Opencv_100问_第八章 (36-40)

最新推荐文章于 2022-07-02 09:38:27 发布
最新推荐文章于 2022-07-02 09:38:27 发布
阅读量396 收藏 1
点赞数
分类专栏： Opencv100个问题_Python版本 文章标签： opencv 计算机视觉 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Fioman_GYM/article/details/125312251
版权

文章目录

36. JPEG压缩- 第一步: 离散余弦变换(Discrete Cosine Transformation)(DCT)

离散余弦变换(Discrete Cosine Transformation)(DCT) 是使用下面的式子计算的频率变换:

离散余弦逆变换(Inverse Discrete Cosine Transformation)是离散余弦变换的逆变换,使用下式定义.
在这里,K是决定图像复原时分辨率高低的参数.K = T时,DCT的系数全部被保留,因此IDCT时分辨率最大.K=1或者K=2时,图像复原时的信息量(DCT系数)减少,分辨率降低.如果适当地设定K,可以减小文件大小.
在这里我们先将图像分割成88的小块,在各个小块中使用离散余弦变换编码,使用离散余弦逆变换解码,这就是JPEG的编码过程.现在我们也同样地,把图像分割成88的小块,然后进行离散余弦变换和离散余弦逆变换.

# @Time   : 2022/6/16 11:59
# @Author : Fioman
# @Phone  : 13149920693
# @Tips   : Talk is Cheap,Show me the code! ^_^^_^

from settings import *
import matplotlib.pyplot as plt

# DCT hyper-parameter
T = 8
K = 8

# DCT weight
def w(x,y,u,v):
    cu = 1.
    cv = 1.
    if u == 0:
        cu /= np.sqrt(2)

    if v == 0:
        cv /= np.sqrt(2)

    theta = np.pi / (2 * T)
    return  (( 2 * cu * cv / T) * np.cos((2*x+1)*u*theta) * np.cos((2*y+1)*v*theta))


# DCT
def dct(image):
    H,W,channel = image.shape

    F = np.zeros((H,W,channel),dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for v in range(T):
                    for u in range(T):
                        for y in range(T):
                            for x in range(T):
                                F[v + yi, u + xi, c] += image[y + yi, x + xi, c] * w(x, y, u, v)

    return F


# IDCT
def idct(F):
    H, W, channel = F.shape

    out = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for y in range(T):
                    for x in range(T):
                        for v in range(K):
                            for u in range(K):
                                out[y + yi, x + xi, c] += F[v + yi, u + xi, c] * w(x, y, u, v)

    out = np.clip(out, 0, 255)
    out = np.round(out).astype(np.uint8)

    return out


imagePath = os.path.join(OPENCV_100_Q_PATH,"gray_02.bmp")
imageOriginal = cv.imread(imagePath).astype(np.float32)

# DCT
F = dct(imageOriginal)

# IDCT
out = idct(F)

cv.imshow("Dct",F)
cv.imshow("IDCT",out)
cv.waitKey(0)

37. PSNR

离散余弦逆变换中如果不使用8作为系数,而是使用4作为系数的话,图像的画质会变差.来求输入图像和刚经过离散余弦逆变换之后的图像的峰值信噪比吧!再求出离散余弦逆变换的比特率吧!

峰值信噪比(Peak Signal to Noise Ratio)缩写为PSNR,用来表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值,可以显示图像画质损失程度.

峰值信噪比越大,表示画质损失越小.峰值信噪比通过下式定义.MAX表示图像点颜色的最大数值.如果取值范围是[0,255]的话,那么MAX的值就是255.MSE表示均方差(Mean Squared Error),用来表示两个图像各个像素点之间插值平方和的平均数:


