开拖拉机的舒克。-CSDN博客

原创 11.5 LBP和HOG特征算子

4.5 LBP和HOG特征算子学习目标：了解LBP特征的原理了解LBP的改进算法：圆形LBP，旋转LBP和等价模式了解HOG算法的原理熟悉灰度图像的γ变换了解HOG特征的提取流程了解LBP特征的提取方法了解HOG特征的提取方法 1.LBP算法LBP(Local Binary Pattern)指局部二值模式，是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。它是由T. Ojala,.

2020-05-12 11:47:49 1156 1

原创 11.4 Fast和ORB算法

Fast和ORB算法学习目标理解Fast算法角点检测的原理，能够完成角点检测理解ORB算法的原理，能够完成特征点检测 1 Fast算法1.1 原理我们前面已经介绍过几个特征检测器，它们的效果都很好，特别是SIFT和SURF算法，但是从实时处理的角度来看，效率还是太低了。为了解决这个问题，Edward Rosten和Tom Drummond在2006年提出了FAST算法，并在2010年对其进行了修正。FAST(全称Features from accelerated s.

2020-05-12 11:47:42 1103

原创 11.3 SIFT/SURF算法

SIFT/SURF算法学习目标理解SIFT/SURF算法的原理，能够使用SIFT/SURF进行关键点的检测 SIFT/SURF算法1.1 SIFT原理前面两节我们介绍了Harris和Shi-Tomasi角点检测算法，这两种算法具有旋转不变性，但不具有尺度不变性，以下图为例，在左侧小图中可以检测到角点，但是图像被放大后，在使用同样的窗口，就检测不到角点了。所以，下面我们来介绍一种计算机视觉的算法，尺度不变特征转换即SIFT (Scale-invariant fea.

2020-05-12 11:47:35 736

原创 11.2 Harris和Shi-Tomas算法

Harris和Shi-Tomas算法学习目标理解Harris和Shi-Tomasi算法的原理能够利用Harris和Shi-Tomasi进行角点检测 1 Harris角点检测1.1 原理Harris角点检测的思想是通过图像的局部的小窗口观察图像，角点的特征是窗口沿任意方向移动都会导致图像灰度的明显变化，如下图所示：椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。那我们怎么判断角点呢？如下图所...

2020-05-12 11:42:29 736

原创 11.1 角点特征

角点特征在图像的上方给出了六个小图。找到这些小图在原始图像中的位置。你能找到多少正确结果呢？A 和 B 是平面，而且它们的图像中很多地方都存在。很难找到这些小图的准确位置。C 和 D 也很简单。它们是建筑的边缘。可以找到它们的近似位置，但是准确位置还是很难找到。这是因为：沿着边缘，所有的地方都一样。所以边缘是比平面更好的特征，但是还不够好。最后 E 和 F 是建筑的一些角点。它们能很容易的被找到。因为在角点的地方，无论你向哪个方向移动小图，结果都会有很大的不同。所以可以把它们当成一个.

2020-05-12 11:41:00 486

原创 10.9 图像分割

3.9 图像分割学习目标了解图像分割的类型知道阈值分割的内容：全阈值分割，自适应阈值分割，熟悉大津法知道分水岭算法的原理了解GrabCut算法 1 图像分割所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。我们先对目前主要的图像分割方法做个概述，后面再对个别方法做详细的了解和学习。1、基于阈值的分割方法阈值法的基本思想是基于图像的灰度特征来计

2020-05-12 11:40:15 2068 1

原创 10.8 轮廓检测

3.8 轮廓检测学习目标了解图像的轮廓，知道怎么利用OPenCV查找轮廓知道轮廓的特征知道图像的矩特征 1 图像的轮廓轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓是图像目标的外部特征，这种特征对于我们进行图像分析，目标识别和理解等更深层次的处理都有很重要的意义。轮廓提取的基本原理：对于一幅背景为黑色、目标为白色的二值图像，如果在图中找到一个白色点，且它的8邻域（或4邻域）也均为白色，则说明该点是目标的内部点，将其置为黑色

2020-05-11 20:51:04 401

原创 10.7 图像变换-傅里叶变换

3.7 图像变换-傅里叶变换学习目标理解傅里叶变换知道傅里叶变换的相关概念知道傅里叶变换的分类知道怎么在图像中进行傅里叶变换了解傅里叶变换在图像应用中的意义知道在OPenCV中怎么实现傅里叶变换了解频域滤波的分类 1 傅里叶变换的理解傅里叶变换是由法国的一位数学家Joseph Fourier在18世纪提出来的，他认为：任何连续周期的信号都可以由一组适当的正弦曲线组合而成。傅里叶变换是描述信号的需要，它能够反.

