目标
在本教程中,您将学习如何:
- 使用 OpenCV 函数 cv::Canny 实现 Canny Edge Detector。
理论
Canny Edge 探测器 [48] 由 John F. Canny 于 1986 年开发。Canny算法也被许多人称为最佳检测器,旨在满足三个主要标准:
- **错误率低:**这意味着仅对存在的边缘进行良好检测。
- **良好的本地化:**必须将检测到的边缘像素与实际边缘像素之间的距离降至最低。
- **最小响应:**每个边沿只有一个检测器响应。
步骤
-
过滤掉任何噪音。高斯滤波器用于此目的。下面显示了 的高斯核示例:SIze=5
-
找到图像的强度梯度。为此,我们遵循类似于 Sobel 的程序:
-
应用一对卷积蒙版(在 x 和 y 方向:
-
通过以下方法找到梯度强度和方向:
方向四舍五入到四个可能的角度之一(即 0、45、90 或 135)
-
-
应用非最大值抑制。这将删除不被视为边一部分的像素。因此,将只保留细线(候选边)。
-
滞后:最后一步。Canny 确实使用了两个阈值(上限和下限):
- 如果像素渐变高于上限阈值,则接受该像素作为边
- 如果像素渐变值低于下限阈值,则拒绝该值。
- 如果像素梯度介于两个阈值之间,则仅当它连接到高于上限阈值的像素时,才会接受它。
Canny 建议在 2:1 和 3:1 之间采用上**下比例。
-
有关更多详细信息,您可以随时查阅您喜欢的计算机视觉书籍。
法典 C++爪哇岛蟒
-
教程代码如下所示。您也可以从这里下载
#include“opencv2/imgproc.hpp”
#include “opencv2/highgui.hpp”
#include < iostream>
使用命名空间 CV;
垫子 src, src_gray;
Mat dst, detected_edges;
int lowThreshold = 0;
常量 int max_lowThreshold = 100;
常量整数比率 = 3;
常量整数 kernel_size = 3;
const char* window_name = “边缘地图”;
静态 void CannyThreshold(int, void*)
{
blur( src_gray, detected_edges, Size(3,3) );
Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );
dst = 标量::all(0);
来源。copyTo( dst, detected_edges);
imshow( window_name, dst );
}
int main( int argc, char** argv )
{
CommandLineParser 解析器( argc, argv, “{@input |水果.jpg |输入图像}” );
src = imread( samples::findFile( parser.get<String>( “@input” ) ), IMREAD_COLOR );加载图片
if( src.空() )
{
std::cout << “无法打开或找到图像!\n” << std::endl;
std::cout << “用法:” << argv[0] << “ <输入图像>” << std::endl;
返回 -1;
}
夏令时。创建( src.size(), src.类型() );
cvtColor( src, src_gray, COLOR_BGR2GRAY );
namedWindow( window_name, WINDOW_AUTOSIZE );
createTrackbar( “最小阈值:”, window_name, &lowThreshold, max_lowThreshold, CannyThreshold );
CannyThreshold(0, 0);
waitKey(0);
返回 0;
}
这个程序是做什么的?
- 要求用户输入一个数值来设置我们的 Canny Edge Detector 的下限阈值(通过跟踪栏)。
- 应用 Canny Detector 并生成蒙版(表示黑色背景边缘的亮线)。
- 应用在原始图像上获取的蒙版并将其显示在窗口中。
说明(C++ 代码)
-
创建一些需要的变量:
垫子,src_gray;
Mat dst, detected_edges;
int lowThreshold = 0;
常量 int max_lowThreshold = 100;
常量整数比率 = 3;
常量整数 kernel_size = 3;
const char* window_name = “边缘地图”;
请注意以下事项:
- 我们建立了一个 3:1 的下限:上限比率(使用可变比率)。
- 我们将内核大小设置为 我们将内核大小设置为(用于由 Canny 函数在内部执行的 Sobel 操作)。(用于由 Canny 函数在内部执行的 Sobel 操作)。3
- 我们将下限阈值设置为 我们为下限阈值设置最大值。。100
-
加载源图像:
CommandLineParser 解析器( argc, argv, “{@input |水果.jpg |输入图像}” );
src = imread( samples::findFile( parser.get<String>( “@input” ) ), IMREAD_COLOR );加载图片
如果( src.empty() )
{
std::cout << “无法打开或找到图像!\n” << std::endl;
std::cout << “用法:” << argv[0] << “ <输入图像>” << std::endl;
返回 -1;
}
-
创建一个类型和大小相同 src 的矩阵(要为 dst):
dst.create( src.size(), src.type() );
-
将图像转换为灰度(使用函数 cv::cvtColor ):
cvtColor( src, src_gray, COLOR_BGR2GRAY );
-
创建一个窗口来显示结果:
namedWindow( window_name, WINDOW_AUTOSIZE );
-
为用户创建一个跟踪栏,以输入我们的 Canny 检测器的下限阈值:
createTrackbar( “最小阈值:”, window_name, &lowThreshold, max_lowThreshold, CannyThreshold );
请注意以下事项:
- Trackbar 要控制的变量是 lowThreshold,限制为 max_lowThreshold(我们之前设置为 100)
- 每次 Trackbar 注册操作时,都会调用回调函数 CannyThreshold。
-
让我们一步一步地检查一下 CannyThreshold 函数:
-
首先,我们使用内核大小为 3 的过滤器对图像进行模糊处理:
-
其次,我们应用 OpenCV 函数 cv::Canny :
Canny( detected_edges, detected_edges, lowThreshold, lowThreshold*ratio, kernel_size );
其中参数为:
- detected_edges:源图像,灰度
- detected_edges:检测器的输出(可以与输入相同)
- lowThreshold:用户移动跟踪栏时输入的值
- highThreshold:在程序中设置为阈值下限的三倍(遵循 Canny 的建议)
- kernel_size:我们将其定义为 3(内部使用的 Sobel 内核的大小)
-
-
我们用零填充 dst 图像(表示图像完全是黑色的)。
dst = 标量::all(0);
-
最后,我们将使用函数 cv::Mat::copyTo 仅映射图像中标识为边缘的区域(在黑色背景上)。cv::Mat::copy将 src 镜像复制到 dst 上。但是,它只会复制像素具有非零值的位置。由于 Canny 检测器的输出是黑色背景上的边缘轮廓,因此生成的 dst 在除检测到的边缘之外的所有区域都将是黑色的。
src.copyTo( dst, detected_edges);
-
我们显示我们的结果:
imshow( window_name, dst );
结果
-
编译完上面的代码后,我们可以运行它,将图像的路径作为参数。例如,使用下图作为输入:
-
移动滑块,尝试不同的阈值,我们得到以下结果:
-
请注意图像如何叠加到边缘区域的黑色背景上。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