- 博客(109)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 一路坎坷-Mac下安装Python3、环境变量配置、安装jupyter notebook
首先说一下我是先下载python3.8-然后安装；再在苹果电脑的终端下载Jupyter的（如果是windows系统，就cmd打开命令提示符窗口去下载Jupyter），中间遇到好多问题，比如让升级pip，还有网络原因说超时…经历过各种后终于把Jupyter下载好了，但是也不提示错误，只显示jupyter相关介绍信息最后看了一篇博主才知道是没有给python3.8和jupyter配置环境。
2024-08-21 19:34:35
1200
原创 使用列表时避免索引错误
Python试图向你提供位于索引3处的元素，但它搜索列表motorcycles 时，却发现索引3处没有元素。鉴于列表索引差一的特征，这种错误很常见。有些人从1开始数，因此以为第三个元素的索引为3；但在Python中，第三个元素的索引为2，因为索引是从0开始的。发生索引错误却找不到解决办法时，请尝试将列表或其长度打印出来。程序发生索引错误时，请尝试将你指定的索引减1，然后再次运行程序，看看结果是否正确。别忘了，每当需要访问最后一个列表元素时，都可使用索引-1。或其包含的元素数，可帮助你找出这种逻辑错误。
2023-06-14 14:04:52
246
原创 组织列表-python
在你创建的列表中，元素的排列顺序常常是无法预测的，因为你并非总能控制用户提供数据的顺序。这虽然在大多数情况下都是不可避免的，但你经常需要以特定的顺序呈现信息。有时候，你希望保留列表元素最初的排列顺序，而有时候又需要调整排列顺序。Python提供了很多组织列表的方式，可根据具体情况选用。
2023-06-11 14:29:19
714
原创 我的创作纪念日
在写作完发表后，我收获了很多感动，除了感动，我还看到了这些读者的用心，有的时候觉得自己写的不够好，不敢回过头去看，却得到了很多读者的夸赞。不知不觉加入CSDN已经两年了，最初成为创作者的初心是想把平时遇到的问题记录下来，都说好记性不如烂笔头，用笔记方式记录下来一方面方便以后遇到同样问题可以回顾自己的笔记，另一方面是为了把自己遇到的问题分享给其他可能遇到同样问题的IT学者，随着不断地分享，自己对CSDN越来越感兴趣，想法也越来越多…一路的坚持，收获了很多，我会加油，和更多的读者一道，继续写作！
2023-04-26 21:01:31
248
1
原创 计算机网络的拓扑结构
是指用拓扑学的方法来研究点与线之间的关系，而不受大小和形状的影响。应用拓扑学的思想，将网络中的计算机和通信设备抽象为点，将传输介质抽象为线，由点和线组成的几何图形(几何排列形式)称为计算机网络拓扑。计算机网络的拓扑结构主要包括总线形、星形、环形、树形和网状，其中星形拓扑是局域网最常用的拓扑结构。
2023-04-03 21:32:34
786
原创 WebForms UnobtrusiveValidationMode 需要“jquery”ScriptResourceMapping。请添加一个名为 jquery (区分大小写)的 ScriptRes
请添加一个名为 jquery (区分大小写)的 ScriptResourceMapping。请添加一个名为 jquery (区分大小写)的 ScriptResourceMapping。请添加一个名为 jquery (区分大小写)的 ScriptResourceMapping。.net framework4.5开发中， Unobtrusive ValidationMode是一种隐式的验证方式，需要前端调用jquery来进行身份验证。请检查堆栈跟踪信息，以了解有关该错误以及代码中导致错误的出处的详细信息。
2022-10-19 16:35:34
637
原创 如何将ASP.NET项目发布到本地IIS服务器上
单击上一页图中的【打开或关闭Windows功能】选项后，弹出“Windows功能”的对话框，在对话框中展开【Internet信息服务】选项，选中【FTP服务器】、【Web管理工具】、【万维网服务】三个选项下的所有子项，最后单击【确定】按钮，如下图所示。点击完成之后，出现下面界面，点击删除现有文件（目的是每次更新该网站，把原有内容删除，不过同时会清楚该文件夹里其他文件，所以最好不要把其他项目放在同一个文件夹里或者这个地方不改成True，仍是False）点击网站，选择浏览网站，这样就可以访问自己的项目了。
2022-10-06 18:43:39
4365
原创 修改、添加和删除列表元素
为此，可在开始时将一些外 星人存储在列表中，然后每当有外星人被射杀时，都将其从列表中删除，而每次有新的外星人出现在屏幕上时，都将其添加到列表中。如果你不确定该使用del 语句还是pop() 方法，下面是一个简单的判断标准：如果你要从列表中删除一个元素，且不再以任何方式使用它，就使用del 语句；为控制用户，可首先创建一个空列表，用于存储用户将要输入的值，然后将 用户提供的每个新值附加到列表中。修改列表元素的语法与访问列表元素的语法类似。要修改列表元素，可指定列表名和要修改的元素的索引，再指定该元素的新值。.
