![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CV
Carrie_Lei
这个作者很懒,什么都没留下…
展开
-
CV学习笔记7-YOLO5
尽管其名字延续了 YOLO 系列的命名方式,但 YOLOv5 并不是由原始 YOLO 作者发布的,而是由 Ultralytics 团队基于 PyTorch 框架独立开发的。YOLO 系列以其高效的实时检测性能著称,适用于各种计算机视觉任务,如图像分类、物体检测、语义分割等。YOLOv5 是 YOLO 系列中的一个重要版本,以其卓越的速度和精度在目标检测领域中占据一席之地。YOLOv5 的使用相对简单,用户可以通过 Ultralytics 提供的开源库进行模型训练、验证和推理。原创 2024-08-22 07:51:35 · 297 阅读 · 0 评论 -
CV学习笔记4-边沿检测算子
每种边缘检测算子具有不同的特性和优缺点,可以根据具体的应用需求选择合适的算子。边缘检测算子是图像处理中的重要工具,用于检测图像中的边缘或轮廓。用于检测图像中的边缘,通过计算图像的梯度来识别边缘。它有两个主要的算子,一个用于检测水平方向的边缘,另一个用于检测垂直方向的边缘。是一种简单的边缘检测算子,使用两个 (2 \times 2) 的卷积核来计算图像的梯度。是一种改进的边缘检测算子,类似于 Sobel 算子,但更强调了梯度计算的方向性。是一种多步骤的边缘检测算法,效果较为稳定,能够检测到高质量的边缘。原创 2024-08-21 21:09:34 · 454 阅读 · 0 评论 -
CV学习笔记2-直方图均衡化
通过调整图像的灰度直方图,使得图像的灰度值分布更加均匀,从而改善图像的视觉效果,特别是在光照条件不佳的情况下。直方图均衡化的基本思想是将图像的灰度直方图拉平,使得灰度值在整个范围内均匀分布。这可以提高图像的对比度,特别是当图像的灰度值集中在一个较小的范围时。直方图均衡化可以显著提高图像的对比度,尤其是对那些灰度值集中在一个较小范围内的图像。:累积分布函数用于映射原始图像的灰度值到新的均衡化后的灰度值。:使用 CDF 将原始图像的每个像素值映射到新的灰度值上,得到均衡化后的图像。原创 2024-08-21 20:52:24 · 373 阅读 · 0 评论 -
CV学习笔记5-目标检测
目标检测是计算机视觉中的关键任务之一,旨在识别和定位图像中的对象。随着深度学习技术的发展,目标检测方法已经取得了显著的进展,从传统的区域提议方法到基于深度学习的先进模型(如 YOLO、SSD 和 Faster R-CNN),这些方法在不同的应用场景中具有广泛的应用。目标检测(Object Detection)是计算机视觉中的一种任务,旨在识别图像中的特定对象,并确定它们的边界框(bounding box)。目标检测不仅需要识别图像中的物体类别,还需要精确定位这些物体在图像中的位置。原创 2024-08-21 21:16:00 · 810 阅读 · 0 评论 -
CV学习笔记3-图像特征提取
图像特征提取是计算机视觉中的重要任务,可以通过传统的方法(如边缘检测、角点检测、纹理特征)和现代的深度学习方法(如卷积神经网络)来实现。深度学习方法提供了更强大的特征提取能力,能够自动从数据中学习有意义的特征,并且在复杂的视觉任务中表现优异。图像特征提取是计算机视觉中的一个关键步骤,其目标是从图像中提取有意义的特征,以便进行进一步的分析或任务,如分类、检测、分割等。将图像分成多个有意义的区域或对象,常用的技术包括语义分割和实例分割。使用提取的特征进行图像分类,将图像分配到预定义的类别中。原创 2024-08-21 21:07:40 · 435 阅读 · 0 评论 -
CV学习笔记8-YOLO8
YOLOv8 是 YOLO 系列中的最新版本,代表了当前目标检测领域的顶尖水平。它在继承 YOLO 系列高效、实时检测优势的基础上,进一步优化了模型架构和推理过程,使得它在精度、速度和灵活性上均有所提升。对于需要实时、高效目标检测的应用场景,YOLOv8 是一个极具竞争力的选择。是 YOLO 系列中的最新版本,它在目标检测领域继续推动实时检测的性能和精度。YOLOv8 继承了 YOLO 系列的核心理念,同时引入了更多现代化的设计和优化,使其在多种应用场景中表现更加优异。原创 2024-08-22 07:52:31 · 409 阅读 · 0 评论 -
CV学习笔记1-图像灰度化
图像灰度化是图像处理中的基本步骤之一,通过将彩色图像转换为单通道的灰度图像,能够简化后续处理任务,提高计算效率。在大多数图像处理和计算机视觉任务中,灰度图像都扮演着重要的角色。彩色图像通常包含红、绿、蓝(RGB)三个颜色通道,而灰度图像只有一个通道,代表亮度(或灰度值)。最常见的灰度化方法是基于 RGB 三个颜色通道的加权平均值来计算灰度值。这是因为人眼对红、绿、蓝三种颜色的感知度不同,绿色的敏感度最高,其次是红色,蓝色最低。其中,( R )、( G )、( B ) 分别代表红、绿、蓝三个通道的像素值。原创 2024-08-21 20:49:47 · 456 阅读 · 0 评论 -
CV学习笔记6-一维傅里叶正、逆变换公式
傅里叶变换在图像分析中提供了一个强大的工具,用于频域分析和处理图像数据。通过将图像从空间域转换到频域,傅里叶变换使得许多图像处理问题可以在更适合的域中进行处理。傅里叶变换在图像分析中扮演着重要的角色,通过将图像从空间域转换到频域,可以进行多种分析和处理。傅里叶变换是一种重要的数学工具,用于将信号从时域转换到频域。傅里叶变换在信号处理、图像处理等领域有广泛的应用。为了提高傅里叶变换的计算效率,快速傅里叶变换(FFT)算法被广泛应用,它可以大幅度加速离散傅里叶变换(DFT)的计算。原创 2024-08-21 21:20:09 · 509 阅读 · 0 评论 -
CV学习笔记6-图像样本增强
通过对图像进行各种变换,可以生成更多的训练样本,增强模型对不同输入变化的鲁棒性,减少过拟合。通过对训练数据进行各种变换,生成新的样本,这可以帮助模型更好地适应不同的输入变化,减少过拟合,提升模型的性能。:将图像按一定角度旋转,增加模型对图像方向变化的鲁棒性。:水平翻转、垂直翻转图像,增加模型对图像对称性的鲁棒性。:改变图像的颜色空间,使模型对色彩变化具有更好的鲁棒性。:调整图像的对比度,增强模型对颜色变化的适应性。:增加或减少图像的亮度,模拟不同的光照条件。:改变图像的大小,模拟不同的距离或视角。原创 2024-08-21 21:23:35 · 770 阅读 · 0 评论