- 综合排序
- 最热优先
- 最新优先
《数字图像处理》第 8 章-图像压缩
比如用 8 位（0-255）表示一个灰度值，但实际图像中大部分灰度值出现频率极低，这种 “一刀切” 的编码方式就造成了冗余。 8.2.7 位平面编码 位平面编码将图像的每个像素的二进制位拆分到不同的位平面（如 8 位灰度图拆分为 8 个位平面），对重要的低位平面保留，高位平面压缩 / 去除。 8的倍数 h, w = image.shape h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = np.pad(image, ((0, h_pad), ): h, w = image.shape h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = np.pad
21110编辑于 2026-01-21- 来自专栏新智元
【Science】DeepMind关系推理ANN，在图像理解中击败人类
【新智元导读】人类通常相当擅长关系推理，但对 AI 来说是难点。谷歌 DeepMind 研究人员提出了用于关系推理的人工神经网络。 这些问题需要关系推理，这对于 AI 来说是难点。现在，谷歌 DeepMind 的研究人员已经开发了一种简单的算法来处理这种推理，而且它已经在复杂的图像理解测试中打败了人类。 它拥有处理图像、分析语言甚至学习游戏的专门架构。在这种情况下，新的“关系网络”设计用来比较各个场景中的每一对对象。 对于这个任务，关系网络与另外两种类型的神经网络组合：一个用于识别图像中的对象，一个解释问题。在许多图像和问题上，其他机器学习算法在 42％ 到 77％ 的时间是正确的。人类取得了 92％ 的好成绩。 “我希望可以实现自己生成策略的模型”，他表示：“ DeepMind 正在致力于一种特定类别推理的建模，并非普遍意义上的关系推理。但是向着正确方向迈进的及其重要的一步”。
1.1K170发布于 2018-03-28 《数字图像处理》第8章-图像压缩和水印
今天给大家带来《数字图像处理》第 8 章的全面解析 —— 图像压缩和水印。 8.8 比特平面编码 核心原理 比特平面编码将图像的每个像素的二进制位分解为多个比特平面（如 8 位图像分为 8 个比特平面），对每个比特平面单独编码（通常用行程编码）。 # 分解比特平面 def decompose_bit_planes(img): """ 将8位灰度图像分解为8个比特平面 :param img: 8位灰度图像（uint8） 8.9.2 子图像尺寸选择 太小（如 4x4）：变换增益低； 太大（如 16x16）：块效应明显； JPEG 采用 8x8 子块。 DCT 块变换重建图像对比（可看到轻微块效应，PSNR 越高效果越好）； 单个 8x8 块的 DCT 变换 / 量化 / 重建过程可视化。
17210编辑于 2026-01-21- 来自专栏贾志刚-OpenCV学堂
多线程界面化、ONNXRUNTIME + YOLOv8推理演示
基本设计思路 这个系列我好久没有更新了，今天更新一篇PyQT5中如何实现YOLOv8 + ONNRUNTIME推理界面化与多线程支持。 首先需要实现三个类分别完成YOLOv8的对象检测、实例分割、姿态评估模型推理。然后在实现界面类，构建如图： 推理类型通过单选按钮实现选择，支持对象检测、实例分割、姿态评估。 推理按钮开发推理演示，支持视频与图像文件，开始推理会单独开启一个推理线程实现推理，推理结果通过信号发送到指定的槽函数处理之后更新界面，通过信号与槽机制实现界面线程跟推理线程相互独立与数据共享。 self.image_file_edit.setMinimumWidth(100) self.image_file_edit.setEnabled(False) fileBtn = QtWidgets.QPushButton("图像文件 app.setStyle('Windows') # 初始化桌面容器 main_win = QtWidgets.QMainWindow() # 设置APP窗口名称 main_win.setWindowTitle("YOLOv8多线程推理应用演示