如果我们进行 8 * 8的离散余弦变换,离散余弦逆变换的系数为KtimesK的话,比特率按下式定义:

import cv2
import numpy as np
import matplotlib.pyplot as plt

# DCT hyoer-parameter
T = 8
K = 4
channel = 3

# DCT weight
def w(x, y, u, v):
    cu = 1.
    cv = 1.
    if u == 0:
        cu /= np.sqrt(2)
    if v == 0:
        cv /= np.sqrt(2)
    theta = np.pi / (2 * T)
    return (( 2 * cu * cv / T) * np.cos((2*x+1)*u*theta) * np.cos((2*y+1)*v*theta))

# DCT
def dct(img):
    H, W, _ = img.shape

    F = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for v in range(T):
                    for u in range(T):
                        for y in range(T):
                            for x in range(T):
                                F[v+yi, u+xi, c] += img[y+yi, x+xi, c] * w(x,y,u,v)

    return F


# IDCT
def idct(F):
    H, W, _ = F.shape

    out = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for y in range(T):
                    for x in range(T):
                        for v in range(K):
                            for u in range(K):
                                out[y+yi, x+xi, c] += F[v+yi, u+xi, c] * w(x,y,u,v)

    out = np.clip(out, 0, 255)
    out = np.round(out).astype(np.uint8)

    return out


# MSE
def MSE(img1, img2):
    H, W, _ = img1.shape
    mse = np.sum((img1 - img2) ** 2) / (H * W * channel)
    return mse

# PSNR
def PSNR(mse, vmax=255):
    return 10 * np.log10(vmax * vmax / mse)

# bitrate
def BITRATE():
    return 1. * T * K * K / T / T


# Read image
img = cv2.imread("imori.jpg").astype(np.float32)

# DCT
F = dct(img)

# IDCT
out = idct(F)

# MSE
mse = MSE(img, out)

# PSNR
psnr = PSNR(mse)

# bitrate
bitrate = BITRATE()

print("MSE:", mse)
print("PSNR:", psnr)
print("bitrate:", bitrate)

# Save result
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)

38. JPEG 压缩 - 第二步: 离散余弦变换 + 量化

量化离散余弦变换系数并使用 离散余弦逆变换恢复。再比较变换前后图片的大小。

量化离散余弦变换系数是用于编码 JPEG 图像的技术。

量化即在对值在预定义的区间内舍入，其中floor、ceil、round等是类似的计算。

在 JPEG 图像中，根据下面所示的量化矩阵量化离散余弦变换系数。该量化矩阵取自 JPEG 软件开发联合会组织颁布的标准量化表。在量化中，将8x 8的系数除以（量化矩阵） Q 并四舍五入。之后然后再乘以 Q 。对于离散余弦逆变换，应使用所有系数。

Q = np.array(((16, 11, 10, 16, 24, 40, 51, 61),
              (12, 12, 14, 19, 26, 58, 60, 55),
              (14, 13, 16, 24, 40, 57, 69, 56),
              (14, 17, 22, 29, 51, 87, 80, 62),
              (18, 22, 37, 56, 68, 109, 103, 77),
              (24, 35, 55, 64, 81, 104, 113, 92),
              (49, 64, 78, 87, 103, 121, 120, 101),
              (72, 92, 95, 98, 112, 100, 103, 99)), dtype=np.float32)

由于量化降低了图像的大小，因此可以看出数据量已经减少。

from settings import *
import matplotlib.pyplot as plt

# DCT hyoer-parameter
T = 8
K = 4
channel = 3


# DCT weight
def DCT_w(x, y, u, v):
    cu = 1.
    cv = 1.
    if u == 0:
        cu /= np.sqrt(2)
    if v == 0:
        cv /= np.sqrt(2)
    theta = np.pi / (2 * T)
    return ((2 * cu * cv / T) * np.cos((2 * x + 1) * u * theta) * np.cos((2 * y + 1) * v * theta))


