Question_11_20

最新推荐文章于 2024-08-22 22:24:57 发布
最新推荐文章于 2024-08-22 22:24:57 发布
阅读量172 收藏
点赞数
分类专栏： 图像处理初学者应该学习的100个问题-你都学会了吗？
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40243750/article/details/118549815
版权
本文详细介绍了多种图像处理滤波器，包括均值滤波、运动滤波、MAX-MIN滤波器、差分滤波器、Sobel滤波器、Prewitt滤波器、Laplacian滤波器、Emboss滤波器和LOG滤波器。通过实例代码展示了这些滤波器的效果，并解释了它们在边缘检测和特征提取中的应用。此外，还提到了直方图在分析图像像素分布中的作用。
摘要由CSDN通过智能技术生成

目录

Question：模板

这是一个Question的模块框架

代码：

print("这是一个Question的模块框架")

Question11：均值滤波

均值滤波就是将区域内像素值的均值代替新的中央像素的值(实际上高斯滤波是一种带权值的均值滤波，规定了每个位置上像素值对结果的重要性，而此处的均值则是认为每个位置的重要性一样)：
在这里插入图片描述
效果如下：
在这里插入图片描述

代码：

import numpy as np
import cv2

# 均值滤波
def meanFilter(img,size):
    padding=size//2
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((H+2*padding,W+2*padding,C))
    tmp[padding:padding+H,padding:padding+W]=img
    
    out=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out[h,w,c]=np.mean(tmp[h:h+size,w:w+size,c])
    out=out.clip(0,255).astype(np.uint8)
    return out 


img=cv2.imread("imori_noise.jpg")
out=meanFilter(img,3)
cv2.imshow("",out)
cv2.waitKey(0)

Question12：Motion Filter

顾名思义，这是一个运动滤波器，效果见图：
在这里插入图片描述
效果图有一个从左上角到右下角的运动效果。
本效果的Motion Filter如下所示：
在这里插入图片描述
也是从左上角到右下角，那么举一反三，如果是从左到右，则应当是第二行全为1/3，其余全为0。

代码：

import cv2
import numpy as np

# 获取核
def getMotionKernel():
    kernel=np.array([[1/3, 0,   0],
                     [0,   1/3, 0],
                     [0,   0,   1/3]])
    return kernel

# MotionFilter操作
def MotionFilter(img,kernel):
    size=kernel.shape[1]
    padding=size//2
    
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((H+2*padding,W+2*padding,C))
    tmp[padding:H+padding,padding:W+padding]=img
    
    out=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out[h,w,c]=np.sum(kernel*tmp[h:h+size,w:w+size,c])
    out=out.clip(0,255).astype(np.uint8)
    
    return out


img=cv2.imread("imori.jpg")
K=getMotionKernel()
out=MotionFilter(img,K)
cv2.imshow("",out)
cv2.waitKey(0)

对于3*3的核，Motion只有三个方向：0°，45°，90°。如果要使用其他更多的角度怎么办？扩大核尺寸
在这里插入图片描述
可见，随着核尺寸的变大，可表示的方向越来越多，只要保持线上像素值之和=1即可。

Question13：MAX-MIN滤波器

该滤波器是将区域内像素(最大值与最小值)的差值作为新的中央像素的值。实际上该滤波器加剧了像素的差异，造成的效果就是图像的边缘更加显著，而图像平滑区域减弱了。效果如下：
在这里插入图片描述
可以看出，实际上这就是一个边缘检测的滤波器。而边缘是一个图像的特征，这种边缘检测得到边缘的过程也是特征提取。

代码：

import numpy as np
import cv2


# MAX-MIN式边缘检测
def Max_Min_Filter(img,size):
    padding=size//2
    
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((H+2*padding,W+2*padding,C))
    tmp[padding:H+padding,padding:W+padding]=img
    
    out=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out[h,w,c]=np.max(tmp[h:h+size,w:w+size,c])-np.min(tmp[h:h+size,w:w+size,c])
    out=out.clip(0,255).astype(np.uint8)
    return out


img=cv2.imread("imori.jpg")
out=Max_Min_Filter(img,3)
cv2.imshow("",out)
cv2.waitKey(0)