2022-08-08 10:19:17
1209
原创 列表是什么以及如何使用列表元素
本文中你将学习列表是什么以及如何使用列表元素。列表让你能够在一个地方存储成组的信息，其中可以只包含几个元素，也可以包含数百万个元素。列表是新手可直接使用的最强大的Python功能之一，它融合了众多重要的编程概念。列表是什么列表由一系列按特定顺序排列的元素组成。你可以创建包含字母表中所有字母、数字0~9或所有家庭成员姓名的列表；也可以将任何东西加入列表中，其中的元素之间可以没有 任何关系。......
2022-08-04 21:35:07
1483
原创 如何在编写程序语言中编写注释-python
当前，大多数软件都是合作编写的，编写者可能是同一家公司的多名员工，也可能是众多致力于同一个开源 项目的人员。作为新手，最值得养成的习惯之一是，在代码中编写清晰、简洁的 注释。当然，你总是 可以通过研究代码来确定各个部分的工作原理，但通过编写注释，以清晰的自然语言对解决方案进行概述，可节省很多时间。如果答案是肯定的，就编写注释对你的解决方案进行说明吧。本文前面编写的程序中都只包含Python代码，但随着程序越来越大、越来越复杂，就应在其中添加说明，对你解决问题的方法 进行大致的阐述。当然双引号也是可以的。..
2022-08-03 21:04:55
1537
原创 对象检测-使用 Haar 分类器进行面部检测
使用 Haar 分类器进行面部检测目标 本节我们要学习： • 以 Haar 特征分类器为基础的面部检测技术 • 将面部检测扩展到眼部检测等。基础 以 Haar 特征分类器为基础的对象检测技术是一种非常有效的对象检测技术（2001 年 Paul_Viola 和 Michael_Jones 提出）。它是基于机器学习的，通过使用大量的正负样本图像训练得到一个 cascade_function，最后再用它来做对象检测。 现在我们来学习面部检测。开始时，算法需要大量的正样本图像（面部图像）和负样本
2022-07-26 09:02:16
415
原创 使用修补技术去除老照片中小的噪音和划痕
它要选取待修补像素周围的一个小的邻域，使用这个邻域内的归一化加权和更新待修复的像素值。对于靠近带修复点的像素点，靠近正常边界像素点和在轮廓上的像素点给予更高的权重。当一个像素被修复之后，使用快速行进算法（FMM）移动到下一个最近的像素。它首先沿着正常区域的边界向退化区域的前进（因为边界是连续的，所以退化区域非边界与正常区域的边界应该也是连续的）。我们要创建一个与输入图像大小相等的掩模图像，将待修复区域的像素设置为255（其他地方为0）。第三幅是使用第一个算法的结果，最后一副是使用第二个算法的结果。.....
