深度学习图像处理基础

已于 2024-02-21 16:42:00 修改
阅读量920 收藏 17
点赞数 19
分类专栏： pyhton Gradio 文章标签： 深度学习 图像处理 人工智能
于 2024-02-20 23:18:15 首次发布
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_74098099/article/details/136195175
版权

这里写目录标题

分辨率

是什么

在这里插入图片描述
一张照片被拍摄出来之后，我们将其放大，可以看多许多的小方块单元，这些单元称为像素，组成了整个照片，而分辨率就是水平像素个数和垂直像素个数组合而成

在这里插入图片描述
上图相机的最高像素可以达到三千万，像素越高成像越清晰

视网膜屏

视网膜屏

在这里插入图片描述
视网膜屏就是像素颗粒很小，很细腻，细腻到人眼看不出来像素颗粒的存在，就被称为视网膜屏

视网膜屏的设计，可以欺骗人类的大脑，将一些零散的画面，反馈到大脑后成为连续的画面，这是视网膜屏的重大意义

人眼的视觉

视力

在这里插入图片描述
视力是你将两条线看成一条线之后，人眼与两条线形成的夹角，就是视力吗，这个角被称为极限分辨角度
在这里插入图片描述
在这里插入图片描述

当我们使用E子表，测试视力时，上面所反馈得到的数值，是极限分辨角度的倒数，单位是角分

像素密度

在这里插入图片描述
我们通常使用像素密度来判断像素的大小，像素密度是对角线的像素个数/对角线尺寸（单位英寸），得出这块屏幕的像素密度，简称PPI

设置合适的PPI，制造视网膜屏

在这里插入图片描述
想要计算出一个视网膜屏的PPI，需要得知这个人的视力以及观看距离，视力与观看距离可以计算出视野范围，也就是尺寸，拿到尺寸之后，根据人眼能分辨的最小的像素单元大小，就可以计算出像素的密度，即PPI

色彩

是什么

在这里插入图片描述
在这里插入图片描述
颜色是光反射的结果，光的本质是电磁波，而人类能够捕捉到的光的频率范围是400nm至700nm

色匹配实验

在这里插入图片描述
根据色匹配实验得出，同一种颜色，可以由完全不同的光谱分布实现
在这里插入图片描述
且，任何一种颜色，都可以使用红绿蓝三原色不同的比例分配进行合成

色彩匹配的意义

在这里插入图片描述
由以上结论可知，我们想要显示一个颜色，无需真的把那个颜色调出来，而是用三原色红绿蓝调制特定的比例从而合成我们想要的颜色，从而用更少的资源更高效的做事

量化色彩匹配

白色合为1

在这里插入图片描述
我们规定三原色等比例合成白色时，三色和为1

色度图

在这里插入图片描述
将400nm至700nm的点画在上面的图中，会显示出独特的曲线，而从中取三个点形成三角形，那么该三角形内的色彩就可以由这三个点的不同比例匹配出来，所以三角形越大，匹配的色彩越多
但是从工业的角度出发，为了成本，我们只需要一个能将我们日常生活中较为常见的色彩匹配出来的三角形即可，所以出现了许多的三角形标准，如下图
在这里插入图片描述

总结

在这里插入图片描述

HDR

光亮度（尼特）

人对亮度的差异的分辨能力存在极限

灰阶

在这里插入图片描述
一个器件亮度从最暗到最亮被划分为有限个等级，这些等级称为灰阶
而这些有限个灰阶的划分是按照二进制的位数划分的
例如一个8bit的灰阶，有2的8次方个不同的等级，且等级变化不连续，是间断变化的，8bit就是用二进制表示就是100000000，转为十进制就是2的8次方，计算结果为256
在这里插入图片描述
但是由于人眼对亮度差异的分辨存在极限，所以，对于不连续的灰阶，在人眼看来，是连续的

亮度范围

在这里插入图片描述
人眼能感知的亮度范围是10的-6次方到10的8次方，但是目前所有的感光器件（例如相机），他的亮度范围都没能达成人眼的范围，都要比人眼的范围小

HDR显示技术

在这里插入图片描述
所以，HDR就是将一个相机拍摄的从最暗到最亮的几张有代表性的照片合成到一起，这就是HDR技术
但是HDR技术有可能会造成原来的亮度差异的变化，造成画面的失真
所以，捕捉到更多的灰阶以及足够大的尼特范围，是HDR努力的方向

