圖片處理演算法

1. OCR文字識別用的是什麼演算法

OCR文字識別用的是光學字元識別演算法，是專門針對字元識別和檢測的一種有效的圖像處理演算法。比如雲脈OCR文檔識別就是基於光學字元識別演算法，支持將轉化為圖片格式的紙質文檔進行識別，提取圖片上的文字信息成文本文，保存後還可開啟進行編輯，接著就可導出word或者pdf格式進行保存...

2. 如何把照片壓縮變小

最簡單的辦法，比如用這個在線圖片壓縮工具，想把圖片文件的大小減到多少都行，直接設置一下數值，馬上瞬間就能完成了。在線智能壓縮圖片大小,圖片壓縮體積

▼ 在線圖片智能壓縮使用步驟：

一、首先點擊加號添加需要壓縮的圖片。目前已知支持對jpg、png等多種常見的圖片格式進行壓縮，如果上傳圖片並壓縮成功，則代表支持該圖片格式。
二、可以自行修改圖片需要被壓縮到的最大寬高尺寸，默認為圖片原始的寬高尺寸，且寬高比例是自動鎖定的。
三、必須設置圖片被壓縮後，期望輸出的圖片文件的最大佔用空間。(必填項)
四、選擇圖片生成的演算法。默認為混合優先演算法，絕大多數情況下使用默認演算法即可。
五、壓縮的設定值不能小於1Kb，但圖片壓縮的最終效果可以小於1Kb。

3. 如何判斷圖片是否是文字圖片，給個演算法、代碼、思路

你是不是想判斷一個圖片中，是不是含有文字？

如果是這樣，想把這個文字給取出來，這是一個比較難的操作。

思路：進行對圖片進行識別（OCR），按一定的演算法，比對字型檔。查找。
演算法：
1，圖片處理：把圖片無關的噪點，過濾；顏色生成單色圖
2，提取信息：對圖片點陣信息進行拓撲分析，查找並生成路徑信息。
3，比對資料庫信息。
4，生成結果。

您可以參考一下車牌的識別相關流程。

4. 在圖像處理中有哪些演算法

太多了，去找本書看看吧！給個大概的介紹好了
圖像處理主要分為兩大部分：
1、圖像增強
空域方法有 直方圖均衡化
灰度線性變化
線性灰度變化
分段線性灰度變化
非線性灰度變化（對數擴展
指數擴展）

圖像平滑
領域平均法（加權平均法
非加權領域平均法）
中值濾波
圖像銳化
Roberts運算元
Sobel運算元
拉普拉斯運算元

頻域方法有
低通濾波
理想低通濾波
巴特沃斯低通濾波
指數低通濾波
梯形低通濾波
高通濾波
理想高通濾波
巴特沃斯高通濾波
指數高通濾波
梯形高通濾波
彩色圖像增強（真彩色、假彩色、偽彩色增強）
2、圖像模糊處理
圖像模糊處理
運動模糊（維納濾波
最小均方濾波
盲卷積
……
）

高斯模糊（維納濾波
最小均方濾波
盲卷積
……
）
圖像去噪處理
高斯雜訊
（維納濾波
樣條插值
低通濾波
……
）
椒鹽雜訊
（中值濾波
……
）

5. 由同一物體不同角度的圖片經過復雜的演算法就可以得到他的3d立體模型，這個演算法具體是怎樣處理數據的

3D晶元的處理對象是多邊形表示的物體。用多邊形表示物體有兩個優點：首先是直接（盡管繁瑣），
多邊形表示的物體其表面的分段線性特徵除輪廓外可以通過明暗處理(shading)技術消除；其次是僅存儲多邊形頂點的幾何信息，
多邊形內部每個象素的明暗顏色計算所需的信息由這些頂點信息插值而來，這正是易於用圖形硬體支持的快速明暗處理技術。
支持多邊形繪制的圖形硬體同樣也可以繪制由雙三次曲面片表示的物體，通過對這種物體的表面進行三角剖分，
用逼近的三角形網格代替原物體的曲面表示就可以做到這一點。
當然，用多邊形表示物體也有其缺點，如增加了紋理映射和陰影生成的難度，當需要詳細表示復雜物體時所需的三角形數量將變得非常龐大。

將多邊形表示的物體顯示到計算機屏幕上，這一過程涉及物體在計算機內部的表示方式即物體的數據結構，
由物體組成的場景的組織結構，物體從場景到屏幕空間要經過的一系列變換，以及產生最終屏幕圖象要經過的一系列光柵化處理。
這些方面都涉及到特定的處理演算法,相應的演算法又有許多不同的變種。
下面僅就3D晶元涉及的圖形處理過程及相關演算法做一簡單分析介紹，這些是理解3D圖形處理及圖形硬體的基礎。

6. 在圖像處理中有哪些演算法

1、圖像變換：

由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。

2、圖像編碼壓縮：

圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。

壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。

編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。

圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。

圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。

5、圖像描述：

圖像描述是圖像識別和理解的必要前提。

一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。

6、圖像分類：

圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。

圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。

(6)圖片處理演算法擴展閱讀：

圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。

數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。

數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，

但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。

7. 圖像處理的演算法有哪些

圖像處理基本演算法操作從處理對象的多少可以有如下劃分：
一）點運算：處理點單元信息的運算
二）群運算：處理群單元 （若干個相鄰點的集合）的運算
1.二值化操作
圖像二值化是圖像處理中十分常見且重要的操作，它是將灰度圖像轉換為二值圖像或灰度圖像的過程。二值化操作有很多種，例如一般二值化、翻轉二值化、截斷二值化、置零二值化、置零翻轉二值化。
2.直方圖處理
直方圖是圖像處理中另一重要處理過程，它反映圖像中不同像素值的統計信息。從這句話我們可以了解到直方圖信息僅反映灰度統計信息，與像素具體位置沒有關系。這一重要特性在許多識別類演算法中直方圖處理起到關鍵作用。
3.模板卷積運算
模板運算是圖像處理中使用頻率相當高的一種運算，很多操作可以歸結為模板運算，例如平滑處理，濾波處理以及邊緣特徵提取處理等。這里需要說明的是模板運算所使用的模板通常說來就是NXN的矩陣（N一般為奇數如3,5,7,...），如果這個矩陣是對稱矩陣那麼這個模板也稱為卷積模板，如果不對稱則是一般的運算模板。我們通常使用的模板一般都是卷積模板。如邊緣提取中的Sobel運算元模板。