- 博客(27)
- 收藏
- 关注
RSS订阅
原创 暗通道先验去雾算法
暗通道去雾算法的核心思想是利用大气对光线散射的特性，具体来说，该算法首先假设在无雾情况下，像素点之间的距离越远，大气光强度越低。可以通过分析像素点之间的距离和大气光强度之间的关系，来估计大气光的强度。一旦获得了大气光的强度，就可以使用该信息来消除图像中的雾霾。传统的去雾算法通常会通过查找像素点周围的相似区域，并将这些区域的色彩分布进行插值，以得到清晰、明亮的图像。然而，这种方法往往会引入噪声和伪影，影响图像质量。
2024-04-24 21:39:59
4186
2
原创 计算机类期刊含金量横纵向对比（二）
计算机类期刊含金量横纵向对比，具体从收录情况、发表领域、难度比较、审稿速度、版面费、CCF排名、综合影响因子、复合影响因子、出版单位、发行周期等方面综合比较。
2024-06-15 16:08:10
516
原创 计算机类期刊含金量横纵向对比（一）
计算机类期刊含金量横纵向对比，具体从收录情况、发表领域、难度比较、审稿速度、版面费、CCF排名、综合影响因子、复合影响因子、出版单位、发行周期等方面综合比较。
2024-06-14 20:10:57
1205
原创 YOLOv5车流量监测系统研究
车流量监测系统研究对第 17 层图像特征上采样后放大输入图像细节，使得小目标物体经过上采样后，特征信息中小目标物体的像素点占具一定比例将第20层输出图像与主千网络中第2层输出图像进行融合，使得深层特征图与浅层特征图在语义性和空间性上进行更好的平衡，以优化小尺寸目标检测效果。利用改进YOLOv5s算法检测图像获得检测目标的边界框基于非极大值抑制模块消除同类型的重复检测边界框，然后利用异类冗余框抑制模块消除不同类型的重复检测边界框。
2024-06-06 10:48:15
1233
原创 改进YOLOv5，YOLOv5+CBAM注意力机制
Head输出端作为最后的检测部分，主要是在大小不同的特征图上预测不同尺寸的目标。注意力机制最重要的功能是对特征图进行注意力重构，突出特征图中的重要信息，抑制一般信息，YOLOv5s网络中提取特征最关键的部分在Backbone，因此，本文将CBAM融合在Backbone之后，Neck网络的特征融合之前，这么做的原因是YOLOv5s在Backbone中完成了特征提取，经过Neck特征融合之后在不同的特征图上预测输出，CBAM在此处进行注意力重构，可以起到承上启下的作用，具体结构如上右所示。
2024-06-02 01:10:19
1152
原创 局部直方图均衡化去雾算法
局部直方图算法是一种基于块的图像去雾方法，它将图像分割为若干个块，并在每个块内计算块的局部直方图。通过对各个块的直方图进行分析和处理，该算法能够更好地适应图像中不同区域的光度差异和雾霾密度变化，从而提高去雾效果。该算法通过将图像划分为多个局部区域，并对每个局部区域进行直方图分析，从而实现对图像的局部去雾处理。通过对图像的局部区域应用直方图均衡化，能够有效处理不同区域的对比度变化。3.将经过局部直方图均衡化处理后的每个窗口重新整合到新的图像中，得到一张经过局部直方图均衡化去雾处理后的图像。
2024-05-23 23:19:26
1302
原创 GCANet去雾算法
GCANet(Gate-Controlled Attention Network)是一种用于图像去雾的深度学习算法，通过引入注意力机制来改进传统的去雾方法，提升去雾效果，增强图像的清晰度和可见性，并且能够在复杂的雾天场景中提供卓越的去雾效果。注意力模块利用这些权重来调整特征图，抑制不重要的信息，增强重要的特征。去雾效果好：相比传统的去雾方法和一些简单的深度学习模型，GCANet在处理复杂的雾天场景时表现更好。2.注意力计算：在特征提取过程中，门控注意力模块会计算每个特征图的注意力权重，生成门控注意力图。
2024-05-22 21:47:53
1143
原创 全局直方图均衡化去雾算法
