&&dilate( src, dst, kernel, anchor, iterations, borderType, borderValue );&&&&&&&&dst -= temp;&&&&&&&&break;
可以看出来，它是对图像先做了一个腐蚀，再做了一次膨胀，然后将两次的结果相减即可。
int main()
Mat image=imread("../cat.png");
// 彩色转灰度
cvtColor(image,image,CV_BGR2GRAY);
morphologyEx(image,catEdge,MORPH_GRADIENT,Mat());
threshold(catEdge,catEdge,40,255,THRESH_BINARY);
namedWindow("catEdge");imshow("catEdge",catEdge);
waitKey();
123456789101112131415
int main(){&&&&Mat image=imread("../cat.png");&&&&// 彩色转灰度&&&&cvtColor(image,image,CV_BGR2GRAY);&&&&Mat catEdge;&&&&morphologyEx(image,catEdge,MORPH_GRADIENT,Mat());&&&&&// 阈值化&&&&threshold(catEdge,catEdge,40,255,THRESH_BINARY);&&&&namedWindow("catEdge");imshow("catEdge",catEdge);&&&&&waitKey();&&&&return 0;}
下面我们来实现用形态学操作来检测角点。
首先我们需要定义几个特殊的结构元素，我们这里都用Mat来定义，并像素式的赋值，你可以选择OpenCV里的getStructElement来更快的实现。
// 定义结构元素
Mat cross(5,5,CV_8U,Scalar(0));
Mat diamond(5,5,CV_8U,Scalar(1));
Mat square(5,5,CV_8U,Scalar(1));
Mat x(5,5,CV_8U,Scalar(0));
for(int i=0;i&5;i++)
cross.at&uchar&(2,i)=1;
cross.at&uchar&(i,2)=1;
diamond.at&uchar&(0,0)=0;
diamond.at&uchar&(0,1)=0;
diamond.at&uchar&(1,0)=0;
diamond.at&uchar&(4,4)=0;
diamond.at&uchar&(3,4)=0;
diamond.at&uchar&(4,3)=0;
diamond.at&uchar&(4,0)=0;
diamond.at&uchar&(4,1)=0;
diamond.at&uchar&(3,0)=0;
diamond.at&uchar&(0,4)=0;
diamond.at&uchar&(0,3)=0;
diamond.at&uchar&(1,4)=0;
for(int i=0;i&5;i++){
x.at&uchar&(i,i)=1;
x.at&uchar&(4-i,i)=1;
1234567891011121314151617181920212223242526272829
// 定义结构元素&&&&Mat cross(5,5,CV_8U,Scalar(0));&&&&Mat diamond(5,5,CV_8U,Scalar(1));&&&&Mat square(5,5,CV_8U,Scalar(1));&&&&Mat x(5,5,CV_8U,Scalar(0));&&&&&for(int i=0;i&5;i++)&&&&{&&&&&&&&cross.at&uchar&(2,i)=1;&&&&&&&&cross.at&uchar&(i,2)=1;&&&&&}&&&&diamond.at&uchar&(0,0)=0;&&&&diamond.at&uchar&(0,1)=0;&&&&diamond.at&uchar&(1,0)=0;&&&&diamond.at&uchar&(4,4)=0;&&&&diamond.at&uchar&(3,4)=0;&&&&diamond.at&uchar&(4,3)=0;&&&&diamond.at&uchar&(4,0)=0;&&&&diamond.at&uchar&(4,1)=0;&&&&diamond.at&uchar&(3,0)=0;&&&&diamond.at&uchar&(0,4)=0;&&&&diamond.at&uchar&(0,3)=0;&&&&diamond.at&uchar&(1,4)=0;&&&&&for(int i=0;i&5;i++){&&&&&&&&x.at&uchar&(i,i)=1;&&&&&&&&x.at&uchar&(4-i,i)=1;&&&&}
第一个为一个十字型的结构元素，第二个为菱形，第三个是矩形，第四个是一个“X”
然后我们按下面的顺序对一幅图像进行操作，并对最后的结果进行阈值化。
dilate(image,result,cross);
erode(result,result,diamond);
Mat result2;
dilate(image,result2,x);
erode(result2,result2,square);
absdiff(result2,result,result);
threshold(result,result,40,255,THRESH_BINARY);
