![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 74
01_6
人工智能...
Python..持续更新中...
有需要的宝子们快快关注...
展开
-
使用含有四层隐层的神经网络识别手写数字(完整代码详解)
本代码将使用含有四层隐层的神经网络识别手写数字,第1层256个神经元,第2层512个神经元,第3层128个神经元,第4层256个神经元。原创 2024-07-21 20:28:24 · 213 阅读 · 0 评论 -
BP神经网络的前向传播
BP神经网络,即反向传播(Backpropagation)神经网络,是一种多层前馈人工神经网络。它通过学习输入数据和期望输出之间的关系来训练网络的权重和偏置。BP神经网络的前向传播过程是信息从输入层经过每一层的加权和激活函数处理,最终到达输出层的过程。原创 2024-07-19 19:24:55 · 418 阅读 · 0 评论 -
【OpenCV函数详解之cv2.calcOpticalFlowPyrLK(old_gray, frame_gray, p0, None, **lk_params)】
cv2.calcOpticalFlowPyrLK() 是 OpenCV 库中用于计算两幅图像之间稀疏光流(Sparse Optical Flow)的方法之一。光流是指图像中物体在不同时间点的位置移动。这个函数通过 Lucas-Kanade 方法来跟踪图像中的关键点(feature points)在后续帧中的位置。需要传入前一帧和当前图像以及前一帧检测到的角点,用于获得光流检测后的角点位置。原创 2024-06-03 22:56:06 · 1039 阅读 · 0 评论 -
【OpenCV高阶 之 图像金字塔 AND 图像直方图】
为了在向上采样是能够恢复具有较高分辨率的原始图像,就要获取在采样过程中所丢失的信息,这些丢失的信息就构成了拉普拉斯金字塔。也是拉普拉斯金字塔是由向下采样时丢失的信息构成。这意味着,向上采样的结果图像的大小是原始图像的4倍。也就是说,对一幅图像先向上采样、再向下采样,是无法恢复其原始状态的;通过标记帧和帧之间显著的边缘和颜色的统计变化,来检测视频中场景的变换。是一种图像增强技术,它可以通过增加图像的对比度和亮度来改善图像的质量。向上采样和向下采样是相反的两种操作。式中:Li:表示拉普拉斯金字塔中的第i层。原创 2024-05-22 12:57:22 · 1014 阅读 · 0 评论 -
opencv中图像的直方图操作
OpenCV库中的直方图是一个非常有用的工具,用于图像处理和计算机视觉任务。直方图在图像处理中主要用于表示图像中像素值的分布情况。通过分析直方图,我们可以得到图像的许多有用信息,例如亮度分布、对比度和颜色分布等。原创 2024-05-21 19:43:48 · 1078 阅读 · 0 评论 -
设置图像掩膜并绘制对应直方图
设置图像掩膜并绘制对应直方图原创 2024-05-21 21:39:53 · 382 阅读 · 0 评论 -
Python中的直方图均衡化技术及应用
直方图均衡化是一种强大的图像增强技术,可用于改善图像对比度并使图像更易于分析和处理。在Python中,通过使用OpenCV等库,可以方便地实现直方图均衡化。然而,在实际应用中,需要根据具体情况综合考虑其优缺点,并可能需要进行参数调整以获得最佳效果。原创 2024-05-21 18:16:41 · 328 阅读 · 0 评论 -
【自适应直方图均衡化】的详解 AND 深度分析
自适应直方图均衡化(Adaptive Histogram Equalization,AHE)是一种用于图像增强的方法,它的原理是将图像的灰度级分布进行调整,使得图像的对比度增强,细节信息更加明显。通过将图像分成多个小块并对每个小块进行直方图均衡化,可以更好地处理图像中的局部对比度变化,避免传统直方图均衡化中的过度增强和噪声引入问题。与普通的直方图均衡算法不同,AHE 算法对图像的局部区域进行处理,更适合于改进图像的局部对比度以及获得更多的图像细节。的,因为它会根据图像的局部特性来调整均衡化的效果。原创 2024-05-22 11:12:00 · 1030 阅读 · 0 评论 -
sorted() 函数:排序的利器
sorted()函数是 Python 中的内置函数,用于对可迭代对象进行排序。iterable:表示需要排序的可迭代对象,例如列表、元组、集合等。key:指定一个函数,用于生成排序的比较键。默认为None,表示直接比较元素本身。reverse:一个布尔值,用于指定排序顺序。默认为False,表示升序排序;设置为True则表示降序排序。1、keyreturn word[-1] # 按单词的最后一个字母排序。原创 2024-05-20 18:53:03 · 885 阅读 · 0 评论 -
图像识别中的排序功能