2020-05-10 18:57:11 1958

原创 10.6 模版匹配和霍夫变换

模版匹配和霍夫变换学习目标掌握模板匹配的原理，能完成模板匹配的应用理解霍夫线变换的原理，了解霍夫圆检测知道使用OpenCV如何进行线和圆的检测 1 模板匹配1.1 原理所谓的模板匹配，就是在给定的图片中查找和模板最相似的区域，该算法的输入包括模板和图片，整个任务的思路就是按照滑窗的思路不断的移动模板图片，计算其与图像中对应区域的匹配度，最终将匹配度最高的区域选择为最终的结果。实现流程：准备两幅图像： 1.原图像(I)：在这幅图中，找..

2020-05-10 18:53:39 734

原创 10.5 边缘检测

边缘检测学习目标了解Sobel算子，Scharr算子和拉普拉斯算子掌握canny边缘检测的原理及应用 1 原理边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示：图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于搜索和基于零穿越。基于搜索：.

2020-05-10 18:51:09 3145

原创 10.4 直方图

直方图学习目标掌握图像的直方图计算和显示了解掩膜的应用熟悉直方图均衡化，了解自适应均衡化 1灰度直方图1.1 原理直方图是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的 bin 当中。其中， bin 为直方图中经常用到的一个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。图像直方图（Image Histogram）是用以表示数字图像中亮度分布的直方...

2020-05-10 18:49:21 1315

原创 10.3 图像平滑

图像平滑学习目标了解图像中的噪声类型了解平均滤波，高斯滤波，中值滤波等的内容能够使用滤波器对图像进行处理 1 图像噪声由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。1.1 椒盐噪声椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强.

2020-05-10 18:47:09 831

原创 10.2 形态学操作

形态学操作学习目标理解图像的邻域，连通性了解不同的形态学操作：腐蚀，膨胀，开闭运算，礼帽和黑帽等，及其不同操作之间的关系 1 连通性在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示：2 形态学操作形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如开运算，闭运算，礼帽黑帽等。2.1 腐蚀和膨胀...

2020-05-10 18:45:21 472

原创 10.1 几何变换

几何变换学习目标掌握图像的缩放，平移，旋转等了解数字图像的仿射变换和透射变换 1 图像缩放缩放是对图像的大小进行调整，即使图像放大或缩小。 API cv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR) 参数： src : 输入图像 dsize: 绝对尺寸，直接指定调整后图像的大小 fx,fy: 相对尺寸，将dsize设置为None，然后将fx和.

2020-05-10 18:43:29 466

原创 9.2 算数操作

算数操作学习目标了解图像的加法、混合操作 1.图像的加法你可以使用OpenCV的cv.add()函数把两幅图像相加，或者可以简单地通过numpy操作添加两个图像，如res = img1 + img2。两个图像应该具有相同的大小和类型，或者第二个图像可以是标量值。注意：OpenCV加法和Numpy加法之间存在差异。OpenCV的加法是饱和操作，而Numpy添加是模运算。参考以下代码：>>> x = np.uint8([250])>>&gt.

2020-05-10 18:36:12 386

原创 9.1 图像的基础操作

图像的基础操作学习目标掌握图像的读取和保存方法能够使用OpenCV在图像上绘制几何图形能够访问图像的像素能够获取图像的属性，并进行通道的分离和合并能够实现颜色空间的变换 1 图像的IO操作这里我们会给大家介绍如何读取图像，如何显示图像和如何保存图像。1.1 读取图像 API cv.imread()参数：要读取的图像读取方式的标志 cv.IMREAD*COLOR：以彩色模式加载图像，任何.