2022-07-26 07:33:01
792
原创 学习使用非局部平均值去噪算法去除图像中的噪音-图像去噪
在这种情况下temporaWindowSize帧的图像会被用于去噪，中间的帧就是要去噪的帧。所以我们可以选取包含目标像素的一个小窗口，然后在图像中搜索相似的窗口，最后求取所有窗口的平均值，并用这个值取代目标像素的值。考虑图像中一个小的窗口（5x5），有很大可能图像中的其他区域也存在一个相似的窗口。在前面的章节中我们已经学习了很多图像平滑技术，比如高斯平滑，中值平滑等，当噪声比较小时这些技术的效果都是很好的。（假设是高斯噪声）。下面是结果的放大图，我们的输入图像中含有方差为25的噪声，下面是结果。...
2022-07-25 07:31:18
1519
原创 学习使用 OpenCV 中的函数 cv2.kmeans() 对数据进行分类
在本例中我的到的中心是60和207。标志的数目与测试数据的多少是相同的，每个数据都会被标记上“0”，“1”等。所以我们需要把图片数据变形成Mx3（M是图片中像素点的数目）的向量。聚类完成后，我们用聚类中心值替换与其同组的像素值，这样结果图片就只含有指定数目的颜色了。在本例中我们的测试数据适应50x2的向量，其中包含50个人的身高和体重。第一行包含两个元素，第一个是第一个人的身高，第二个是第一个人的体重。在前面的T恤例子中我们只考虑了身高，现在我们也把体重考虑进去，也就是两个特征。...
2022-07-24 10:48:04
1586
原创 学习 K 值聚类的概念以及它是如何工作的
肯定不能把每个大小的T恤都生产出来，所以他们把所有的人分为三组小，中，大，这三组要覆盖所有的人。我们可以使用K值聚类的方法将所有人分为3组，这个算法可以找到一个最好的分法，并能覆盖所有人。计算每个点到这两个重心点的距离，如果距离C1比较近就标记为0，如果距离C2比较近就标记为1。（如果有更多的重心点，可以标记为“2”，“3”等）重新计算所有蓝色点的重心，和所有红色点的重心，并以这两个点更新重心点的位置。在我们的例子中我们把属于0的标记为红色，属于1的标记为蓝色。...
2022-07-24 08:33:55
1294
原创 使用 SVM 进行手写数据 OCR
接下来我们要计算图像的HOG描述符，创建一个函数hog()。然后计算得到每个像素的梯度的方向和大小。将图像分为4个小的方块，对每一个小方块计算它们的朝向直方图（16个bin），使用梯度的大小做权重。4个小方块的4个向量就组成了这个图像的特征向量（包含64个成员）。在计算HOG前我们使用图片的二阶矩对其进行抗扭斜（deskew）处理。下图显示了对含有数字0的图片进行抗扭斜处理后的效果。本节我们还是要进行手写数据的OCR，但这次我们使用的是SVM而不是kNN。......
2022-07-23 19:13:55
718
原创 支持向量机SVM
有时我们找到的决定边界的边缘可能不是最大的但是错误分类是最少的。所以我们需要对我们的模型进行修正来找到一个更好的决定边界最大的边缘，最小的错误分类。不，只需要那些靠近边界的数据，如上图中一个蓝色的圆盘和两个红色的方块。例如，在一维空间中X类包含的数据点有（-3，3），O类包含的数据点有（-1，1）。这样X就变成了（-3，9）和（3，9）而O就变成了（-1，1）和（1，1）。所以根据低维的数据来计算它们的高维特征。对这组数据进行映射，得到的X为9，O为1，这时就可以使用线性分割了。...
2022-07-23 12:25:45
660
原创 使用 kNN 对手写数字 OCR
我们在将拆分后的每一个数字的图像重排成一行含有400个像素点的新图像。我们使用每个数字的前250个样本做训练数据，剩余的250个做测试数据。改善准确度的一个办法是提供更多的训练数据，尤其是判断错误的那些数字。为了避免每次运行程序都要准备和训练分类器，我们最好把它保留，这样在下次运行是时，只需要从文件中读取这些数据开始进行分类就可以了。由于我们现在使用灰度值（unint8）作为特征，在保存之前最好先把这些数据装换成np.uint8格式，这样就只需要占用1.1M的空间。...