Question14：差分滤波器

差分实际上就是做差。比如现在有一个差分滤波器：
在这里插入图片描述
则做运算时是这样的：
在这里插入图片描述
因为为0的乘积仍为0，实际上相应位乘积再求和，在这里表现为(-1)*20+(1)*150=130，就是上下像素做差，所以对图像运算后表现出来的效果也是突出了图像中纵向的边缘纹理
在这里插入图片描述

代码：

import numpy as np
import cv2


# 获取水平差分核垂直差分的卷积核
def getKernel():
    kh=np.array([[ 0, 0, 0],
                 [-1, 1, 0],
                 [ 0, 0, 0]])
    kv=np.array([[ 0, -1, 0],
                 [ 0, 1, 0],
                 [ 0, 0, 0]])
    
    return kh,kv


# 对图像进行不同方向的差分
def DifferentialFilter(img,kh,kv):
    size=kh.shape[1]
    padding=size//2
    
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((H+2*padding,W+2*padding,C))
    tmp[padding:H+padding,padding:W+padding]=img
    
    out_h=np.zeros(img.shape)
    out_v=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out_h[h,w,c]=np.sum(kh*tmp[h:h+size,w:w+size,c])
                out_v[h,w,c]=np.sum(kv*tmp[h:h+size,w:w+size,c])
        
    out_h=out_h.clip(0,255).astype(np.uint8)
    out_v=out_v.clip(0,255).astype(np.uint8)
    return out_h,out_v

img=cv2.imread("imori.jpg")
kh,kv=getKernel()
out_h,out_v=DifferentialFilter(img,kh,kv)
cv2.imshow("水平差分滤波",out_h)
cv2.imshow("垂直差分滤波",out_v)
cv2.waitKey(0)

Question15：Sobel滤波器

这是一个典型的边缘检测滤波器：
在这里插入图片描述
效果如下：
在这里插入图片描述

代码：

import numpy as np
import cv2


# 获取不同方向的卷积核
def getKernel():
    kh=np.array([[ 1,  2,  1],
                 [ 0,  0,  0],
                 [-1, -2, -1]])
    
    kv=np.array([[ 1,  0, -1],
                 [ 2,  0, -2],
                 [ 1,  0, -1]])
    
    return kh,kv


# 对图像进行sobel滤波
def DifferentialFilter(img,kh,kv):
    size=kh.shape[1]
    padding=size//2
    
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((H+2*padding,W+2*padding,C))
    tmp[padding:H+padding,padding:W+padding]=img
    
    out_h=np.zeros(img.shape)
    out_v=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out_h[h,w,c]=np.sum(kh*tmp[h:h+size,w:w+size,c])
                out_v[h,w,c]=np.sum(kv*tmp[h:h+size,w:w+size,c])
        
    out_h=out_h.clip(0,255).astype(np.uint8)
    out_v=out_v.clip(0,255).astype(np.uint8)
    return out_h,out_v


img=cv2.imread("imori.jpg")
kh,kv=getKernel()
out_h,out_v=DifferentialFilter(img,kh,kv)
cv2.imshow("水平sobel边缘检测滤波",out_h)
cv2.imshow("垂直sobel边缘检测滤波",out_v)
cv2.waitKey(0)

Question16：Prewitt滤波器

这也是一个典型的边缘检测滤波器：
在这里插入图片描述
效果如下：
在这里插入图片描述

代码：

import numpy as np
import cv2


def getKernel():
    kh=np.array([[-1, -1, -1],
                 [ 0,  0,  0],
                 [ 1,  1,  1]])
    
    kv=np.array([[-1,  0,  1],
                 [-1,  0,  1],
                 [-1,  0,  1]])
    
    return kh,kv


def DifferentialFilter(img,kh,kv):
    size=kh.shape[1]
    padding=size//2
    
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((H+2*padding,W+2*padding,C))
    tmp[padding:H+padding,padding:W+padding]=img
    
    out_h=np.zeros(img.shape)
    out_v=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out_h[h,w,c]=np.sum(kh*tmp[h:h+size,w:w+size,c])
                out_v[h,w,c]=np.sum(kv*tmp[h:h+size,w:w+size,c])
        
    out_h=out_h.clip(0,255).astype(np.uint8)
    out_v=out_v.clip(0,255).astype(np.uint8)
    return out_h,out_v


img=cv2.imread("imori.jpg")
kh,kv=getKernel()
out_h,out_v=DifferentialFilter(img,kh,kv)
cv2.imshow("水平Prewitt边缘检测滤波",out_h)
cv2.imshow("垂直Prewitt边缘检测滤波",out_v)
cv2.waitKey(0)