w存储的是一个四元组,代表的分别是,横坐标,纵坐标,长宽,对于从左向右的图片只需选择横坐标变动即可。在图像处理中,无论是物体的检测和识别,或是图像的匹配,又或者是图像的测量与分析。首先我们这里自定义了一个排序函数,这个函数需要传入两个参数,cnts是一张图片里面的轮廓数,method代表的是排序方向,从上到下,从左到右啊,各有不同。zip函数:接受多个可迭代对象作为参数,返回一个迭代器,该迭代器生成元组,每个元组包含来自每个可迭代对象的相应位置的元素。该变量用于确定排序的方向,同时初始变量i设为1。原创 2024-05-20 20:21:52 · 270 阅读 · 0 评论 -
使用argparse库传递参数的两种方式
argparse库用于解析命令行参数,通常用于从命令行传入参数以控制程序。此处将示范两种传递参数的方式,分别是pycharm中和命令提示符中。原创 2024-05-20 21:27:16 · 482 阅读 · 0 评论 -
了解Python中的enumerate函数
enumerate函数是一个用于将可迭代对象转换为枚举对象的内置函数。它为每个元素添加一个索引,并返回一个包含索引和元素值的元组。这样,我们可以同时访问索引和元素值,从而更方便地进行迭代操作。原创 2024-05-20 21:24:06 · 205 阅读 · 0 评论 -
【深度分析之OpenCV中的 -- > cv2.getStructuringElement()函数】
cv2.getStructuringElement() 是 OpenCV 中的一个函数,用于生成一个结构元素,这个结构元素主要用于形态学操作,如膨胀、腐蚀、开运算和闭运算。这些形态学操作在处理图像时特别有用,尤其是在去噪、边缘检测、填充孔洞等场景中。原创 2024-05-21 01:30:16 · 1834 阅读 · 0 评论 -
OpenCV图像处理入门:图片的修改与运算
本文使用的图片如下1.jpg2.jpg。原创 2024-05-13 23:22:15 · 170 阅读 · 0 评论 -
OpenCV轮廓检测:轮廓特征(周长与面积)
现求该轮廓区域的周长与面积。以上图为例,输出结果为下。原创 2024-05-16 22:30:59 · 236 阅读 · 0 评论 -
opencv库中的外接圆和外接矩形的实现
在opencv库中外接矩形是一种常见的边界框表示方法,在图像处理和计算机视觉应用中用于标注目标对象,以便用户或算法更好地理解和处理图像内容。通过计算外接矩形的宽度、高度和旋转角度,可以获得关于形状的信息,如长宽比、旋转程度等。外接圆的半径可以用于描述形状的大小。外接矩形和外接圆可以用作图像配准的特征描述符,提取用于图像配准的特征信息,如角点、边缘等。这里就实现外接圆和外接矩形做一些简单示例。原创 2024-05-16 22:19:12 · 1118 阅读 · 0 评论 -
使用cv2.approxPolyDP()对图像进行轮廓近似
cv2.approxPolyDP()是 OpenCV 中的一个函数,用于对轮廓进行多边形逼近。它采用 Douglas-Peucker 算法,将原始轮廓逼近为一个具有指定精度的多边形,从而减少轮廓的点数,简化后续的处理步骤。原创 2024-05-16 21:48:15 · 877 阅读 · 0 评论 -
【OpnenCV中的模板匹配是什么?】
上图可知:max_loc=(179,205),即最大值所在的位置在第179列,第205行,也就是template.png在kele.png中匹配程度最高的所在位置。OpenCV 中的模板匹配是在一幅图像中寻找一个特定目标的方法之一,其原理是遍历图像中的每一个可能的位置,比较各处与模板是否“通过以上步骤,你可以使用OpenCV进行模板匹配,找到原始图像中与模板图像相匹配的部分,并在原始图像中标记出来。模板匹配是一种在图像中查找与已知模板最相似区域的技术。用于在给定的矩阵中寻找最大和最小值,并给出它们的位置。原创 2024-05-16 21:32:14 · 1105 阅读 · 0 评论 -
OpenCV边缘检测:Sobel算子(圆形轮廓示例)
本文将以下左图为例,分三步完成对该圆形的边缘检测,结果为右图。原创 2024-05-16 00:01:11 · 511 阅读 · 0 评论 -
OpenCV中的中值滤波:原理、应用与实现
中值滤波是一种简单而有效的图像处理技术,在很多场景下都有着广泛的应用。通过OpenCV提供的函数,我们可以轻松地在Python中实现中值滤波,并在各种图像处理任务中受益。希望这篇博客对你有所帮助!原创 2024-05-15 18:11:36 · 657 阅读 · 0 评论 -
使用Laplacian算子检测图像边缘
Laplacian算子是一种常用的图像处理算子,用于计算图像的二阶导数,常用于边缘检测。它可以突出图像中的变化和边缘信息,并且对噪声具有一定的平滑作用,它以圆方向计算变化率。在OpenCV中,可以使用函数来应用Laplacian算子进行图像处理。1.src:输入图像。可以是灰度图像或多通道彩色图像,数据类型为uint8或float64。2.ddepth:输出图像的深度,通常设置为-1表示输出图像与输入图像相同的深度。如果希望结果为64位浮点数,则可以使用cv2.CV_64F。3.ksize。原创 2024-05-14 21:24:30 · 767 阅读 · 0 评论 -
