qq_37957854的博客

《Single Image Dehazing Based on the Physical Model and MSRCR Algorithm》阅读笔记 author：Owen718Jinbao Wang, Ke Lu, Member , IEEE, J i a n X u e , Member , IEEE, Ning He, and Ling Shao, Senior Member , IEEE摘要——针对雾霾天气图像退化问题，提出了一种基于物理模型和图像亮度分量的单幅图像去雾方法，该方法采用多尺度

**定位色块常用到hsv色彩空间下的颜色阈值，笔者曾经用openmv时，其IDE有自带一个阈值编辑器，使用起来非常方便，现在在linux上跑cv算法，需要类似的功能，因此自己写了一个阈值编辑器。 目前暂时只支持HSV色彩空间下的阈值编辑。**代码：mian.py:from threshold_ui import Ui_Widgetfrom PyQt5.QtWidgets import QApplicationfrom PyQt5.QtGui import QImage,QPixmap,QFon

本文针对一般水下视频图像清晰化方法使图像失真、噪声放大以及视频播放中相邻帧出现闪烁跳跃等现象，提出了基于颜色空间的单幅水下图像清晰化方法和基于时空信息融合的水下视频清晰化方法简述：鉴于当前大多单幅图像清晰化算法基于局部块先验，清晰化后的图像中仍存在块状效应，研究了基于非局部先验的颜色空间水下图像清晰化方法，对非局部先验的清晰化方法进行改进，以得到更准确的透射率。同时，根据水下图像成像特点，利用暗通道先验与颜色饱和度相结合的方式对水下图像背景光进行修正。关键效果：能较好地消除视频帧播放时的闪烁现象，

#include<iostream>#include <opencv2/opencv.hpp>#include<opencv2\highgui\highgui.hpp>#include<opencv2\core\core.hpp>#include <opencv2\imgproc\imgproc.hpp>#include<math.h>#include<string.h>#include <codecvt

**在做opencv dnn 人脸检测的时候一直遇到这个问题，翻遍了谷歌、csdn、Stack Overflow，毛都没有。最后自己摸索出来解决方案如下：**1、使用绝对路径2、使用了绝对路径还不行，试试标注下参数，例如：readNetFromCaffe(prototxt="D:\github\Opencv-Algorithm-summary\deploy.prototxt"3、以上方法还是没解决，试试把“\”改为“\\”。笔者这边正常运行的代码：#coding=utf-8import

首先来看下从摄像头视频流中检测人脸的demo：import cv2import numpy as npcap = cv2.VideoCapture(0)def face_detected(img): face_cascade = cv2.CascadeClassifier('D:\python_code\haarcascades\haarcascade_frontalface_alt.xml') #脸部haar特征文件 eye_cascade = cv2.CascadeC

原理解释：https://blog.csdn.net/ChangWei_wenzhou/article/details/83583230?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-7.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPa

GrabCut算法原理：https://blog.csdn.net/zouxy09/article/details/8534954grabCut函数原型：def grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode=None)img为原图像，mask为掩模，bgdModel为前景背景模型，fgdModel为后景背景模型，rect为初始矩形，背景和前景模型都要基于这个矩形所留下的区域来决定。demo:import cv2impo

该算法使用极几何来计算所谓的视差图，它是对图像中检测到的不同深度的基本表示。这样就能提取出一张图片中的前景部分而抛弃其余部分。首先需要同一物体在不同视角下拍摄的两幅图像，注意是在距物体相同距离拍摄的！否则计算会失败，计算得到的视差图就没有意义了。以下程序使用同一物体的两幅图像来计算视差图，距离摄像头近的点在视差图中会有更明亮的颜色。黑色区域代表两幅图像的差异部分。import numpy as npimport cv2def update(val = 0): stereo.setBlo

import cv2import numpydef cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows()#边缘检测优化方法 先对图像进行模糊处理，再转为为灰度彩色图像，再使用laplacian检测边缘。此方法可较好的避免将噪声错误地识别为边缘。def strokeEdges(src,dst,blurKsize = 7,edgeKsize = 5): if

#高通滤波器#高通滤波器（High Pass Filter，HPF）是检测图像的某个区域，#然后根据像素与周围像素的亮度差值来提升（boost）该像素的亮度的滤波器。#高通滤波器是根据像素与邻近像素的亮度差值来提升该像素的亮度。# 低通滤波器（Low Pass Filter，LPF）则是在像素与周围像素的亮度差值小于一个特定值时，平滑该像素的亮度。# 它主要用于去噪和模糊化，例如，高斯模糊是最常用的模糊滤波器（平滑滤波器）之一，它是一个削弱高频信号强度的低通滤波器。import cv2imp

首先，需要设定雪花在一个窗口中的总数目，这个关系到雪花的空间密度。假定有20个雪花。就需要两个数组，分别为x[20] y[20]来分别记录x坐标和y坐标。通过自定义一个函数来初始化雪花的位置。这里需要用到随机数的相关知识。其次，如果当雪花落下时，在雪花落的位置画一个雪花，模拟雪花残留在地面上。当雪花的y坐标达到画布上限时，令其为0，再重新初始化x坐标，即可实现雪花的连续随机飘落。下面是代码：...

注意opencv版本为opencv-contrib-python 3.4.2.17opencv-python 3.4.2.17由于专利版权问题，opencv内置的SIFT算法在3.4.3及以上版本中无法使用。mport cv2import numpy as npimg1 = cv2.imread(r'C:\Users\Owen\Pictures\box.png')img2 = cv2.imread(r'C:\Users\Ow

使用电流互感器串到bai电路里面，du将电流转换成电压值，再使用示波器测量电流zhi互感器的电压值即可，dao默认电阻为1欧姆，所以是1:1反应电流波形的，Place——Component——Sources——CONTROLLED_VOLTAGE_SOURCES——CURRENT_CONTROLLED_VOLTAGE_SOURCE...

复数共四种形式，结合欧拉公式变换，其实就三种形式。他们分别是：结合欧拉公式，其实就是四种了，欧拉公式：可得：欧拉公式的证明：幅值：相角：复数的运算复数相加（或相减）就是直接将它们的实部和虚部分别相加（或相减）进行：在图形上，这个过程等同于两个矢量相加（或相减）的平行四边形定律（phasor）两个复数相乘可以将一个复数的每个部分乘以第二个复数的各个部分，然后将四个乘积相加，得到最终的值。在图形上，这个过程与矢量的内积并不相同，如果将每个复数看成复平面（实轴与虚轴组成）上的矢.

import psutil,redisk = str(psutil.disk_partitions())disk_device = r'device'for i in re.finditer('device', disk): #print(i.span()) start = i.span()[1] + 2 #盘符字符串起始位置 end = i.span()[1] + 4 #盘符字符串终止位置 print(disk[start:end])...

QMessageBox类提供了一个模式对话框，用于通知用户或询问用户问题并接收答案。我们先来看下QMessageBox::information函数的使用:其原型：[static] int QMessageBox::information(QWidget *parent, const QString &title, const QString &text, int button0, int button1 = 0, int button2 = 0)parent是父组件指

#include "sys.h"/** 定时器3，可产生四路的PWM输出,四个通道分别对应的引脚情况如下 TIM3_CH1,TIM3_CH2,TIM3_CH3,TIM3_CH4 没有重映像的对应情况: PA6,PA7,PB0,PB1 部分重映像: PB4,PB5,PB0,PB1 完全重映像: PC6,PC7,PC8,PC9 当我们的IO口不仅仅是做普通的输入输出使用的时...