2K20编辑于 2023-08-22 原生多模态推理：Gemini 3 如何“理解世界”而非“拼接图像”？
@TOC开篇引言在人工智能领域，多模态推理一直是一个重要的研究方向。传统的多模态模型通常将不同模态的数据（如文本、图像、音频）进行简单的特征拼接，然后进行联合推理。 Gemini 3 是一种新型的多模态推理框架，它通过原生多模态推理技术，能够更好地“理解世界”，而不仅仅是“拼接图像”。 通过结合用户的历史听歌记录（文本）、专辑封面（图像）和音乐片段（音频），Gemini 3 能够更准确地理解用户的音乐偏好，并推荐符合其口味的音乐。 这种原生多模态推理技术不仅能够更好地“理解世界”，还能够应用于各种实际场景，如猴子音悦100万正版音乐的推荐系统。 总结本文深入探讨了原生多模态推理：Gemini 3 如何“理解世界”而非“拼接图像”？的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
28210编辑于 2025-12-25《数字图像处理》实验8-图像识别与分类
实验环境 操作系统：Windows 8/10/11 软件版本：MATLAB 2014 及以上版本（部分功能需安装 Computer Vision Toolbox、Statistics and Machine ，突出米粒目标 % 步骤4：二值化（OTSU最优阈值） level = graythresh(I2); bw2 = imbinarize(I2, level); % 步骤5：连通区域标记（8连通域， 标记每个米粒） [labeled, numObjects] = bwlabel(bw2, 8); [L, n] = bwlabel(bw2, 8); % n为米粒总数 % 步骤6：可视化处理流程与计数结果 白色圆圈标记质心 plot(cbar, rbar, 'Marker', 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'w', 'MarkerSize', 8) （如提取线段用线结构元素）； 连通域选择：颗粒计数时，8 连通域比 4 连通域更贴合实际（米粒边缘可能不规整）。
15610编辑于 2026-01-21- 来自专栏贾志刚-OpenCV学堂
图像编辑器 Monica 之生成漫画风格的图像、以及使用 GPU 实现推理
图像编辑器 Monica Monica 是一款跨平台的桌面图像编辑软件(早期是为了验证一些算法而产生的)。 ONNXRuntime 部署的模型都支持使用 GPU 来加速推理。 风景图动漫化.png 2.2 模型的加载、推理 下面展示 AnimeGANv3 相关模型的加载、推理方法，先定义一个 AnimeGAN 类 #include<iostream> #include<fstream ; // 转回 [0,255] cv::resize(dst, dst, cv::Size(w, h)); } 通过 AnimeGAN 类就可以使用相关模型来推理，将图像转换成漫画的风格 使用 GPU 推理 在使用 GPU 做推理时，需要有个前提就是确保安装了 CUDA、cuDNN 以及 CUDA 对应的 ONNXRuntime 版本。
10600编辑于 2026-04-02 - 来自专栏贾志刚-OpenCV学堂
两行代码搞定YOLOv8各种模型推理
微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 前言 大家好，YOLOv8 框架本身提供的API函数是可以两行代码实现 YOLOv8 模型推理，这次我把这段代码封装成了一个类，只有40 行代码左右，可以同时支持YOLOv8对象检测、实例分割、姿态评估模型的GPU与CPU上推理演示。 程序实现 YOLOv8框架支持的函数推理会自动识别模型的类型是对象检测、实例分割、姿态评估中哪一种，有GPU支持的情况下，默认会使用GPU推理。 推理运行在一个单独的PyQT线程中，通过信号与槽机制实现推理结果返回与更新。 __init__() self.settings = settings self.detector = YOLOv8PtInference(settings)
