![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器视觉
文章平均质量分 58
时间之里
时光之里,山南水北
展开
-
【图像处理】:Otsu算法最大类间方差法(附源码)
Otsu算法原创 2023-11-16 13:18:23 · 1702 阅读 · 0 评论 -
【图像处理】:图像的透视变换
函数cv2.warpAffine()函数以cv2.getAffineTransform(src, dst)获得的转换矩阵M为参数,将src中的点仿射到dst中,函数cv2.getAffineTransform(src, dst)对指定的点完成映射之后,将所有其他点的映射关系按照指定点的关系确定。在目标图像上选四个坐标点,分别为B: (X’0,Y’0),(X’1,Y’1),(X’2,Y’2),(X’3,Y’3)在源图像上选四个坐标点,分别为A: (x0,y0),(x1,y1),(x2,y2),(x3,y3)原创 2023-04-06 18:59:08 · 6485 阅读 · 0 评论 -
机器视觉:面阵相机的传感器类型及实际应用分析
卷帘快门与全局快门的区别https://blog.csdn.net/weixin_39752599/article/details/82873068原创 2021-10-25 13:34:38 · 859 阅读 · 0 评论 -
吴恩达机器学习笔记:(六)Octave使用
Octave使用Octave安装Octave语句去除"版本号.exe:line>"矩阵操作步长操作直方图单位矩阵eye()帮助函数“ help +函数名”生成帮助文档Octave安装Octave语句去除"版本号.exe:line>"PS(’>’)矩阵操作步长操作直方图单位矩阵eye()帮助函数“ help +函数名”生成帮助文档eg:help eye输入“q”退出help rand...原创 2021-08-10 08:25:33 · 423 阅读 · 0 评论 -
吴恩达机器学习笔记:(五)区别于微积分的正规方程求解最优解
这里写自定义目录标题特征和多项式回归求解参数的最优解梯度下降法偏微分解法:正规函数梯度下降法和正规方程法对比特征和多项式回归求解参数的最优解梯度下降法偏微分解法:正规函数使用正规方程方法不需要做特征缩放梯度下降法和正规方程法对比...原创 2021-08-09 22:24:30 · 315 阅读 · 0 评论 -
吴恩达机器学习笔记:(四)矩阵、多元梯度下降
矩阵基础知识矩阵逆运算矩阵的转置实践陈发:乘法多元梯度下降特征缩放学习率α学习率的选择:原创 2021-08-08 23:40:01 · 345 阅读 · 0 评论 -
吴恩达机器学习笔记:(三)梯度下降法
梯度下降法知识点:偏导数、微积分、局部最优解概念介绍梯度下降法目的是为了“下降”,下降的方法是按照“梯度”。比如你在一座山上,当前你只能迈出一步,如何走才能使你的高度下降的最多呢,根据梯度的理论,我们沿着当前梯度的反方向走,会让我们的下降幅度最大。上述例子中,山就是一个函数,在山上的你就是函数中待优化的变量,人的坐标表示变量初始值,我们要 求的是函数最小值即到达山底,人该如何走即如何迭代变量。所以我们只要沿着函数梯度的反方向,就能最快的到达我们要去的地方。梯度下降是一种更新参数的方原创 2021-07-30 00:22:58 · 374 阅读 · 0 评论 -
吴恩达机器学习笔记:(二)代价函数
代价函数本例中如下图所示:代价函数实际目的是为了通过寻找 θ1, θ2两个参数实现拟合的直线最接近数据点。本例中代价函数的定义 θ1, θ2寻找θ1,θ2参数最优值寻找 θ1的最优解当θ1 = 1时当θ1 = 0.5时当θ1 =0时如上图右侧所示,寻当θ1 的最优解相当于寻找曲线偏导数等于零的点上图为两个参数同时作用时候生成的数据三维图下图为数据对应的等高线:通过实际数据测试发现当在等高线最中央时拟合的直线最接近数据集。...原创 2021-07-30 00:13:12 · 239 阅读 · 0 评论 -
吴恩达机器学习笔记:(一)机器学习方法简介
吴恩达机器学习笔记Supervised LearningUnsupervised Learningclustering 聚类算法market segments 市场细分regression problem 回归问题classificiation problem 分类问题【Keywords】octiveSupervised LearningUnsupervised Learningclustering 聚类算法market segments 市场细分regression problem原创 2021-07-29 23:56:50 · 150 阅读 · 0 评论 -
图像处理:matplotlib
