Este projeto é um estudos que realizei alguns anos atrás. Entre as referências que utilizei está o livro Digital Image Processing 4e (Rafael C. Gonzalez, Richard E. Woods) e o projeto FastImageEx.
Você pode inicar a documentação pelo docs/pt-BR/DIP.md.
Warning
Como é um projeto de estudo, não é aconselhavel utilizar em ambientes de produção.
O RLESegmentation (Run-Length-Encoding Segmentation) é um metodo de segmentação de imagem.
O projeto original, utilizado como referência, pode ser encontrado em https://sourceforge.net/projects/fastimageex/.
Note
A ilustração é uma abreviação das etapas necessarias para realizar a segmentação e reconhecimento, para mais informações veja o exemplo /docs/examples/FastImageEx/.
O Clahe está disponivel nas classes ColorImageData e GrayImageData.
Veja o exemplo em /docs/examples/clahe/.
| Input | Output |
|---|---|
 |
 |
 |
 |
| Input | Output |
|---|---|
 |
 |
 |
 |
As operações com Imagens binárias estão disponiveis com a classe BinaryImageData.
Veja o exemplo em /docs/examples/binary/.
| Operation | Input | Output |
|---|---|---|
| Remove noise |  |
 |
| Extract Boundary |  |
 |
| Fill Holes |  |
 |
| Thinning |  |
 |
Você pode fazer o download ZIP ou clonar o repositório utilizando o git. E para visualizar os exemplos de docs/examples, será preciso iniciar um servidor local, no exmplo a seguir utilizamos o python para iniciar um servidor simples. Em seguida, abra o localhost em um browser.
git clone https://github.com/devConcordia/digital-image-processing-javascript.git
cd digital-image-processing-javascript
python -m http.server
Note
Observe que nos exemplos, definimos o style dos canvas com image-rendering: pixelate.
Isso altera a visualização da imagem de modo que ela fique mais "quadriculada".