机器视觉与图像处理
文章平均质量分 59
wxz1120171495
这个作者很懒,什么都没留下…
展开
-
笔记整理——关于rolling guidance filter的理解
1、rolling guildance 的作用rolling guildance filter的作用在于解决了其他滤波器在平滑纹理或区域细节时出现的物体轮廓或边界丢失的问题,其他比如双边滤波器或者高斯滤波器通常会一律平滑处理掉,容易丢失重要信息,而rolling guildance filter 则可以高效率地解决这类问题 2、roling guildance 思想的关键步...原创 2018-07-08 16:44:20 · 4995 阅读 · 3 评论 -
学习笔记整理——对于双边滤波与引导滤波的一些浅显的理解
1、引导滤波的个人理解 引导滤波实际上是假设一像素k为中心的窗口存在局部线性关系,通过对局部线性关系求导可以判断哪些边缘需要保留,给出的a,b两个参数则是以像素k为窗口的周围的权重的均值2、引导滤波的优点引导滤波相对于双边滤波最大的优点在于算法的复杂度与窗口的大小无关,对于处理较为大型的图片时,在效率上有明显的提升同时,引导滤波可以很好地克服双边滤波中出现的梯度翻转的现象,因为假设前提便是存在线...原创 2018-07-06 00:28:08 · 8984 阅读 · 0 评论 -
A non-local algorithm for image denoising理解及读书笔记
1、非局部均值的的突破在于它是将有噪声的图像改正而不是将噪声单独从图像中分离出来,它的基本思想是:当前像素点的灰度值与所有与其结构相似的像素点加权平均得到,确定权值系数则是:对于每一个像素点的权值,采用以该像素点为中心的图像子块与当前像素点为中心的图像子块之间的高斯加权欧氏距离来计算2、下图表示了高斯滤波,双边滤波和非局部均值处理过程3、NML 算法首先要确定两个窗口,分别为相似窗...原创 2018-08-01 22:56:08 · 4772 阅读 · 0 评论 -
对PCA算法的理解(转载)
PCA(Principal Component Analysis,主成分分析)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量,常用于高维数据的降维。网上关于PCA的文章有很多,但是大多数只描述了PCA的分析过程,而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理,帮助读者了解PCA的工作机制是什么。当然我并不打算把...转载 2018-08-11 00:53:38 · 318 阅读 · 0 评论 -
学习笔记——关于信号稀疏表示相关概念的整理
一、图像的稀疏首先理解图像的稀疏,分解原始图像为若干个的块,这些样本就是图像中的单个样本块,在固定的字典上系数分解y之后,便得到稀疏向量,从而组成稀疏矩阵,其中x为y在D上的分解稀疏,成为稀疏矩阵,可表示为: 字典矩阵中的各个列向量被称为原子(Atom). 当字典矩阵中的行数小于甚至远小于列数时,即m⩽n,字典D是冗余的。所谓完备字典是指原子可以张成n纬欧式空间. 如果在某...原创 2018-08-12 00:01:51 · 11894 阅读 · 0 评论 -
non-local 论文及代码复现总结
一、NLmeansfilter 函数function [output]=NLmeansfilter(input,t,f,h) % input: 处理的图像 % t: 搜索窗的半径 % f: 相似窗的半径 % h: 滤波参数 [m,n]=size(input);%图像的范围 output=zeros(m,n); input2=padarray(input,[f f],'s...原创 2018-08-07 21:23:07 · 2541 阅读 · 0 评论 -
ubuntu16.04配置CUDA8.0过程中遇到的一些坑的提示
真是一个很艰辛的过程,前几天才上手linux,导师要求一个月之内做出一个小项目来,我才能顺利地进入实验室。。。。。废话不多说了1、第一个问题不知道你是否会遇到,我反正遇到了,根本的原因是在装ubuntu系统的时候给根目录的存储空间分配小了,导致在配置CUDA8.0的时候,内存完全不够,花了我一两天的时间去给根目录扩容,希望你们不会遇到这种问题,如果你们遇到了,恭喜你们要踏上和我一样的道路了...原创 2018-12-27 14:46:22 · 663 阅读 · 0 评论