# DCT
def dct(img):
    H, W, _ = img.shape

    F = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for v in range(T):
                    for u in range(T):
                        for y in range(T):
                            for x in range(T):
                                F[v + yi, u + xi, c] += img[y + yi, x + xi, c] * DCT_w(x, y, u, v)

    return F


# IDCT
def idct(F):
    H, W, _ = F.shape

    out = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for y in range(T):
                    for x in range(T):
                        for v in range(K):
                            for u in range(K):
                                out[y + yi, x + xi, c] += F[v + yi, u + xi, c] * DCT_w(x, y, u, v)

    out = np.clip(out, 0, 255)
    out = np.round(out).astype(np.uint8)

    return out


# Quantization
def quantization(F):
    H, W, _ = F.shape

    Q = np.array(((16, 11, 10, 16, 24, 40, 51, 61),
                  (12, 12, 14, 19, 26, 58, 60, 55),
                  (14, 13, 16, 24, 40, 57, 69, 56),
                  (14, 17, 22, 29, 51, 87, 80, 62),
                  (18, 22, 37, 56, 68, 109, 103, 77),
                  (24, 35, 55, 64, 81, 104, 113, 92),
                  (49, 64, 78, 87, 103, 121, 120, 101),
                  (72, 92, 95, 98, 112, 100, 103, 99)), dtype=np.float32)

    for ys in range(0, H, T):
        for xs in range(0, W, T):
            for c in range(channel):
                F[ys: ys + T, xs: xs + T, c] = np.round(F[ys: ys + T, xs: xs + T, c] / Q) * Q

    return F


# MSE
def MSE(img1, img2):
    H, W, _ = img1.shape
    mse = np.sum((img1 - img2) ** 2) / (H * W * channel)
    return mse


# PSNR
def PSNR(mse, vmax=255):
    return 10 * np.log10(vmax * vmax / mse)


# bitrate
def BITRATE():
    return 1. * T * K * K / T / T


# Read image
imagePath = os.path.join(OPENCV_100_Q_PATH,"gray_02.bmp")
img = cv.imread(imagePath).astype(np.float32)

# DCT
F = dct(img)

# quantization
F = quantization(F)

# IDCT
out = idct(F)

# MSE
mse = MSE(img, out)

# PSNR
psnr = PSNR(mse)

# bitrate
bitrate = BITRATE()

print("MSE:", mse)
print("PSNR:", psnr)
print("bitrate:", bitrate)

# Save result
cv.imshow("result", out)
cv.waitKey(0)
cv.imwrite("out.jpg", out)

39. JPEG压缩- 第三步: YCbCr色彩空间

在 YCbCr 色彩空间内，将 Y 乘以0.7以使对比度变暗。

YCbCr 色彩空间是用于将图像由表示亮度的 Y、表示蓝色色度Cb以及表示红色色度Cr表示的方法。

这用于 JPEG 转换。

使用下式从 RGB 转换到 YCbCr：

使用下式从YCbCr转到RGB:

from settings import *
import matplotlib.pyplot as plt

channel = 3

# BGR -> Y Cb Cr
def BGR2YCbCr(img):
  H, W, _ = img.shape

  ycbcr = np.zeros([H, W, 3], dtype=np.float32)

  ycbcr[..., 0] = 0.2990 * img[..., 2] + 0.5870 * img[..., 1] + 0.1140 * img[..., 0]
  ycbcr[..., 1] = -0.1687 * img[..., 2] - 0.3313 * img[..., 1] + 0.5 * img[..., 0] + 128.
  ycbcr[..., 2] = 0.5 * img[..., 2] - 0.4187 * img[..., 1] - 0.0813 * img[..., 0] + 128.

  return ycbcr

# Y Cb Cr -> BGR
def YCbCr2BGR(ycbcr):
  H, W, _ = ycbcr.shape

  out = np.zeros([H, W, channel], dtype=np.float32)
  out[..., 2] = ycbcr[..., 0] + (ycbcr[..., 2] - 128.) * 1.4020
  out[..., 1] = ycbcr[..., 0] - (ycbcr[..., 1] - 128.) * 0.3441 - (ycbcr[..., 2] - 128.) * 0.7139
  out[..., 0] = ycbcr[..., 0] + (ycbcr[..., 1] - 128.) * 1.7718

