- 综合排序
- 最热优先
- 最新优先
- 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 以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。 如何改变文本的样式 强调文本 强调文本 加粗文本 加粗文本 标记文本 删除文本 引用文本 H2O is是液体。
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6-图像分割方法
'图像文件'}, '选择彩色图像'); if isequal(filename, 0) error('未选择图像文件'); end rgb_img = imread(fullfile(pathname FontSize', 12); subplot(2, 3, 5); imshow(canny_edge); title('Canny算子', 'FontSize', 12); subplot(2, 3, 6) = 1; queue = [queue; nr, nc]; % 加入队列继续生长 end end end end % 6. 交互式选择彩色图像 [filename, pathname] = uigetfile({'*.jpg;*.png;*.bmp;*.tif', '图像文件'}, '选择彩色图像'); if isequal rgb_label = label2rgb(L, 'jet', 'w', 'shuffle'); % 彩色标记分割区域 % 6.
16810编辑于 2026-01-21《数字图像处理》第 6 章 - 彩色图像处理
# 误差图（原始-还原） error = np.abs(img_rgb - rgb_recon) plt.subplot(2, 3, 6) plt.imshow ) # 还原的RGB图像 plt.subplot(2, 4, 6) plt.imshow(rgb_recon) plt.title('HSI转回RGB图像') plt.figure(figsize=(18, 6)) plt.subplot(1, 3, 1) plt.imshow(img_rgb) plt.title('原始低对比度图像 g_gain = gray_mean / (g_mean + 1e-6) b_gain = gray_mean / (b_mean + 1e-6) # 应用增益 Gonzalez（核心教材）； 《数字图像处理与机器视觉》—— 张铮； OpenCV 官方文档：https://docs.opencv.org/4.x/d6/d00/tutorial_py_root.html
18010编辑于 2026-01-21- 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。 运行Python文件,将会弹出一个888x888的窗口,显示原始图像和一排按钮。 点击任意一个按钮,选择相应的变换操作。 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.
39210编辑于 2024-07-30 《数字图像处理实战》第 6 章 彩色图像处理
前言 彩色图像处理是数字图像处理领域的核心内容之一，相比灰度图像处理，彩色图像能携带更丰富的视觉信息，广泛应用于医疗影像、遥感监测、工业检测、计算机视觉等领域。 本文基于《数字图像处理》第 6 章内容，从基础理论到实战代码，全方位讲解彩色图像处理的核心知识点，所有代码均可直接运行，并附带效果对比图，帮助大家直观理解。 cmap='gray') plt.title('CMY-黄(Y)') plt.axis('off') # CMYK分量 plt.subplot(3, 4, 6) ) * min_rgb # 加1e-6避免除以0 # 计算色调H numerator = 0.5 * ((r - g) + (r - b)) denominator = np.sqrt((r - g)**2 + (r - b) * (g - b)) + 1e-6 theta = np.arccos(numerator / denominator)
20310编辑于 2026-01-21- 来自专栏计算机视觉
图像处理常用算法—6个算子 ！！
前言 同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。 正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 缺点：Sobel算子并没有将图像的主题与背景严格地区分开来，换言之就是 Sobel算子并没有基于图像灰度进行处理，由于Sobel算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意 其原理是图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。 6、Canny算子 该算子功能比前面几种都要好，但是它实现起来较为麻烦，Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，
