- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
搜索（4）
用DFS在2D地图上找连通分量的问题 例4 蓝桥杯——全球变暖 题目大意是有一张NxN像素的照片，图片中”#”代表陆地，”.”代表海洋。”上下左右”4连通连成一片的陆地组成一座岛屿。 参数xym表示现在搜索到(x, y)这个像素，并且(x, y)以及后续搜到的与(x, y)连通的像素都属于第m个连通分量 对于(x, y)我们要搜索它的4个邻居像素(x+1, y), (x-1, y 如果(nx, ny)是尚未被标记陆地，就继续从(nx, ny)开始递归搜索下去。 所以样例中一横排4个#和一竖列4个#不算形状相同 我们可以用下面的算法判断两个岛屿是否形状相同。首先我们为每一个陆地像素编号，具体来说i行j列(从0开始计数)的像素(i, j)的编号是i*m+j。 例如上图样例中，(1, 2, 3, 4)与(14, 15, 16, 17)对于编号的差14-1=15-2=16-3=17-4都是13，所以两座岛屿形状相同。
62840发布于 2018-07-04 - 来自专栏AI科技时讯
图像搜索|高维空间最近邻逼近搜索算法
业务场景 上一次介绍图像搜索的基本原理，现在记录下使用的数据包的问题。 NMSLIB 项目地址：https://github.com/nmslib/nmslib 非度量空间库（NMSLIB）是一种高效的跨平台相似性搜索库和用于评估相似性搜索方法的工具包。 spm=a2c4e.11153940.blogcont697621.16.3ef936ddMFh7on）; 图像检索：再叙ANN Search（https://yongyuan.name/blog/ann-search.html spm=a2c4e.11153940.blogcont697621.17.3ef936ddMFh7on）; nmslib文档（https://benfred.github.io/nmslib/? spm=a2c4e.11153940.blogcont697621.18.3ef936ddMFh7on）
1.7K20发布于 2019-08-15 - 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 - 来自专栏啄木鸟软件测试
谈谈基于深度学习的图像搜索
这些应用在人工智能深度学习中都属于向量搜索的技术范畴，现在给大家简单介绍一下向量搜索。 2.人脸识别的案例 一般而言基础信息中的图像、音频、视频信息通过向量化存储在数据库中。 3.向量化 向量化是把图像、音频、视频信息转换为向量的方法。向量化的方法主要分为基于特征的向量化方法和基于卷积神经网络的向量化两种方法。 基于特征的向量化方法主要是通过提取图像的色彩、纹理、形状等特征，然后将这些特征转化为向量。由于基于特征的向量化方法在处理复杂、模糊的图像时效果不太理想，所以一般不使用。 这些特征向量不仅包含了图像的底层信息，还包含了高级的语义信息，因此可以更好地表示图像的内容。 ],那么 cosθ=A·B/|A|*|B| 由于： A·B=1*4+2*5+3*6=4+10+18=32 |A|*|B|=(1*1+2*2+3*3)1/2*(4*4+5*5+6*6)1/2 =(1+4+
44710编辑于 2024-09-10 - 来自专栏AI科技时讯
从头开始构建图像搜索服务
此外，提前计算出数据库中所有图像的矢量，这种方法既快速（一次正向传递就是一种有效的相似性搜索），又可以进行扩展。最后，如果我们设法为图像和单词找到常见的嵌入，就可以使用它们来进行文本到图像的搜索！ 那么，如何实际使用深度学习表示来创建搜索引擎呢？我们的最终目标是拥有一个搜索引擎，可以接收图像并输出相似的图像或标签，还能接收文本并输出类似的单词或图像。 为了实现这一目标，将经历三个连续的步骤： 根据输入图像搜索类似图像（图像→图像） 根据输入词搜索类似的单词（文本→文本） 为图像生成标签，并使用文本搜索图像（图像↔文本） 为此，将使用嵌入 结果出人意料的好，搜索得到很多猫的图像，而不是瓶子的图像，这看起来很合理！ 使用文本搜索图像 最重要的是，可以使用联合嵌入，输入任何单词都可以搜索图像数据库。只需要从GloVe获取预先训练好的单词嵌入，并找到具有最相似嵌入的图像即可。
1K30发布于 2019-08-16 《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 )= 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 - 来自专栏大大的小数据
pyautogui图像识别的模糊搜索2022.3.24
pyautogui太好用了，就是有时候不明原因的识别不到图片，可能是电脑重启后屏幕像素变化了，也可能是网页自动缩放适用改变了屏幕的截图像素。 需要引入图像的模糊搜索了 pyautogui.click('2.png') 改为 pyautogui.click(pyautogui.locateOnScreen('2.png',confidence
2.2K30编辑于 2022-09-22 - 来自专栏罗超频道
2014年百度瞄准图像搜索