  out = np.clip(out, 0, 255)
  out = out.astype(np.uint8)

  return out


# Read image
imagePath = os.path.join(OPENCV_100_Q_PATH,'color_01.bmp')
img = cv.imread(imagePath).astype(np.float32)

# bgr -> Y Cb Cr
ycbcr = BGR2YCbCr(img)

# process
ycbcr[..., 0] *= 0.7

# YCbCr > RGB
out = YCbCr2BGR(ycbcr)

# Save result
cv.imshow("result", out)
cv.waitKey(0)
cv.imwrite("out.jpg", out)

40. JPEG 压缩- 第四步: YCbCr + 离散余弦变换 + 量化

将图像转为 YCbCr 色彩空间之后，进行 离散余弦变换再对 Y 用 Q1 量化矩阵量化，Cb 和 Cr 用 Q2 量化矩阵量化。最后通过离散余弦逆变换对图像复原。还需比较图像的容量。算法如下：

  1. 将图像从RGB色彩空间变换到YCbCr色彩空间；
  2. 对YCbCr做DCT；
  3. DCT之后做量化；
  4. 量化之后应用IDCT；
  5. IDCT之后从YCbCr色彩空间变换到RGB色彩空间。

这是实际生活中使用的减少 JPEG 数据量的方法，Q1 和 Q2 根据 JPEG 规范由以下等式定义：

Q1 = np.array(((16, 11, 10, 16, 24, 40, 51, 61),
               (12, 12, 14, 19, 26, 58, 60, 55),
               (14, 13, 16, 24, 40, 57, 69, 56),
               (14, 17, 22, 29, 51, 87, 80, 62),
               (18, 22, 37, 56, 68, 109, 103, 77),
               (24, 35, 55, 64, 81, 104, 113, 92),
               (49, 64, 78, 87, 103, 121, 120, 101),
               (72, 92, 95, 98, 112, 100, 103, 99)), dtype=np.float32)

Q2 = np.array(((17, 18, 24, 47, 99, 99, 99, 99),
               (18, 21, 26, 66, 99, 99, 99, 99),
               (24, 26, 56, 99, 99, 99, 99, 99),
               (47, 66, 99, 99, 99, 99, 99, 99),
               (99, 99, 99, 99, 99, 99, 99, 99),
               (99, 99, 99, 99, 99, 99, 99, 99),
               (99, 99, 99, 99, 99, 99, 99, 99),
               (99, 99, 99, 99, 99, 99, 99, 99)), dtype=np.float32)

代码实现: 

from settings import *
import matplotlib.pyplot as plt

# DCT hyoer-parameter
T = 8
K = 8
channel = 3


# BGR -> Y Cb Cr
def BGR2YCbCr(img):
  H, W, _ = img.shape

  ycbcr = np.zeros([H, W, 3], dtype=np.float32)

  ycbcr[..., 0] = 0.2990 * img[..., 2] + 0.5870 * img[..., 1] + 0.1140 * img[..., 0]
  ycbcr[..., 1] = -0.1687 * img[..., 2] - 0.3313 * img[..., 1] + 0.5 * img[..., 0] + 128.
  ycbcr[..., 2] = 0.5 * img[..., 2] - 0.4187 * img[..., 1] - 0.0813 * img[..., 0] + 128.

  return ycbcr

# Y Cb Cr -> BGR
def YCbCr2BGR(ycbcr):
  H, W, _ = ycbcr.shape

  out = np.zeros([H, W, channel], dtype=np.float32)
  out[..., 2] = ycbcr[..., 0] + (ycbcr[..., 2] - 128.) * 1.4020
  out[..., 1] = ycbcr[..., 0] - (ycbcr[..., 1] - 128.) * 0.3441 - (ycbcr[..., 2] - 128.) * 0.7139
  out[..., 0] = ycbcr[..., 0] + (ycbcr[..., 1] - 128.) * 1.7718

  out = np.clip(out, 0, 255)
  out = out.astype(np.uint8)

  return out


# DCT weight
def DCT_w(x, y, u, v):
    cu = 1.
    cv = 1.
    if u == 0:
        cu /= np.sqrt(2)
    if v == 0:
        cv /= np.sqrt(2)
    theta = np.pi / (2 * T)
    return (( 2 * cu * cv / T) * np.cos((2*x+1)*u*theta) * np.cos((2*y+1)*v*theta))