该算法的核心思想是通过分析图像的像素值分布情况，将具有较高传输率的像素与雾气影响较大的像素进行区分，这样就增加了像素灰度值的动态范围，从而实现图像的去雾效果。然而，由于全局直方图算法没有考虑到图像的局部信息，对于某些复杂场景下的图像去雾效果可能不理想。根据 Beer-Lambert 定律，雾天图像中像素的颜色与其透射率成反比，因此可以通过估算的大气光和雾密度来去除雾气。全局直方图去雾算法通过对图像的全局统计特征进行分析和处理来去除雾气造成的影响。I（x）是输入的雾天图像的像素值。
2024-05-21 22:00:02
700
原创 双边滤波去雾算法
本文介绍了双边滤波图像去雾算法，旨在消除雾霾对图像质量的影响，能够保留边缘信息并去除噪声，有效提高图像的清晰度和对比度。双边滤波（Bilateral Filtering）是一种用于图像处理的非线性滤波方法，它能够在平滑图像的同时保留边缘细节，并结合了空间域和强度域的信息，以避免在平滑噪声的同时模糊图像的边缘。首先对图像进行频域变换，将原始图像分解为高频成分和低频成分。然后分别对高频成分和低频成分应用双边滤波算法，以去除噪声和增强边缘信息。最后将处理后的高频成分和低频成分进行逆频域变换，得到去雾后的图像。
2024-05-20 21:54:38
1345
原创 优化对比度去雾算法
在雾霾或者模糊的天气条件下拍摄的图像通常会失去清晰度和对比度，这是因为光线被雾霾或者大气颗粒散射和吸收所影响。这种影响导致图像中的远处物体变得模糊，细节丢失，整体对比度降低。在去雾过程中，优化对比度去雾算法是一种用于改善图像质量的技术，特别是在存在雾霾或者模糊的环境下。优化对比度去雾算法的基本原理是通过对图像中的像素进行重新分析和处理，以补偿因大气散射而导致的对比度损失。这种算法旨在提高图像的清晰度和对比度，使得图像更加清晰自然。通过增加。
2024-05-19 22:09:58
1049
原创 多精度Retinex-MSR
多尺度增强算法MSR（Multi-Scale Retinex）最为经典的就是3尺度的，大、中、小，既能实现图像动态范围的压缩，又能保持色感的一致性较好。Multi-Scale-Retinex（MSR）是一种基于多尺度的Retinex图像增强方法，它通过模拟人类视觉系统对图像进行处理，旨在提高图像的对比度和色彩细节，特别是用于处理低光照、雾霾等导致图像质量下降的场景。不同尺度的处理可以捕捉到不同细节层次的信息。对比度增强：在合并后的图像上进一步进行对比度的调整，确保图像的视觉效果更加符合人类的感知特点。
2024-05-17 22:42:47
1018
原创 单尺度Retinex-SSR
Retinex理论的基础理论是物体的颜色是由物体对长波（红色）、中波（绿色）、短波（蓝色）光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即retinex是以色感一致性（颜色恒常性）为基础的。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应的增强。接着，将估计得到的全局照明分量与原始图像相除，得到去除照明分量的图像。
2024-05-16 23:12:43
1236
原创 Fast-Poisson-Image-Editing代码介绍（二）
提供了通过 Numba 加速的 Jacobi 方法的方程求解器和网格求解器的实现。它包括解决 PIE 方程和执行基于网格的算法的功能，处理依赖关系，并提供错误消息，以实现无缝的用户体验。Jacobi 方法被应用于网格上，通过迭代更新目标图像的值，并计算误差，以实现对图像的修复。Fast Poisson Image Editing 是一个用于图像编辑的算法，它的核心思想是通过求解泊松方程来进行图像修复。以下图片为我们随机在网上找的图片，并进行编辑，非自带图片。
2024-05-15 18:02:25
1170
