- 综合排序
- 最热优先
- 最新优先
- 来自专栏一“技”之长
iOS MachineLearning 系列（3）—— 静态图像分析之区域识别
iOS MachineLearning 系列（3）—— 静态图像分析之区域识别 本系列的前一篇文章介绍了如何使用iOS中自带的API对图片中的矩形区域进行分析。 在图像静态分析方面，矩形区域分析是非常基础的部分。API还提供了更多面向应用的分析能力，如文本区域分析，条形码二维码的分析，人脸区域分析，人体分析等。本篇文章主要介绍这些分析API的应用。 轮廓检测 相比前面两种图像分析能力，轮廓检测的能力要更加复杂也更加强大一些。 ： 7 - 人体相关识别 人体姿势识别也是Vision框架非常强大的一个功能，其可以将静态图像中人体的关键节点分析出来，通过这些关键节点，我们可以对人体当前的姿势进行推断。 本篇文章，我们介绍了许多关于静态图像区域分析和识别的API，这些接口功能强大，且设计的非常简洁。
1.2K10编辑于 2023-04-27 - 来自专栏数据科学（冷冻工厂）
空间单细胞｜基于图像的数据分析（3）
引言 在这篇指南[1]中，我们介绍了Seurat的一个新扩展功能，用以分析新型的空间解析数据，将重点介绍由不同成像技术生成的三个公开数据集。 这种SMI技术能够进行多路复用的单分子分析，不仅可以检测RNA和蛋白质，还能够直接应用于固定石蜡包埋（FFPE）组织。 对于这个数据集，我们并没有进行无监督分析，而是将Nanostring的分析结果与我们的Azimuth健康人类肺脏参考数据库进行对比，这个数据库是通过单细胞RNA测序（scRNA-seq）技术建立的。 19 Dendritic ## 2_1 26 23 Macrophage ## 3_ predicted.annotation.l1.score ## 1_1 0.5884506 ## 2_1 0.5707920 ## 3_
48610编辑于 2024-07-05 AI生成隐藏3D图像的局限性分析
隐藏3D图像的AI生成实验你是否见过那些隐藏着3D图像的自体立体图？就像1990年代的Magic Eye图片，看似嘈杂的重复图案，直到你以特定方式调节视觉焦距才能看到立体效果。 技术实现机制剖析当要求"生成独角兽魔法眼3D立体图像"时，ChatGPT传递给DALL-E3（实际负责图像生成的模型）的描述极其详细：需要包含复杂图案和多样化色彩以确保3D效果突出背景应包含神秘元素以增强深度幻觉独角兽的角和鬃毛应在图案中清晰可辨但 DALL-E3返回的图像与预期完全不符。 关键在于：ChatGPT不会对返回的图像进行任何识别验证——无论DALL-E3生成什么，对它来说都是黑箱操作。因此ChatGPT会继续按照预设描述执行，仿佛图像完全符合要求。 在生成ASCII文字艺术并自行读取时：在新会话中向其发送自生成的ASCII文字时，它识别为"ERROR"对自身创作的ASCII艺术品的识别和评级同样糟糕技术本质揭示生成ASCII艺术和3D图像并非ChatGPT
26610编辑于 2025-09-07- 来自专栏石开之旅
图像处理笔记（3）----OpenCV图像算术运算
我想把OpenCV的标志放到另一幅图像上，如果使用相加add函数，颜色会改变，使用addWeighted函数会得到透明效果，怎么做呢？ 'C:\\Users\\dragon\\Pictures\\Camera Roll\\OpenCV_logo.png') rows,cols,channels = img2.shape#获取img2图像的长 、宽和RGB通道数 roi = img1[0:rows, 0:cols]#在img1中截取和img2同样像素大小的图像 cv.imshow('roi',roi) img2gray = cv.cvtColor img2, cv.COLOR_BGR2GRAY)#获取img2的灰度图 ret, mask = cv.threshold(img2gray, 175, 255, cv.THRESH_BINARY) # 图像二值化 （黑白二值反转） # • cv2.THRESH_TRUNC （得到的图像为多像素值） # • cv2.THRESH_TOZERO # • cv2.THRESH_TOZERO_INV mask_inv
59920发布于 2020-09-07 - 来自专栏python开发者
【CCD图像检测】3：图像的调试方法
来自软件层面的因素往往是算法的问题，这个层面的问题可以通过理论分析的数学计算解决，来自硬件层面的因素则而要用仪器进行调试，通过实验测量分析才能解决，由于硬件处理系统底层，所以硬件的质量会直接影响软件的质量 4.1.1基于串口通讯的图像显示软件。 图24：图像显示软件 以上软件的主要作用是：在小车静止时利用串口通讯将摄像头所见在PC机上直观呈现出来，而且能导出数据供用户分析。 不同位置的矩形块颜色对应着不同位置的数字图像矩阵数据，这样就能将数据还原成图像直观再现。 3.利用CFile类，将接收到的图片灰度数据以矩阵式排列导出保存为文本文件。 3. 利用系统的定时函数OnTimer(UINT nIDEvent)来对图片进行刷新播放。 在MCU板上扩展一块FALASH芯片，然后在小车运行时实时记录摄像头看到的赛道信息，供用户分析。（涉及到比较复杂的下位机程序编写，亦非笔者能力所及，相关技术由指导老师开发）。
