- 博客(11)
- 收藏
- 关注
原创 2021-10-10
Jupyter Notebook 修改默认目录1.先生成 jupyter notebook 配置文件2.修改配置文件3.修改 jupyter notebook 快捷方式4. 重新启动 jupyter notebook1.先生成 jupyter notebook 配置文件方法 一 :使用 *CMD/Powershell* 进入命令行窗口输入 *jupyter notebook --generate-config* 命令,生成配置文件。方法二:如果方法一失效, 那么就在 Anaconda Promp
2021-10-10 18:01:45 677
原创 ffmpeg配置问题:Couldn‘t find ffmpeg or avconv - defaulting to ffmpeg, but may not work
环境: win10 python:3.61.安装 ffmpeg。通过pip安装的 ffmpeg 是源文件,不可执行。因此我们需要去 https://www.gyan.dev/ffmpeg/builds/ 下载对应文件。2.下载后解压文件,得到 ffmpeg build 文件。3.为 ffmpeg 添加系统变量。将 ffmpeg/bin 路径放到 系统环境 path 中。4.如果到第三步,你在cmd 中输入 ffmpeg -version 还是报错,那么你需要执行以下操作:(
2021-07-08 10:56:13 5554 4
转载 梯形低通滤波器
梯形低通滤波器类似上篇巴特沃斯低通滤波,只是其转移函数不同。梯形低通滤波器的转移函数如下:式中,D0为截止频率,D1可以任取,但要求D1>D0。两个都不能为负。D(u,v)也是从频率域的原点到(u,v)的距离,计算公式在理想低通滤波那里介绍过。import cv2 as cvimport numpy as npimport matplotlib.pyplot as pltimport matplotlib as mplimport suanfa as sfmpl.rcParams
2020-07-24 10:37:44 4719 1
转载 理想低通滤波
理想低通滤波是滤掉高频部分,仅允许低频通过,以去掉噪声,使图像得到平滑。1. 将图像进行傅里叶变换,将低频移至中心2. 在频域进行处理,首先,计算理想低通滤波器,然后将其与傅里叶频谱相乘。3. 傅里叶反变换回空间域import cv2 as cvimport numpy as npimport matplotlib.pyplot as pltimport matplotlib as mplimport suanfa as sfmpl.rcParams['font.sans-serif']
2020-07-24 09:36:42 5513
转载 傅里叶变换
**傅里叶变换**对图像的傅里叶变换,就是将图像从图像空间变换到频率空间,从而可以在频率域对图像进行处理。1、傅里叶变换及其反变换在numpy中自带了函数fft2进行二维傅里叶变换,它其实是离散快速傅里叶变换。在频率域对图像进行处理后,要将其反变换到空间域才能显示图像。可用函数 np.fft.ifft2()函数进行傅里叶反变换。import cv2 as cvimport numpy as npfrom matplotlib import pyplot as plt i...
2020-07-23 22:36:59 283
转载 双边滤波
双边滤波是一种非线性的滤波方法,能够保持边界清晰的情况下有效的去除噪声,它拥有类似相机里美颜的效果。双边滤波之所以能够做到保边去噪的效果,是由于它的有两个核:空间域核和值域核,比高斯滤波只有一个值域核多了一个。空间域核是由像素位置欧式距离决定的模板权值。值域核是由像素值的差值决定的模板权值。具体计算公式请直接百度,网络上有非常多的推导,理论。可以用opencv自带的函数bilateralFilter()来实现双边滤波。bilateraFilter(src, d, sigmaColor, sigm
2020-07-23 17:25:55 218
转载 高斯滤波
高斯滤波是一种线性平滑滤波,对于消除高斯噪声有很好的效果,对于服从正态分布的噪声非常有效。高斯滤波就是对整幅图像进行加权平均的过程,与均值滤波类似,不同的是,均值滤波的模板系数均为1,而高斯滤波的模板系数是计算出来的。高斯滤波的详细操作是:用一个模板(或称卷积、掩模)扫描图像中的每个像素。用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。自己写代码挺麻烦,可以用opencv自带的函数GaussianBlur()来实现高斯滤波。import cv2 as cvimport suanfa
2020-07-23 17:16:13 332
转载 Prewitt边缘检测算子
Prewitt算子也是一种一阶微分算子,用于边缘检测。与Robert使用22的模板不同,Prewitt算子使用的是33的模板,利用像素点上下、左右邻点的灰度差来检测边缘,故其边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。其数学表达式如下:G(i) = | f(i-1, j-1) + f(i-1,j)+f(i-1,j+1) - [f(i+1,j-1)+f(i+1,j)+f(i+1,j+1)] |G(j) = | f(i-1, j+1) + f(i,j+1)+f(i+1,j+1) - [f
2020-07-23 16:55:49 5416
转载 Robert边缘检测算子
Robert算子是一种利用局部差分算子寻找边缘的算子,它实际也是一种梯度处理法,只是它用的算子与上篇梯度法的算子不一样。 上篇是标准差分算子,而Rboert用的是对角线差分。其差分计算式为:其算子为:# -*- coding:gbk -*-import cv2 import numpy as npimport matplotlib. pyplot as plt#读取图像img = cv2. imread('lena512color.tiff')#灰度化处理图像grayImage
2020-07-23 16:33:49 3255
转载 图像锐化,阈值
设置阈值,大于T为梯度,否则不变。即:import cv2 as cvimport numpy as npimport matplotlib.pyplot as pltdef gradient_T(img, T): result = np.array(img) for i in range(img.shape[0]-1): for j in range(img.shape[1]-1): g = np.abs(int(img[i][j]) - int(img[i+1][j])) +
2020-07-23 15:46:38 690
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