12345678910
Mat result;dilate(image,result,cross);erode(result,result,diamond);&Mat result2;dilate(image,result2,x);erode(result2,result2,square);absdiff(result2,result,result);&threshold(result,result,40,255,THRESH_BINARY);
经过上面步骤，我们得到了一张二值图像，显示了图像的一些角点的位置。
为了更形象的说明，我们将上面的这些点在原彩色图像上标出来：
// 标记角点
void drawOnImage(const Mat& binary,Mat& image)
for(int i=0;i&binary.i++)
// 获取行指针
const uchar* data=binary.ptr&uchar&(i);
for(int j=0;j&binary.j++)
if(data[j]) //角点图像上的白点
circle(image,Point(j,i),8,Scalar(0,255,0));// 画圈
1234567891011121314
// 标记角点void drawOnImage(const Mat& binary,Mat& image){&&&&for(int i=0;i&binary.rows;i++)&&&&{&&&&&&&&// 获取行指针&&&&&&&&const uchar* data=binary.ptr&uchar&(i);&&&&&&&&for(int j=0;j&binary.cols;j++)&&&&&&&&{&&&&&&&&&&&&if(data[j]) //角点图像上的白点&&&&&&&&&&&&&&&&circle(image,Point(j,i),8,Scalar(0,255,0));// 画圈&&&&&&&&}&&&&}}
三、用数学形态学进行车牌定位
智能交通中车牌的检测与识别一直是核心问题，而车牌识别发展了20余年，已经存在了很多的解决方案，我们这里采用数学形态学来进行车牌检测。本部分并不是一个完整的车牌定位程序，后面还需要进行连通区域的标记和筛选以及伪车牌去除等，有兴趣的读者可以继续现实或和我交流。
第一步：应用形态学做竖直方向的边缘检测。
文章第二部分中已经介绍了用形态学做边缘检测，我们这里只需要修改结构元素就可以实现只检测竖直方向上的边缘。
第二步：定义水平方向的闭运算和竖直方向的闭运算，将竖直的线条连成一块。
第三步：遍历连通区域，按照车牌的一些限制条件进行筛选即可。
int main()
Mat cimage=imread("../car.png");
cvtColor(cimage,image,CV_BGR2GRAY);
//检测竖直边缘
morphologyEx(image,result,MORPH_GRADIENT,Mat(1,2,CV_8U,Scalar(1)));
threshold(result,result,255*(0.2),255,THRESH_BINARY);
//水平方向闭运算
morphologyEx(result,result,MORPH_CLOSE,Mat(1,20,CV_8U,Scalar(1)));
//竖起方向闭运算
morphologyEx(result,result,MORPH_CLOSE,Mat(10,1,CV_8U,Scalar(1)));
123456789101112131415161718
int main(){&&&&Mat cimage=imread("../car.png");&&&&Mat image;&&&&cvtColor(cimage,image,CV_BGR2GRAY);&&&&&Mat result;&&&&//检测竖直边缘&&&&morphologyEx(image,result,MORPH_GRADIENT,Mat(1,2,CV_8U,Scalar(1)));&&&&//阈值化&&&&threshold(result,result,255*(0.2),255,THRESH_BINARY);&&&&//水平方向闭运算&&&&morphologyEx(result,result,MORPH_CLOSE,Mat(1,20,CV_8U,Scalar(1)));&&&&//竖起方向闭运算&&&&morphologyEx(result,result,MORPH_CLOSE,Mat(10,1,CV_8U,Scalar(1)));&&&&&return 0;}
注：上面的例程只是简单的用来介绍数学形态学的用法，想应用在实际工程中，还需要进行一步改进。
可能感兴趣的话题
关于伯乐在线博客
在这个信息爆炸的时代，人们已然被大量、快速并且简短的信息所包围。然而，我们相信：过多“快餐”式的阅读只会令人“虚胖”，缺乏实质的内涵。伯乐在线内容团队正试图以我们微薄的力量，把优秀的原创文章和译文分享给读者，为“快餐”添加一些“营养”元素。
新浪微博：
推荐微信号
（加好友请注明来意）
– 好的话题、有启发的回复、值得信赖的圈子
– 分享和发现有价值的内容与观点
– 为IT单身男女服务的征婚传播平台
– 优秀的工具资源导航
– 翻译传播优秀的外文文章
– 国内外的精选文章
– UI,网页，交互和用户体验
– 专注iOS技术分享
– 专注Android技术分享
– JavaScript, HTML5, CSS
– 专注Java技术分享
– 专注Python技术分享
