OldDriver1995的博客

深度学习模型可视化

直方图均衡化，暗光增强

显著性检测

pytorch训练过程中存储图片

https://github.com/CompVis/stable-diffusion 这个网址，下载压缩包解压，也可以用git clone下载。下载地址：https://huggingface.co/CompVis/stable-diffusion-v-1-4-original。文件中自带瑟图检测，如果触发了会生成一张全黑图片或者是其他和谐图替代。其实在代码中可以注释掉。随便选一个就行，下载了之后放到stable-diffusion 文件夹中的。其他有啥漏掉的包基本直接pip就行。就不会触发安全检测了。

除了用seaborn，还可以用ConfusionMatrixDisplay。混淆矩阵通常长上面这个样子，通过。只需要简单几行，即可实现。

Gabor filter 作为一种很出名的纹理滤波器，可以很好的捕捉纹理信息。比如设置成（3， 3， math.pi/2， 0.5）的参数。显示的时候要用np.real取实数部分，不然画不出来。现在的Gabor由4个参数控制（Gabor还可以用过skimage 调包实现。代码实现如下, 代码里的freq就是。

这两个算法相似，都是为了获取局部特征点的特征向量的。具体数学原理不过多赘述值得注意的是这两个函数在早期版本（opencv3.4 以前）中属于, 而在4以后是可以直接省掉的。

LBP的算法全称是Local Binary Pattern, 局部二值特征。他的实现也很简单，对于图像的一个3x3的块，中心的值和周围八个点作比较，周围点比中心点大为1，反之为0，从而可以将当前这个中心点转换成只包含01的二值表示，然后再将二进制转成十进制存储。LBP的实现还有很多变种，比如圆形LBP。无论其方式如何变化，其中心思想都是周围点和中心点比较。生成的图片就会产生这种类似浮雕一样的效果。

每一个轮廓的维度是【长度，1，2】，而elliptic_fourier_descriptors只能处理【长度，2】这样的数据，所以用np.squeeze()。图像轮廓的获取方式如上述代码，一般是先转灰度，再获取binary，再送到findContours函数中。返回的contours一般是一个四维的向量，分别表示【轮廓个数，该轮廓的轮廓点个数，1，坐标x和y】。关键的输入是contours，图像轮廓，可以通过opencv的函数实现。傅里叶描述器，通过傅里叶级数逼近的方式，去近似得到图像轮廓的表示。.....

色彩空间

本文将通过一个经典的Kaggle比赛：MNIST手写字识别来进行简单的图像处理入门。该Kaggle竞赛链接并且会用到很常见的CNN模型。首先导入数据，做好前期准备：import pandas as pdimport numpy as nptrain_data = pd.read_csv('./train.csv')test_data = pd.read_csv('./test.csv')简单查看一下可以发现，该数据中，训练集里是包含label的，在其数据的第一位，而测试集没有。并且他的数据

比如模型如下：class Net(nn.Module): # 初始化定义网络的结构：也就是定义网络的层 def __init__(self): super(Net,self).__init__() self.layer1 = nn.Sequential( nn.Conv2d(3,6,kernel_size=5,stride=1,padding=0), # 激活函数

K-means算法的理论网上一大堆，并且理论本身不难，所以直接跳过，注重实战。首先导入包并且显示原图片：from PIL import Imageimport matplotlib.pyplot as pltimport numpy as npfrom sklearn.cluster import MiniBatchKMeansimage=Image.open("./photo/PA2...

网上看到很多用opencv打开图片的，无论最后添加什么代码，图片打开都无法关闭并且会导致kernel挂掉。个人对opencv没啥研究，所以今天换一种小白方式。首先需要下载Pillow，用pip直接下载即可：pip install Pillow下载之后导入包，注意导入的时候叫PIL:from PIL import Imageimport matplotlib.pyplot as plti...