- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
搜索（5）
深度优先搜索一般是递归实现的，搜索过程中总是优先遍历当前节点的子节点。 从这一节开始，我们将学习广（宽）度优先搜索 这个GIF图中，节点被染成绿色的顺序表示在宽度优先搜索过程中节点被访问的顺序。 于是依次访问这两个节点，同时在访问时，我们发现了节点2的儿子节点4和5，以及节点3的儿子节点6和7，将这4个节点记录下来 当完成第二层的访问后，继续根据记录来依次访问节点4~7，也对应了图中的第三层节点 由于这些节点都不包含有子节点，不会再增加记录的节点数量，因此访问完成后退出搜索 在上面的过程中我们发现以下两个事实： 广度优先搜索的顺序与子节点到初始节点的距离有关，离初始节点越近的子节点会更早被访问 根据题目描述，我们可以知道以下几个信息： 该图中需要搜索的节点为格子，我们用坐标[x,y]来表示格子 若将相邻格子的距离视为1，搜索目标为[1,1]到[n,m]的最短路径 墙壁的格子是不能进入的，因此在搜索过程中需要进行判定
96230发布于 2018-07-05 - 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。 NMSLIB是一个可扩展的库，这意味着可以添加新的搜索方法和距离函数。NMSLIB可以直接在C ++和Python中使用。 详细参数 关于参数的设置可以见 https://github.com/nmslib/nmslib/blob/master/python_bindings/parameters.md 参考 高维空间最近邻逼近搜索算法评测 spm=a2c4e.11153940.blogcont697621.16.3ef936ddMFh7on）; 图像检索：再叙ANN Search（https://yongyuan.name/blog/ann-search.html
1.7K20发布于 2019-08-15 - 来自专栏风吹杨柳
opencv 5 -- 图像阈值
这章将说，二值化的问题 二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓 将图像黑白化，是很多图像处理技术的必要一步 目的：使得图像的像素值更单一、图像更简单 阈值可以分为全局性质的阈值 如果是一副双峰图像(简单来说双峰图像是指图像直方图中存在两个峰)呢?我们岂不是应该在两个峰 之间的峰谷选一个值作为阈值?这就是 Otsu 二值化要做的。 threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) # Otsu's thresholding after Gaussian filtering #(5,5 )为高斯核的大小，0 为标准差 blur = cv2.GaussianBlur(img,(5,5),0) # 阈值一定要设为 0! t，将这两个峰分开，并且使每一个 峰内的方差最小 img = cv2.imread('person_454.bmp',0) # 高斯模糊处理 blur = cv2.GaussianBlur(img,(5,5
1.2K20发布于 2019-07-08 - 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 - 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 而与此同时，所需的时间消耗仅为特定加密方案的3至5倍。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 - 来自专栏编程杂记
【YOLOv5】--图像增强部分
YOLOV5关于对图像的增强可谓是下了一番功夫，在代码部分之间就做到图像增强，可以说是功能越来越自动化，人工参与程度越来越低，下面就来详细了解一下YOLOv5所用的图像增强方法。 1. Mosaic 这里yolov5还额外提出了一个9图的mosaic操作，9张图像，拼接在一起处理，图像更大了而且label也更多，训练一张这样的拼接图像等同与训练了9张小图。 5.Albumentations， 主要是做些滤波、直方图均衡化以及改变图片质量等等，我看代码里写的只有安装了albumentations包才会启用，但在项目的requirements.txt文件中albumentations
70310编辑于 2024-01-17 - 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。 基于经典特征的方案[5]，通常需要使用同态或多方安全计算等高级密码学技术，将原始图像进行较强的加密，并从中提取出高精度的特征；此类方案通常无法基于单云服务器完成，而需假设有两个或多个无法共谋的服务器。 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。 IEEE Transactions on Cloud Computing, 2017, DOI: 10.1109/TCC.2017.2669999. 5.