2.1K11编辑于 2024-03-19 - 来自专栏石开之旅
图像处理笔记（6）---- OpenCV waitKey函数
函数格式：waitKey(x); 参数x ： 等待x秒，如果在x秒期间，按下任意键，则立刻结束并返回按下键的ASCll码，否则返回-1 若 x=0，那么会无限等待下去，直到有按键按下。 import cv2 from matplotlib import pyplot as plt img = cv2.imread("C:\\Users\\SPC20-012\\Pictures\\girl.png", 0) cv2.imshow("Image", img) k = cv2.waitKey(0)&0xFF #
1.3K10发布于 2020-09-21 - 来自专栏信数据得永生
Python 图像处理实用指南：6~10
/apachecn-cv-zh/-/raw/master/docs/handson-imgproc-py/img/2e6ef21f-0fbd-4754-8f0d-9d706c63fbc6.png)] 下面的代码块显示了如何在相同的输入灰度图像上应用 使用以下图像并裁剪白色背景： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qxbyj6kF-1681961425703)(https://gitcode.net/apachecn 好的分割通常是指同一类别中的像素具有相似的强度值并形成一个连接区域，而不同类别中的相邻像素具有不同的值。 紧凑流域 如前所述，分水岭算法计算从给定标记淹没的图像中的分水岭流域，将像素分配到标记流域中。该算法需要灰度梯度图像作为输入（将图像视为风景），其中明亮的像素表示区域之间的边界（形成高峰）。 每个不同的盆地形成不同的图像段。正如我们在 SLIC 中所做的那样，还有一个额外的紧凑性论证，使得标记更难淹没远处的像素。紧凑度值越高，流域区域的形状越规则。
2.1K20编辑于 2023-04-27 - 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 2个平移分量) 保留不变性: 角度(angles) 仿射变换(affine) 矩阵形式: \begin{bmatrix}A\end{bmatrix}_{2\times 3} 自由度: 6 射影变换 def projective_transform(H): return H # 使用示例 points = np.array([[1, 2], [3, 4], [5, 6]])
91510编辑于 2024-07-30 - 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 - 来自专栏往期博文
【OpenCV】Chapter6.频率域图像滤波
= cv2.magnitude(imgIdft[:, :, 0], imgIdft[:, :, 1]) # 重建图像 plt.figure(figsize=(9, 6)) plt.subplot( NORM_MINMAX)) # 归一化为 [0,255] imgRebuild = np.copy(idftMagNorm[:rows, :cols]) plt.figure(figsize=(9, 6) plt.figure(figsize=(9, 6)) rows, cols = imgGray.shape[:2] # 图片的高度和宽度 sigma2 = [0.5, 0.09, 0.01] # minValue, maxValue, minLoc, maxLoc = cv2.minMaxLoc(dftAmp) # 找到傅里叶谱最大值的位置 plt.figure(figsize=(9, 6) 2): dftLPfilter[:rPadded, :cPadded, j] = dftImage[:rPadded, :cPadded, j] * lpFilter # (6)
2K30编辑于 2022-09-26 - 来自专栏信数据得永生
OpenCV 图像处理学习手册：6~7
捕获的图像可以传输到开发计算机，并用于创建 HDR 图像。 注意 从 iOS 7 开始，本机相机应用具有 HDR 模式，可自动快速捕获三幅图像，每幅图像具有不同的曝光度。 这些图像也会自动组合为单个（有时更好）的图像。 创建 HDR 图像 我们如何将多张（例如三张）曝光图像合成为 HDR 图像？ 甚至还有一个名为hdr_imaging的教程示例，该示例从图像文件中读取图像文件和曝光时间列表，并创建 HDR 图像。 seamlessClone函数获取源图像，目标图像和遮罩图像以及目标图像中将插入裁剪对象的点（可以从这个页面）。 总之，速度增量为6x。 此增量非常重要，尤其是当您只需要更改几行代码时。 但是，有可能实现更高的速度增加速率，这与问题甚至内核的设计有关。