1.6K30编辑于 2022-05-10 - 来自专栏Java与Android技术栈
二值图像分析之轮廓分析
图像的二值化 在先前的文章二值图像分析:案例实战(文本分离+硬币计数)中已经介绍过，什么是图像的二值化以及二值化的作用。 这次，我们借助cv4j来实现简单的基于内容的图像分析。 轮廓分析一.jpeg 第三步，进行轮廓分析。 canvas.drawText(data.toString(),data.getCp().x,data.getCp().y,paint); } image3. 矩是描述图像特征的算子，主要应用于图像检索和识别 、图像匹配 、图像重建 、数字压缩 、数字水印及运动图像序列分析等。 一阶矩和零阶矩用来计算某个形状的重心。 ? 该系列先前的文章： 基于边缘保留滤波实现人脸磨皮的算法 二值图像分析:案例实战(文本分离+硬币计数) Java实现高斯模糊和图像的空间卷积 Java实现图片滤镜的高级玩法 Java实现图片的滤镜效果
2.1K30发布于 2018-08-24 - 来自专栏点云PCL
PCL深度图像(3)
（2）如何从深度图像中提取边界 从深度图像中提取边界（从前景跨越到背景的位置定义为边界），对于物体边界：这是物体的最外层和阴影边界的可见点集，阴影边界：毗邻与遮挡的背景上的点集，Veil点集，在被遮挡物边界和阴影边界之间的内插点 ，它们是有激光雷达获取的3D距离数据中的典型数据类型，这三类数据及深度图像的边界如图： ? 代码解析：从磁盘中读取点云，创建深度图像并使其可视化，提取边界信息很重要的一点就是区分深度图像中当前视点不可见点几何和应该可见但处于传感器获取距离范围之外的点集 ，后者可以标记为典型边界，然而当前视点不可见点则不能成为边界 scene_sensor_pose (Eigen::Affine3f::Identity ()); //传感器的位置 std::vector<int> pcd_filename_indices = \n"; printUsage (argv[0]); return 0; } scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f
96830发布于 2019-07-31 - 来自专栏全栈程序员必看
细粒度图像分析_图像分类研究现状
细粒度图像分析任务相对通用图像（General/Generic Images）任务的区别和难点在于其图像所属类别的粒度更为精细。 使用FCN得到conv5中M个关键点的位置之后，将定位结果输入到分类网络，使用两级架构分析图像物体级及部件级的特征。 部件级网络首先通过共享层提取特征，之后分别计算关键点周围的部件特征。 部件定位子网络包含5个卷积层及3个全连接层。输出为框的左上角及右下角点的坐标。 对齐子网络接收部件定位结果，执行模板对齐，产生姿态对齐的部件图像。 四、高阶特征编码 双线性汇合(bilinear pooling)在细粒度图像分析及其他领域的进展综述 【AAAI2020系列解读 01】新角度看双线性池化，冗余、突发性问题本质源于哪里？ 早期，基于定位-分类的方法多采用强监督学习，需要大量的人工来标注图像的关键区域。Part R-CNN[3]是较早采用区域定位技术的细粒度分类算法，其进步是明显的.
1.7K20编辑于 2022-11-09 - 来自专栏机器学习实践二三事
数字图像学习3
https://blog.csdn.net/Gavin__Zhou/article/details/47175675 这次就介绍下如何对一幅数字图像进行数学上的相关处理，实质就是对矩阵进行数学运算 ，以求一幅图像的灰度图的最大灰度、最小灰度和平均灰度值和图像的马赛克为例。 首先将图像读入进来： >> f = imread('C:\Users\Administrator\Desktop\1.jpg'); >> imshow(f) 将原始的图像转换为灰度图并获得大小： >> 下面介绍个简单实现马赛克图像的方法，就是对图形进行缩小再放大回原来的大小(或者缩小放大调换)，则会产生像素点的丢失，视觉效果就像马赛克 IMG = imread('C:\Users\Administrator mosaic = imresize(mosaic,[widt,height],'nearest'); %放大图像 imshow(mosaic); ?
46410发布于 2019-05-26 - 来自专栏每日一篇技术文章
GPUImage图像滤镜分析01
![Uploading IMG_1365_522863.PNG . . .]
