SKY_yiyi_9的博客

原创 Python 批量读取文件夹中图像

图片名可含中文这一点对应代码为：image = cv2.imdecode(np.fromfile(filepath, dtype=np.uint8), -1)1.使用opencv和PIL读取图像的是不同的：使用opencv读取图像之后是BGR格式的，使用PIL读取图像之后是RGB格式的。cv2.imdecode()函数从指定的内存缓存中读取数据，并把数据转换(解码)成图像格式。2.该代码可以批量读取文件夹中的图片，并逐一显示，图片名可以含中文。

原创 python ‘STR‘无法转为filename

报错信息：[ WARN:0@1.135] global loadsave.cpp:248 cv::findDecoder imread_('微信图片_2024.jpg'): can't open/read file: check file path/integrity原因： opencv不接受non-ascii的路径。

原创 python 深度学习的学习路径

-代码开源平台，学习借鉴他人的优秀代码。Web App 廖雪峰 Python3 教程。--可下载数据集，打比赛、练手。--学习python基础。其他：python 3 中文文档。7.面向对象：继承、封装、多态。--找编程类问题答案。8.文件处理、异常处理。5.列表、元组、字典。

原创 ｐｙｔｈｏｎ－在图片上标实心圆点

【代码】ｐｙｔｈｏｎ－在图片上标实心圆点。

原创 python－ｇｕｉ－读取图片，并设置两个输入框，输入框中的数据由鼠标指向图片确定

【代码】python－ｇｕｉ－读取图片，并设置两个输入框，输入框中的数据由鼠标指向图片确定。

原创 python—ｇｕｉ－计算图像像素两点间距离

【代码】python—ｇｕｉ－计算图像像素两点间距离。

原创 通信专业的就业方面

1、施工单位：比如中国通信服务有限公司、中国通信建设集团有限公司，做技术和项目管理，还有各省电信工程局。2、还可以去各大通信的科研院所:比如原信息产业部电信研究院3、通信咨询和设计单位：如中讯设计院（部级，在郑州）、京移设计院（部级、在北京）、广东电信设计院、浙江华信院（这两个院在省级里面是最出色的）4、各大运营商（移动、电信、联通），啥都可以干，比如工程管理、设备和线路维护、财务、市...

原创 python-轮子-SE模块

SEclass SELayer(nn.Module): def __init__(self, channel, reduction=16): super(SELayer, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Conv2d(channel, channel // reduction, kernel

原创 python-计算两个矩阵的相似度。

余弦相似度在pytorch中，有一个专门的函数用于计算相似度：torch.cosine_similarity()https://pytorch.org/docs/stable/nn.functional.html#cosine-similarityimport torchimport torch.nn.functional as Finput1 = torch.randn(100, 128)input2 = torch.randn(100, 128)output = F.cosine_s

原创 python-函数用法-F.conv_transpose2d

F.conv_transpose2dtorch.nn.functional.conv_transpose2d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor对由多个输入平面组成的输入图像应用二维转置卷积算子, 有时也称为反卷积.>>> # With square kernels and equal stride>>> i

原创 pytorch-函数使用- repeat

x = torch.randn(4, 1)xx = x.repeat(1, 5)output:x:tensor([[ 0.6720], [-0.2683], [ 1.0877], [-1.8444]])xx:tensor([[ 0.6720, 0.6720, 0.6720, 0.6720, 0.6720], [-0.2683, -0.2683, -0.2683, -0.2683, -0.2683], [ 1.

原创 基于python 和anaconda搭建环境

不同的是，anaconda Navigator的操作是基于界面的。创建环境 conda create –name python36 python==3.6 (注：python36为环境名，可自设)删除环境 conda remove -n python36 –all (注：python36为环境名，可自设)Anaconda、conda、pip、virtualenv ，都可以用于包管理（包括包下载、包安装、包卸载）查看可安装的包 conda search pandas (注：pandas为包名，可自设)

原创 python的基本用法--矩阵乘法与转置

一，对应点相乘，x.mul(y) ，即点乘操作，点乘不求和操作，又可以叫作Hadamard product；点乘再求和，即为卷积二，矩阵相乘，x.mm(y) ， 矩阵大小需满足： (i, n)x(n, j)二维矩阵乘法 torch.mm()torch.mm(mat1, mat2, out=None)三维带batch的矩阵乘法 torch.bmm()由于神经网络训练一般采用mini-batch，经常输入的时三维带batch的矩阵，所以提供torch.bmm(bmat1, bmat2, o

原创 softmax和权重对应相加

ass=torch.tensor([2, 4, 4]).type(torch.FloatTensor)asas=torch.softmax(ass,0)#结果asas:tensor([0.2905, 0.3548, 0.3548]) num_zi = torch.sum(torch.pow(raw_wi_repeat - wi, 2), dim=0, keepdim=True) # [1,4] num_zi = (-num_zi).