Question17：Laplacian滤波器

Laplacian滤波器实际上是一个使用二次微分的边缘检测滤波器。
二次微分如下图所示：你可以理解为是一个二次做差的过程
在这里插入图片描述
那么在图像中二次微分如下图：
在这里插入图片描述
现有一幅图，对图进行水平方向上的二次微分过程：

  • 第一次微分
    Δ I 1 ( x , y ) = I ( x + 1 , y ) − I ( x , y ) ( x + 1 ) − x = I ( x + 1 , y ) − I ( x , y ) ΔI_1(x,y)=\frac{I(x+1,y)-I(x,y)}{(x+1)-x}=I(x+1,y)-I(x,y) ΔI1​(x,y)=(x+1)−xI(x+1,y)−I(x,y)​=I(x+1,y)−I(x,y)
    Δ I 2 ( x , y ) = I ( x , y ) − I ( x − 1 , y ) x − ( x − 1 ) = I ( x , y ) − I ( x − 1 , y ) ΔI_2(x,y)=\frac{I(x,y)-I(x-1,y)}{x-(x-1)}=I(x,y)-I(x-1,y) ΔI2​(x,y)=x−(x−1)I(x,y)−I(x−1,y)​=I(x,y)−I(x−1,y)
  • 第二次微分
    Δ Δ I ( x , y ) = Δ I 1 ( x , y ) − Δ I 2 ( x , y ) ( x + 1 ) − x = I ( x + 1 , y ) − I ( x , y ) ΔΔI(x,y)=\frac{ΔI_1(x,y)-ΔI_2(x,y)}{(x+1)-x}=I(x+1,y)-I(x,y) ΔΔI(x,y)=(x+1)−xΔI1​(x,y)−ΔI2​(x,y)​=I(x+1,y)−I(x,y)
    = I ( x + 1 , y ) − 2   I ( x , y ) + I ( x − 1 , y ) =I(x+1,y) - 2\ I(x,y) + I(x-1,y) =I(x+1,y)−2 I(x,y)+I(x−1,y)

同理，对垂直方向上的二次微分结果：
Δ Δ I ( x , y ) = I ( x , y + 1 ) − 2   I ( x , y ) + I ( x , y − 1 ) ΔΔI(x,y)=I(x,y+1) - 2\ I(x,y) + I(x,y-1) ΔΔI(x,y)=I(x,y+1)−2 I(x,y)+I(x,y−1)

两个方向上的二次微分相加：
Δ Δ I = I ( x + 1 , y ) + I ( x − 1 , y ) − 4   I ( x , y ) + I ( x , y + 1 ) + I ( x , y − 1 ) ΔΔI=I(x+1,y)+ I(x-1,y)- 4\ I(x,y) +I(x,y+1) + I(x,y-1) ΔΔI=I(x+1,y)+I(x−1,y)−4 I(x,y)+I(x,y+1)+I(x,y−1)
用卷积核表示该式则为：
在这里插入图片描述
效果如下：

这是作者的效果图，作者将RGB彩图转换为灰度图后进行了滤波。一下给出我的代码，我没有将彩色图转为灰度图，下过如下：
在这里插入图片描述

代码：

import numpy as np
import cv2

def getLaplacian():
    k=np.array([[0, 1, 0],
                [1,-4, 1],
                [0, 1, 0]])
    return k


def laplacianFilter(img,k):
    size=k.shape[0]
    padding=size//2
    H,W=img.shape[0:2]
    C=1 if len(img.shape)==2 else 3
    
    tmp=np.zeros((2*padding+H,2*padding+W,C))
    tmp[padding:padding+H,padding:padding+W]=img
    
    out=np.zeros(img.shape)
    
    for h in range(H):
        for w in range(W):
            for c in range(C):
                out[h,w,c]=np.sum(k*tmp[h:h+size,w:w+size,c])
    out=out.clip(0,255).astype(np.uint8)
    return out


img=cv2.imread("imori.jpg")
k=getLaplacian()
out=laplacianFilter(img,k)
cv2.imshow("",out)
cv2.waitKey(0)

