- 博客(18)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 一些简单的绘图方法——matplotlib
使用matplotlib绘图的简单方法1、如何从.csv中读取数据呢举例，从某表格读取数据。例如：train-tag-Loss_Batch_coarse1.csvtrain-tag-Loss_Batch_coarse2.csv代码如下：import csvcsvFile_1 = open("train-tag-Loss_Batch_coarse1.csv", "r")csvFile_2 = open("train-tag-Loss_Batch_coarse2.csv", "r")reade
2020-11-24 16:37:25
285
原创 迈入深度学习，#分配GPU或者CPU
对于刚刚迈入深度学习的小白，简单介绍分配GPU或者CPU的方法1.只使用CPU代码如下1.1使用os模块在程序开头指定可见的设备——针对tensorflow和pytorchimport osos.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"os.environ["CUDA_VISIBLE_DEVICES"] = "-1"代码含义解释：os.environ[“CUDA_DEVICE_ORDER”] = "PCI_BUS_ID"是指：按照PCI_BU
2020-11-16 20:49:21
1070
原创 最全的一站式Python卸载、Anaconda和PyCharm安装
为什么要先卸载Python因为在安装Anaconda的时候，环境变量可能会因为配置不当而产生错误。为什么使用Anaconda1、方便！anaconda 是一个python的发行版，包括了python和很多常见的软件库, 和一个包管理器conda。常见的科学计算类的库都包含在里面了，使得安装比常规python安装要容易。2、Anaconda是专注于数据分析的Python发行版本，Anaconda包括Conda、Python以及一大堆安装好的工具包，比如：numpy、pandas等补充：环境变量的配
2020-07-02 14:15:31
6462
2
原创 阅读总结：Fast R-CNN
为什么提出Fast-R-CNN：1、R-CNN网络训练、测试繁琐，包括提取候选区、提取CNN特征、SVM分类和Bounding-box 回归等步骤，网络训练、测试速度都很慢。2、R-CNN网络训练需要大量存储空间：20类即20个SVM分类器和20类即20个Bounding-box 回归器在训练过程中需要大量特征作为训练样本，这部分从CNN提取的特征会占用大量存储空间；Fast R-CNN的运行流程：1、使用CNN网络来抽取图像的特征，形成特征图像与R-CNN不同，这里是先利用卷积网络提取图像的特征
2020-06-26 23:32:32
569
原创 阅读总结：Rich feature hierarchies for accurate object detection and semantic segmentation
为什么提出R-CNN：1、以人工经验特征为主导的物体检测任务mAP提升缓慢.2、ImageNet大规模视觉识别挑战赛中，采用CNN特征获得了最高的图像识别精确度，3、引发了一股“是否可以采用CNN特征来提高当前一直停滞不前的物体检测准确率“的热潮R-CNN的运行流程：1、构造训练集(用于对CNN进行微调)先用Selective Search的方法在每个图像上生成很多的候选区域(大约2000个类别独立的候选区域),然后在每张图上依次计算每个候选区域与图中目标的ground-truth box之前的
2020-06-26 23:28:43
290
原创 机器学习21：Ensemble
这部分主要介绍Ensemble的方法为什么我们需要Ensemble的方法在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。常见的Ensemble方法Ensemble一般有下面的bagging、boosti
2020-06-26 13:33:26
757
原创 数字图像处理12：Huffman 编码器和解码器，二进制存储