原创 pytorch的transpose和numpy的transpose

import torchtorch_a=torch.tensor([[2,2,3],[4,4,5]])numpy_a=torch_a.data.numpy()numpy_a_t=numpy_a.transpose()torch_a_t01=torch_a.transpose(0,1)numpy_a_t_tensor=torch.from_numpy(numpy_a_t)torch_a=torch.tensor([[2,2,3],[4,4,5]])numpy_a_t： shape：(3

原创 matlab GUI入门

两种方法法一：使用guide法二：使用appdesigner（推荐，更直观）winopen(cd) 打开当前路径。ctrl+I 代码自动对齐。

原创 语音信号的采集--电脑录音

1.电脑麦克风打开。（联想小新AIR2021 打开方式：点击电脑右下角“电源”，点击“麦克风打开”）3.打开音乐播放软件，播放音乐。（在浏览器中打开QQ音乐，随便点开一首歌，点击播放）2.打开电脑自带的录音机。（电脑界面搜索框中键入“录音机”）4.点击录音机的录制按钮，开始录制。（录制按钮是麦克风形状）5.点击点击录音机的录制按钮，结束录制。录制的音频为m4a格式。

原创 matlab-图像处理-阈值化处理+多边形抠图

matlab-图像处理-阈值化处理+多边形抠图

原创 matlab-图像的3维显示和开运算

图像的3维显示和开运算

原创 matlab-R、G、B三通道颜色展示

基于matlab的RGB三通道颜色展示

原创 matlab-图像彩转灰

批量图像彩转灰

原创 python入门之环境配置--pycharm+anaconda

基于pycharm+anaconda搭建环境

原创 关于loss与学习率

每一个batch（批次）里都有一个loss_alltrain_losses 则是汇集了当前epoch中所有的loss_alltrain_loss 是当前epoch对应的train_losses的平均train_lossesavg_train_losses 则是汇集了所有的train_losstrain_losses.append(loss_all.item())#每个batch里面的损失 train_loss = np.average(train_losses)#每个epoch里面的平均

原创 mincs滑动取块代码

def img2col_py(Ipad, block_size): [row, col] = Ipad.shape row_block = row/block_size col_block = col/block_size block_num = int(row_block*col_block) img_col =torch.zeros([block_size**2, block_num]) count = 0 for x in range(0, ro

原创 图像的分类：3类。可视化

根据光滑度的不同，将一张完整的图片分割成三张图片。

原创 pytorch的clamp 同np.clip：限制在某一范围内

1.numpyclipnumpy.clip(a, a_min, a_max, out=None)a是一个数组，后面两个参数分别表示最小和最大值。也就是说clip这个函数将将数组中的元素限制在a_min, a_max之间，大于a_max的就使得它等于 a_max，小于a_min,的就使得它等于a_min。import numpy as npx=np.array([1,2,3,5,6,7,8,9])np.clip(x,3,8)Out[88]:array([3, 3, 3, 5, 6, 7, 8,

原创 garbor核

garbor核gabor = Gabor_filter(K_size=3, Sigma=10, Gamma=1.2, Lambda=10, Psi=0, angle=A)# get gabor kernelsize=3size=50size=111

原创 pytorch0-图像处- 读取一张图像并显示

import numpy as npimport matplotlib.pyplot as pltfrom PIL import Imagedef plt_image(): image_dir = 'E:/dataset/Set11/cameraman.tif' image = Image.open(image_dir) image = np.array(image) print("image_shape: ", image.shape) print("ima

原创 tensor、ndarry、scalars三者转化

原创 2范数归一化 错误记录

#2范数归一化def l2_norm(input, dim=0):#dim=0行，dim=1列 norm = torch.norm(input, 2, dim, True)#torch.norm(input, p, dim, out=None,keepdim=False) p (float)：范数计算中的幂指数值 True:保持维度 output = torch.div(input, norm) return output看齐的对象：tensor([[0.4980, 0.48

原创 我的分块图像数据预处理数据对比

imgName = filepaths[img_no] Img = cv2.imread(imgName, 1) # Img为256，256，3 # Img_yuv=Img_rec_yuv为256，256，3 Img_yuv = cv2.cvtColor(Img, cv2.COLOR_BGR2YCrCb) Img_rec_yuv = Img_yuv.copy() # Iorg的sha...