1K20编辑于 2023-09-13 - 来自专栏White feathe 的博客
H5 图像识别
识别对比 ---- 1、百度识别 发现百度的图片搜索识别率不是特别，下面为测试图片跟测试后的结果： 测试图片： 下面为测试后的结果： 2、采用 tesseract.js 后结果 H5 图像识别 font-family:"arial, helvetica, sans-serif"}fieldset{margin-bottom:10%;border:1px solid #ddd;border-radius:5px adjustment chop_split_length 10000 Split Length chop_vertical_creep 0 Vertical creep chop_width_change_knob 5 ratio for chucking outlines edges_debug 0 turn on debugging for this module edges_max_children_layers 5 classes matcher_rating_margin 0.1 New template margin (0-1) matcher_sufficient_examples_for_prototyping 5
4.3K30编辑于 2021-12-08 《数字图像处理》第 5 章-图像复原与重建
, (5, 5)) # 5x5均值滤波 # ========== 2. (noisy_img, 5) # 5x5中值滤波 # ========== 3. cmap='gray'), plt.title('5x5中值滤波'), plt.axis('off') plt.subplot(236), plt.imshow(adaptive_median, cmap →含椒盐噪声→3x3 均值滤波→3x3 中值滤波→5x5 中值滤波→自适应中值滤波，可直观看到中值滤波对椒盐噪声的压制效果远优于均值滤波，自适应中值滤波兼顾去噪和细节保留。 设计陷波带阻滤波器 ========== def notch_filter(shape, center, radius=5): """生成单个陷波带阻滤波器""" h, w = shape
23810编辑于 2026-01-21《数字图像处理》实验5-图像压缩及编码
实验目标 理解图像压缩的核心原理（减少冗余信息）及评价标准（压缩比、图像质量）； 掌握无损压缩（Huffman 编码）与有损压缩（DCT 变换、小波变换）的实现方法； 熟悉 JPEG 标准核心技术（DCT 二、完整实验内容与代码实现 （一）彩色图转灰度图的压缩比计算 实验任务 读取彩色图像→转换为灰度图→查询图像属性→计算基于文件大小的压缩比。 （二）DCT 变换与图像重构 实验任务 彩色图→灰度图→DCT 变换→逆 DCT 重构→归一化→对比变换前后图像及矩阵变化。 '); subplot(1,3,2); imshow(I_quant); title('DCT量化压缩图像'); subplot(1,3,3); imshow(I_masked); title('掩模压缩图像 应用场景拓展 JPEG 标准：结合 DCT 变换、量化、Huffman 编码，是图像存储的主流标准； 小波压缩：用于 JPEG 2000、医学图像、遥感图像等对质量要求较高的场景； 实时传输：小波变换的多分辨率特性可实现
14710编辑于 2026-01-21《数字图像处理》第 5 章- 图像复原与重建
一、章节概述 图像复原与重建是数字图像处理的核心内容之一，旨在将退化的图像恢复到原始状态。与图像增强不同，图像复原是基于数学模型的客观恢复过程，而增强是主观的视觉改善过程。 cols-ccol] = mask[crow, ccol] return mask def notch_filtering(image, noise_freqs, radius=5) plt.subplot(1, 5, 2) plt.imshow(img_blurred, cmap='gray') plt.title('运动模糊图像', fontsize=12) ('模糊+噪声图像', fontsize=12) plt.axis('off') plt.subplot(1, 5, 4) plt.imshow(img_inverse , cmap='gray') plt.title('逆滤波复原', fontsize=12) plt.axis('off') plt.subplot(1, 5, 5)
19110编辑于 2026-01-21- 来自专栏磐创AI技术团队的专栏
使用Keras构建深度图像搜索引擎
我们如何建立一个系统，能够找到这些图像的子集来更好地回答用户的搜索查询? 我们基本上需要的是一个搜索引擎，它能够根据图像与搜索查询的对应程度对图像结果进行排序，可以用一种自然语言表示，，也可以用其他查询图像表示。 文字图片搜索： 在这里，我们使用几个文本查询示例来在一组70,000张图像中搜索最佳匹配。我们计算查询的文本嵌入，然后计算集合中每个图像的嵌入。我们最终在嵌入空间中选择最接近查询的前9张图像。 ? 这些例子表明，嵌入模型能够学习图像的有用表示形式和简单单词组成的嵌入。 图像搜索: 在这里，我们将使用图像作为查询，然后在包含70,000张图像的数据库中搜索与之最相似的示例。 结论: 在这个项目中，我们研究了机器学习模块，它允许我们构建一个基于关键字和图像的搜索引擎，应用于图像集合。