2022-07-22 10:20:45
462
原创 机器学习-K 近邻（k-Nearest Neighbour ）
我们可以把所有的这些对象看成是一个城镇中房子，而所有的房子分别属于蓝色和红色家族，而这个城镇就是所谓的特征空间。例如在一个2D的坐标空间中，每个数据都两个特征x坐标和y坐标，你可以在2D坐标空间中表示这些数据。下面就是kNN算法分类器的初始化，我们要传入一个训练数据集，以及与训练数据对应的分类来训练kNN分类器（构建搜索树）。一个方法就是查看他最近的邻居属于那个家族，从图像中我们知道最近的是红色三角家族。这说明我们的测试数据有3个邻居，他们都是蓝色，所以它被分为蓝色家族。...
2022-07-22 10:09:21
898
2
原创 光流的概念以及 Lucas-Kanade 光流法
由于目标对象或者摄像机的移动造成的图像对象在连续两帧图像中的移动被称为光流。它是一个2D向量场，可以用来显示一个点从第一帧图像到第二帧图像之间的移动。Lucas-Kanade法是计算一些特征点的光流（我们上面的例子使用的是Shi-Tomasi算法检测到的角点）。它会图像中的所有点的光流。下面的例子就是使用上面的算法计算稠密光流。OpenCV的官方示例中有一个更高级的稠密光流/samples/python2/opt_flow.py，去搞定它吧！上图显示了一个点在连续的五帧图像间的移动。...
2022-07-22 09:04:06
1434
原创 学习使用 Meanshift 和 Camshift 算法在视频中找到并跟踪目标对象
这时又可以找到新窗口内所有点的质心，大多数情况下还是不重合的，所以重复上面的操作将新窗口的中心移动到新的质心。你认真看上面的结果了吗？我们的窗口的大小是固定的，而汽车由远及近（在视觉上）是一个逐渐变大的过程，固定的窗口是不合适的。假设我们有一堆点（比如直方图反向投影得到的点），和一个小的圆形窗口，我们要完成的任务就是将这个窗口移动到最大灰度密度处（或者是点最多的地方）。与Meanshift基本一样，但是返回的结果是一个带旋转角度的矩形（这是我们的结果），以及这个矩形的参数（被用到下一次迭代过程中）。...
2022-07-21 12:24:15
378
原创 学习为立体图像制作深度地图
x和x’分别是图像中的点到3D空间中的点和到摄像机中心的距离。B是这两个摄像机之间的距离，f是摄像机的焦距。上边的等式告诉我们点的深度与x和x’的差成反比。所以根据这个等式我们就可以得到图像中所有点的深度图。这样就可以找到两幅图像中的匹配点了。如果同一场景有两幅图像的话我们在直觉上就可以获得图像的深度信息。下面是的这幅图和其中的数学公式证明我们的直觉是对的。通过调整numDisparities和blockSize的值，我们会得到更好的结果。下面的代码显示了构建深度图的简单过程。...
2022-07-21 10:19:25
833
原创 对极几何（Epipolar Geometry）
简单来说，基础矩阵F将一副图像中的点映射到另一幅图像中的线（极线）上。在我们使用针孔相机时，我们会丢失大量重要的信心，比如说图像的深度，或者说图像上的点和摄像机的距离，因这是一个从3D到2D的转换。如果只是用一台摄像机我们不可能知道3D空间中的X点到图像平面的距离，因为OX连线上的每个点投影到图像平面上的点都是相同的。从上面的示意图可以看出，右侧摄像机的中心O’投影到左侧图像平面的e点，这个点就被称为极点。从上图可以看出所有的极线都汇聚以图像外的一点，这个点就是极点。...
