- 综合排序
- 最热优先
- 最新优先
- 来自专栏python开发者
【CCD图像检测】4：图像的简单校正
CCD图像检测<四> 作者：一点一滴的Beer 指导教师：Chen Zheng 单位：WHU 五、 图像的校正。 5.1.纵向校正 5.1.1纵向理论校正。 如果采用等间距采样，则在2m的前瞻视野时，会出现近处20cm就占了40行图像数据中的绝大部分，近处AD行极度稠密，而远处两个AD行之间又极为稀疏。 采用校正后的结果进行采样，在对用黑线贴成的由一定大小的正方形组成的网格板进行拍摄，还原的数字图片因镜头有一定程度上的球面失真，仍会造成近处的图像密度更大，这个基本无法利用现有的技术进行理论分析。 图29：图像的横向校正原理图 5.2.2横向实际校正。 图30：实际校正辅助工具——网格板 5.3校正结果示例分析 图像没有进行校正如右图左，很容易判断成直道，从而小车没能来得及调整速度和转角，无法实现稳定快速进入弯道，甚至会因为误判采取直冲的策略
1.2K30编辑于 2022-05-10 - 来自专栏全栈程序员必看
LMS波束形成
LMS自适应波束形成器 % 标量阵最小均方准则(LMS)自适应波束形成器(ADBF) close all; Sound_velocity=1200; %声速 Frequency=300; %信号频率 ******************************* % 阵元接收信号 Pr=P+P_int+P_noise; Pr=hilbert(P’);%复信号 Pr=Pr’; % LMS波束形成 abs(wphase’)).^2); end y=y/max(y); figure; plot(0:179,10log10(y),‘r’);xlabel(‘方位角(度)’);title(‘波束形成输出
89510编辑于 2022-07-02 - 来自专栏全栈程序员必看
语音_波束形成
博客目的：构架语音波束形成的知识体系和资料汇总 1.基本概念 1.1 全向（omnidirectional）与指向（sensitivity）的概念 理想的全向麦克
40020编辑于 2022-07-04 《数字图像处理》实验4-图像复原
可视化所有结果 figure('Name', '多种模糊退化对比', 'NumberTitle', 'off'); subplot(1,4,1); imshow(I_gray); title('原图') ; subplot(1,4,2); imshow(I_motion); title('运动模糊（motion）'); subplot(1,4,3); imshow(I_disk); title('圆盘状模糊 (disk)'); subplot(1,4,4); imshow(I_unsharp); title('钝化模糊(unsharp)'); % 5. 噪声均值 noise_var = 0.001; % 噪声方差 I_noisy = imnoise(I_blurred, 'gaussian', noise_mean, noise_var); % 4. '); subplot(2,2,3); imshow(I_noisy); title('加噪图像'); subplot(2,2,4); imshow(I_restored); title('逆滤波复原'
13410编辑于 2026-01-21- 来自专栏机器学习实践二三事
数字图像学习4(图像的浮雕效果)
https://blog.csdn.net/Gavin__Zhou/article/details/47379563 图像的浮雕效果根据生成的算法不一样，效果也不太一样，作为练习程序，自己写了两个 ； （1）取主对角线除右下角外的各点之和的平均值，减去右下角点的值，再加上填充背景色，再加上一个背景常数，会形成类似浮雕的效果。 )= 0.25*img(x-2,y-2)+0.25*img(x-1,y-1)+0.25*img(x,y)+0.25*img(x+1,y+1)+0.25*img(x+2,y+1)+128 源码： %实现图像的浮雕效果
81750发布于 2019-05-26 - 来自专栏深度学习
【计算机视觉】二、图像形成——实验：2D变换编辑（Pygame）
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象 2、几何变换(Geometric Transformations) 【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换 2D变换编辑器 0. 可以通过点击相应的按钮选择要执行的变换操作,然后使用鼠标拖动来调整变换的参数,实时查看变换后的图像效果。 变换后的图像将显示在原始图像的右侧。 窗口上方会显示当前选择的变换类型。 要退出程序,请关闭窗口或按下键盘上的"Esc"键。 1. in buttons: button.draw(window) # 更新显示 pygame.display.flip() 退出Pygame pygame.quit() 4.