Huffman 编码图像压缩是为了节省存储空间，增加传输速度。图像压缩的理想标准是信息丢失的最少，压缩比例的最大。实验思想在无损编码（不损失图像的质量的压缩）中，有一种编码很常见，被称作 Huffman 编码。哈夫曼编码是一种无损编码，依据信源符号出现的概率来构造其码字，对出现概率大的字符使用较短的码字，对出现概率低的字符则使用较长的码字，从而达到压缩数据的目的，哈夫曼编码又称为最佳编码。编码的基本步骤：1、统计信源字符中各符号出现的概率，将各字符出现的概率由大到小的顺序排列；2、将最小的两个概
2020-06-18 19:38:46
3438
原创 数字图像处理11：阈值分割（基本全局阈值处理，Otsu 的最佳全局阈值，图像平滑改善全局阈值处理，图像分块的可变阈值）
阈值分割从背景中提取物体的一种明显方法是，选择一个将这些模式分开的阈值 T。然后，f(x,y)>Tf(x,y)>Tf(x,y)>T的任何点 (x, y) 称为个对象点，否则该点称为背景点。灰度阈值的成功与否直接关系到可区分直方图模式的波谷的宽度和深度。而影响波谷特性的关键因素有以下几点：(1)波峰间的间隔 (波峰离得越远，分离这些模式的机会越大);(2)图像中的噪声内容 (模式随噪声的增加而展宽);(3)物体和背景的相对尺寸;(4)光源的均匀性;(5)图像反射特性的均匀性。
2020-06-18 19:31:23
28479
8
原创 数字图像处理10：坎尼边缘检测 基于霍夫变换的直线检测
基于霍夫变换的直线检测简介对一幅图像，首先利用坎尼算法得到边缘图像，之后投影到霍夫参数空间，之后得 到霍夫参数空间中被多次选中的点，之后利用边缘的连接特性恢复边缘，与原图叠加。实验思想坎尼算法坎尼的主要有三个基本目标:1.低错误率，检测到的边缘必须尽可能是真实的边缘。2.边缘点应被很好地定位，已定位边缘必须尽可能接近真实边缘。3.单一的边缘点响应，检测器不应指出多个边缘像素。坎尼边缘检测算法的基本步骤总结如下:1.用一个高斯滤波器平滑输人图像。实验中采取了 5*5 的高斯空域滤波器
2020-06-18 19:15:48
1634
1
原创 数字图像处理9：形态学图像处理 III 基于形态学的粒度测定 基于形态学的纹理分割
基于形态学的粒度测定设计思路在图像处理方面，粒度测定属于判断图像中颗粒的尺寸分布的领域。其原理十分简单。对比比背景亮并且具有规则形状的颗粒，该方法由使用逐渐增大的结构元对图像执行开操作组成。基本思想是，某个特殊尺寸的开操作应该对包含类似尺寸的颗粒的输人图像的区域具有最大的影响。对于每次开操作，计算该开操作中像素值的和。该和有时称为表面区域，它会随着结构元的增大而减小，因为开操作会降低亮特征的灰度。该过程会得到一个这样的数字的一维阵列，阵列中的每个元素等于对应于阵列中该位置的结构元素的大小的开操作中的
2020-06-18 18:49:34
3971
1
原创 数字图像处理8：形态学图像处理 II 基于形态学的图像分割 （顶帽变换和底帽变换）
基于形态学的图像分割在形态学中，可以利用顶帽变换和底帽变换加上二值化阈值，来进行图像的分割。设计思路顶帽变换和底帽变换图像相减与开操作和闭操作相结合，可产生所谓的顶帽变换和底帽变换。 灰度级图像 f 的顶帽变换定义为 f 减去其开操作。That(f)=f−(fob)T_{hat}(f) = f - (f o b)That(f)=f−(fob)灰度级图像f的底帽变换定义为其闭操作减去f。Bhat(f)=(f⋅b)−fB_{hat}(f) = (f · b) - fBhat(f)=(f⋅b)
2020-06-18 18:29:52
3639
2
原创 数字图像处理7：形态学图像处理 I 文本图像的二值形态学处理（提取长字符、孔洞填充、边界清理）
文本图像的二值形态学处理形态学重建有很宽的实际应用领域，下面有三个关于文本图像的二值图像的形态学处理实验，分别是提取较长的字符，填充孔洞和边缘字符消除。提取长字符这里先给出主函数，具体功能函数后面给出：%% 运行 main_zifu.m 第一个实验clc;clear;close all;%% 课本图 9.29% 读取图片im = imread('text_image.tif'); % 原始图像 uint8[im1,im2,im3] = my_reopen(im);%% 课本图
2020-06-18 18:23:22
3282
4