2022-07-21 07:14:40
932
原创 要学习使用 calib3D 模块在图像中创建 3D 效果-姿势估计
简单来说，我们在图像平面上找到了与3D空间中的点（3,0,0）,(0,3,0),(0,0,3)相对应的点。所以，如果我们知道对象在空间中的姿势，我们就可以在图像中绘制一些2D的线条来产生3D的效果。所以X轴从（0,0,0）绘制到（3,0,0），Y轴也是。我们的问题是，在棋盘的第一个角点绘制3D坐标轴（X，Y，Z轴）。现在我们来创建一个函数draw，它的参数有棋盘上的角点（使用cv2.findChessboardCorners()得到）和要绘制的3D坐标轴上的点。...
2022-07-20 10:28:50
989
原创 摄像机标定和 3D 重构
现在为了求X，Y的值，我们只需要传入这些点（0,0），（1,0），（2,0）…在这个例子中，我们的结果的单位就是棋盘（单个）方块的大小。但是如果我们知道单个方块的大小（加入说30mm），我们输入的值就可以是（0,0），（30,0），（60,0）…（在本例中我们不知道方块的大小，因为不是我们拍的，所以只能用前一种方法了）。重要的是在进行摄像机标定时我们要输入一组3D真实世界中的点以及与它们对应2D图像中的点。在读取下一帧图像之前要设置一定的间隔，这样我们就有足够的时间调整棋盘的方向。...
2022-07-20 09:54:07
1090
原创 OpenCV 中的背景减除方法
在x，y平面上一个像素就是一个像素没有分布，但是我们现在讲的背景建模是基于时间序列的，因此每一个像素点所在的位置在整个时间序列中就会有很多值，从而构成一个分布。如果你有一张背景（仅有背景不含前景）图像，比如没有顾客的房间，没有交通工具的道路等，那就好办了。但是在大多数情况下，我们没有这样的（背景）图像，所以我们需要从我们有的图像中提取背景。这个算法的一个特点是它为每一个像素选择一个合适数目的高斯分布。这是一种自适应的估计，新观察到的对象比旧的对象具有更高的权重，从而对光照变化产生适应。...
2022-07-19 20:59:34
2134
原创 光流的概念以及 Lucas-Kanade 光流法
函数将返回带有状态数的点，如果状态数是1，那说明在下一帧图像中找到了这个点（上一帧中角点），如果状态数是0，就说明没有在下一帧图像中找到这个点。从使用者的角度来看，想法很简单，我们取跟踪一些点，然后我们就会获得这些点的光流向量。我们可以使用图像金字塔的顶层，此时小的运动被移除，大的运动装换成了小的运动，现在再使用Lucas-Kanade算法，我们就会得到尺度空间上的光流。Lucas-Kanade法是计算一些特征点的光流（我们上面的例子使用的是Shi-Tomasi算法检测到的角点）。...
2022-07-18 09:18:31
697
原创 视频分析-使用 Meanshift 和 Camshift 算法在视频中找到并跟踪 目标对象
这时又可以找到新窗口内所有点的质心，大多数情况下还是不重合的，所以重复上面的操作将新窗口的中心移动到新的质心。你认真看上面的结果了吗？我们的窗口的大小是固定的，而汽车由远及近（在视觉上）是一个逐渐变大的过程，固定的窗口是不合适的。假设我们有一堆点（比如直方图反向投影得到的点），和一个小的圆形窗口，我们要完成的任务就是将这个窗口移动到最大灰度密度处（或者是点最多的地方）。与Meanshift基本一样，但是返回的结果是一个带旋转角度的矩形（这是我们的结果），以及这个矩形的参数（被用到下一次迭代过程中）。...
