qq_40985985的博客

这篇博客将介绍OpenCV中的图像变换，包括用Numpy、OpenCV计算图像的傅里叶变换，以及傅里叶变换的一些应用；

【代码】Python使用Beautiful Soup解析html获取元素并提取内容值。

深度学习，机器学习里有很多名词，它们分别代表什么呢？

这篇博客将介绍检测人脸，然后使用Python，OpenCV模糊来“匿名化”每张图像，以确保隐私得到保护，保证没有人脸可以被识别如何使用。并介绍俩种模糊的方法：简单高斯模糊、像素化模糊。

这篇博客将介绍如何使用OpenCV对图片进行平滑和模糊操作。具体包括：- 简单平均模糊（cv2.blur)- 加权高斯模糊（cv2.GaussianBlur）- 中值滤波（cv2.medianBlur）- 双边滤波（cv2.bilateralFilter）平滑和模糊是计算机视觉和图像处理中最常见的预处理步骤之一。

这篇博客讨论了三个亚马逊推荐系统：1. 相关产品推荐 related-product recommendation2. 重复购买推荐 repeat purchase recommendation3. 查询属性推荐 query attribute recommendation

这篇博客将介绍 YouTube 视频推荐系统，YouTube 是世界上最大的创建、消费和分享视频内容的平台。他们的推荐帮助数十亿用户从不断增长的视频语料库中发现个性化内容。根据 Cristos Goodrow（YouTube 工程副总裁）的说法，推荐在 YouTube 上推动了大量整体收视率，甚至超过了频道订阅或搜索。 其幕后的工作原理是什么呢？

这篇博客将介绍如何使用 Meanshift 和 Camshift 算法来查找和跟踪视频中的对象。Meanshift 均移总是能找到一个具有最大像素分布的窗口，并且追踪对象；CAMshift 是 Meanshift的优化，它会持续性的自动调整窗口的大小，并且计算最佳拟合椭圆的方向。它再次应用具有新缩放搜索窗口和先前窗口位置的均值变换，直到达到所需的精度；

虽然字典通常用于计算频率、映射值或组织数据等任务，但在 Python 中有许多意想不到的创造性方法来使用字典。这篇博客将探索之前可能没有考虑过的 Python 字典的 10 种意想不到的用途，释放 Python 多功能数据结构的全部潜力。

Tiler 是一种使用各种其他较小图像（平铺）创建图像的工具。它不同于其他马赛克工具，因为它可以适应多种形状和尺寸的瓷砖（即不限于正方形）。图像可以由圆圈、线条、波浪、十字绣、乐高积木、我的世界积木、回形针、字母…可以看到越小纹理越细致，细节越多；

这篇博客将介绍如何使用Python进行机器学习的文本情感分类（Text Emotions Classification）。可以看到 对文本“She didn’t come today because she lost her dog yestertay! 标记为 sadness 是正确的。

使用Python，matplotlib绘制Nomogram列线图

这篇博客将介绍如何使用Python，OpenCV进行基本的图像处理——提取红色圆圈轮廓并绘制。

使用Python、OpenCV，ImageMagick工具箱根据原始视频制作GIF动画1. python读取原始视频流每一帧，并生成照片保存到本地文件夹2. 读取本地文件夹图片，根据图片名排序（支持根据帧率过滤，指定最大多少帧照片去生成gif）3. 调用imagemagick生成gif图，保存到本地

这篇博客将介绍如何使用PyTorch深度学习库训练第一个神经网络。具体来说是如何在scikit learn的make_blobs函数生成的示例数据集上训练PyTorch神经网络。1. 如何用PyTorch定义基本的神经网络结构2. 如何定义损失函数和优化器3. 如何正确地将梯度归零、执行反向传播（perform backpropagation）和更新模型参数-大多数新加入PyTorch的深度学习实践者在这一步中都会犯错误

这篇博客将介绍 Microsoft Cognitive Services （MCS） OCR API。尽管与Amazon Rekognition API相比，实现和使用起来稍微困难一些，但Microsoft Cognitive Services OCR API表明它非常强大，并且能够在许多情况下（包括低质量图像）进行OCR文本。在处理低质量图像时，MCS API 大放异彩。通常建议以编程方式检测并丢弃低质量的图像（就像我们在前面的教程中所做的那样）。但是如果发现必须使用低质量图像，则很值得花时间研究如何使

参考：How-To: Python Compare Two Images对比俩张图片差异，可以用均方误差（MSE）与结构相似性指数（SSIM）函数。（Mean Squared Error vs. Structural Similarity Measure）尽管MSE的计算速度要快得多，但它的主要缺点是（1）全局应用，（2）仅估计图像的感知错误。另一方面，SSIM虽然速度较慢，但​​可以通过......

