<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[normol的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/normol</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; normol]]></copyright><item><title><![CDATA[StyleCLIP global direction详解]]></title><link>https://blog.csdn.net/normol/article/details/133926632</link><guid>https://blog.csdn.net/normol/article/details/133926632</guid><author>normol</author><pubDate>Thu, 19 Oct 2023 17:19:08 +0800</pubDate><description><![CDATA[CLIP中虽然图像特征与文本特征不存在一一对应的关系，但相同的语义下，图像特征的变化方向与文本特征的变化方向是一致的，如下图右侧的man,woman所示可以将stylegan中隐空间的语义变化方向投影至CLIP空间（下图左下角），这样若命令为man->woman,则可以首先计算CLIP中文本特征对应的变化方向Δt\Delta tΔt，再计算该Δt\Delta tΔt与CLIP中间中所有图像变化方向Δi\Delta iΔi的共线程度(即变化方向一致)，取出共线程度大的Δi。]]></description><category></category></item><item><title><![CDATA[python import与相对路径]]></title><link>https://blog.csdn.net/normol/article/details/116144122</link><guid>https://blog.csdn.net/normol/article/details/116144122</guid><author>normol</author><pubDate>Mon, 26 Apr 2021 10:43:32 +0800</pubDate><description><![CDATA[前言：又是弄视频分割的这个项目，被里面的路径搞疯了，一直报错。其实以前也遇到过路径相关的问题，但是随便折腾下，问题也就解决了，所以一直懒得去仔细钻研这问题。
本文会探讨两类问题，一是import，而是相对路径（更新中，自己也还在学习）。

pathProject
- src
-- main.py
-- package1
--- p1.py
-- package2
--- p2.py


下面是针对自己的疑问，进行实验的结果
Q1：在pathProject下执行python src/main.py与pathP]]></description><category></category></item><item><title><![CDATA[pytorch dataloader输出shape探讨（RNN format）]]></title><link>https://blog.csdn.net/normol/article/details/116137719</link><guid>https://blog.csdn.net/normol/article/details/116137719</guid><author>normol</author><pubDate>Sun, 25 Apr 2021 20:48:24 +0800</pubDate><description><![CDATA[前言：第一次接触视频分割相关的网络(RVOS,https://github.com/imatge-upc/rvos)，发现网络dataloader的输出数据格式不是batch first，而是[length_of_clips, batch_size, channels, height, width]。经过实验发现：若Dataset返回tensor对象，则dataloader输出常规的[batch_size, length_of_clips, channels, height, width]，(即batch ]]></description><category></category></item><item><title><![CDATA[专利撰写要点]]></title><link>https://blog.csdn.net/normol/article/details/111941405</link><guid>https://blog.csdn.net/normol/article/details/111941405</guid><author>normol</author><pubDate>Wed, 30 Dec 2020 09:16:09 +0800</pubDate><description><![CDATA[这儿记录下导师在改专利时侧重的地方，方便自己回顾，也供大家参考。

专利中权利要求书最重要，即专利被否决只能对权利要求书提出异议，其余的说明书、说明书附图只能作为支撑材料
权利要求书中最重要，也是审理审查员经常会抓的点就是公式，要避免同一个字母在不同公式中指代不一的情况，公式中出现的任意字符都要说明
权利要求书中要避免出现不确定的字、词，如“主要”，“大致”等等
权利要求书中的权利要求一般按照其标号的升高重要性递减，越重要的越在前（即属于关键创新性的东西写在前）。
权利要求书中若出现了几点权利要求，只要其中]]></description><category></category></item><item><title><![CDATA[opencv 实现ps油漆桶【三】]]></title><link>https://blog.csdn.net/normol/article/details/109696967</link><guid>https://blog.csdn.net/normol/article/details/109696967</guid><author>normol</author><pubDate>Sat, 14 Nov 2020 21:42:43 +0800</pubDate><description><![CDATA[github地址（更新中）：https://github.com/SunnyWuYang/Paint-Bucket-with-Gaps
参考：
[1] opencv实现画板效果:
https://github.com/aapsi/Paint-Application
版本三目的与功能：