2.1K30编辑于 2023-04-27 - 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 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。 6. save_image(self) def save_image(self): if self.transformed_img is not None: 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
波束形成的一点思考
1） 波束形成，就是空域滤波。N个阵元，在某一时刻使用FPGA同时采样，得到同一时刻的各个通道的一个采样，就如同拍照一样，同一时刻的各个通道数据得到。 波束形成，则是空域滤波，与时域滤波相比较，是时间域序列，进行滤波，滤波系数h(n)，采样序列不断输入与滤波系数卷积计算，得到响应输出； 而波束形成，则是针对某一时刻，不同阵元，通过一个空域滤波系数
48210编辑于 2022-09-10 - 来自专栏Rattenking
OpenCV-Python学习（6）—— OpenCV 图像算术操作
图像像素运算 3.1 实例 读取要图像像素运算的原图片 opencv-logo-white； 复制一个和原图形状一致的矩阵，数组元素以 0 来填充；由于图像像素运算两个图像必须是一样大小，所以直接复制一个形状一致的矩阵 修改矩阵每个元素的颜色为 (110,0,250)； 图像像素加法运算【cv.add】，由于保证不越界，因此相加大于255的值最后的值都是255，如果三通道都是255就是白色； 图像像素减法运算【cv.subtract 就是白色，由于复制图片的颜色是(110,0,250)，所以除黑色外的颜色就是(255,0,255)； 图像像素除法运算【cv.divide】，由于保证不越界，同时元素的dtype=np.uint8，所以原图像除以 由于饱和运算和模运算的不同，可以看到做相同操作后，两种运算得到的图像差距较大！ 5. 由于图像像素运算两个图像必须是一样大小。
1K10编辑于 2022-10-24 - 来自专栏点云PCL
Open3d学习计划—6（RGBD图像）
Open3d的图像能够直接转化为numpy或者从numpy转化。 一个Open3d的RGBDImage由两幅图像组成，分别是RGBDImage.depth & RGBDImage.color。 我们要求两幅图像能够通过相同的相机框架和相同的分辨率配准。下面的教程将会介绍如何从一些著名的RGBD数据集去读取和使用RGBD图像。 Color图像被转换为灰度图，储存成[0，1]之间的float类型的数据。深度图像也通过float类型存储，表示深度值（单位：米）。 转换后的结果能够通过numpy数组表示。 给定一组相机参数，RGBD图像能够转换成点云。 首先，NYU图像不是标准的jpg或者png格式，因此我们需要使用 mpimg.imread来读取一个color图像为一个numpy数组，并将其转化为Open3d图像。
4.2K40发布于 2020-07-14 - 来自专栏巴山学长
大神带你玩转matlab图像处理（6）——Hough变换
近段时间过冷水开始接触一点点图像处理的知识三维空间分布函数绘制实例推文就有关于读取图像上的数据程序处理。 为了能够有效的快速对图像进行处理，需要在图像空间的图像以某种形式转换到另一空间，在过冷水的工作中就存在倒易空间和实空间的概念。各空间概念的提出必然有其便捷性。 利用空间的特点性质进行图像加工，就是图像转换，比较常见的图像转换方式有：算术计算、几何变换、Hough变换、傅里叶变换、离散变化，有关案例可以看大神带你玩转matlab图像处理 (一)。 Hough运用两个坐标空间的之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转换为统计峰值问题。 在图像处理中，从图像中识别几何形状的基本方法之一是Hough变换，它有很多改进算法。最基本的Hough变换是从黑白图像中检测直线。
1.1K10发布于 2021-02-24 - 来自专栏计算摄影学
6. 傅里叶变换与图像的频域处理
今天这篇主要介绍傅里叶变换与图像的频域处理，并分析频域滤波和图像的空域滤波的关系。 一、傅里叶的趣事 ? 今天的主角是图上这位男子：让·巴普蒂斯特·约瑟夫·傅立叶。 同样，非周期性的二维图像也可以表达为频谱形式： ? 有趣的是，图像的相位信息非常重要。 每一次高斯模糊，都是在去除图像中的高频分量，这样图像的最大频率就会降低，于是就会满足采样频率fs > Nyquist Rate的要求，也就使得采样后的图像没有缺陷。 ? 七. 总结 在很多领域信号的傅里叶变换和频域处理都有广泛的应用，今天这篇文章主要介绍了图像的傅里叶变换、频域图像处理基础。下面是大纲： ? 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 6
2.1K10发布于 2020-04-17 - 来自专栏分布式｜微服务｜性能优化｜并发编程｜源码分析
13.Elasticsearch如何形成集群
Elasticsearch在生产环境必须以集群形式存在，所以很有必要了解Elasticsearch的集群工作原理，那么在介绍集群之前，我们不得不先去了解下基本组件
36410编辑于 2024-04-24
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