76610发布于 2019-12-12 - 来自专栏博文视点Broadview
偷窥了阿里的图像搜索架构，干货分享给你！
小编从《深度学习图像搜索与识别（全彩）》一书中“偷窥”到它的架构设计，分享给你！ 以下内容节选自《深度学习图像搜索与识别（全彩）》一书！ 随着业务的发展，也逐步建立了稳定的、可扩展的视觉搜索架构。 下图展示了拍立淘的整个图像搜索架构，分为离线和在线处理流程。 （图1 图像搜索架构） 离线处理主要是指每天生成图像引擎索引的整个过程。 （图5 Deep ranking框架为以 为输入的3个深度联合模型组成，使用三元组进行网络训练，联合学习出主体检测区域和判别特征） 具体做法是，Deep ranking框架下的每个深度联合模型（图4 of the 21th InternationalConference on Knowledge Discovery and Data Mining (SIGKDD), 2015:1889–1898 [5] ▊《深度学习图像搜索与识别（全彩）》 潘攀 著 首度剖析基于深度学习的亿级图像检索技术平台 深度分析计算机视觉重要算法原理与应用场景 阐述构建大规划图像搜索平台思路、技巧与落地经验 图像搜索和识别是计算机视觉领域一个非常重要且基础的题目
1K20编辑于 2023-05-19 - 来自专栏yl 成长笔记
相似图像搜索从训练到服务全过程
/model/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5', include_top=False) #指定权重路径 # include_top= 5、训练 #数据准备 IM_WIDTH, IM_HEIGHT = 224,224 train_dir = './refine_img_data/train' val_dir = '. /refine_img_data/test' nb_classes = 5 np_epoch = 3 batch_size = 16 nb_train_samples = get_nb_files(train_dir 格式 model.save('/model/test_model.h5') 二、特征提取 加载我们训练好的模型，根据需要，取指定层的特征。 /model/my_model.h5' base_model = load_model(model_path) model = Model(inputs=base_model.input, outputs
1.3K30发布于 2018-09-12 - 来自专栏音视频技术
双编码器的自然语言图像搜索
1 介绍 该示例演示了如何构建一个双编码器（也称为双塔）神经网络模型，以使用自然语言搜索图像。 MS-COCO包含超过82,000张图片，每张图片至少有5个不同的标题注释。该数据集通常用image captioning任务，但我们可以重新利用图像标题对来训练双编码器模型进行图像搜索。 235 [==============================] - 538s 2s/step - loss: 4.0188 - val_loss: 4.6312 Epoch 5/5 235/235 "Loss") plt.xlabel("Epoch") plt.legend(["train", "valid"], loc="upper right") plt.show() 9 使用自然语言查询搜索图像 return [[image_paths[idx] for idx in indices] for indices in results] 将查询变量设置为你要搜索的图片类型。
1.6K40发布于 2021-09-01 - 来自专栏全栈程序员必看
AI图像识别_头像搜索图片识别在线
使用百度AI图像识别提供的API接口来搭建识图工具，首先要注册百度开发者账号，然后找到图像识别页面，创建应用，申请成功后会给两个重要的数据API Key ，Secret Key，这是实现识图的重要参数， ') response = urllib2.urlopen(request) content = response.read() if (content): print(content) 识别图像接口 ，也比较简单 import sys from PyQt5 import QtWidgets, QtCore from PyQt5.QtGui import * from PyQt5.QtWidgets import * from PyQt5.QtCore import * from PyQt5.QtWidgets import QFileDialog import json import base64 Form): _translate = QtCore.QCoreApplication.translate # 设置窗体内容 Form.setWindowTitle(_translate("Form", "图像识别工具
4.6K10编辑于 2022-09-20
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