# DCT
def dct(img):
    H, W, _ = img.shape

    F = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for v in range(T):
                    for u in range(T):
                        for y in range(T):
                            for x in range(T):
                                F[v+yi, u+xi, c] += img[y+yi, x+xi, c] * DCT_w(x,y,u,v)

    return F


# IDCT
def idct(F):
    H, W, _ = F.shape

    out = np.zeros((H, W, channel), dtype=np.float32)

    for c in range(channel):
        for yi in range(0, H, T):
            for xi in range(0, W, T):
                for y in range(T):
                    for x in range(T):
                        for v in range(K):
                            for u in range(K):
                                out[y+yi, x+xi, c] += F[v+yi, u+xi, c] * DCT_w(x,y,u,v)

    out = np.clip(out, 0, 255)
    out = np.round(out).astype(np.uint8)

    return out

# Quantization
def quantization(F):
    H, W, _ = F.shape

    Q = np.array(((16, 11, 10, 16, 24, 40, 51, 61),
                (12, 12, 14, 19, 26, 58, 60, 55),
                (14, 13, 16, 24, 40, 57, 69, 56),
                (14, 17, 22, 29, 51, 87, 80, 62),
                (18, 22, 37, 56, 68, 109, 103, 77),
                (24, 35, 55, 64, 81, 104, 113, 92),
                (49, 64, 78, 87, 103, 121, 120, 101),
                (72, 92, 95, 98, 112, 100, 103, 99)), dtype=np.float32)

    for ys in range(0, H, T):
        for xs in range(0, W, T):
            for c in range(channel):
                F[ys: ys + T, xs: xs + T, c] =  np.round(F[ys: ys + T, xs: xs + T, c] / Q) * Q

    return F


# JPEG without Hufman coding
def JPEG(img):
    # BGR -> Y Cb Cr
    ycbcr = BGR2YCbCr(img)

    # DCT
    F = dct(ycbcr)

    # quantization
    F = quantization(F)

    # IDCT
    ycbcr = idct(F)

    # Y Cb Cr -> BGR
    out = YCbCr2BGR(ycbcr)

    return out


# MSE
def MSE(img1, img2):
    H, W, _ = img1.shape
    mse = np.sum((img1 - img2) ** 2) / (H * W * channel)
    return mse

# PSNR
def PSNR(mse, vmax=255):
    return 10 * np.log10(vmax * vmax / mse)

# bitrate
def BITRATE():
    return 1. * T * K * K / T / T


# Read image
imagePath = os.path.join(OPENCV_100_Q_PATH,'color_01.bmp')
img = cv.imread(imagePath).astype(np.float32)

# JPEG
out = JPEG(img)

# MSE
mse = MSE(img, out)

# PSNR
psnr = PSNR(mse)

# bitrate
bitrate = BITRATE()

print("MSE:", mse)
print("PSNR:", psnr)
print("bitrate:", bitrate)