39210编辑于 2024-07-30 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】分割图像——Grabcut图像分割
Grabcut算法是重要的图像分割算法，其使用高斯混合模型估计目标区域的背景和前景。该算法通过迭代的方法解决了能量函数最小化的问题，使得结果具有更高的可靠性。 OpenCV 4提供了利用Grabcut算法分割图像的grabCut()函数，该函数的函数原型在代码清单8-21中给出。 int iterCount, int mode = GC_EVAL ) img：输入的待分割图像 ，数据类型为CV_8U的三通道图像。 mask：用于输入、输出的CV_8U单通道掩码图像，图像中像素值的取值范围以及含义在表8-4给出。
1.3K40发布于 2020-03-03 - 来自专栏深度学习和计算机视觉
【OpenCV 4开发详解】图像腐蚀
点击上方“小白学视觉”，选择“星标”公众号 重磅干货，第一时间送达 经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 图像腐蚀过程中使用的结构元素可以根据需求自己生成，但是为了研究人员的使用方便，OpenCV 4提供了getStructuringElement()函数用于生成常用的矩形结构元素、十字结构元素和椭圆结构元素 MORPH_RECT 0 矩形结构元素，所有元素都为1 MORPH_CROSS 1 十字结构元素，中间的列和行元素为1 MORPH_ELLIPSE 2 椭圆结构元素，矩形的椭圆内接元素为1 OpenCV 4提供了用于图像腐蚀的 #include <vector> 4. 5.using namespace cv; 6.using namespace std; 7.
1.1K10发布于 2020-01-16 - 来自专栏风吹杨柳
opencv 4 -- 图像平滑与滤波
一、blur—图像均值平滑滤波 简称 平均滤波 这是由一个归一化卷积框完成的。 numpy as np from matplotlib import pyplot as plt img = cv2.imread('person_454.bmp',0) # 第二个参数的-1表示输出图像使用的深度与输入图像相同 result1),plt.title('bilateralFilter') plt.xticks([]), plt.yticks([]) plt.show() 结果跟上面的一样 二、GaussianBlur—图像高斯平滑滤波 高斯滤波可以有效的从 图像中去除高斯噪音 你也可以使用函数 cv2.getGaussianKernel() 自己 构建一个高斯核 import cv2 import numpy as np from matplotlib 高斯模糊简单点说： 在某些情况下，需要对一个像素的周围的像素给予更多的重视 三、medianBlur—图像中值滤波 简称：中值模糊 顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。
91810发布于 2019-07-08 - 来自专栏深度学习
【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象 保留不变性: 长度(lengths) 相似变换(similarity) 矩阵形式: \begin{bmatrix}sR & t\end{bmatrix}_{2\times 3} 自由度: 4 projective) 矩阵形式: \begin{bmatrix}H\end{bmatrix}_{3\times 3} 自由度: 8 保留不变性: 直线(straight lines) 4. 射影变换 def projective_transform(H): return H # 使用示例 points = np.array([[1, 2], [3, 4], [5, 6]]) np.hstack([points, np.ones((3, 1))]).dot(T.T)[:, :2] print(new_points) # 欧式变换 R = rigid_transform(np.pi / 4,
91410编辑于 2024-07-30 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像膨胀
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 OpenCV 4提供了用于图像膨胀的dilate()函数，该函数的函数原型在代码清单6-13中给出。 InputArray kernel, 4. Point anchor = Point(-1,-1), 5. #include <vector> 4. 5.using namespace cv; 6.using namespace std; 7. 8.int main() 9.{ 10.
84020发布于 2020-02-13 - 来自专栏HZFEStudio
BFC 的形成和作用
各自创建了 BFC 的兄弟元素互不影响（注：在水平方向上多个浮动元素加一个或零个触发 BFC 的元素可以形成多列布局）。
48311发布于 2021-09-13 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像卷积
过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 Step4：将计算结果存放在原图像中与卷积模板中心点像对应的像素处，即图5-1里待卷积矩阵中的黄色像素处，结果如图5-2所示。 ? 图5-2 图像卷积步骤Step4 Step5：将卷积模板在图像中从左至右从上到下移动，重复以上3个步骤，直到处理完所有的像素值，每一次循环的处理结果如图5-3所示。 ? 图5-3 图像卷积步骤Step5 通过前面的4个步骤已经完成了图像卷积的主要部分，不过从图5-3中的结果可以发现这种方法只能对图像中心区域进行卷积，而由于卷积模板中心无法放置在图像的边缘像素处，因此图像边缘区域没有进行卷积运算 图5-4 myFillter.cpp程序中矩阵卷积结果 ? 图5-5 myFillter.cpp程序中图像结果
93710发布于 2019-12-24 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像修复