1.4K10发布于 2018-09-14 - 来自专栏信号分析应用及算法
图像分析及简单算法
所以图像分析实际上是对这些数据的分析及计算” 01 — 图片：3维数据矩阵 图1是一张彩色图片。读取该图片的数据后，会得到三个20✖️30的矩阵（如图2，图3，图4）。 ? 举个例子：第3行第12列像素点的R,G,B值分别是：[182, 188, 36]，那么这个像素点的颜色是暗黄色。 ? 图2 ? 图3 ? 图7 图像分析，是对R,G,B矩阵某一行、某一列或某一区域数据的分析。 02 — 算例：停车位边界判断 图8是一张停车位的照片。 2）对矩阵的某行，某列，或某区域进行信号分析。 3）通过各种计算得到特征位置或特征数值。 04 — 应用展望 图像识别已被广泛使用，本篇只是简单介绍一下最简单的算例及原理，真正的应用远比本例要复杂。 图片特性稳定，则程序简单，计算速度较快；图像特性变化大，则要求程序具有更强的容错能力，程序就越复杂，计算越慢。 目前比较流行的机器学习等算法在图像识别中已广泛应用，使用者不需要对图像特征进行深入了解。
1.7K10发布于 2020-07-20 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 分割
官方文档 在将图像传递给函数之前，您必须用正 (>0) 索引粗略地勾勒出图像标记中所需的区域。因此，每个区域都表示为一个或多个具有像素值 1、2、3 等的连通分量。 ) ret,thresh=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) kernel=np.ones((3,3),np.uint8 mt.image_resize(img, factor=0.3) res_20_20 = cv2.pyrMeanShiftFiltering(img, sp=20, sr=20, maxLevel=3) (img, sp=50, sr=20, maxLevel=3) res_50_50 = cv2.pyrMeanShiftFiltering(img, sp=50, sr=50, maxLevel=3) res_80_80 = cv2.pyrMeanShiftFiltering(img, sp=80, sr=80, maxLevel=3) PIS([img, 'raw img'], [res_20_20
3.3K11编辑于 2022-08-09 - 来自专栏又见苍岚
OpenCV 图像分析之 —— Canny
可以以±iπ/8(i=1,3,5,7)分割，落在每个区域的梯度角给一个特定值，代表四个方向之一。 计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。 例如：3\times3区域内，边缘可以划分为垂直、水平、45°、135°4个方向，同样，梯度反向也为四个方向（与边缘方向正交）。 times3邻域内对应邻域值的大小： 比较当前点的梯度强度和正负梯度方向点的梯度强度。 选取系数TH和TL，比率为 2:1 或 3:1。 threshold1 低阈值 threshold2 高阈值 apertureSize cv2.Canny()内部调用的Sobel导数算子所用的aperturel的大小，默认为3，可选值[3, 5, 7]
2.8K20编辑于 2022-08-09 - 来自专栏燧机科技-视频AI智能分析
AI图像行为分析算法
AI图像行为分析算法通过python+opencv深度学习框架对现场操作行为进行全程实时分析，AI图像行为分析算法通过人工智能视觉能够准确判断出现场人员的作业行为是否符合SOP流程规定，并对违规操作行为进行自动抓拍告警 AI图像行为分析算法轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 图片AI图像行为分析算法Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。 AI图像行为分析算法使程序员能够用更少的代码行表达思想，而不会降低可读性。与C / C++等语言相比，Python速度较慢。 这也使得AI图像行为分析算法与使用Numpy的其他库（如SciPy和Matplotlib）集成更容易。
1.2K40编辑于 2023-09-23 - 来自专栏嵌入式视觉
Python数字图像处理-3种图像读取方式总结
Contents 1 读取并显示图像 1.1 opencv3库 1.2 scikit-image库 1.3 PIL库 1.4 读取图像结果分析 2 打印图像信息 2.1 skimage获取图像信息 2.2 PIL获取图像信息 3 读取并显示图像方法总结 3.1 PIL库读取图像 3.2 Opencv3读取图像 3.3 scikit-image库读取图像 4 参考资料 学习数字图像处理，第一步就是读取图像 这里我总结下如何使用 opencv3,scikit-image, PIL 图像处理库读取图片并显示。 print(img_PIL.size) # 6454800 = 1200*1793*3 # 绘制显示图像 plt.figure(1) plt.imshow(img_PIL) plt.show() 读取图像结果分析 分别用Opnecv3和sckit-image读取图像，并用matplotlib库显示。
2K30编辑于 2022-09-05 - 来自专栏一点人工一点智能
图像融合的方法及分析