OpenCV库中的开运算,闭运算,顶帽,黑帽,梯度
在图像处理和计算机视觉领域,形态学运算是一类重要的工具,用于分析和处理图像的结构和形态特征,而说起来开运算,闭运算等就不得不说图像处理中的腐蚀和膨胀(在别的篇幅里)而开闭运算则是在腐蚀和膨胀的基础上对图像进行处理。而顶帽与黑帽则是在这基础上更上级的操作。原创 2024-05-14 21:28:46 · 707 阅读 · 1 评论 -
【Scharr算子是什么?】
Scharr 算子是 Soble算子在 ksize=3 时的优化,与 Soble的速度相同,且精度更高。Scharr 算子与 Sobel 算子的不同点是在平滑部分,其中心元素占的权重更重,相当于使用较小标准差的高斯函数,也就是更瘦高的模板。它是一种近似于Sobel算子的算子,但相对于Sobel算子,Scharr算子具有更好的性能,特别是在处理边缘方向不明显的图像时。Scharr算子相对于Sobel算子具有更平滑的响应特性,这意味着它在处理图像时会产生更加平滑的边缘响应,有助于减少噪声的影响。原创 2024-05-14 22:54:53 · 1192 阅读 · 0 评论 -
【窗口函数】
常见的窗口函数包括ROW_NUMBER()、RANK()、DENSE_RANK()等用于排名的函数,SUM()、MIN()、MAX()、AVG()等用于聚合的函数,以及LAG()、LEAD()等用于获取前后行数据的函数。中,窗口函数(也称为泊松化函数或锥形函数)是一种数学函数,它在某个选择的区间之外其值为零,在区间中间对称,通常在中间达到最大值,并且通常从中间逐渐减少。它可以对查询结果集中的行进行分组、排序,并在每个分组内进行聚合、排名、计算等操作,而不会改变原始查询结果的行数或顺序。原创 2024-05-13 23:42:49 · 696 阅读 · 0 评论 -
OpenCV用cv2.threshold()进行阈值处理
它的作用是将输入的灰度图像进行阈值处理,将像素值与指定的阈值进行比较,并根据设定的阈值处理类型对像素进行处理。函数将输入图像中的像素值与给定的阈值进行比较,并根据指定的类型对像素进行处理。: 大于阈值的像素值设置为0,小于等于阈值的像素值保持不变。: 大于阈值的像素值设置为阈值,小于等于阈值的像素值保持不变。: 大于阈值的像素值保持不变,小于等于阈值的像素值设置为0。: 大于阈值的像素值设置为0,小于等于阈值的像素值设置为。: 阈值最大值,当像素值超过阈值时设置的像素值。,小于等于阈值的像素值设置为0。原创 2024-05-13 21:54:18 · 356 阅读 · 0 评论 -
OpenCV库中的方框滤波和均值滤波
OpenCV库是一个开源的计算机视觉库,它提供了许多用于图像处理和计算机视觉任务的函数和工具。其中方框滤波和均值滤波都是 OpenCV 中常用的图像滤波方法,用于平滑图像、去除噪声或模糊图像。下面将就利用方框滤波和均值滤波处理图像做详细介绍。首先安装OpenCV库均值滤波是一种线性滤波方法,其原理是对图像中每个像素周围的邻域内的像素值进行求平均。均值滤波的优点在于简单易实现,计算速度快,但它也有明显的缺点,即可能导致图像边缘变得模糊,并且对于一些特定类型的噪声并不十分有效。原创 2024-05-13 20:16:23 · 760 阅读 · 1 评论 -
椒盐噪声函数的定义详解
椒盐噪声函数通常用于在图像中添加随机的黑白像素点,模拟图像传感器或传输过程中的噪声。这种噪声会给图像带来一种颗粒状或斑点状的效果,常用于测试图像处理算法的鲁棒性。原创 2024-05-13 19:29:44 · 437 阅读 · 1 评论 -
OpenCV图像处理技巧:使用cv2.copyMakeBorder()实现图像边界填充
cv2.copyMakeBorder()是OpenCV库中的一个函数,用于给图像添加额外的边界(padding)。它的主要作用是在图像的边界上添加一些额外的像素值,以改变图像的大小或者比例,而同时保持图像的整体结构不变。原创 2024-05-13 18:50:30 · 722 阅读 · 0 评论 -
OpenCV库之高斯滤波--详解分析以及在计算机视觉领域的实际应用
高斯滤波器可以平滑图像,去除噪声和细节信息;保留图像的主要特征,如轮廓和边缘;通过调整高斯核的大小和标准差,可以控制模糊程度。在某些情况下,图像需要被平滑以减少图像中的细节和纹理,从而使图像更加简单和易于处理。高斯滤波可以通过平滑图像来实现这一目的。高斯滤波器的计算复杂度较高,可能会消耗大量的计算资源和时间;模糊效果可能会导致一些细节信息的丢失。如图3所示,高斯滤波可以平滑图像image,使其更加柔和。图3:(高斯滤波后的图)图2:(生成噪声的图)由于高斯函数可以写成。的形式,因此可以采用。原创 2024-05-13 20:29:39 · 1244 阅读 · 2 评论