原创 前序/中序/后序遍历/哈夫曼树

1.前序遍历首先访问根结点然后遍历左子树，最后遍历右子树。在遍历左、右子树时，仍然先访问根结点，然后遍历左子树，最后遍历右子树。中序遍历首先遍历左子树，然后访问根结点，最后遍历右子树。若二叉树为空则结束返回后序遍历首先遍历左子树，然后遍历右子树，最后访问根结点，在遍历左、右子树时，仍然先遍历左子树，然后遍历右子树，最后遍历根结点。前序遍历：根左右中序遍历：左根右后序：左右根前序遍历结果：ABDECF中序遍历结果：DBEAFC后序遍历结果：DEBFCA已知前序遍历和中序遍历，就能确定后序遍

原创 找的软考情况

报名网址：http://www.ruankao.org.cn/platform在这里插入图片描述

原创 直接更改图片文件jpg和png文件扩展名

文件只根据文件名后缀判断类型一般文件内容开头都会有一个文件类型的标记JPEG (jpg)，文件头：FF D8 FF E0 00 10 4A 46 49 46PNG (png)，文件头：89 50 4E 47 0D 0A 1A 0AGIF (gif)，文件头：47 49 46实际上在服务器端读过来的是个二进制流，每个图像文件的二进制流特征都不一样，大部分服务器是完全不参考上传的文件名的，而是直接分析二进制流来判断是什么图片，所以名字不重要。...

原创 python-基础-计算模型参数总量

计算模型参数总量方法1：pytorch自带方法，计算模型参数总量total = sum([param.nelement() for param in model.parameters()])print(“Number of parameter: %.2fM” % (total/1e6))例子：红色断点放到下一行，并用debug运行。结果为：方法2：用工具包thop要安装：pip install thop在程序里输入：from thop import profilefrom thop

原创 cross-scale non-local attention

Image Super-Resolution with Cross-Scale Non-Local Attentionand Exhaustive Self-Exemplars Mining#cross-scale non-local attentionclass CrossScaleAttention(nn.Module): def __init__(self, channel=128, reduction=2, ksize=3, scale=3, stride=1, softmax_sca

原创 pychram+python 看源码： 按住crtl，点击函数

pychram+python 看源码打开pychram , 按住crtl ,用鼠标点击你想要的函数，pycharm会自动打开所选的函数的源码。结合crtl+F快捷键，键入搜索目标关键字，能帮助你更快找到目标。这里，看到了Pytorch 的Module都只带默认的初始化方法，而且初始化会调用此函数，因此我们定义好后，不用手动初始化。在__init__中最后一行调用函数reset_parameters进行参数初始化，卷积函数都继承了_ConvNd，因此所有卷积module都自动初始化。nn.conv

原创 GHMC代码中函数含义

代码import torchimport torch.nn.functional as Ffrom torch.autograd import Variableclass GHMC_Loss: def __init__(self, bins=10, momentum=0.0): self.bins = bins self.momentum = momentum self.edges = [float(x) / bins for x in ra

原创 BCS 图像分块压缩感知

BCS即图像分块压缩感知，将图像分成多个大小为B×B的图像块，设xj为每块的列向量表示，对每一个图像块采用观测矩阵ΦB来测量。则每个图像块所对应得到的观测向量为yj=ΦBxj,其中ΦB是MB×B2的正交测量矩阵，并且有MB=[M/N]B2。使用分块压缩感知有以下几个好处：首先由于分块后观测矩阵ΦB的尺寸变小，降低了所需的存储空间；其次，在编码端不需要等到整幅图像都完成观测后再进行编码，能在图像块投影到观测矩阵后就进行编码传输；最后算法中初始化使用的x(0)是根据最小均方误差来计算的，分块后的图像由于观测

原创 结构稀疏模型

结构稀疏模型。单个信号的先验：单个信号的块稀疏结构，高斯统计分布。多个信号的先验：MMV模型，联合稀疏模型自相似。基于分类。基于协同融合方法。像素级。特征级。决策级。线性加权图像融合。基于金字塔变换的图像融合。基于 PCA 的图像融合。基于小波变换的图像融合。同步匹配追踪SOMP融合方法稀疏表示是指，一个信号在过完备字典中，可以由少数个原子线性表达，贪婪算法的核心是每次从字典的原子中选择一个最优原子来表示原始的信号。...