总结

在这里插入图片描述

数字图像化

概览

在这里插入图片描述
首先我们得到一张照片
之后，由于相机cmos的限制，我们将其分成3808*2856个像素
之后，根据三原色匹配原理，将其分成三层颜色不同的像素图
最后，根据颜色的比例，将其用8bit的灰阶进行编码量化

人脸检测

需要关注的两个问题

在这里插入图片描述
人脸检测需要关注这两个问题

人脸的判别

人脸检测算法

在这里插入图片描述

第一步

在这里插入图片描述

类哈尔特征

在这里插入图片描述
根据不同区域亮暗的区别，以及区域的大小，可以得到如下图所示的类哈尔特征：
在这里插入图片描述
白色代表亮的区域，黑色代表暗的区域，而大小则代表像素的多少

集成学习

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
如上几图所示，集成学习就是集成一些正确率不高的线索，最终达到目的，而我们要集成的对象就是弱分类器，他之所以叫做弱分类器，是因为他们单独行动时，准确率不高，但是将他们集成起来，就能达到不错的效果

第二步

在这里插入图片描述
在这里插入图片描述
将一些集成分类器时，将分类器进行等级划分，对于一些可以获取到大前提信息的分类器，要放在前面，优先级要高，因为如果大前提不满足，那么更别提细节了
所以，以人脸检测来说，最高级是判断是否是人脸，如果不是，直接排除，无需进行后续运算，可以大大提高效率

第三步

在这里插入图片描述

积分图算法

在这里插入图片描述
积分图中，一个点的亮度等于其与左上角所组成的矩形的亮度之和，那么如果要计算一个矩形的亮度，就是C+A-B-D

人脸的定位

滑动窗口与滑动尺寸

在这里插入图片描述
设置一个滑动窗口以及滑动尺寸，该窗口从上至下从左进行滑动，每次到达停止位置时，进行类哈尔特征级联检测，同时使用亮度积分图进行加速

补充（关于机器学习）

在这里插入图片描述
viola-Jones算法的特征是自己设置的，而参数是机器自己通过样本自己得到的，这一过程称为机器学习
今后还有一种算法，特征和参数都是机器学习得到的，该算法是基于深度学习构建的

深度学习十大应用

分辨率增强

在这里插入图片描述
分辨率增强，是在空间维度，增强画面的细腻度

帧率增强

在这里插入图片描述
帧率增强是在时间维度，增强视频的流畅度

色彩增强

在这里插入图片描述
给一张照片或者视频上色

风格迁移

在这里插入图片描述

图像分类

在这里插入图片描述
根据图像中的内容对图像进行分类

物体检测

在这里插入图片描述
之前的人脸检测的更优算法，就是该项的一个应用

物体分割

在这里插入图片描述
在这里插入图片描述
对物体进行检测时，能够分割出一个物体的轮廓，就是物体分割

特征检测

在这里插入图片描述
一个应用是判断摄像头捕捉到的是不是人脸

人脸识别

在这里插入图片描述
人脸识别要检测这张脸是谁的脸

物体生成

在这里插入图片描述
类似于，无中生有生成一张照片或者视频

神经网络

深度学习，更为详细的翻译是：基于深度神经网络的机器学习，所以，神经网络是深度学习的核心概念
在这里插入图片描述

神经元

工作原理

简介

在这里插入图片描述
神经网络是参考生物中的神经元进行设计的，有若干个输入和一个输出

实例

在这里插入图片描述

在这里插入图片描述
a1 a2 a3在w1 w2 w3的权重下求和，得到的值再经过f函数，会得到结果
在这里插入图片描述
该函数称为激活函数

神经网络

简介

在这里插入图片描述
假设我们有五个神经元，即有五个MP模型，将其分成两组，将第一组的输出连到第二组的输入，就构成了神经网络，神经网络的关键就在于将神经元以层级的方式链接起来
两层的神经网络还有一个别称：感知机

深度神经网络

在这里插入图片描述
两层的神经网络叫做感知机，而两层以上的神经网络，就被称为深度神经网络，他的第一层是输入层，第二层是输出层，中间的所有层，称为隐藏层
感知机只能解决线性问题，而深度神经网络可以解决非线性问题