画板工具增加功能（橡皮擦、笔刷大小更改、笔刷跟随效果、种子点选择）
将floodfill算法颜色判断由1改为255
画板与floodfill算法整合

算法实现
floodfill.py
import cv2
import ]]></description><category></category></item><item><title><![CDATA[opencv 实现ps油漆桶【二】]]></title><link>https://blog.csdn.net/normol/article/details/109674992</link><guid>https://blog.csdn.net/normol/article/details/109674992</guid><author>normol</author><pubDate>Fri, 13 Nov 2020 15:35:46 +0800</pubDate><description><![CDATA[github地址（更新中）：https://github.com/SunnyWuYang/Paint-Bucket-with-Gap
参考：
[1] opencv实现画板效果:
https://blog.csdn.net/qq_42191914/article/details/105035921
版本二目的与功能：

创建简易版的画板工具为算法提供实验图像
利用自己绘制的图像测试算法

算法实现
import os
import sys
import cv2
import numpy as np

"""
]]></description><category></category></item><item><title><![CDATA[opencv 实现ps油漆桶【一】]]></title><link>https://blog.csdn.net/normol/article/details/109671043</link><guid>https://blog.csdn.net/normol/article/details/109671043</guid><author>normol</author><pubDate>Fri, 13 Nov 2020 14:49:01 +0800</pubDate><description><![CDATA[前言（可忽略）：前些日子遇到个需求，需要首先检测出网格面边缘（不是完全规则的），然后将网格面内部填充为另一种颜色。但是由于前景背景较为相似，检测出的网格面边缘并没有完全闭合，导致用普通的floodfill填充会使填充区域溢出当前网格。于是四处查找相关算法，终于在github上找到一个用typescript实现的项目，但这个项目功能比较简单。虽然最开始的需求已经没有了，但出于兴趣想将这个功能完整的实现出来。（由于平时有很多其他的事，因此只能利用空余时间一点点更新）
github地址（更新中）：https://]]></description><category></category></item><item><title><![CDATA[pytorch F.affine_grid  F.grid_sample探究]]></title><link>https://blog.csdn.net/normol/article/details/108264857</link><guid>https://blog.csdn.net/normol/article/details/108264857</guid><author>normol</author><pubDate>Thu, 27 Aug 2020 17:20:03 +0800</pubDate><description><![CDATA[在pytorch框架中， F.affine_grid 与 F.grid_sample（torch.nn.functional as F）联合使用来对图像进行变形。
F.affine_grid 根据形变参数产生sampling grid，F.grid_sample根据sampling grid对图像进行变形。
需要注意，pytorch中的F.grid_sample是反向采样，这就导致了形变参数与直觉是相反的（后面有实验验证）（例如放射矩阵中的缩放因子是0.5，会使目标图像扩大两倍；平移为正会使目标图像往左上角]]></description><category></category></item><item><title><![CDATA[pytorch Sequential ModuleList与python list构建网络比较]]></title><link>https://blog.csdn.net/normol/article/details/108234309</link><guid>https://blog.csdn.net/normol/article/details/108234309</guid><author>normol</author><pubDate>Wed, 26 Aug 2020 10:02:47 +0800</pubDate><description><![CDATA[参考别人博客，自己实验并总结，供参考。


import torch
import torch.nn as nn

"""
比较了nn.Sequential，ModuleList与python list
构建网络的区别
"""


class net1(nn.Module):
    def __init__(self):
        super(net2, self).__init__()
        self.conv = nn.Sequential(nn.Conv2d(3, 5, 5, 0))]]></description><category></category></item><item><title><![CDATA[python FFT图像匹配]]></title><link>https://blog.csdn.net/normol/article/details/108072867</link><guid>https://blog.csdn.net/normol/article/details/108072867</guid><author>normol</author><pubDate>Tue, 18 Aug 2020 11:19:41 +0800</pubDate><description><![CDATA[利用傅里叶空间的correlation实现模板与图像间的匹配，原参考代码用matlab实现源地址，这儿用python复现。