原创 Fast-Poisson-Image-Editing代码介绍（一）
代码解析这段代码主要包含两个部分：文件下载 (download函数) 和图像生成 (square和circle函数)。
2024-05-14 08:04:42
624
1
原创 改进YOLOv5，YOLOv5+CBAM注意力机制
Head输出端作为最后的检测部分，主要是在大小不同的特征图上预测不同尺寸的目标。注意力机制最重要的功能是对特征图进行注意力重构，突出特征图中的重要信息，抑制一般信息，YOLOv5s网络中提取特征最关键的部分在Backbone，因此，本文将CBAM融合在Backbone之后，Neck网络的特征融合之前，这么做的原因是YOLOv5s在Backbone中完成了特征提取，经过Neck特征融合之后在不同的特征图上预测输出，CBAM在此处进行注意力重构，可以起到承上启下的作用，具体结构如上图。
2024-05-12 10:16:15
2350
原创 改进GAM
然而，需要明确的是，这样的调整可能会在一定程度上增加参数的数量，需要在设计中做出权衡。然后，在实验部分，通过OpenCV采集了图像，利用LabelImg工具进行数据标注，通过Anaconda搭建实验所需环境，并在Pycharm平台运行代码，最后通过最新的YOLOv8实现对可用于学生课堂行为识别模型的训练与测试。因此本文将采用由聚焦损失改进的分布式聚焦损失函数(distributedfocalloss，DFL)和Wise-IoU]结合作为回归损失，增强模型的收敛能力，以实现更好的边界框预测回归效果。
2024-05-10 10:46:43
1027
原创 常用目标检测算法介绍
深度学习框架下，目标检测方法通常涉及图像定位和分类两个关键方面。有两种主要的解决方法：一种是一阶（one-stage）回归型目标检测算法，其中以YOLO系列算法为代表，它主要通过对输入图像进行定位回归和目标检测，最终输出目标的类别信息。另一种是二阶（two-stage）目标检测算法，以Faster R-CNN系列为代表。本文介绍了R-CNN、Fast R-CNN、Faster R-CNN、SSD等四种不同模型。
2024-05-08 23:23:31
2252
原创 Deepsort算法研究
多目标跟踪任务涉及跟踪多个目标的身份信息关联，需要在相邻帧之间进行目标跟踪，与传统跟踪模型相比，这种任务的网络结构更为复杂。它必须同时处理目标轨迹的预测和目标内容的识别，以便有效匹配多个目标之间的数据。然而，在实际的多目标跟踪系统中，由于噪声的存在，跟踪算法的性能可能会受到影响，因此需要对跟踪算法进行改进以提高其性能。此项目基于检测算法的多目标跟踪任务模型，添加DeepSORT V3多目标跟踪算法的工作流程和原理。
2024-05-07 01:26:30
1504
原创 Poisson_Image-Editing
这些选项包括版本信息、后端选择、CPU 数量、CUDA 块大小、并行计算方法、源图像文件名、掩膜图像文件名、目标图像文件名、输出图像文件名、掩膜在源图像和目标图像中的位置、梯度计算方式、迭代次数等。该算法的核心思想是，在目标图像中构造一个与源图像区域相同大小的梯度场，并根据梯度场和源图像区域的边界条件求解离散化的泊松方程。taichi_solver.py 中包含了基于 Taichi 的 Jacobi 方法求解器的定义，提供了对泊松方程的求解和图像修复的功能。该方程涉及图像的梯度和掩码信息。
2024-05-03 12:09:14
1377
原创 GrabCut
该项目的主程序，代码实现了一个交互式的图像分割程序，它通过用户交互来标记前景和背景区域，并使用GMM（高斯混合模型）对图像进行建模和分割。2.迭代优化：通过迭代的方式，不断更新GMM模型的参数，同时构建GCGraph（图形割）并计算最大流，以获得更准确的前景和背景分割结果。可以观察到，掩膜后的图像存在一些小问题，如猫左侧的耳朵缺少了一部分，猫的右爪这一部分还存在一些背景区域的部分。GrabCut的掩膜过程是指根据用户提供的前景和背景区域，创建一个二值化掩膜，用于标记图像中的前景和背景像素。