要注意：
在这里插入图片描述

总结

在这里插入图片描述

长安1108
关注
  • 19
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习图像增强代码+文章
04-02
3. **深度学习在图像增强中的应用**：常见的深度学习图像增强技术包括使用CNN进行自编码器（Autoencoder）或生成器（Generator）的训练，以学习数据的表示并生成新的图像。此外，对抗性训练（Adversarial Training）...
深度学习模式——图像处理1
07-20
总的来说，“深度学习模式——图像处理1”涵盖了深度学习在图像识别、定位、分割和生成等多个方面的基本概念和技术，为理解和应用这些模型提供了坚实的基础。通过不断探索和优化，深度学习将继续推动图像处理技术的...
深度学习中的图像处理（基本介绍+示例代码）
weixin_45594172的博客
11-21 4104
深度学习中的图像处理（基本介绍+示例代码）
深度学习图像处理01：图像的本质
qq_35284513的博客
03-21 1060
深度学习作为一种强大的机器学习技术，已经成为图像处理领域的核心技术之一。通过模拟人脑处理信息的方式，深度学习能够从图像数据中学习到复杂的模式和特征，从而实现从简单的图像分类到复杂的场景理解等多种功能。要充分发挥深度学习在图像处理中的潜力，我们首先需要理解图像的本质。本文旨在深入探讨深度学习图像处理的基础概念，为初学者铺平通往高级理解的道路。我们将从最基础的问题开始：图像是什么？我们如何通过计算机来理解和处理图像？
图像处理-入门深度学习案例
SJYsjydsb的博客
04-22 501
选错了，那么你的神经网络可能会永远找不到损失函数的最小值处，即你的神经网络预测得永远不会很准。可以看到，上面其它的代码都是一样的，只有学习率不同，就会导致预测的准确率不同，大家重点要突破如何选择合适的学习率。到此，我们构建一个最简单的神经网络了。为了构建上面的神经网络，我们需要先编写一些工具函数，这些函数会对上面的数据进行特定功能的运算。上面我们已经加载了数据，并且对数据进行了预处理，使其便于进行后面的运算。前面文章我已经介绍过它了，sigmoid函数的作用就是把预测结果转换为0和1之间的值。
深度学习在图像处理中的应用（tensorflow2.4以及pytorch1.10实现）
热门推荐
霹雳吧啦Wz
12-10 12万+
本人在读研期间的研究方向是图像处理以及深度学习（主要是图像分类和目标检测）。在做深度学习时使用的是tensorflow深度学习框架，学习全是自学，很多资源都是在Github上找的。我发现现在Github上很多深度学习的开源项目都是用的tensorflow和pytorch框架。所以现在也开始学习pytorch框架，之前一直用的是tensorflow1.x版本，今年正好迎来了新的tensorlfow大.........
深度学习在图像处理中的应用
the_future_way的博客
06-29 9066
目前为止，图像处理已成为深度学习中重要的研究领域，几乎所有的深度学习框架都支持图像处理工具。当前深度学习在图像处理领域的应用可分为三方面:图像处理(基本图像变换)、图像识别(以神经网络为主流的图像特征提取)和图像生成(以神经风格迁移为代表)。本文第一部分介绍深度学习中图像处理的常用技巧，第二部分浅析深度学习中图像处理的主流应用，最后对本文内容进行简要总结。 一．深度学习中图像处理的常见技巧 目前几乎所有的深度学习框架均支持图像处理工具包，包括Google开发的Tensorflow、Microsoft的CNT
深度学习图像处理入门
m0_56015025的博客
12-25 1851
学习路线--- 1、图像分类 2、目标检测 3、图像分割 进tensorflow官网 用tensorflow.google.cn 1.1卷积神经网络基础 全连接层：BP算法（信号的前向传播和误差的反向传播） 卷积层：卷积核（激活函数sigmoid，Relu，softmax） 池化层：对数据进行稀疏处理，减少数据运算量（上采样，下采样） 误差计算：Cross Entropy Loss交叉熵损失（多分类softmax，二分类sigmoid） 误差反向传播 权重的更新：优化器（SG...
基于深度学习的医学图像处理分析平台
最新发布
05-08
在当前的医疗领域，深度学习技术正逐渐...总的来说，“基于深度学习的医学图像处理分析平台”是一个综合了尖端技术与临床需求的解决方案，它在提高医疗服务质量和效率的同时，也为未来的医疗智能化奠定了坚实的基础。
python深度学习_python深度学习_深度学习图像_
10-02
Python深度学习是现代人工智能领域中的一个关键分支，它利用Python编程语言的强大功能和易用性，结合深度学习算法，实现对复杂数据集的高效处理，尤其是图像数据的识别。在这个领域，开发者通常会使用诸如TensorFlow...