import numpy as np
import cv2
from scipy import fftpack
from matplotlib import pyplot as plt

template = cv2.imread('template.jpg')
origin = cv2.imread('image.jpg')

template_gray = cv2.cvtCol]]></description><category></category></item><item><title><![CDATA[opencv 彩色图像equalizeHist注意事项]]></title><link>https://blog.csdn.net/normol/article/details/107834808</link><guid>https://blog.csdn.net/normol/article/details/107834808</guid><author>normol</author><pubDate>Fri, 07 Aug 2020 10:38:25 +0800</pubDate><description><![CDATA[对彩色图像进行直方图均衡化，一般是通过对HSV色彩空间的V通道进行直方图均衡化，再合并H，S，V三个通道后转化为RGB空间。（其实V通道简单来说就是图像明暗通道，增加V通道值的效果等同于windows照片编辑中的光线调整，如图：）





示例代码为：


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

if __name__ == '__main__':
    img = cv2.imread("pic.jpg")
    ]]></description><category></category></item><item><title><![CDATA[opencv minAreaRect角度]]></title><link>https://blog.csdn.net/normol/article/details/107769692</link><guid>https://blog.csdn.net/normol/article/details/107769692</guid><author>normol</author><pubDate>Tue, 04 Aug 2020 11:28:57 +0800</pubDate><description><![CDATA[minAreaRect返回的数据包括了矩形的中心点，宽、高，和旋转角度。

其中旋转角度的范围是[-90,0)，在第一、第二象限有不同的表现形式，更重要的是，宽高也会跟着旋转而发生变化。

下面是实验的模拟：

首先创建一个矩形图，初始水平，




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

if __name__ == '__main__':
    image = np.zeros((40.]]></description><category></category></item><item><title><![CDATA[Otsu算法原理与python实现]]></title><link>https://blog.csdn.net/normol/article/details/106011456</link><guid>https://blog.csdn.net/normol/article/details/106011456</guid><author>normol</author><pubDate>Sun, 10 May 2020 17:24:27 +0800</pubDate><description><![CDATA[[注：下面公式所涉及的是带权重的均值与方差，一开始我并不明白为什么要这样做，还去查了关于带权重与不带权重计算均值或方差的区别，后面发现，应该是因为该算法的计算是基于概率分布，而概率分布意味着这是一个可以根据概率，产生无数样本的population，而非sample，因为对概率分布求均值就相当于求期望，方差也同理，需要带上概率]
原理
一幅图片的所有像素有LLL个灰度级，[1,2,⋯ ,L][1,2,\cdots,L][1,2,⋯,L]
处于灰度级iii的像素数量表示为nin_ini​，因此像素的总数为N=n]]></description><category></category></item><item><title><![CDATA[弹性变形与采样，旋转，形变场可视化]]></title><link>https://blog.csdn.net/normol/article/details/105957915</link><guid>https://blog.csdn.net/normol/article/details/105957915</guid><author>normol</author><pubDate>Wed, 06 May 2020 20:20:54 +0800</pubDate><description><![CDATA[文章目录采样变形场可视化变形与可视化实例STN(Spatial Transform Network)
Dense Deformation（Elastic deformation）的采样与可视化
对于采样(sample)而言，分为前向与后向。前向直观上更容易理解，但实际应用会有问题，因此，算法中的采样操作一般为后向。
采样
前向采样：

将输入图像坐标p1根据DDF(Dense deformatio...]]></description><category></category></item><item><title><![CDATA[给定概率密度，生成随机数 python实现]]></title><link>https://blog.csdn.net/normol/article/details/98968528</link><guid>https://blog.csdn.net/normol/article/details/98968528</guid><author>normol</author><pubDate>Fri, 09 Aug 2019 19:47:58 +0800</pubDate><description><![CDATA[实现的方法可以不止一种：

rejection sampling
invert the cdf
Metropolis Algorithm (MCMC)

