图像和过滤

我一直对图像处理感兴趣，并撰写了多个博客（1、2、3、4）.

几天前我读了一篇文章，提到图像实际上是一个波，并且可以使用波的算法来处理图像. 我突然感到一种启蒙感. 我从未想到这两个方面是相关的. 图像仍可以像这样播放！让我在下面详细介绍这篇文章.

我们知道图像由像素组成. 下图是一个400 x 400的图像，包含160,000像素.

每个像素的颜色可以用红色，绿色，蓝色和透明度四个值描述，大小范围为0到255，例如，黑色为[0，0，0，255]，白色是[255，255，255，255]. 这些值可以通过Canvas API获得.

如果将每行中所有像素（上例中为400）的红色，绿色和蓝色值依次绘制为三个曲线，则得到下图.

您可以看到每个曲线都上下波动. 在某些区域中波动较小，在某些区域中突然发生较大波动（例如54和324）.

对比图像，您会发现曲线波动很大的地方也是图像突然变化的地方.

这表明波动与图像密切相关. 该图像本质上是各种色波的叠加.

总的来说，图像就是色彩的波动: 较大的波动意味着色彩的快速变化；小的波动意味着颜色的平滑过渡. 因此，可以使用各种波指标来描述图像.

频率（频率）是波动速度的指标. 每单位时间的波动数越多，频率越高，反之亦然.

上图是函数sin（Θ）的图形图像和图象，该函数在2π的时间内完成了波动，频率为1.

上图是函数sin（2Θ）的图形，该函数在2π的周期内完成了两次波动，频率为2.

因此，颜色急剧变化的地方是图像的高频区域;颜色稳定且平滑的地方是低频区域.

物理学中的波研究非常深入，提出了许多处理波的方法，其中包括过滤器: 滤除某些波并保留其他波.

这是两个常见的过滤器.

以下是低通滤波的示例.

在上图中，蓝线是原始波形，绿线是经过低通滤波后的波形. 可以看出，绿线的波动远小于蓝线的波动，非常平滑.

以下是高通滤波的示例.

在上图中，黄线是原始波形，蓝线是高通滤波后的波形. 可以看出，黄线的三个峰值和两个波谷（低频波动）在蓝线上消失了，黄线上的密集小波动（高频波动）都被蓝线保留了.

再看一个例子.

上图中有3条曲线，黄线是高频波动图像和图象，红线是低频波动. 它们可以合成一条曲线，即绿线.

在上图中，对绿线进行低通滤波和高通滤波后，获得了两条黑色曲线，其波形与原始黄线和红线完全相同.

浏览器实际上包含过滤器的实现，因为Web Audio API定义了声波的过滤. 这意味着可以通过浏览器将低通和高通应用于图像.

低通使图像的高频区域变为低频，即颜色变化剧烈的区域变得平滑，即出现模糊效果.

在上图中，红线是原始颜色曲线，蓝线是低通滤波后的曲线.

高通正好相反. 它可以滤除低频并仅保留变化最快和最剧烈的区域，即图像中对象的边缘，因此通常用于边缘识别.

在上图中，红线是原始颜色曲线，蓝线是高通滤波后的曲线.

以下网址，您可以将滤镜拖动到图像上以产生滤镜效果.

用于浏览器过滤的示例代码，您可以看到此存储库.

（结束）

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-266012-1.html