2020-05-10 09:17:30 765

原创 8.2 OpenCV简介

OpenCV简介学习目标了解OpenCV是什么能够独立安装OpenCV 1 什么是OpenCV1.1 OpenCV简介OpenCV是一款由Intel公司俄罗斯团队发起并参与和维护的一个计算机视觉处理开源软件库，支持与计算机视觉和机器学习相关的众多算法，并且正在日益扩展。OpenCV的优势：编程语言 OpenCV基于C++实现，同时提供python, Ruby, Matlab等语言的接口。OpenCV-Python是OpenCV的Python API，结

2020-05-10 09:17:18 794

原创 8.1 图像处理

图像处理学习目标了解图像的起源知道数字图像的表示 1 图像的起源1.1 图像是什么图像是人类视觉的基础，是自然景物的客观反映，是人类认识世界和人类本身的重要源泉。“图”是物体反射或透射光的分布，“像“是人的视觉系统所接受的图在人脑中所形版的印象或认识，照片、绘画、剪贴画、地图、书法作品、手写汉学、传真、卫星云图、影视画面、X光片、脑电图、心电图等都是图像。—姚敏. 数字图像处理：机械工业出版社，2014年。1.2 模拟图像和数字图像图像起源于1826年.

2020-05-09 11:36:39 608

原创 7.4 SiamFC

7.4 SiamFC学习目标目标知道SiamFC的网络结构特点掌握SiamFC的网络训练方式应用无任意对象跟踪的问题是通过仅仅在线地学习对象外观的模型来解决，使用视频本身作为唯一的训练数据。尽管这些方法取得了成功，但他们的在线方法本质上限制了他们可以学习的模型的丰富性。需要跟踪的目标是通过起始帧的选择框给出的。框中可能是任意物体，甚至只是物体的某个部分。由于给定跟踪目标的不确定性，我们无法做到提前准备好数据，并且训练出一个.

2020-05-09 11:31:10 3776

原创 7.3 GOTURN

7.3 GOTURN学习目标目标说明GOTURN的算法结构掌握GOTURN的训练过程应用无 7.3.1 GOTURN介绍7.3.1.1 背景传统通用目标跟踪器（相对于特定目标跟踪器）完全是通过在线抓取来训练，而没有离线训练。这种跟踪器性能不好的原因是获取的信息太少，仅仅在线训练不能利用大量视频的优势。而这些视频有可能帮助跟踪器处理旋转，视点改变，光线改变等问题，进而提高跟踪性能。而机器学习已经能够从大量的离线数据中学习

2020-05-09 11:28:58 467

原创 7.2 FCNT

7.2 FCNT学习目标目标说明FCNT的算法结构应用无深度学习跟踪算法之前诞生了许多优秀的方法，它们是基于构建外观模型来进行跟踪的，这些方法又可以分为两种，一种是生成式，通过最小化重建误差来构建外观模型，另一种是判别式，通过构建一个分类器区分前景和背景（就是目标检测的思路），但是这些方法都是手工选取特征的，手工选取特征的种种不足就不多讲了，于是采用深度学习方法来进行跟踪。7.2.1 FCNT(Visual Tracking with F

2020-05-09 11:28:19 1056

原创 7.1 目标追踪

7.1 目标追踪(Object Tracking)概述学习目标目标知道目标追踪的算法类型以及应用知道目标追踪算法的任务类型以及挑战应用无目标跟踪是计算机视觉领域的一个重要分支。目前的目标跟踪的通常任务是，在视频的第一帧给定一个目标的矩形框，然后后续这个矩形框紧跟着要跟踪的物体。不过，目标跟踪与计算机视觉中的图像识别，分割，检测是分不开的，通常跟踪是这些分割检测的最后一步。7.1.1 为什么使用目标追踪（Object Tr

2020-05-09 11:27:38 3079

原创 6.6 Mask RCNN

6.6 Mask RCNN学习目标目标说明Mask RCNN的结构特点掌握Mask RCNN的RoIAlign方法掌握Mask RCNN的mask原理了解Mask RCNN的主网络结构了解Mask RCNN训练实验结果应用无背景目标检测和语义分割的效果在短时间内得到了很大的改善。在很大程度上，这些进步是由强大的基线系统驱动的，例如，分别用于目标检测和语义分割的

2020-05-09 11:26:25 725

原创 6.5 DeepLab V2 & V3& V3+

6.5 DeepLab V2 & V3& V3+学习目标目标说明V2的ASPP结构以及使用深度网络Resnet 说明V3的ASPP+结构说明V3+（V4）的Xception引入和具有Encder-decoder的ASPP 应用无 DeepLabv1 在三个方向努力解决，但是问题依然存在：特征分辨率的降低、物体存在多尺度，DCNN的平移不变性。6.5.1 DeepLab V26.5.1.1