1.8K40编辑于 2023-08-22 - 来自专栏GiantPandaCV
NCNN+INT8+YOLOV4量化模型和实时推理
下载校准表图像 先下载官方给出的1000张ImageNet图像，很多同学没有梯子，下载慢，可以用下这个链接： https://download.csdn.net/download/weixin_45829462 xx.jpg 调用int8模型进行推理 打开vs2019，建立新的工程，配置的步骤我在上一篇博客已经详细说过了，再狗头翻出来祭给大家： https://zhuanlan.zhihu.com/p/368653551 禁掉，不用了 换成int8推理 把线程改成你之前制作int8模型的那个线程 模型也替换掉 具体如下： ? （问的好，2g显存老古董跑起来怕电脑炸了） 对比之前的fp16模型，明显在input_size相同的情况下快了40%-70%，且精度几乎没有什么损耗 总结来说，新版ncnn的int8量化推理确实是硬货， 后续会尝试更多模型的int8推理，做对比实验给各位网友看 所有的文件和修改后的代码放在这个仓库里，欢迎大家白嫖： https://github.com/pengtougu/ncnn-yolov4-int8
3K30发布于 2021-05-18 - 来自专栏计算摄影学
8. 图像处理的应用 - 动作放大
dis_k=2ce8d404d143dde3d679cdd43dcec6ea&dis_t=1587108607 拉格朗日 vs 欧拉 视频动作放大是如何做到的呢？ 之前有读者问我图像的傅里叶变换有哪些应用，我想今天这一个算法就是一个生动的例子。 我在下一篇文章还会用python代码来给大家展示欧式视频动作放大的完整实现过程，敬请期待。 当这一个系列的文章介绍完后，我们会开启计算摄影之旅的新的篇章，进入到图像的合成这个领域。
1.4K40发布于 2020-04-17 - 来自专栏Edward的专栏
CV -- YOLOv8 图像分割（GPU环境）
参考视频： 使用 Yolov8 自定义数据集进行图像分割_哔哩哔哩_bilibili 标注 数据集： 我使用的是一些苹果数据集，可以在我的csdn资源中下载： https://download.csdn.net JSON转为TXT 通过 LabelMe 工具绘制多边形标注后生成的 JSON 文件是一种结构化的数据文件，它遵循了一定的格式来存储图像标注信息。 ('D:\OneDrive\桌面\yolov8-segment\weights\yolov8n-seg.pt') model.train(data='D:\OneDrive\桌面\yolov8-segment 这个文件是模型训练过程的直接产物，用于后续的图像识别和分析任务。 Args.yaml文件：这个文件通常包含了模型训练时使用的配置参数。 (mask, (W, H)) # 保存掩码图像 output_path = f'.
1.1K13编辑于 2025-02-20 - 来自专栏张高兴的博客
YOLOv8 入门指南：（2）图像标注
安装图像标注工具 LabelImg 打开 LabelImg 网站，使用 git 命令或下载 zip 的形式，将代码保存到本地； git clone git@github.com:HumanSignal/ pyrcc5 -o libs/resources.py resources.qrc # 只需执行一次 python labelImg.py 图像标注 标注的第一步要在 LabelImg 中打开图像，可以打开单个图像 ，也可以打开图像所在的文件夹； 点击 创建区块 按钮开始标注； 标注框不要大于或小于物体，标注完成后选择或输入物体的标签，点击 OK 按钮完成标注； 直到标注完图像中所有的物体，点击 保存 按钮存储标签 ，标签会保存在图像的位置，文件名为 图像名.xml。
1.5K10编辑于 2025-05-21 - 来自专栏机器之心
20+移动端硬件，Int8极速推理，端侧推理引擎Paddle Lite 2.0 正式发布