Question18：Emboss滤波器

一个典型的边缘检测滤波器，卷积核如下：
在这里插入图片描述
效果如下：
在这里插入图片描述

代码：

import numpy as np
import cv2


def getEmbossKernal():
    return np.array([[-2,-1, 0],
                     [-1, 1, 1],
                     [ 0, 1, 2]])



def EmbossFilter(img,k):
    size=k.shape[0]
    padding=size//2
    
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 将彩色RGB转换为Gray灰度图
    H,W=gray.shape
    
    tmp=np.zeros((2*padding+H,2*padding+W),dtype=np.float)
    tmp[padding:padding+H,padding:padding+W]=gray.copy()
    out=np.zeros(img.shape)

    # filtering
    for y in range(H):
        for x in range(W):
            out[y,x] = np.sum(k * (tmp[y: y + size, x: x + size]))
            
    out=out.clip(0,255).astype(np.uint8)
    return out


img=cv2.imread("imori.jpg")
k=getEmbossKernal()
out=EmbossFilter(img,k)
cv2.imshow("",out)
cv2.waitKey(0)

Question19：LOG滤波器

LoG即高斯-拉普拉斯（Laplacian of Gaussian）的缩写，使用高斯滤波器使图像平滑化之后再使用拉普拉斯滤波器使图像的轮廓更加清晰。

为了防止拉普拉斯滤波器计算二次微分会使得图像噪声更加明显，所以我们首先使用高斯滤波器来抑制噪声。
在这里插入图片描述
依次为：原图–对原图进行高斯滤波–对原图进行高斯-拉普拉斯滤波

代码：

import cv2
import numpy as np

def getLogKernal(size,s):
    pad=size//3
    
    kernal=np.zeros((size,size))
    for x in range(size):
        for y in range(size):
            xa,ya=x-1,y-1
            kernal[x,y]=(xa**2+ya**2-s**2)*np.exp(-(xa**2+ya**2)/(2*s**2))/(2*np.pi*s**6)
    kernal=kernal/np.sum(kernal)
    return kernal

def LogFilter(img,k):
    size=k.shape[0]
    padding=size//2
    
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    H,W=gray.shape
    
    tmp=np.zeros((2*padding+H,2*padding+W),dtype=np.float)
    tmp[padding:padding+H,padding:padding+W]=gray.copy()
    out=np.zeros(img.shape)

    # filtering
    for y in range(H):
        for x in range(W):
            out[y,x] = np.sum(k * (tmp[y: y + size, x: x + size]))
            
    out=out.clip(0,255).astype(np.uint8)
    return out


img=cv2.imread("../imori_noise.jpg")
K=getLogKernal(3,1.3)
out=LogFilter(img,K)
cv2.imshow("LOG",out)
cv2.waitKey(0)

Question20：直方图

直方图反映一个图片中像素值分布的情况。
在这里插入图片描述
从上图中可以看出，图中像素值大小大量分布在中等亮度，说明该图亮度适中，如果大量集中在左侧，则图亮度偏低

代码(自己写的)：

import cv2
import numpy as np

# 统计每个亮度等级的像素个数
def hist(gray):
    his=np.zeros(255)
    W,H=gray.shape
    for w in range(W):
        for h in range(H):
            value=gray[w,h]
            his[value]+=1
    return list(his)

img=cv2.imread("../imori.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
his=hist(gray)

import matplotlib.pyplot as plt
plt.bar(range(len(his)), his) # 绘制柱状图
plt.show()