2022-07-18 08:28:46
336
原创 使用特征匹配和单应性查找对象
我们使用一个查询图像，在其中找到一些特征点（关键点），我们又在另一幅图像中也找到了一些特征点，最后对这两幅图像之间的特征点进行匹配。简单来说就是我们在一张杂乱的图像中找到了一个对象（的某些部分）的位置。这些信息足以帮助我们在目标图像中准确的找到（查询图像）对象。如果将这两幅图像中的特征点集传给这个函数，他就会找到这个对象的透视图变换。如果找到了足够的匹配，我们要提取两幅图像中匹配点的坐标。一旦我们找到3x3的变换矩阵，就可以使用它将查询图像的四个顶点（四个角）变换到目标图像中去了。...
2022-07-17 19:33:17
174
原创 在图像间进行特征匹配
如果前面使用的是BFMatcher.knnMatch()，现在我们可以使用函数cv2.drawMatchsKnn为每个关键点和它的k个最佳匹配点绘制匹配线。如果设置为True，匹配条件就会更加严格，只有到A中的第i个特征点与B中的第j个特征点距离最近，并且B中的第j个特征点到A中的第i个特征点也是最近（A中没有其他点到j的距离更近）时才会返回最佳匹配（i，j）。注释掉的值是文献中推荐使用的，但是它们并不适合所有情况，其他值的效果可能会更好。蛮力匹配器是很简单的。...
2022-07-17 07:24:00
946
原创 ORB (Oriented FAST and Rotated BRIEF)
为了对steered_BRIEF算法使得特征的方差减小的弥补和减小数据间的相关性，用一个学习算法（learningmethod）选择二进制测试的一个子集。在计算开支，匹配效率以及更主要的是专利问题方面ORB算法是是SIFT和SURF算法的一个很好的替代品。所以我们在生成特征前，要把关键点领域的这个patch的坐标轴旋转到关键点的方向。为了进一步提高旋转不变性，要计算以角点为中心半径为r的圆形区域的矩，再根据矩计算除方向。对于描述符，ORB使用的是BRIEF描述符。......
2022-07-16 21:54:48
379
原创 BRIEF 算法的基础-BRIEF(Binary Robust Independent Elementary Features)
BRIEF(Binary Robust Independent Elementary Features)目标 本节 • 我们学习 BRIEF 算法的基础原理 我们知道 SIFT 算法使用的是 128 维的描述符。由于它是使用的浮点数，所以要使用 512 个字节。同样 SURF 算法最少使用 256 个字节（64 为维描述符）。创建一个包含上千个特征的向量需要消耗大量的内存，在嵌入式等资源有限的设备上这样是合适的。匹配时还会消耗更多的内存和时间。 但是在实际的匹配过程中如此多的维度是没有必要
2022-07-14 11:42:20
454
原创 角点检测的 FAST 算法
角点检测的 FAST 算法目标 • 理解 FAST 算法的基础 • 使用 OpenCV 中的 FAST 算法相关函数进行角点检测 原理 我们前面学习了几个特征检测器，它们大多数效果都很好。但是从实时处理的角度来看，这些算法都不够快。一个最好例子就是 SLAM（同步定位与地图构建），移动机器人，它们的计算资源非常有限。 为了解决这个问题，Edward_Rosten 和 Tom_Drummond 在 2006 年提出里 FAST 算法。我们下面将会对此算法进行一个简单的介绍。你可以参考原始
2022-07-14 10:30:41
772
原创 介绍 SURF(Speeded-Up Robust Features)
介绍 SURF(Speeded-Up Robust Features)目标 本节我们将要学习： • SUFR 的基础是什么？ • OpenCV 中的 SURF 原理 在上一节中我们学习了使用 SIFT 算法进行关键点检测和描述。但是这种算法的执行速度比较慢，人们需要速度更快的算法。在 2006 年Bay,H.,Tuytelaars,T. 和 Van Gool,L 共同提出了 SURF（加速稳健特征）算法。跟它的名字一样，这是个算法是加速版的 SIFT。 在 SIFT 中，Lowe
2022-07-13 20:17:44
861
原创 介绍 SIFT(Scale-Invariant Feature Transform)