2020-05-09 11:22:54 517

原创 6.4 DeepLab系列

6.4 DeepLab系列学习目标目标知道DeepLab系列算法的特点说明DeeplabV1的结构特点掌握DeeplabV1的空洞卷积与CRF应用应用无 6.4.1 DeepLab 背景相比于传统的视觉算法(SIFT或HOG)，Deep-CNN以其end-to-end方式获得了很好的效果。这样的成功部分可以归功于Deep-CNN对图像转换的平移不变性(invariance)，这根本是源于重复的池化和下采样

2020-05-09 11:22:35 505

原创 6.3 SegNet与U-Net

6.3 SegNet与U-Net学习目标目标说明SegNet的算法结构掌握SegNet的upsampling方法掌握U-Net的网络结构特点应用无 6.3.1 SegNet背景SegNet的主要动机是场景理解的应用。难点：因此它在设计的时候考虑了要在预测期间保证内存和计算时间上的效率。分割的任务其实应用非常地广，需要理解各个像素之间的关系，比如要区分出人行道和车行道，建筑物和道路,并且还要能够检测

2020-05-09 11:22:25 3753

原创 6.2 FCN（Fully Convolutional Networks for Semantic Segmentation ）

6.2 FCN（Fully Convolutional Networks for Semantic Segmentation ）学习目标目标说明FCN的结构组成掌握FCN的上采样方法以及skip layers 掌握FCNpatchwise training的训练方式应用无 6.2.1 FCN 背景介绍图像语义分割：给定一张图片，对图片上每一个像素点进行分类！但是与图像分类目的不同，语义分割模型要具有像素级的

2020-05-09 11:22:13 750

原创 6.1 目标分割概述

6.1 目标分割概述学习目标计算机视觉与机器学习研究者对图像分割问题越来越感兴趣。越来越多的应用场景需要精确且高效的分割技术，如自动驾驶、室内导航、甚至虚拟现实与增强现实等。这个需求与视觉相关的各个领域及应用场景下的深度学习技术的发展相符合，包括分割及场景理解等。分割（应用于静态2D图像、视频甚至3D数据、体数据）是计算机视觉的关键问题之一。目标说明目标分割的定义说明目标分割的任务类型知道目标分割的常见数据集知道目标分割的评估

2020-05-08 19:13:02 2515

原创 5.9 SSD算法原理

5.9 SSD算法原理学习目标目标知道SSD的结构说明Detector & classifier的作用说明SSD的优点应用无 5.9.1 SSD5.9.1.1 简介SSD算法源于2016年发表的算法论文，论文网址：https://arxiv.org/abs/1512.02325SSD的特点在于: SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制，使用全图各

2020-05-08 19:11:15 633

原创 5.8 YOLOV2&V3

5.8 YOLOV2&V3学习目标目标掌握YOLOV2的改进方法掌握YOLOV3的网络改进应用无 5.8.1 YOLOV2介绍YOLO v2的题目叫做：《YOLO9000：Better，Faster，Stronger》，是17年的一篇论文。达到了当时的state-of-art的效果。为什么叫9000？当时论文训练YOLO9000，一个实时的目标检测器，可以检测超过9000种不同的目标类别。也就是支持实时检测许多目标

2020-05-08 19:08:32 401

原创 5.7 YOLO算法

5.7 YOLO算法学习目标目标掌握YOLO算法原理以及训练损失计算公式应用无在正式介绍YOLO之前，我们来看一张图：可以看出YOLO的最大特点是速度快。YOLO在精度上仍然落后于目前最先进的检测系统。虽然它可以快速识别图像中的目标，但它在定位某些物体尤其是小的物体上精度不高。论文中做了精度／时间的权衡。接着之前在概述中所介绍的，进入到真正端到端的目标检测：直接在网络中提取特征来预测物体分类和位置。YOLO算法系列的演变过程：Y