百度一图一世界图像搜索技术开放日 百度瞄准图像搜索开始规模应用 图像搜索，可以简单地认为是“以图搜图”，但并非图像识别这么简单。 移动设备摄像头的分辨率不断提升，Intel等公司已经推出具有“深度识别”的摄像头可以识别立体化的图像意味着摄像头技术本身在升级。这些则为图像搜索创造了物理条件。 图像搜索时代已经来临。 深度学习破解图像搜索待解技术难题 Google在2009年分别推出网页版Google相似图片搜索和Google Goggles，10年百度则推出识图搜索（shitu.baidu.com)涉水图像搜索，12 对应到我们自身的“看图过程”不难理解为何深度学习可以让机器识别和理解图像：摄像头是图像搜索的眼睛，基于云的深度学习神经网络就是图像搜索的大脑。 未来的图像搜索会怎样？ 这隐含了两个改变：一是图像搜索从被动到主动；二是图像搜索可以做到自动理解它看到的一切并适时启动搜索，让搜索过程更加自然。 还有第三个重点是动态图像搜索。当前图像搜索都是静态图像，而不是动态视频。
97450发布于 2018-04-28 - 来自专栏绿盟科技研究通讯
图像可搜索加密（三）：逼近明文检索
引言 在之前的文章[1]中，我们深入探讨了图像领域内可搜索加密技术的主流方法，并重点介绍了一系列以高效性著称的方案。然而，由于加密技术本身的固有限制，这些方法通常只能提取出图像的基本统计特征。 这为图像加密搜索提供了新的解决方案：某些深度卷积神经网络在结构上异常简单，仅涉及基本的加减乘运算和比较操作，且其结构信息在初始阶段即可确定。 一个典型的方案流程如图2所示，具体来说，该过程分为两个阶段： 图2：基于双服务器的图像可搜索加密方案 云服务器储备密文图像库：图像的拥有者首先在本地使用加法秘密共享方法将图像分割成两部分，即每个云服务器拥有一份图像的两个 因此，在那些对时间敏感性较低、而对精度要求较高的实际应用场景中，基于双服务器模型的图像可搜索加密方案展现出了显著的实用价值。 四. 总结 在本篇文章中，我们深入探讨了图像可搜索加密领域的一种重要方案。这种方法借鉴了明文内容基于图像检索（CBIR）的策略，从而在加密环境下显著提高了检索精度。
87110编辑于 2024-04-24 - 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 - 来自专栏绿盟科技研究通讯
图像可搜索加密（四）：基于TEE的方案
引言 在之前的文章[1]中，我们对图像可搜索加密的经典系统模型进行了介绍，并从效率主导与精度主导两个方面对现有研究方案进行了分析。 本文将介绍一种基于可信硬件的图像可搜索加密新方案。 二. 基于TEE的图像可搜索方案 图像可搜索加密本质上是为了在提供图像检索服务的同时,让服务提供方无法获知图像的内容。 准备阶段：云服务商基于可信硬件部署图像可搜索加密服务：在普通环境中部署服务平台，如前后端等；通过合适的配置，确保机密环境中可调度实际图像检索算法。 图1：基于TEE的图像可搜索加密方案 在整个过程中，敏感的图像数据始终是加密的，云服务商无法获知其内容。同时，敏感的图像检索计算也始终在可信环境中进行，云服务商无法窥探或篡改计算过程及结果。 可信硬件作为计算的基础设施，很好的满足了图像可搜索加密在实践中的需求。
69210编辑于 2024-07-02 - 来自专栏绿盟科技研究通讯
图像可搜索加密（一）：问题与方案概览
引言 在之前的文章中，我们对文本数据的可搜索加密方案[1]进行过简单介绍。如今，除了文本搜索之外，图像搜索也日益成为一项不可或缺的技术。 因此，如何在不泄露敏感信息的前提下，实现高效和准确的图像搜索，即所谓的“图像可搜索加密”，成了一个极具研究价值的课题。 本系列文章旨在对图像可搜索加密的各种主流方案进行全面而详细的解析，首篇文章我们将着重介绍图像可搜索加密的问题定义以及常见的解决方案模型。 现有的本类方案可基于所提取出的密文特征性质，大致进一步分为两类： 基于统计特征的方案[4]，通常基于对称群的性质，对图像数据进行若干维度的随机置换，并保障部分统计值不受随机置换的影响；特别地，对于JPEG 综上所述，现有主流的图像可搜索加密方案可总结如下图所示： 图4. 图像可搜索加密方案概览 四. 总结 在本篇文章中，我们对现有图像可搜索加密文献做了一个简单的梳理与分析。
1K20编辑于 2023-09-13 - 来自专栏ACM算法日常
搜索专题4 | 旋转棋盘 POJ - 2286
只有一种有效操作，那就是旋转4条线中的一条，每条线有7个格子。旋转操作其实是将6个格子往对应方向移动一格，而最前面的格子会移动到末尾。这样有8种移动方式，每种方式标记为A-H。 IDA*算法则是DFS+迭代加深搜索+估值函数，迭代加深比较容易理解，也就是在搜索过程中记录搜索的深度，如果超过深度就不继续搜索。注意DFS算法基本上都是需要进行回溯还原现场处理的。 比如本题中的旋转操作，每一次旋转，在搜索完成时都会还原这个旋转操作。估值函数在DFS中往往用于剪枝操作，本题中将剩余数字作为估值函数，判断是否需要继续搜索。 0, 2, 6, 11, 15, 20, 22, // A 1, 3, 8, 12, 17, 21, 23, // B 10, 9, 8, 7, 6, 5, 4, , 8, 3, 1, // E 22, 20, 15, 11, 6, 2, 0, // F 13, 14, 15, 16, 17, 18, 19, // G 4,
43810发布于 2019-09-10 - 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
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