- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 视频图像处理-背景差分法
可以使用混合高斯建模，处在摇动的树叶位置的像素一般会服从两个高斯分布，当t时刻该像素的值处于这两个高斯分布的3sigma范围内，则认为该像素仍属于背景。可以使用高斯背景建模，统计背景像素在某个时段内的灰度概率分布，当t时刻该像素的值属于该分布的3sigma范围内，则认为该像素仍属于背景。可以使用正规化距离的方法，对于处在阴影范围内的像素块，它的正规化距离基本与该块像素未处在阴影范围内时相近。可以使用背景更新的方法，通过在设定的更新频率下不断更新画面的背景，可以降低环境光照对背景差分方法的影响。
2024-02-23 16:57:34
400
原创 直方图增强
该灰度图像的灰度值出现次数如下表所示，为了简化表格，出现次数为0的值已经被省略。当gamma小于1的时候，较暗的区域细节增强，较亮的区域细节减弱。）如下所示，与上一表格类似，为了简化，累积分布函数值为。输入的像素和输出像素相反，类似底片的效果。直线大于45度，动态范围扩展。直线小于45度，动态范围压缩。了解直方图增强的概念和应用。输入图像和输出图像完全相同。Gamma系数的作用。下面的这个例子是一个。
2024-02-21 10:54:37
461
原创 图像的频域处理
了解到傅里叶变换可以将图像转化为频域上的分布（不同频率的二维三角函数的系数矩阵），而且通过系数矩阵和二维三角函数可以还原图像。一条直线可以由无数个幅值和频率不同的正弦曲线叠加而成。通过X矩阵与二维三角函数相乘叠加，可以复原图像。x的角标代表不同方向的频率（y方向，x方向）高频区域一般为噪声，低频区域一般为轮廓和区域。X矩阵代表了不同频率二维三角函数的系数。可以和平方函数的频谱图进行对比理解。平方函数的频域构成如上图所示。了解图像频域处理的内容和应用。数字图像中的傅里叶变换。
2024-02-21 10:24:47
374
转载 最后一面《HR面》------十大经典提问
1）自杀式回答：我是一个很普通的人，且今天有关这个问题没有准备太好。a、“我是一个很普通的人……”，当你说出这句话时，意味着你已经失去了这次的机会。给你机会,就是让你证明自己的优秀的!但是这样的回答让人觉得你连想都不想。b、“我今天准备得不太好……”面试官听到的意思却是：没准备好还来干什么，太不尊重我了。请准备好再来！2）、正确回答：回答最好在90秒内，说明过去的工作成绩和对应聘岗位的职业规划。回答的时间最好在90秒，最长不超过3分钟。
2024-01-23 10:04:56
83
原创 OpenCV-空间滤波学习笔记
void Convolution_app() { //简单的磨皮程序。//读取当前帧的图像。//利用inRange函数对图片进行hsv筛选。//高斯滤波后的人脸部分送入输出图像中。//使用Sobel边缘提取算法。//读取图像并转为灰度图。//判断图像是否读取成功。//读取图像并转为灰度图。//判断图像是否读取成功。//读取图像并转为灰度图。//判断图像是否读取成功。//将图像转为hsv色阈。//初始化maskMat。//将原图拷入输出图像中。//对图像进行高斯滤波。
2024-01-11 11:36:47
995
原创 OpenCV-焊点计数问题
分析图像可知，需要计数的部分为圆形的焊点，其宽度大于导线的宽度，所以可以采用开运算，结构元素的宽度需要大于导线的宽度并且小于焊点的直径。通过OpenCV对电路图像进行图像形态学的处理，去除图像中的导线，然后借助连通域标记函数完成电路焊点的自动计数功能。通过对比不同的算法可以看到，使用开运算的效果最好，不仅可以去除电路图中的导线部分，还可以有效去除图像中的噪音点。该图像的前景为黑色（0），背景为白色（255），所以在进行图像二值化的时候应该将图像的前景和背景进行反转处理。//减去背景0，并输出连通域的个数。
2024-01-10 15:11:23
906
原创 OpenCV-连通域标记
了解如何使用OpenCV进行连通域的标记以及计数，从而可以实现计算机视觉中的细胞计数、硬币计数等计数任务。方法函数介绍连通域标记函数绘制矩阵函数状态矩阵stats解读：状态矩阵每一行代表一个连通域，每一列分别代表：连通域最小外接四边形的x坐标、连通域最小外接四边形的y坐标、连通域最小外接四边形的宽、连通域最小外接四边形的高以及连通域的面积；状态矩阵的第一行表示的是背景，一般不计入连通域的数量。
2024-01-10 14:47:50
565
原创 OpenCV-图像形态学操作
目前已经可以使用简单的图像形态学方法处理二值图像了，下一步可以尝试借用这些方法来解决如细胞计数这种实际中的问题。通过OpenCV和C++实践图像形态学的相关操作。综合函数（包含腐蚀和膨胀）//读取图像并转为灰度图。//判断是否成功读取图像。
2024-01-09 16:41:55
329
原创 读书笔记-计算机视觉
这也论证了在卷积神经网络中，为什么经过卷积层的数据的通道数量可以增加，因为可能分别使用了不同的卷积核进行卷积。将整个参与训练的数据集划分为若干个大小差不多的训练数据集，每次使用一个批量的数据进行训练和模型参数的梯度更新。用来度量模型的预测值和真实值之间的差距，也是用来衡量我们训练出的模型的泛化能力好坏的重要标准。使用全部的数据集进行训练，以全部数据的计算得到的损失值为基准对模型中的全部参数进行梯度更新。实现了对原始数据的压缩，减少了参与模型运算的参数，提高的运算效率。，且根据压缩的特征完成模型的。
2023-12-26 18:02:09
359
1
原创 机器学习笔记-基本概念
通常定义一个损失函数（loss function）来衡量误差的大小。经验误差/训练误差，指在训练集上产生的误差；泛化误差，一般将测试误差作为泛化误差的近似值。误差（error）指的是。了解机器学习的基本概念。调整互信息和标准互信息。调整兰德指数（常用）
2023-12-18 11:20:11
317
原创 TimeGPT：文献简读
这篇文章介绍了一种新的基于时间序列的预训练模型，名为TimeGPT。TimeGPT是第一个能够在零样本推理的情况下表现出色的时间序列预测模型，具有出色的性能、效率和简单性。文章介绍了TimeGPT相对于其他时间序列分析方法的优势，以及它在实际应用中的潜在价值。TimeGPT的应用领域包括时间序列预测、数据挖掘和分析、自然语言处理等。
2023-10-27 17:23:47
614
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人