& 2017 伯乐在线Algebraic operation 代数运算一种图像处理运算，包括两幅图像对应像素的和、差、积、商Aliasing 走样（混叠）当图象像素间距和图像细节相比太大时产生的一种人工痕迹Arc 弧图的一部分， 表示一曲线一段的相连的像素集合
Binary image 二值图象只有两级灰度的数字图像（通常为0和1，黑和白）Blur 模糊由于散角、低通滤波、摄像机运动等引起的图像清晰度的下降Border 边框一幅图像的首、末行或列Border chain code 边界链码定义一个物体的边界的方向序列Boundary pixel 边界像素至少和一个背景像素相邻接的内部像素Boundary tracking 边界跟踪 一种图像分割技术，通过沿弧从一个像素顺序探索到下一个像素将弧检测出Brightness 亮度和图像一个点相关的值，表示从该点的物体发射或反射的光的量
Change detection 变化检测通过相减等操作将两幅匹配图像的像素加以比较从而检测出其中物体差别的技术Closed curve 封闭曲线一条首尾点处于同一位置的曲线Cluster 聚类，集群在空间中位置接近的点的集合Cluster analysis 聚类分析在空间中对聚类的检测、度量和描述Concave 凹的物体是凸的是指至少存在两个物体内部的点，其连线不能完全包含在物体内部Contour encoding 轮廓编码对具有均匀灰度的区域，只将其边界进行编码的一种图像压缩技术Contrast 对比度物体平均亮度与其周围背景的差别程度Contrast stretch 对比度扩展一种线性的灰度变换Convex 凸的物体是凸的是指连接物体内部任意两点的直线均落在物体内部Convolution 卷积一种将两个函数组合生成第三个函数的运算，卷积刻画了线性移不变系统的运算Corrvolution kernel 卷积核用于数字图像卷积滤波的二维数字阵列，与图像或信号卷积的函数Curve 曲线空间的一条连续路经，表示一路径的像素集合
Debluring 去模糊一种降低图像模糊，锐化图像细节的运算；消除或降低图像的模糊，通常是图像复原或重构的一个步骤Decision rule 决策规则在模式识别中，用以将图像中物体赋以一定量的规则或算法，这种赋值是以对物体特征度量为基础的Digital image 数字图像表示景物图像的整数阵列；一个二维或更高维的采样并量化的函数，它由相同的连续图像产生；在矩阵网络上采样一连续函数，并在采样点上将值量化后的阵列Digital image processing 数字图像处理对图像的数字化处理；由计算机对图片信息进行操作Digitization 数字化将景物图像转化为数字形式的过程
Edge 边缘在图像中灰度出现突变的区域；属于一段弧上的像素集，在其另一边的像素与其有明显的灰度差别Edge detection 边缘检测通过检查邻域，将边缘像素标识出的一种图像分割技术Edge enhancement 边缘增强通过将边缘两边像素的对比度扩大来锐化图像边缘的一种图像处理技术Edge image 边缘图像在边缘图像中每个像素要么标注为边缘，要么为非边缘Edge linking 边缘连接在边缘图像中将边缘像素连成边缘的一种图像处理技术Edge operartor 边缘算子将图像中边缘像素标记出来的一种邻域算子Edge pixel 边缘像素处于边缘上的像素Enhance 增强增强对比度或主观可视程度Exterior pixel 外像素在二值图像中，处于物体之外的像素（相对于内像素）
False negative 负误识在两类模式识别中，将属于物体标注为不属于物体的误分类False positive 正误识在两类模式识别中，将不属于物体标注为不属于物体的误分类Feature 特征物体的一种特性，它可以度量，有助于物体的分类Feature extraction 特征检测模式识别过程中的一个步骤，在该步骤中计算物体的有关度量Feature seletion 特征选择在模式识别系统开发过程中的一个步骤，旨在研究质量或观测能否将物体赋以一定类别Feature space 特征空间参见度量空间Fourier transform 傅立叶变换采用复指数作为核函数的一种线性变换
Geometric correction 几何校正采用几何变换消除几何畸变的一种图像复原技术Gray level 灰度级和数字图像的像素相关连的值，表示由该像素的原始景物点的亮度；在某像素位置对图像的局部性质的数字化度量Gray scale 灰度在数字图像中所有可能灰度级的集合Gray-scale transformation harmonic signal 灰度变换在点运算中的一种函数，建立了输入灰度和对应输出灰度的关系
Hermite function Hermite函数具有偶实部和奇虚部的复值函数Highpass filtering 高通滤波图像增强（通常卷积）运算，相对于低频部分它对高频部分它对高频部分进行了提高Hole 洞二值图像中，由物体那点完全包围的连通的背景点
Image 图像对物理景物或其他图像的统一表示称为图像Image compression 图像压缩消除图像冗余或对图像近似的任一种过程，其目的是对图像以更紧凑的形式表示Image coding 图像编码将图像变换成另一个可恢复的形式（如压缩）Image enchancement 图像增强旨在提高图像视觉外观的任一处理Image matching 图像匹配为决定两幅图像相似程度对他们进行量化比较的过程Image-processing operation 图像处理运算将输入图像变换为输出图像的一系列步骤Image reconstruction 图像重构从非图像形式构造或恢复图像的过程Image registration 图像匹配通过将景物中的一幅图像与相同景物的另一幅图像进行几何运算，以使其中物体对准的过程Image restoration 图像复原通过逆图像退化的过程将图像恢复维原始状态的过程Image segmentation 图像分割1）在图像中检测并勾画出感兴趣物体的处理2）经图像分为不相连的区域。通常这些区域对应于物体所处的背景Interior pixel 内像素在一幅二值图像中，处于物体内部的像素（像度于边界像素，外像素）Interpolation 插值确定采样点之间采样函数的过程