原创 数字图像处理6：小波变换，图像复原和边缘检测
小波变换、图像复原、边缘检测这一部分和上一节是连在一起的，里面的一些函数在上一篇文章中已经给出，这里不重复给出。图像可以根据小波变换变换成四幅图像。四幅图像分别是近似图像，水平细节图像，垂直细节图像和对角线细节图像。通过对这四个分量的调整，可以进行图像的边缘处理或者噪声去除。下面是本次实验的实验思路。设计思路小波变换实验思路小波变换的步骤如下：步骤 1：本次实验使用正交归一化四阶对称小波 h_phi，首先，根据公式hpsi(i) = (−1)(i − 1) ∗ hphi(9 − i) 。求出函
2020-06-18 18:09:05
6950
3
原创 数字图像处理5：图像金字塔
图像金字塔近似金字塔和残差金字塔图像金字塔是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解 释图像的有效但概念简单的结构。图像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。拉普拉斯金字塔：用来从金字塔低层图像重建上层未采样图像，在数字图像处理中也即是预测残差，可以对图像进行最大程度的还原，配合高斯金字塔一起使用。拉普拉斯金字塔中 的图像可用对
2020-06-18 17:57:42
4142
原创 数字图像处理4：逆滤波及其变形和维纳滤波
逆滤波和维纳滤波简介在图像的获取、传输以及记录保存过程中，由于各种因素，如成像设备与目标物体的相对运动，大气的湍流效应，光学系统的相差，成像系统的非线性畸变，环境的随机噪声等原因都会使图像产生一定程度的退化，图像退化的典型表现是图像出现模糊、失真，出现附加噪声等。由于图像的退化，使得最终获取的图像不再是原始图像，图像效果明显变差。为此， 要较好地显示原始图像，必须对退化后的图像进行处理，恢复出真实的原始图像，这一过程就称为图像复原。大气湍流退化对经过大气湍流退化的图片实现全逆滤波，半径受限逆滤波
2020-06-18 17:43:47
12973
4
原创 数字图像处理3：空域滤波（图像平滑：均值，中值。图像锐化）
空域滤波空间滤波根据其功能划分为平滑滤波和锐化滤波。首先介绍平滑滤波。平滑滤波平滑算法有很多种，这里进行两种平滑滤波算法——均值滤波和中值滤波的比较，滤波器模板均为 3*3；在滤波器都需要延拓两行两列，使用镜像的延拓方式。下面是各自算法的描述。实验思路均值滤波首先取出计算的像素点 33 范围内的所有的点，之后利用其灰度值求均值，计算结果为滤波后的当前像素点的灰度值。中值滤波首先取出计算的像素点 33 范围内的所有的点，之后进行按像素的灰度值的大小排序，取中位数作为当前像素点的值。代码主函数：
2020-06-18 17:17:28
11393
1
原创 数字图像处理2：不同灰度级的直方图均衡化
直方图均衡化灰度直方图，反应了数字图像中每一灰度级与该灰度出现的频率之间的对应关系。直方图均衡化可以不改变像素的位置，只改变像素的灰度值，通过这种方法做到增强图像的对比度、使感兴趣的部分看的更清楚。实验思路把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分 布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。首先计算原始图像的像素的直方图分布，记录在数组 NK 中之后计算出图像的直方图的累计分布，记录在数组 CH 中，之后根据公式
2020-06-18 17:04:35
4098
原创 数字图像处理1：图像缩放功能的插值算法
图像缩放功能的插值算法简介在 Matlab 下对图像分别采用最近邻插值、双线性插值、三次插值 3 种算法进行 0. 5 倍、3 倍缩放，对这 3 种算法实现的缩放效果和原图做出比较。最近邻插值算法最近邻插值算法又称为零阶插值，就是令变换后像素的灰度值等于距它最近的输入像素的灰度值。最近邻插值算法简单，在许多情况下都能得到满意的结果，但是当图像中的像素灰度级有细微变化时，该方法会在图像中产生人为加工的痕迹。function[im_n] = myNearest(im,ratio)%最邻近插值，r
2020-06-18 14:16:28
5726
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人