函数:import matplotlib.pyplot as pltPython之Matplotlib库常用函数大全(含注释)https://www.cnblogs.com/TensorSense/p/6802280.htmlplt.cla() # 清除axes,即当前 figure 中的活动的axes,但其他axes保持不变。plt.clf() # 清除当前 figure 的所有axes,但是不关闭这个 window,所以能继续复用于其他的 plot。plt.close() # 关闭 wind原创 2021-07-07 20:50:38 · 236 阅读 · 0 评论 -
机器视觉:mvs相机调试
https://blog.csdn.net/qq_41017802/article/details/103482535https://blog.csdn.net/u014546828/article/details/80350149原创 2021-07-06 17:47:31 · 3259 阅读 · 0 评论 -
深度学习:人脸识别学习笔记
【原理】大佬链接:https://blog.csdn.net/neu_chenguangq/article/details/52983093人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。实现过程:摄像机或摄像头采集含有人脸的图像或视频流→自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部操作的一系列相关技术。其中技术包括图像采集、特征定位、身份的确认和查找等等。简单...原创 2021-07-05 18:46:37 · 112 阅读 · 0 评论 -
工业相机选型
工业相机选型相机靶面尺寸详解靶面尺寸相机成像像素详解例子镜头选型景深 (depth of field,DOF)调节景深的三种决定因素:影响原因焦距相机靶面尺寸详解靶面尺寸(长或宽方向)=像素尺寸(长或宽方向)*分辨率(即像素数量,在长或宽方向)靶面尺寸CCD/CMOS图像传感器尺寸1/2、1/3、1/4实际是多大1英寸——靶面尺寸为宽12.7mm高9.6mm,对角线16mm。2/3英寸——靶面尺寸为宽8.8mm高6.6mm,对角线11mm。1/2英寸——靶面尺寸为宽6.4mm高4.8mm,对角原创 2021-05-31 21:20:58 · 6361 阅读 · 0 评论 -
图像处理:图像降噪(去噪)
图像降噪(去噪)噪声的产生及分类加性噪声量化噪声图象降噪的方法简介均值滤波器几何均值滤波器谐波均值滤波器逆谐波均值滤波器自适应维纳滤波器中值滤波器形态学噪声滤除器小波去噪噪声的产生及分类噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。)加性噪声此类噪声与输入图像信号无关,含噪图像可表示为f(x,y)=g(x,原创 2021-02-01 12:35:16 · 7945 阅读 · 1 评论 -
机器视觉:工业线阵相机与面阵相机特点分析
这里写目录标题线阵相机与面阵相机的基本区别1、类型区分2、应用对比3、优点对比:4、缺点对比:线阵相机与面阵相机的选型线阵摄像机(线阵工业相机)的选型线阵相机与面阵相机的基本区别工业相机按照传感器的结构特性可分为面阵相机和线阵相机,面阵、线阵相机都有各自的优点和缺点,在用途不同的情况下选择合适的传感器的结构工业相机,至关重要。1、类型区分面阵相机:实现的是像素矩阵拍摄。相机拍摄图像中,表现图像细节不是由像素多少决定的,是由分辨率决定的。分辨率是由选择的镜头焦距决定的,同一种相机,选用不同焦距的镜原创 2020-08-11 23:52:14 · 1983 阅读 · 0 评论 -
机器视觉:线阵相机知识汇总
线阵相机知识汇总线阵相机定义线阵相机的几个重要参数:线阵相机知识汇总)线阵相机定义 线阵相机顾名思义就是取像是成线性的。它的传感器是成线型的。举个例子:比如面阵相机的分辨率是640*480就是说这个相机横向有640个像元,纵向有480个像元。而线阵相机分辨率只体现在横向,比如2048像素的线阵相机就是说横向有2048个像元,纵向大多数为1。(RGB相机和TDI相机除外)关于线阵相机的传感器70年代大多数使用的是MOS,而从70年代末CCD开始迅速发展,一直到现在也是主流,CMOS大概是在原创 2020-08-11 08:52:53 · 10848 阅读 · 1 评论 -
图像处理:聚类方法
聚类方法K-meansK-means参考链接说到聚类,应先理解聚类和分类的区别,很多业务人员在日常分析时候不是很严谨,混为一谈,其实二者有本质的区别。**分类:**分类其实是从特定的数据中挖掘模式,作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器,一开始的时候可能什么都不过滤,在日常使用过程中,我人工对于每一封邮件点选“垃圾”或“不是垃圾”,过一段时间,Gmail就体现出一定的智能,能够自动过滤掉一些垃圾邮件了。这是因为在点选的过程中,其实是给每一条邮件打了一个“标签”,这个标签只有两个值,要么原创 2020-08-12 08:23:38 · 1974 阅读 · 0 评论