2024-05-02 23:23:22
1356
1
原创 NeRF算法
为了更好的采样，提出两阶段层次化体素采样 的方式，即先按照均匀随机采样进行一次粗采样，将粗采样的输出的结果转化为分布，再根据分布进行一次精采样，最后NeRF训练的损失也是粗采样和精采样结果相加的结果，这样就实现了一个自动化Coarse-To-Fine的训练过程。从上图可以看到，多层感知机层与层之间是全连接的。NeRF函数是将一个连续的场景表示为一个输入为5D向量的函数，下图的实现中，x首先输入到MLP网络中，并输出σ和一个256维的中间特征，中间特征和d再一起输入到额外的全连接层（128维）中预测颜色。
2024-05-01 23:25:06
1253
2
原创 Games101—Assignment5
在这次作业中，我们需要实现两个部分：光线的生成和光线与三角的相交。如下图，往平面的某个像素投射一根光线eye ray，光线反射后的各位置上的交点与光源相连的那条线叫做shadow rays,如果连接时有物体挡着,那么这个点就在阴影里。从这一点向光源连一条线，该条光线叫shader ray，如果这个光线中间没有任何物体阻挡，那我们便知道光源可以照亮这个点。（3）shading：找颜色，对于 primary ray 和 secondary rays 与物体交点的颜色，通过不同的比重加起来，储存到同一个像素上。
2024-04-29 23:38:53
624
1
原创 Games101—Assignment4
该算法的思路是，如下图，假设有四个控制点，记录四个点的中心并相连成下图的虚线，再进行如此的操作，以此类推就能找到曲线所在的位置b03。可以对比看到，曲线最终都会连接在起始点和终点，但是如果其余点的顺序不一致，会使得曲线沿着切线的方向不一致，从而导致两条曲线的差异。用一系列的控制点去定义一个曲线，以三次贝塞尔曲线为例，如左图，曲线会在p0和p1的切线方向上向前走，再如右图，会以p2和p3的切线方向上结束。这个过程得到了唯一的曲线。1. 按照上述的例子，我们确定以上四个控制点，来绘制贝塞尔曲线。
2024-04-28 18:00:00
204
原创 Games101—Assignment3
要求绘制小牛，我们使用插值算法，实现法向量、颜色、纹理颜色的插值。通过实现Blinn-Phong模型计算Fragment Color，并在该基础上实现Texture Shading Fragment Shader和Bump mapping，进一步Bump mapping 的基础上，实现 displacement mapping.高光一般产生在比较光滑的物体上，如左图，当物体绝对光滑时，只能在R方向上看到高光，对于稍微光滑的物体，当v和R足够接近时就能看到高光。计算物体中所有的点便可得到完整的渲染效果。
2024-04-27 22:35:08
578
1
原创 Games101—Assignment2
要求实现三角形光栅化的流程：（1）计算boundingBox（2）遍历boundingBox包围的点，并判断是否在三角形内（3）如果点在三角形内，得到点的深度（插值方法已给出），与深度缓存中的相比较，如果小于，则更新深度缓存，并在屏幕上显示该点。
2024-04-26 21:30:55
538
3
原创 Games101—Assignment1
给定三维下三个点 v0(2.0, 0.0, −2.0), v1(0.0, 2.0, −2.0), v2(−2.0, 0.0, −2.0), 需要将这三个点的坐标变换为屏幕坐标并在屏幕上绘制出对应的线框三角形。
2024-04-25 22:18:07
728
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人