深度学习图像分类猫狗数据集
01-01
深度学习模型通常采用卷积神经网络（CNN）进行图像处理。CNN由卷积层、池化层、全连接层等组成，能有效地提取图像的局部特征。在猫狗数据集上，我们可以先用预训练的模型，如VGG16、ResNet或InceptionV3，这些模型在...
深度学习方法在图像处理中的应用与研究(总结)
12-01
Artificial Intelligence，也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生“自我”的意识。是的，在人类和大量现成数据的帮助下，电脑可以表现的十分强大，但是离开了这两者，它甚至都不能分辨一个喵星人和一个汪星人。
从图像处理到图像生成：深度学习在图像处理的应用
09-29
该文档来自MDCC 2016中国移动开发者大会。周昌发表了题为“从图像处理到图像生成：深度学习在图像处理的应用”的主题演讲，欢迎下载！
深度学习-图像处理
LeslieJaywei的博客
04-05 553
深度学习
深度学习图像处理（一）
qq_36559788的博客
03-03 7532
深度学习处理图像的方式和传统图像处理有着本质的不同。传统图像是直观的，可解释的，而深度学习并未做到那么的可解释性。哈工大的倪院士说过，深度学习最大的挑战在于其难以用一个数学公式进行描述，而正因为其中的特性导致了其黑匣子特性。 本篇将分为三部分进行解说即：数据处理部分、模型部分、优化部分。同时本篇将使用pytorch1.10.1及python3.9在windos上进行开发。 数据处理部分 a、依赖的模块： from torch.utils.data import DataLoader, Dataset i.
CPTbed-01 猫狗识别
A_Coding_Man
08-01 421
01-第一个人工智能程序 导入相关库 # numpy 用来进行向量化 import numpy as np # matplotlib 用来画图的 import matplotlib.pyplot as plt # h5py 用来加载训练数据集的。 # 我们数据集的保存格式是HDF。Hierarchical Data Format(HDF)是一种针对大量 # 数据进行组织和存储的文件格式,大数据行业和人工智能行业都用它来保存数据。 import h5py # skimage 用来缩放图片 impor
深度学习与图像处理：技术的融合与发展
禅与计算机程序设计艺术
12-27 447
1.背景介绍 图像处理是计算机视觉领域的基础，深度学习在图像处理领域的应用也非常广泛。随着深度学习技术的不断发展，图像处理的技术也得到了重要的推动。本文将从以下六个方面进行阐述：背景介绍、核心概念与联系、核心算法原理和具体操作步骤以及数学模型公式详细讲解、具体代码实例和详细解释说明、未来发展趋势与挑战以及附录常见问题与解答。 1.1 背景介绍 图像处理是计算机视觉的基础，它涉及到图像的获取、...
用深度学习玩图像的七重关卡
weixin_33725722的博客
03-07 2062
第一个重境界： 图像识别 如果你开始了解深度学习的图像处理， 你接触的第一个任务一定是图像识别 ： 比如把你的爱猫输入到一个普通的CNN网络里， 看看它是喵咪还是狗狗。 一个最普通的CNN， 比如像这样几层的CNN鼻祖Lenet， 如果你有不错的数据集（比如kaggle猫狗大战）都可以给出一个还差强人意的分类结果(80%多准确率)， 虽然不是太高。 ...
python深度学习图像处理
05-02
Python在深度学习领域有着广泛的应用，尤其是在图像处理领域。以下是一些常用的Python深度学习图像处理库： 1. TensorFlow：这是由Google开发的深度学习框架，包含了许多用于图像处理的API。 2. PyTorch：这是由Facebook开发的深度学习框架，同样包含了许多用于图像处理的API。 3. Keras：这是一个高级神经网络API，可以在TensorFlow、Theano和CNTK等后端上运行。它提供了许多用于图像处理的预处理和数据增强功能。 4. OpenCV：这是一个开源计算机视觉库，可以用Python进行编程。它包含了许多用于图像处理的API。 5. Scikit-image：这是一个基于Python的开源图像处理库，可以用于图像分割、形态学转换、图像增强等任务。 在使用这些库时，你需要了解一些基本的深度学习概念，例如卷积神经网络、数据增强、迁移学习等。同时，你也需要了解一些基本的图像处理技术，例如图像滤波、边缘检测、图像分割等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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