# Save result
cv.imshow("result", out)
cv.waitKey(0)
cv.imwrite("out.jpg", out)
Fioman_Hammer
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
第八章分水岭算法_opencv_AB实验_分水岭算法小应用_
09-29
一个opencv分水岭算法的小实验，测试算法的作用
Opencv_100问_第一章 (1-5)
Fioman_GYM的博客
06-09 314
二. 灰度化 三. 二值化(Thresholding) 四. 大律法进行二值化(Otsu’ Method) ① 大律法简介 ② 计算方法 // 落在N0的概率 ① // 落在N1的概率 ② ③ ④ ⑤ 平均灰度期望值 ⑥ 最大类间方差公式 然后就是遍历T,取得使g最大的值,记录这时T就是最佳的阈值. 结果: 色调. 采用角度表示,在模型中为棱锥的底面,因此范围就是0~360度,如图所示,不同的角度规定了不同的颜色.0度表示红色,每隔120度分别为绿色和蓝色,对应三基色R
Opencv_100问_第四章 (16-20)
Fioman_GYM的博客
06-10 191
还有一点区别是Sobel算子是前面的像素值减去后面的,而Prewitt滤波器是后面的像素值减去前面的 17. Laplacian 滤波器 因此二次微分按照以下的式子进行计算: 特此,Laplician表达式如下: 把这个式子表示为卷积核是这样的: 感觉拉普拉斯算子可以这么理解,使用它的四邻域的像素和中心点像素做差值,最后得到的结果就是拉普拉斯滤波得到的效果.不同于Sobel算子,他们是分纵向和横向的,拉普拉斯算子不分方向,直接得到结果. 18. Emboss 滤波器 这个滤波器如何去理解呢?其实就
数字图像处理100问—39 JPEG 压缩——第三步：YCbCr 色彩空间
cv_rsrc的博客
05-10 927
提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen CV小白从0开始学数字图像处理 39 JPEG 压缩——第三步：YCbCr 色彩空间 在 YCbCr 色彩空间内，将 Y 乘以0.7以使对比度变暗。 YCbCr 色彩空间是用于将图像由表示亮度的 Y、表示蓝色色度Cb以及表示红色色度Cr表示的方法。 这用于 JPEG 转换。 使用下式从 RGB 转换到 YCbCr： Y = 0.299 * R + 0.5870 * G + 0.114 * B.
about DCT－－－转载
xiaoxiongli的专栏
03-27 1491
about DCT......... MPEG采用了Ahmed（一个巨牛的数学家） 等人于70年代提出的离散余弦变换（DCT-Discrete Cosine Transform）压缩算法，降低视频信号的空间冗余度。DCT将运动补偿误差或原画面信息块转换成代表不同频率分量的系
OpenCV经典100题
保持一颗敬畏之心，简单地调用C++，适当地向C++妥协，让以后的自己看懂代码，让别人看懂代码。
07-02 2302
熟读OpenCV100题，了解OpenCV的底层原理
OpenCV 4.5计算机视觉开发实战（基于VC++）第2章--第9章源码下载
03-10
第2章搭建OPENCV开发环境 第3章核心模块core 第4章图像处理模块基础 第5章灰色变换和直方图修正 第6章图像平滑 第7章几何变换 第8章图像边缘检测 第9章图像分割
Chapter8_FaceRecognition.zip_OpenCV_Visual_C++_
08-11
mastering opencv 第八章 源代码
数字图像处理-冈萨雷斯第三版 第八章 图片资源.rar
07-16
如果你正在学习雷书《数字图像处理》，那么这些照片肯定对你有帮助。尤其是期望利用这些资源手动做一些diamante处理的。 比如可以参考：https://zhuanlan.zhihu.com/lowkeyway-OpenCV 第八章
李立宗_OPENCV 编程案例详解.zip
06-28
第8 章高级篇——特征分析.. 289 8.1 尺度空间 290 8.1.1 尺度与旋转不变性. 290 8.1.2 特征点尺度变换.. 290 8.2 特征描述子.. 291 8.2.1 SIFT 特征. 292 8.2.2 SURF 特征.. 296 8.2.3 ORB 特征. 300 8.3 方向梯度...
Opencv_100问_第五章 (21-25)
Fioman_GYM的博客
06-11 280