代码(matplotlib封装的直方图绘制函数)：

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

# Read image
img = cv2.imread("imori_dark.jpg").astype(np.float)

# Display histogram
plt.hist(img.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.show()
常用的边缘检测滤波器
hahahanba的博客
03-12 8036
常用的边缘检测滤波器 使用常见的边缘检测滤波器（3×33\times33×3）大小，对fate.jpeg进行图像处理。 MAX- MIN滤波器： 边缘检测用于检测图像中的线。通常这样提取图像中的信息的操作被称为特征提取。 MAX-MIN滤波器是一种常见的边缘检测滤波器，其使用网格内像素的最大值和最小值的差值对网格内像素重新赋值。 边缘检测通常在灰度图像上进行。 MAX-MIN滤波器： // max_min_filter cv::Mat max_min_filter(cv::Mat img, int ker
最大-最小 滤波器实现 及用于边缘检测
Ibelievesunshine的博客
03-16 2185
一. 边缘检测 边缘检测通常作用于灰度图像上。边缘检测用于检测图像中的线。 边缘检测结果 ↑ 二. 最大 - 最小滤波器（Max - Min） 3*3 Max-Min Filter 算法原理 ↑ 我们知道，图像的细节属于低频信息，图像的边缘属于高频信息。我们使用一定大小的 Max-Min 滤波器作用于图像，当滤波器作用于图像细节时，输出结果...
python中均值滤波代码实现（自定义版和调用库函数版）
m0_49491470的博客
07-23 9406
1、均值滤波简单介绍：均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身)，再用模板中的全体像素的平均值来代替原来像素值。 均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度g
数字图像处理100问—08最大池化（Max Pooling）
cv_rsrc的博客
04-26 753
提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen CV小白从0开始学数字图像处理 08最大池化（Max Pooling） 网格内的值不取平均值，而是取网格内的最大值进行池化操作： 把大小为 128x128 的图片使用 8x8 的网格做最大池化，代码如下： 1.引入库 CV2计算机视觉库 import cv2 import numpy as np 2.读入数据 img = cv2.imread("imori.jpg") 3.平均池化 .
OpenCV—python Max-Mix filter 最大-最小滤波器
红叶谷 wsp_1138886114的博客
12-16 3741
文章目录一、Max-Min Filter 算法原理二、代码实现： 一、Max-Min Filter 算法原理 图像的细节属于低频信息，图像的边缘属于高频信息。我们使用一定大小的 Max-Min 滤波器作用于图像，当滤波器作用于图像细节时，输出结果往往趋向于0（黑色）；而滤波器作用于图像边缘时，Max-Min 输出结果往往趋向于255（白色）。所以 最大-最小滤波器 能有效地用于检测图像的边缘和轮廓。 MAX-MIN滤波器使用网格内像素的最大值和最小值的差值对网格内像素重新赋值。通常用于边缘检测。 边缘检测用
Pwn 学习 question_5_plus_x64 ret2csu
MrTreebook的博客
05-01 453
Pwn 学习 question_5_plus_x64 ret2csu1.源代码2.源代码分析3._libc_csu_init 分析4.ROP编程5.ropper看以下gadget6.exp[点击跳转 libc database search](https://libc.blukat.me/)7.看一下效果所有源代码和程序以及调试程序都放在了gitee 1.源代码 #include<stdio.h> #include<stdlib.h> #include<unistd.h>
sql基础语句题练
最新发布
weixin_74427106的博客
08-22 1049
此篇文章所有题都来源于牛客网记录一下自己的做题的历程，废话不多说直接开整。
kaggle比赛--Quora Question Pairs
qq_27009517的博客
02-20 2052
文章目录数据来源数据分析训练集测试集训练集的数据分析字符个数词的个数词云特征提取两个句子共有的词数TF-IDF统计词语计算tfidf平衡数据reference 数据来源 Quora是一个提出问题并与提供独特见解和有质量答案的人联系的平台。 这使人们能够相互学习，更好地了解世界。每个月有超过1亿人访问Quora，因此很多人提出类似措辞的问题也就不足为奇了。 具有相同意图的多个问题可能会导致寻求者花更...
从零开始做题：big_zip
weixin_44626085的博客
12-04 1033
内容为：You_know_the_bed_feels_warmer_Sleeping_here_alone_You_know_I_dream_in_color_And_do_the_things_I_want_You_think_you_got_the_best_of_me_Think_you_had_the_last_laugh_Bet_you_think_that_everything_good_is_gone。查看压缩包内容，发现有五字节长度的文件，用crc碰撞攻击破解明文。