这篇博客是[上一篇博客: 使用Python，OpenCV转换颜色空间，追踪对象的轨迹](https://blog.csdn.net/qq_40985985/article/details/118552504)的扩展。将使用Python，OpenCV追踪对象的轨迹，来确定其移动方向；虽然球跟踪展示了目标检测和跟踪的基础知识，但无法计算球的实际移动方向。通过在两个单独的帧中简单地计算对象（x，y）坐标之间的增量，就能够正确地跟踪对象的运动，甚至报告其移动的方向。也可以分别取dX和dY的反正切来报告运动方向。

这篇博客将介绍如何使用Python，OpenCV沿着轮廓寻找极值点，找到最北、最南、最东和最西（x，y）坐标。虽然这项技能本身并不有用，但它通常被用作更高级计算机视觉应用程序的预处理步骤。这种应用的一个很好的例子是手势识别（hand gesture recognition）：...

这篇博客将介绍如何使用OpenCV在图像和视频流中执行基于深度学习的超级分辨率。深度神经网络中有超分辨率相关的预训练好的模型与OpenCV兼容OpenCV的超分辨率功能实际上“隐藏”在一个名为dnn_superres的子模块中，该子模块位于一个名为DnnSuperResImpl_create的模糊函数中。1. 效果图对图像中的灯笼和鱼区域进行超像素化原图 VS 双三次差值后图 VS EDSR效果图如下：可以看到中间应用双三次插值后，大小调整后质量较低。水纹有些模糊。在右侧应用超分辨

使用Python，OpenCV执行视觉显著性检测（Visual Saliency Detection)这篇博客将介绍如何使用Python，OpenCV执行显著性检测，这是一个应用图像处理和计算机视觉算法来自动定位图像中最“显著”区域的过程。通常显著性检测器分为三类算法：静态显著性运动显著性对象显著性并介绍OpenCV提供的四种带有Python绑定的显著性检测器实现。...

这篇博客介绍了如何使用OpenCV和Python将关键事件视频剪辑保存到文件。究竟什么是“关键或有趣的事件”完全取决于您的应用程序和整体项目的目标。关键事件的示例可以包括：- 运动检测监控房屋的们（即有人进入房子时）；- 当有人进入房子时，认识到入侵者的面孔；- 报告在你房间外道路上不安全的驾驶行为。使用此方法，可以将小时级的视频流素材缩小为多个秒级的有趣事件的小视频，有效地产生视频概要。

使用Python，OpenCV转换颜色空间，追踪对象的轨迹

这篇博客将介绍Python与Echarts结合的轮子：pyecharts，实现地图集3D地图的绘制。

Python，OpenCV中的光学字符识别（OCR Optical Character Recognition)使用Python，OpenCV+OCR检测护照图像中的机器可读区域（MRZ Machine-Readable Zones）Python，OpenCV基于支持向量机SVM的手写数字OCRPython，OpenCV使用KNN来构建手写数字及字母识别OCRWindows下命令行及Java+Tesseract-OCR对图像进行（字母+数字

这篇博客将介绍如何通过OpenCV和Python使用模板匹配执行光学字符识别（OCR）。具体来说，将使用Python+OpenCV实现模板匹配算法，以自动识别卡的类型和以及16位卡号数字。