Kernal 核见卷积核
Line detection 线检测通过检查邻域将直线像素标识出来的一种图像分割技术Line pixel 直线像素处于一条近似于直线的弧上的像素Local operation 局部运算基于输入像素的一个邻域的像素灰度决定该像素输出灰度的图像处理运算，同邻域运算 Local property 局部特征在图像中随位置变化的感兴趣的特性（如光学图像的亮度或颜色；非光学图像的高度、温度、密度等）Lossless image compression 无失真图像压缩可以允许完全重构原图像的任何图像压缩技术Lossy image compression 有失真图像压缩由于包含近似，不能精确重构原图像的任何图像压缩技术
Matched filering 匹配滤波采用匹配滤波器检测图像中特定物体的存在及其位量Measurement space 量度空间在模式识别中，包含所有可能度量向量的n维向量空间Misclassification 误分类在模式识别中，将物体误为别类的分类Multispectral image 多光谱图像同一景物的一组图像，每一个是由电磁谱的不同波段辐射产生的
Neighborhood 邻域在给定像素附近的一像素集合Neighborhood operation 邻域运算同局部运算Noise 噪声一幅图像中阻碍感兴趣数据的识别和解释的不相关部分Noise reduction 噪声抑制降低一幅图像中噪声的任何处理
Object 目标，物体在模式识别中，处于一二值图像中的相连像素的集合，通常对应于该图像所表示景物的一个物体Optical image 光学图像通过镜头等光学器件将景物中的光投射到一表面上的结果
Pattern 模式一个类的成员所表现出的共有的有意义的规则性，可以度量并可用于对感兴趣的物体分类Pattern class 模式类可赋予一个物体的相互不包容的预先定义的类别集合的任一个类Pattern classification 模式分类将物体赋予模式类的过程Pattern recognition 模式识别自动或半自动地检测、度量、分类图像中的物体Pel，Pixel 像素图像元素的缩写Perimeter 周长围绕一物体的边界的周边距离Picture element 图像元素，像素数字图像的最小单位。一幅图像的基本组成单元Point operation 点运算只根据对应像素的输入灰度值决定该像素输出灰度值的图像处理运算
Quantitative image analysis 定量图象分析从一幅数字图像中抽取数据的过程Quantitative 量化在每个像素处，将图像的局部特性赋予一个灰度集合中的元素的过程
Region 区域一幅图像中的相连子集Region growing 区域增长通过重复的求具有相似灰度或纹理的相邻子区域的并集形成区域的一种图像分割技术Registered 匹准的1）调准的状态2）两幅或多幅图像已几何调准，其中的物体吻合Run-length encoding 行程编码图像行一行程序列表示的图像压缩技术，每个行程以一个给定的行程长度和灰度值定义 Run length 行程长度在行程中像素的个数Run 行程在图像编码中，具有相同灰度的相连像素序列Resolution 分辨率1）在光学中指可分辨的点物体之间最小的分离距离2）在图像处理中，指图像中相邻的点物体能够被分辨出的程度Registered images 已匹准图像同一景物的两幅（或以上）图像已相互调准好位置，从而使其中的物体具有相同的图像位置
Syntatic pattern recognition 句法模式识别采用自然或人工预言模式定义基元及相互关系的一种结构模式识别方法Structural pattern recognitoin 结构模式识别为描述和分类物体，将物体表示为基元及其相互关系的一种模式方法Statistical pattern recognition 统计模式识别采用概率和统计的方法将物体赋予模式类的一种模式识别Smoothing 平滑降低图像细节幅度的一种图像处理技术，通常用于降噪Siusoidal 正弦型的具有正弦函数形状的函数类型Sigmoid function S函数形如S的一种函数，是一种灰度变化函数，它也可以用于神经元网络中处理单元中的函数Sharpening 锐化用以增强图像细节的一种图像处理技术Sharp 清晰关于图像细节的易分辨率Scene 景物客观物体的一种特色的布局Sampling 采样根据采样网络，将图像分为像素并测量其上局部特性的过程System 系统任何接收输入，产生输出的东西
Texture 纹理在图像处理中，表示图像中灰度幅度及其局部变化的空间组织的一种属性Thinning 细化将物体消减为（单像素宽度）的细曲线的一种二值图像处理技术Threshold 阈值用以产生二值图像的一特定灰度Thresholding 二值化由灰度图产生二值图像的过程，如果输入像素的灰度值大于给定的阈值则输入像素赋为1，否则赋为0Transfer function 传递函数在线性移不变系统中，表达每一频率下的正弦型输入信号的幅值比例传递到输出信号上的频率函数
阅读(...) 评论()