利用matlab求解线性优化问题【基于matlab的动力学模型学习笔记_11】
L1234X的博客
07-29 1642
利用matlab中的fmincon函数求解线性优化问题
opencv学习9-13——高斯滤波，中值滤波，均值滤波，motion滤波（运动模糊），Max-Min滤波
yuan123890的博客
07-19 1682
任务：用高斯滤波对图像进行降噪。 Step1：高斯滤波是啥？ 高斯滤波器是用于图像平滑处理的一种手段，性质为线性平滑，可对噪声进行过滤，达到降噪的目的。高斯滤波在数学上的体现就是对整个图像像素值通过加权平均重赋值的操作。 加权平均可以理解为不同部分按照不同的阈值进行计算再相加的结果。 例：期末考试的成绩 科一：80分，10% 科二：90分，40% 科三：70分，50% 加权平均=80*10%+90*40%+70*50%。10%，40%，50%代表阈值。当所有阈值相等时就变成了算术平均，因此算
OpenCV：13_最大值最小值滤波 MaxMin Filter
Mmagic1的博客
02-24 3512
#include <QCoreApplication> #include <iostream> #include <fstream> #include <opencv.hpp> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> ...
十大滤波算法程序大全(精心整理版)
热门推荐
Aaron_Suen的博客
10-24 1万+
1、限幅滤波法 *函数名称：AmplitudeLimiterFilter()-限幅滤波法 *优点：能有效克服因偶然因素引起的脉冲干扰 *缺点：无法抑制那种周期性的干扰，且平滑度差 *说明： 1、调用函数 GetAD(),该函数用来取得当前值 2、变量说明 Value:最近一次有效采样的值，...
Min/Max Edge Detection
大熊
11-28 480
Min/Max EdgeDetection Min/Max 边缘检测算法的主要思路： 图像去噪。本文算法中所使用的是中值滤波算法进行图像去噪处理 计算邻域内最大最小值。图像去噪之后，计算邻域内最大最小值 把最大最小值之差赋值给当前模板的中心像素 中值滤波算法主要代码为： #include"Sharp.h" ...
Min-Min算法和Max-Min算法
mal327的专栏
04-05 1万+
Min-Min算法 Min-Min算法是一种实现起来很简单的算法，算法的执行时间也很快。算法的思想是首先映射小的任务，并且映射到执行快的机器上。 执行过程为：计算要参与映射事件的每个任务在各个机器上的期望完成时间，找到每个任务的最早完成时间及其对应的机器；从中找出具有最小最早完成时间的任务，将该任务指派给获得它的机器；指派完成后，更新机器期望就绪时间并将已完成映射的任务从任务集合中删除。重复上
挑战图像处理100问（13）——MAX-MIN滤波
qq_42662568的博客
04-09 1185
Max_Min Filter Author: Tian YJ 原图如下： MAX-MIN滤波器使用网格内像素的最大值和最小值的差值对网格内像素重新赋值。通常用于边缘检测。 边缘检测用于检测图像中的线。像这样提取图像中的信息的操作被称为特征提取。 边缘检测通常在灰度图像上进行。 代码实现 # -*- coding: utf-8 -*- """ Created on Thu Apr 9 14:3...
matlab max/min函数
alvin的博客
07-01 7399
原文地址：max/min函数">matlab max/min函数作者：浪天涯求矩阵的最大值和最小值 求矩阵A的最大值的函数有3种调用格式，分别是： (1) max(A)：返回一个行向量，向量的第i个元素是矩阵A的第i列上的最大值。 (2) [Y,U]=max(A)：返回行向量Y和U，Y向量记录A的每列的最大值，U向量记录每列最大值的行号。   (3) max(A,[],dim)：dim取1或2。d
motion源码分析（一）
Sakaue的专栏
04-03 2849
楔子 前几天研究了如何将ffmpeg编入motion（http://blog.csdn.net/sakaue/article/details/21394219），并实现录像功能。现在研究下motion的工作流程。 几个主要模块 motion.c 主程序，视频采集编码主循环 ffmpeg.c 一个代理模块，封装了ffmpeg的方法，根据v4l获取的数据编码
添加vMotion网络的VMkernel端口组
xiaokuang513204的专栏
05-16 9888
添加vMotion网络的VMkernel端口组   无论是vMotion还是Storage vMotion都需要专用的VMkernel网络来迁移虚拟机，所以需要在各ESXi主机上为vMotion配置专用的网络，并且考虑到性能的问题，最好为vMotion网络绑定专用的网卡。vMotion要求网络带宽至少为千兆，并且要求源主机和目标主机具有相同的网络配置，包括网络类型和网络标签都要一致。 添加v
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

我是一个对称矩阵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值