这篇博客将介绍如何使用Python，OpenCV的内置对象跟踪器进行对象跟踪（单目标追踪）；并简单介绍了OpenCV库中内置的八种对象跟踪算法（截至OpenCV 3.4），包括：CSRT、KCF、Boosting、MIL、TLD、MedianFlow、MOSSE、GOTURN。建议对大多数对象跟踪应用程序使用CSRT、KCF或MOSSE：当需要更高的对象跟踪精度，并且可以承受较慢的FPS吞吐量时，请使用CSRT；当需要更快的FPS吞吐量，但可以处理稍低的对象跟踪精度时，请使用KCF；当需要纯粹的速度

这篇博客源于博友的提问将介绍如何使用python计算四边形与拟合四边形的最大交并比IOU。

这篇博客将介绍如何使用Python用多张图片生成视频，并添加背景音乐及字幕。主要分三步： 多张照片生成视频 添加字幕 添加背景音乐

这篇博客将介绍如何使用Python，dlib执行对象跟踪。即通过dlib的相关跟踪器来实时跟踪视频流中的对象。与July的质心跟踪（Centroid Tracking）不同，dlib的对象跟踪算法可以利用从输入RGB图像收集的信息进行自我更新——该算法不需要为输入视频流中的每一帧计算一组边界框。并且dlib的相关跟踪算法非常健壮，能够实时运行。然而，最大的缺点是，如果视点发生实质性变化或要跟踪的对象被遮挡，相关跟踪器可能会变得“混乱”，并丢失希望跟踪的对象。

这篇博客将介绍OpenCV（Augment Reality AR）增强现实的基础知识。增强现实技术指利用真实世界中的环境，然后通过计算机生成的程序来增强这些环境，从而不断丰富环境。通常，这是通过视觉、听觉和触觉/触觉交互的某种组合来实现的。- 拍摄输入图像- 检测标记/基准点- 将新图像无缝转换到场景中增强现实通过计算机生成的感知信息（视觉、听觉、嗅觉，未来也许还会有味觉和触觉的加入）来增强我们周围的现实世界。

这篇博客将介绍AprilTags，这是一组基准标记，通常用于机器人技术、校准和3D计算机视觉项目。通常在执行实时检测时使用AprilTags（以及密切相关的ArUco标记）。AprilTags是一种基准标记，更简单地说是“标记”，基准点是在捕获图像或视频帧时放置在相机视野中的参考对象。因此它们很容易识别。然后在后台运行的计算机视觉软件获取输入图像，检测基准标记，并根据标记的类型和标记在输入图像中的位置执行一些操作。

这篇博客将介绍Aruco标记是什么，以及如何使用Python，OpenCV生成Aruco标记。本文提供俩种生成方式：在线生成和代码生成；使用OpenCV处理ArUco标签非常简单，因为OpenCV库中内置的子模块cv2.aruco（即不需要任何额外的Python包或依赖项来检测ArUco标记）。生成了Aruco标签，下一篇博客将介绍如何获取生成的标签，并在图像和实时视频流中实际检测它们。

这篇博客将介绍如何使用Python，OpenCV中的GrabCut 算法来提取图像中的前景，并为此创建一个交互式应用程序。

查了超多的资料，发现照片的GPS信息是以rational64u 有理数的格式存储的。如经度、维度，在Exif中是以3个浮点数，度，分，秒来存储的。而读取出来后，也将是用有理数表示， 如 40可以表示为 40,11. 实际照片存储经纬度2. 用pyhton exifread读取ExifRead 2.3.2GPS GPSLatitudeRef NGPS GPSLatitude [40, 0, 638031/20000]lat except: [40, 0, 638031

这篇博客将介绍如何使用python，networkx绘制图。

这篇博客将介绍Python，Keras深度学习中非连续的字母文本怎么处理为one-hot编码。

这篇博客将整合介绍如何使用matplotlib绘制图表，并设置刻度轴位置、最大最小刻度精度范围、最大最小刻度、坐标轴交点，标题label等字体大小、是否加粗、字体颜色、字体位置、刻度轴结束增加箭头等。

这篇博客将介绍如何全排列街区的点，即规定起点不重复的走完所有街区，并找出最短路径，并结合matplotlib、pyecharts对最短路径进行可视化。

这篇博客将介绍EoN是什么，并安装，然后介绍如何使用Python，EoN模拟网络中的疾病扩散模型，并结合matplotlib绘图。