直方图会存在偏差.比如说,数据集中在0处(左侧)的图像会整体偏暗,数据集中在255处(右侧)的图像会偏亮.如果直方图有所偏向,那么其动态范围(dynamic range)就会较低.为什么使得人能够更好清除地看见图片,让直方图归一化,平坦化是十分必要的.这种归一化直方图的操作被称为灰度变换(Grayscale Transformation). 像素点取值范围从[c,d]转换到[a,b]的过程由下面的式子定义. 22. 直方图操作(直方图平坦化) 这里的直方图操作不是变更直方图的动态范围,而是让直方图变得更加
opencv入门一百题
weixin_43864650的博客
04-07 486
Question7 平均值池化 这里，将图像网格分割（分成某个固定长度的区域），用画区域内（单元格）的平均值来填充该区域内的值。 这样分割网格，求出该区域内的代表值的操作被称为“Pooling”。 这些带环操作在CNN（Convolutional Neural Network中起着重要的作用。 这个由以下公式定义。这里所说的R是进行普林的区域。即，在3×3的区域进行普林。|R|＝3x3＝9。 v = 1/|R| * Sum_{i in R} v_i 在这里imori.jpg因为是128x128，所以将
挑战图像处理100问（1）——通道交换
qq_42662568的博客
04-05 605
读取图像，然后将RGB\text{RGB}RGB通道替换成BGR\text{BGR}BGR通道。 注意，cv2.imread() 的系数是按BGR\text{BGR}BGR顺序排列的！ 实现代码 """ AUTHOR: Tian YJ CREATE: 2020-4-15 FUNCTION: RGB -> BGR """ import cv2 # 设置路径 path_work = 'C...
opencv中文文档_OpenCV图像处理入门100题实例解析中文版
weixin_39583751的博客
12-06 170
Gasyori100knock「画像処理100本ノック」中文版本！为图像处理初学者设计的 100 个问题。OpenCV图像处理入门 原本是 日文在github 开源，通过汉化有了中文版，方便国内的开者阅读首先安装打开终端，输入以下指令。使用这个命令，你可以将整个目录完整地克隆到你的计算机上。$ git clone github.com/yoyoyo-yo/Gasyori100knock.git然后...
OpenCV 机器视觉入门精选 100 题（附 Python 代码）
红色石头的专栏
01-16 1910
点击上方“AI有道”，选择“星标”公众号重磅干货，第一时间送达如今深度学习的快速发展给计算机视觉注入了前所未有的新活力！其中在计算机图形学和计算机视觉里面最流行的一个库就...
挑战图像处理100问（20）——灰度直方图
qq_42662568的博客
04-16 1236
关于灰度直方图 灰度直方图是反映一幅图像中各灰度级像素出现的频率与灰度级的关系，以灰度级为横坐标，频率为纵坐标，绘制频率同灰度级的关系图像就是一幅灰度图像的直方图。 简单地说，就是把一幅图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来，就是灰度直方图。 代码实现 import numpy ...
opencv+pycharm图像处理100问——通道交换
weixin_44252790的博客
03-01 441
opencv+pycharm图像处理100问——通道交换 要求：读取图像，然后将BGR通道替换成RGB通道。 提示： import cv2 img = cv2.imread(“imori.jpg”) red = img[:, :, 2].copy() 效果： 代码： import cv2 img = cv2.imread(“imori.jpg”) #定义转变函数 def BGRRGB(img): b = img[:, :, 0].copy() g = img[:, :, 1].copy() r = img
Opencv_100问_第三章 (11-15)
Fioman_GYM的博客
06-10 168
就是使用滤波核网格内的像素的平均值作为最终的像素结果. 12. Motion Filter(运动滤波) 13. MAX-MIN滤波器 14. 差分滤波器 (Differential Filter) 15. Sobel滤波器 Sobel滤波器可以提取特定方向(纵向或者横向)的边缘,滤波器按照下面的方式定义:...
opencv_contrib_python-3.4.1.15-cp36-cp36m-win_amd64.whl 下载
最新发布
11-14
要下载opencv_contrib_python-3.4.1.15-cp36-cp36m-win_amd64.whl文件，我们可以按照以下步骤进行操作。 首先，在您的计算机上打开一个网络浏览器，然后进入一个可信赖的软件下载网站，比如官方的OpenCV网站或者...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值