2020-05-08 19:07:13 1654

原创 5.5 Faster R-CNN

5.5 Faster R-CNN学习目标目标了解Faster R-CNN的特点知道RPN的原理以及作用应用无在Fast R-CNN还存在着瓶颈问题：Selective Search（选择性搜索）。要找出所有的候选框，那我们有没有一个更加高效的方法来求出这些候选框呢？5.5.1 Faster R-CNN介绍SPPnet和Fast R-CNN等研究已经减少了这些检测网络的运行时间，使得区域提出计算成为一个瓶颈。在Fa

2020-05-08 19:03:22 431

原创 5.4 Fast R-CNN

5.4 Fast R-CNN学习目标目标 Fast R-CNN的与RCNN等结构的比较 RoI pooling的过程和作用 Fast R-CNN的训练多任务损失、超参数、小批量采样 Fast R-CNN的困难样本挖掘过程 Fast R-CNN算法的效果实验对比，微调、多任务、多尺度等比较应用无 SPPNet的性能已经得到很大的改善，SPP网络也有显著的缺点。像R-CNN一样，训练过程

2020-05-08 19:00:19 198

原创 5.3 SPPNet

5.3 SPPNet学习目标目标知道SPPNet与RCNN的对比特点掌握空间金字塔池化(spatial pyramid pooling)的原理和作用掌握SPPNet的训练过程以及测试结果对比知道SPPNet优缺点总结应用无 5.3.1 SPPNet介绍针对之前R-CNN的缺点，我们来看1、每个候选区域都进行了卷积操作提取特征，计算量大速度低效。2、对于卷积网络来讲都需要输入的

2020-05-08 18:58:04 300

原创 5.2 R-CNN

5.2 R-CNN学习目标目标了解Overfeat模型的移动窗口方法说明R-CNN的完整结构过程了解选择性搜索知道NMS的过程以及作用了解候选区域修正过程说明R-CNN的训练过程说明R-CNN的缺点应用无对于一张图片当中多个目标，多个类别的时候。前面的输出结果是不定的，有可能是以下有四个类别输出这种情况。或者N个结果，这样的话，网络模型

2020-05-08 18:56:26 415

原创 5.1 目标检测概述

5.1 目标检测概述学习目标目标了解目标检测算法分类知道目标检测的常见指标IoU 了解目标定位的简单实现方式应用无 5.1.1 什么是目标检测目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。例子：确定某张给定图像中是否存在给定类别（比如人、车、自行车、狗和猫）的目标实例；如果存在，就返回每个目标实例的空间位置和覆盖范围。作为图像理解和计

2020-05-08 18:52:49 712

原创 4.8 分布式训练

4.8 分布式训练学习目标目标掌握TensorFlow的分布式训练接口使用应用无当我们拥有大量计算资源时，通过使用合适的分布式策略，我们可以充分利用这些计算资源，从而大幅压缩模型训练的时间。针对不同的使用场景，TensorFlow 在 tf.distribute.Strategy`中为我们提供了若干种分布式策略，使得我们能够更高效地训练模型。4.8.1 Tenso...

2020-05-08 08:58:19 678

原创 4.7 Tensorflow执行模式

4.7 Tensorflow执行模式学习目标目标掌握tf的图执行模式原理与会话模式的区别应用无 4.7.1 Eager Execution与Graph Execution4.7.1.1 Graph Execution（图模式）特点: 预先定义计算图，运行时反复使用，不能改变速度更快，适合大规模部署，适合嵌入式平台 TensorFlow 的图执行模式是...

2020-05-07 23:34:56 268

原创 4.6 TF常用功能模块

4.6 TF常用功能模块学习目标目标掌握Checkpoint使用掌握TensorBoard使用掌握data模块使用掌握ImageDataGenerator的使用应用无 4.6.1 fit的callbacks详解回调是在训练过程的给定阶段应用的一组函数。可以使用回调来获取培训期间内部状态和模型统计信息的视图。您可以将回调列表（作为关键字参数callb...

2020-05-07 23:34:44 429

原创 4.5 Keras Pipline与自定义模型

4.5 Keras Pipline与自定义模型学习目标目标掌握keras pipline的使用掌握keras model训练验证方法使用掌握keras自定义层、损失函数和评估指标的使用应用无使用了 Keras 的 Subclassing API 建立模型，即对 tf.keras.Model类进行扩展以定义自己的新模型，同时手工编写了训练和评估模型的流程。这...

2020-05-07 23:34:32 233

空空如也

空空如也