机器之心发布 机器之心编辑部 今年 8 月，飞桨（PaddlePaddle）对外发布面向终端和边缘设备的端侧推理引擎 Paddle Lite Beta 版。 Paddle Lite 的 Github 链接： https://github.com/PaddlePaddle/Paddle-Lite Paddle Lite 致力于提供一套功能完整、易用、高性能的端侧推理引擎 在 AI 技术落地中，推理阶段与实际应用相关联，直接关系到用户的体验，是非常具有挑战性的一环。 ? 图 1 .典型端侧 AI 应用部署场景 Paddle Lite 是飞桨产品栈中用于端侧高性能轻量化 AI 应用部署的推理引擎，核心用途是将训练出的模型在不同硬件平台场景下快速部署，根据输入数据，执行预测推理得到计算结果 更好的性能 ARM CPU (v7,v8) 上 float32 和 int8 两种计算模式的预测性能均得到提升（见图 3，图 4），详情可以参考最新的 Benchmark： 链接：https://paddlepaddle.github.io
1.3K20发布于 2019-11-11 在K8s上部署分离式LLM推理
本文将概述如何在Kubernetes上部署分离式推理，探讨不同的生态系统方案及其在集群上的执行方式，并评估它们开箱即用的能力。聚合式与分离式推理有何不同？ 在深入了解Kubernetes配置文件之前，先理解LLM的两种推理部署模式会有所帮助：在聚合式服务中，单个进程（或紧密耦合的进程组）处理从输入到输出的整个推理生命周期。 为什么调度是Kubernetes上多Pod推理性能的关键部署多Pod推理工作负载（无论是模型并行的聚合模型还是分离模型）只是成功的一半。 调度器会成功放置它们，但不知道它们构成单个推理管道。 推理框架如何协调扩缩容推理框架通过具有推理特定指标可见性的自定义自动扩缩器在应用程序层面解决扩缩容问题。
7410编辑于 2026-04-16使用 OpenVINO™ C# 异步推理接口部署YOLOv8
以下是文章，收藏看看使用 OpenVINO™ C# 异步推理接口部署YOLOv8 ——在Intel IGPU 上速度依旧飞起！！ 在上一篇文章中《使用 OpenVINO™ C++ 异步推理接口部署YOLOv8 ——在Intel IGPU 上实现80+FPS视频推理》我们已经实现了使用OpenVINO™ C++ 异步API接口部署YOLOv8 一些C#开发者也想在使用OpenVINO™在C#中实现异步推理，那么该如何实现呢？那么他来了，下面我们将会演示如何使用OpenVINO™异步接口在C#中部署YOLOv8 实现视频快速推理。 项目环境 推理设备：OpenVINO IGPU CPU: Intel Core i7-1165G7 IGPU: Intel Iris Xe Graphics 推理模型: YOLOv8s 代码实现 4.1 定义YOLOv8数据处理方法 首先定义了一下YOLOv8模型前后处理的方法，包括输入数据处理接口pre_process(cv::Mat* img, int length, float
48700编辑于 2025-07-21- 来自专栏GiantPandaCV
深度学习Int8的部署推理原理和经验验证
上述基本都是图像领域的，也例举了一些nlp领域的，比如Q8bert。最近关于BERT的量化的工作有以下：Q8BERT、Q-BERT、TernaryBERT、BinaryBERT、BiBERT等。 个人观点，这个图并不能下结论：per-channel和per-tensor在int8量化推理下没有太大的差异，因为这只量化weight，而没有考虑其他，比如量化activation。 论文附录有炼丹配方 深度学习Int8的部署推理原理和经验验证 论文出处：《Integer Quantization for Deep Learning Inference Principles and 上述基本都是图像领域的，也例举了一些nlp领域的，比如Q8bert。最近关于BERT的量化的工作有以下：Q8BERT、Q-BERT、TernaryBERT、BinaryBERT、BiBERT等。 个人观点，这个图并不能下结论：per-channel和per-tensor在int8量化推理下没有太大的差异，因为这只量化weight，而没有考虑其他，比如量化activation。