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 图像修复不仅可以去除图像中得“划痕”，还可以去除图像中得水印、日期等。 OpenCV 4提供了能够对含有较少污染或者水印的图像进行修复的inpaint()函数，该函数的函数原型在代码清单8-26中给出。 函数的第一个参数是需要修复的图像，该函数可以对灰度图像和彩色图像进行修复。修复灰度图像时，图像的数据类型可以为CV_8U、CV_16U或者CV_32F；修复彩色图像时，图像的数据类型只能为CV_8U。
78400发布于 2020-03-05 - 来自专栏石开之旅
图像处理笔记（4）----OpenCV对象追踪
hsv, lower_red, upper_red) mask_green = cv.inRange(hsv, lower_green, upper_green) #将掩膜和图像逐像素相加
59021发布于 2020-09-11 - 来自专栏计算摄影学
4. 数码相机内的图像处理-更多图像滤波
先看看最基本的方案，直接用眼睛局部图像作为模板来卷积源图像： ? 方案一 这会得到什么结果呢？ 非线性移不变滤波器 非线性但移不变的滤波器代表：形态学操作 形态学操作的基本版本是用于处理二值图像的，当然其衍生版本可以用于处理灰度图像甚至彩色图像。 要理解形态学操作，首先需要对图像的逻辑操作及图像的集合有基本的概念，见下图： ? 基本图像逻辑操作 可以看到，利用逻辑操作可以组合出很多图像。 腐蚀 从视觉上，膨胀使得图像的“1”的部分扩张，腐蚀使得图像的"1"的部分收缩。 ? yourwanghao/获取 参考资料： 这一篇文章的绝大部分素材来自于 [1] CMU 2017 Fall Computational Photography Course 15-463, Lecture 4
96140发布于 2020-04-17 - 来自专栏深度学习
【计算机视觉】二、图像形成——实验：2D变换编辑器2.0（Pygame）
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象 2、几何变换(Geometric Transformations) 【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换 2D变换编辑器 【计算机视觉】二、图像形成——实验：2D变换编辑器（Pygame def clear(self): self.window.fill((220, 220, 220)) 4. draw(self, original_img) 根据当前层级绘制相应的界面 在第二层界面中，绘制原始图像和后七个按钮。 在第三层界面中，绘制原始图像、变换后的图像、后七个按钮和选择的变换操作文本。 效果展示 选择图像 图像操作 保存图像
41510编辑于 2024-07-30 - 来自专栏全栈程序员必看
图像文字识别（四）：java调用tess4j识别图像文字
而Tess4J则是Tesseract在Java PC上的应用。如果使用Tess4J只需要下载相关Jar包，导入项目，再把项目封装好就可以处处运行了，可移植性比较好。 步骤： （1）下载tess4j源码包：https://sourceforge.net/projects/tess4j/ tessdata下默认为英语库，中文库下载地址：https://github.com <dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> （4）编写测试类： import java.io.File; import net.sourceforge.tess4j.ITesseract; import net.sourceforge.tess4j.Tesseract ; import net.sourceforge.tess4j.TesseractException; /** * 类说明 ： tess4j测试类 */ public class OCRDemo {
6.3K40编辑于 2022-06-29 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像直方图绘制
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 在OpenCV 4中只提供了图像直方图的统计函数calcHist()，该函数能够统计出图像中每个灰度值的个数，但是对于直方图的绘制需要使用者自行绘制。 为了使读者更加了解函数的使用方法，我们在代码清单4-2中提供了绘制灰度图像的图像直方图的示例程序。 由于图像中部分灰度值像素数目较多，因此我们将每个灰度值数目缩小了20倍后再进行绘制，绘制的直方图在图4-1中所示。 代码清单4-2 myCalHist.cpp绘制图像直方图 1. #include <opencv2\opencv.hpp> 2. #include <iostream> 3. 4.
1.3K20发布于 2019-12-13 - 来自专栏锦小年的博客
课程笔记4--图像K空间理解
K空间的数据分布实际上是图像空间中数据的二维傅立叶变换结果。 K空间中的数据点和图像空间中的数据点并不是一一对应的。一个K空间中的数据点对应了图像空间中所有数据点的一部分信息。 事实上，K空间中的数据正是图像空间中的数据作二维傅立叶变换的结果（图1），也就是说，我们的“大脑图像”可以被看作是由一系列频率、相位、方向各异的二维正弦波叠加而成的，而K空间的数据正表示了图像的正弦波组成 如图4，左上图为一次MRI实验中得到的K空间中表示的数据，对其做逆傅立叶变换即可得到右上图，也就是我们常常看到的大脑剖面图。 左上、左下两张图的叠加，可以恢复原来的K空间中的数据；而右上、右下图的叠加，则可以恢复原来的图像空间中的数据。 ? 由此我们可以看出，图像空间中的图像分辨率与K空间中的数据点数量密切相关。 K空间中有多少数据点，图像空间中也就能还原出多少个数据点；K空间中有越多的数据点，图像的空间分辨率也就越好。图6给出了几个K空间数据点个数语图像空间中图像分辨率的关系。
2.4K30发布于 2019-05-26
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