而彩色图像的每个像素值包括了R、G、B 3个基色分量，每个分量决定了其基色的强度。因此，在图像融合时，不同图像采用不同的融合方法。本文对其分别进行了分析。 I_F在下文中，图中的 , 均为输入的源图像， 为融合结果。01 灰度图像融合方法及分析通常，像素级图像融合方法按照域的选择分为空间域和变换域2大类，此分类方法过于泛化。 主成分分析 PCA是一种典型的空间域方法，通过降维寻找图像的主成分，根据主成分来确定各融合图像的权重并完成融合。 Wan等提出了基于鲁棒性的主成分分析 RPCA的多聚焦图像融合方法，采用滑窗技术和标准差参数对低秩分解得到的稀疏矩阵进行划分生成决策图完成图像融合。 除此之外，Mitianoudis等提出的基于独立成分分析 ICA的图像融合方法和Jiang等提出的基于形态学成分分析 MCA的图像融合方法等也都属于空间域方法。
3.6K70编辑于 2022-12-30 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 距离变换
距离变换 OpenCV中，函数cv2.distanceTransform()用于计算图像中每一个非零点像素与其最近的零点像素之间的距离，输出的是保存每一个非零点与最近零点的距离信息；图像上越亮的点，代表了离零点的距离越远 图像的距离变换定义为一幅新图像，其中每个输出像素的值被设为输入图像中与最近的零像素的距离一当然得根据某个特定的距离度量。不难看出，距离变换生成的是某种边缘图像。 计算距离变换的方式有两种： 第一种方法是使用通常为3×3或5×5阵列掩膜，数组中的每个点都定义了与掩膜中心相对的特定位置的点的“距离”。 (-(x/c)2)), c = 2.9846$ cv2.DIST_HUBER $ maskSize: DistanceTransformMasks 参数 含义 cv2.DIST_MASK_3 cv2.DIST_LABEL_PIXEL) PIS(img_org, res_ccomp[0], res_ccomp[1] % 17, res_pixel[1] % 17) 参考资料 《学习 OpenCV3》
7.2K10编辑于 2022-08-09 - 来自专栏相约机器人
医学图像分析的深度学习
当在预先训练的网络中使用图像时，必须将它们重塑为224 x 224.这是图像的大小，因此是模型所期望的。大于此的图像将被截断，而较小的图像将被插值。 数据扩充 由于图像数量有限，可以使用图像增强来人为地增加网络“看到”的图像数量。这意味着，对于训练，会随机调整大小并裁剪图像，并将其水平翻转。 in model.class_to_idx.items()} list(model.idx_to_class.items()) [（0，'CNV'），（1，'DME'），（2，'DRUSEN'），（3， process_image(image_path) # Resize if train_on_gpu: img_tensor = img_tensor.view(1, 3, process_image(image_path) # Resize if train_on_gpu: img_tensor = img_tensor.view(1, 3,
1.7K30发布于 2019-06-21 - 来自专栏贾志刚-OpenCV学堂
二值图像分析案例精选
点击上方↑↑↑“OpenCV学堂”关注我 面向CV技术爱好者征稿，点击底部【合作交流】即可 最近一直有人在知识星球上向我提问很多二值图像分析相关的问题，特别选择了两个典型的轮廓分析问题。 仔细分析图像发现，中间都毫无另外的有个白色很亮的圆圈，这个给了我两个思路 可以通过霍夫变换检测圆来提取到 可以通过二值图像分析来提取 + 轮廓分析来提取到这些点 得到这些轮廓点之后通过分析整个轮廓区域得到倾斜角度 看到这个图像之后，个人觉得解决十分简单，基于最外层轮廓发现即可，无需树形结构与层次分析，集合图像形态学分析或者距离变换就可以得到，最终代码的运行结果如下： ? ) # 二值化处理 gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) se = cv.getStructuringElement(cv.MORPH_RECT, (3, src = cv.imread("D:/images/zsxq/zsxq_02.jpg") cv.imshow("input", src) src = cv.GaussianBlur(src, (3,
1K30发布于 2019-05-31 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 频域变换
图像可以转换到其他空间进行分析和处理，本文记录 OpenCV 分析算子中的频域变换相关内容。 2, 1], [1, -2]]], dtype='float32') mul_res = cv2.mulSpectrums(a, b, 0) --> mul_res array([[[ 1., 3. ], [-1., -3.]]], dtype=float32) 表示复数 (1+i, 1-i) 与 (2+i, 1-2i) 逐元素乘积。 离散余弦变换 定义 image.png 用于实信号的频域分析 DCT 变换的由来 cv2.dct() 计算矩阵的离散余弦变换 函数使用 该函数根据flags参数的值执行离散余弦变换或离散余弦逆变换 mt.to_gray_image(image) dft_res = cv2.dft(image) res = cv2.idft(dft_res) PIS(res) 参考资料 《学习 OpenCV3》
2.5K20编辑于 2022-08-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号