本篇介绍根据累积概率分布函数的逆函数(2：invert the CDF)生成的方法。
原参考网站：https://blog.demofox.org/2017/08/05/generating-random-numbers-from-a-speci...]]></description><category></category></item><item><title><![CDATA[voxel 转换为 patient coordinate（python实现）]]></title><link>https://blog.csdn.net/normol/article/details/90936225</link><guid>https://blog.csdn.net/normol/article/details/90936225</guid><author>normol</author><pubDate>Wed, 05 Jun 2019 20:31:35 +0800</pubDate><description><![CDATA[dcm
其实自己感觉还未完全理解（博客内容若有错误请指出），先记下来，等答辩、课题等事情弄好再重新学习并补充。
一些基础概念别人博客已经写的很好了，我理解的关键点为：
1、病人坐标系的xyz定义方向为LPS
2、图像坐标xy定义方向：(0,0)代表图像左上角，（max(x),max(y)）代表图像右下角（这儿x的延伸方向也是i的延伸方向，y的延伸方向等同于j的延伸方向）
3、仿射变换矩阵定义为

...]]></description><category></category></item><item><title><![CDATA[Selective Search与Graph-Based Segmentation python实现（一）]]></title><link>https://blog.csdn.net/normol/article/details/90640667</link><guid>https://blog.csdn.net/normol/article/details/90640667</guid><author>normol</author><pubDate>Tue, 28 May 2019 15:42:16 +0800</pubDate><description><![CDATA[  在用深度学习做完肿瘤分割后，因为需要对比实验，所以当时（2019-4-13）在传统方法里找到过Felzen的Graph-Based Segmentation，而且那个时候还混淆了Graph-Cut分割和Graph-Based分割，因为看名字以为Graph-Based segmentation是一个大的类别，其实并不是。
  当时虽然也学习了关于这个分割算法的知识，但是流于形式，一下就忘了，仅用...]]></description><category></category></item><item><title><![CDATA[python matplotlib需要注意的坑]]></title><link>https://blog.csdn.net/normol/article/details/90604590</link><guid>https://blog.csdn.net/normol/article/details/90604590</guid><author>normol</author><pubDate>Mon, 27 May 2019 15:39:17 +0800</pubDate><description><![CDATA[仅是临时记录一下，避免忘记
当plt有subplot时，注意数据格式要按要求，要么是0-1的浮点数，要么是0-255的整数，若sbuplot有两幅图时，一副是0-255符合规范的整数，另一幅是0.0-255.0不符合规范的浮点数，则不合符规范的图片不能正确显示。
此外，plt的imshow能正确处理范围外的图片，例如若范围超出了255，那么plt内部能够进行转化并显示出转换后正确范围的图片。

...]]></description><category></category></item><item><title><![CDATA[unity 物体围绕自身中心旋转而非轴心]]></title><link>https://blog.csdn.net/normol/article/details/90237917</link><guid>https://blog.csdn.net/normol/article/details/90237917</guid><author>normol</author><pubDate>Wed, 15 May 2019 15:41:19 +0800</pubDate><description><![CDATA[unity完全新手，为了完成任务而学。博客仅是记录，若有错误望指出。
目前的情况是：需要对医学图像分割后进行三维重建，先直接由ground-truth作为测试。
ground-truth为.nii文件，在matlab中转化为.obj文件后导入unity。
需要用鼠标去拖动器官进行旋转时发现了问题，即器官会绕着一个很奇怪的点转（奇怪的点不在该器官上，经过后期检查，该点为原点）。
进一步检查，发现器官...]]></description><category></category></item><item><title><![CDATA[Ubuntu 启动 tensorboard 报错 locale.Error: unsupported locale setting]]></title><link>https://blog.csdn.net/normol/article/details/90174108</link><guid>https://blog.csdn.net/normol/article/details/90174108</guid><author>normol</author><pubDate>Mon, 13 May 2019 15:22:04 +0800</pubDate><description><![CDATA[网上的一些办法试了并不能解决问题，最后是论坛里找到解决办法的。
即，我是用macos的terminal终端ssh连接，其会有自动编码的默认选项，需要去掉勾选
论坛上找到的可行方案：


去掉勾选后在服务器重新运行tensorboard的命令，成功启动。

...]]></description><category></category></item></channel></rss>