介绍 SIFT(Scale-Invariant Feature Transform)目标 • 学习 SIFT 算法的概念 • 学习在图像中查找 SIFT 关键点和描述符原理 在前面两节我们学习了一些角点检测技术，比如 Harris 等。它们具有旋转不变特性，即使图片发生了旋转，我们也能找到同样的角点。很明显即使图像发生旋转之后角点还是角点。那如果我们对图像进行缩放呢？角点可能就不再是角点了。以下图为例，在一副小图中使用一个小的窗口可以检测到一个角点，但是如果图像被放大，再使用同样的窗口就检测不
2022-07-13 09:00:12
488
原创 Shi-Tomasi 角点检测 & 适合于跟踪的图像特征
Shi-Tomasi 角点检测 & 适合于跟踪的图像特征目标 本节我们将要学习： • 另外一个角点检测技术：Shi-Tomasi 焦点检测 • 函数：cv2.goodFeatureToTrack()原理 上一节我们学习了 Harris 角点检测，后来 1994 年，J.Shi 和 C.Tomasi在他们的文章《Good_Features_to_Track》中对这个算法做了一个小小的修改，并得到了更好的结果。我们知道 Harris 角点检测的打分公式为： 但 Shi-Tomasi 使
2022-07-06 23:20:00
347
原创 图像特征提取与描述- Harris 角点检测
Harris 角点检测目标 • 理解 Harris 角点检测的概念 • 学习函数：cv2.cornerHarris()，cv2.cornerSubPix() 原理 在上一节我们已经知道了角点的一个特性：向任何方向移动变化都很大。Chris_Harris 和 Mike_Stephens 早在 1988 年的文章《A Combined Corner and Edge Detector》中就已经提出了焦点检测的方法，被称为Harris 角点检测。他把这个简单的想法转换成了数学形式。将窗口向各个
2022-07-06 23:08:46
375
原创 图像特征提取与描述－理解图像特征
理解图像特征目标 本节我会试着帮你理解什么是图像特征，为什么图像特征很重要，为什么角点很重要等。 解释 我相信你们大多数人都玩过拼图游戏吧。首先你们拿到一张图片的一堆碎片，要做的就是把这些碎片以正确的方式排列起来从而重建这幅图像。问题是，你怎样做到的呢？如果把你做游戏的原理写成计算机程序，那计算机就也会玩拼图游戏了。如果计算机可以玩拼图，我们就可以给计算机一大堆自然图片，然后就可以让计算机把它拼成一张大图了。如果计算机可以自动拼接自然图片，那我们是不是可以给计算机关于一个建筑的的大量图片，然后
2022-07-05 22:14:08
350
原创 OpenCV-使用 GrabCut 算法进行交互式前景提取
使用 GrabCut 算法进行交互式前景提取目标 在本节中我们将要学习： • GrabCut 算法原理，使用 GrabCut 算法提取图像的前景 • 创建一个交互是程序完成前景提取 原理 算法是由微软剑桥研究院的 Carsten_Rother，Vladimir_Kolmogorov和 Andrew_Blake 在文章《GrabCut”: interactive foreground extraction using iterated graph cuts》中共同提出的。此算法在提取前
2022-07-05 22:05:39
550
完整版CK表情识别数据集-网盘链接和密码
2022-06-13
Mathtype数学公式安装包，安装好可以长期用，可以嵌套在office里面，有安装过程详细过程
2022-06-12
深度学习与PyTorch入门实战教程-网盘链接和密码-永久有效-详细教程
2022-06-11
表情识别，JAFFE数据集，图像处理，计算机视觉
2022-05-13
CK+数据集，完整人脸表情数据集
2022-04-23
Java异常是Java提供的一种识别及响应错误的一致性机制，Java异常机制可以使程序中异常处理代码和正常业务代码分离，保证程序
2022-04-23
Dubbo 是一款高性能、轻量级的开源 RPC 框架，提供服务自动注册、自动发现等高效服务治理方案， 可以和 Spring 框架
2022-04-23
人脸表情识别Fer2013数据集
2022-04-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人