2.5K20编辑于 2022-05-27 - 来自专栏机器之心
FP8模型不再挑卡！DeepSeek推理成本减半速度翻番，清华团队开源「赤兔」推理引擎
今天，清华系科创企业清程极智与清华大学翟季冬教授团队联合宣布开源大模型推理引擎「赤兔」（Chitu），率先实现了非 H 卡设备（英伟达 Hopper 架构之前的 GPU 卡及各类国产卡）运行原生 FP8 赤兔引擎核心优势： 全场景性能优化与架构适应性 随着 DeepSeek V3 和 R1 等新一代模型采用 FP8 混合精度训练并发布，企业面临新的部署挑战。 本次开源的技术突破是实现非 H 卡设备原生运行 DeepSeek FP8 精度模型。「我们没有走简单的量化路线，而是通过在算子内部高效处理 FP8 数据，确保模型推理质量不受任何影响。」 汤雄超表示：「具体来说，我们对 GeMM、MoE 等一系列关键算子进行了指令级的优化，实现了 FP8 数据的原生处理能力。」 清程团队强调，显著降低推理成本对推广 AI 应用至关重要，赤兔推理引擎在设计之初就将降低用户的算力成本纳入核心考量。
59910编辑于 2025-03-14 在K8s上部署分离式LLM推理
在Kubernetes上部署分离式LLM推理工作负载随着大语言模型（LLM）推理工作负载日益复杂，单一的整体服务进程开始触及自身极限。 本文概述了如何在Kubernetes上部署分离式推理，探讨了不同的生态系统解决方案及其在集群上的执行方式，并评估了它们开箱即用的功能。聚合式推理与分离式推理有何不同？ 在深入Kubernetes配置文件之前，了解LLM的两种推理部署模式会有所帮助：在聚合式服务中，单个进程（或紧密耦合的进程组）处理从输入到输出的整个推理生命周期。 为什么调度是在Kubernetes上实现多Pod推理性能的关键部署多Pod推理工作负载（无论是模型并行的聚合模型还是分离式模型）只是成功的一半。 推理框架如何协调扩展推理框架通过具有推理特定指标可见性的自定义自动扩展器，在应用程序级别解决扩展问题。
11810编辑于 2026-04-09- 来自专栏贾志刚-OpenCV学堂
三种主流模型部署框架YOLOv8推理演示
对YOLOv5~YOLOv8的系列模型，均可以通过C++推理实现模型部署。 这里以YOLOv8为例，演示了YOLOv8对象检测模型在OpenVINO、ONNXRUNTIME、TensorRT三个主流框架上C++推理演示效果。 C++类，通过客户端三行代码即可调用，演示效果分别如下： OpenVINO + CPU YOLOv8对象检测推理 ONNXRUNTIME + GPU YOLOv8对象检测推理 TensorRT + GPU YOLOv8对象检测推理 客户端初始化代码如下： 初始化OpenVINO+YOLOv8封装类实例 std::shared_ptrdetector(new YOLOv8OpenVINODetector ，对象检测，实例分割，语义分割主流模型，自定义脚本一键INT8量化模型，使用OpenCV CUDA加速图像预处理等各种工程化部署推理技巧，实现推理部署的工程化封装支持
2.6K10编辑于 2023-08-22 - 来自专栏用户4381798的专栏
8.wxPython设置图像遮罩（mask)的方法
今天我们讲解几种在wxPython中设置图像mask的几种方法。 ? 以上面这幅图画为例，嫁接昨天的桌面宠物代码，我们讲解wxPython图像处理为图像设置遮罩的方法。 wxPython图像处理类有wx.Image和wx.Bitmap，其中wx.Image是一个与平台无关的类，可以加载各种格式的图形文件，而wx.Bitmap可以将图形显示在屏幕。 一般先由wx.Image将图像文件加载，然后转换成wx.Bitmap对象，最后显示在屏幕上。 wx.Image有两个函数可以设置图像遮罩：SetMaskColour和SetMaskFromImage，wx.Bitmap有一个函数可以设置图像遮罩：SetMaskColour。 今天我们的代码就通过三个函数都实现了图片背景图像遮盖掉的目的。
1.4K10发布于 2020-07-30
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