- 综合排序
- 最热优先
- 最新优先
- 来自专栏CodecWang
10: 平滑图像
学习模糊/平滑图像，消除噪点。图片等可到文末引用处下载。 ，所以低通滤波器用于去除噪点、平滑和模糊图像。 高通滤波器则反之，用来增强图像边缘，进行锐化处理。 常见噪声有椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。 ，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。 然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。
1.6K20编辑于 2021-12-07 - 来自专栏-csdn迁移
OpenCV图像处理10-图像模糊（二）
10-图像模糊（二） 中值滤波和双边滤波 中值滤波 统计排序滤波器 中值滤波对于椒盐噪声有很好的抑制作用 原理是：将Size(xradius,yradius)窗口中的像素值排序，取中值赋给窗口中心点 均值滤波无法客服边缘像素信息丢失的缺陷，原因是均值滤波基于平均权重 高斯滤波部分克服了该缺陷，但仍无法完全避免，因为没有考虑到像素值的不同 高斯双边模糊是保留边缘的滤波方法，避免了边缘信息的丢失，能够保证图像轮廓不变
84610发布于 2021-03-04 《数字图像处理》第 10 章 - 图像分割
前言 图像分割是数字图像处理的核心技术之一，简单来说就是把图像中具有特殊含义的不同区域分离开来，这些区域通常是我们关注的目标、背景或其他感兴趣的部分。 本文将按照《数字图像处理》第 10 章的结构，从基础理论到具体实现，结合可直接运行的 Python 代码和效果对比图，带你彻底搞懂图像分割 10.1 基础理论 10.1.1 核心定义 图像分割是将数字图像划分为互不重叠的像素子集 原始灰度图像', fontsize=10) plt.axis('off') # 子图2：高斯模糊去噪 plt.subplot(3, 3, 2) plt.imshow(process_steps , 10), (200, 200), (200, 10)] # 预处理参数（提升分割效果） GAUSSIAN_KERNEL = (3, 3) # 高斯模糊核 MORPH_KERNEL = np.ones : # 最多尝试10次 raise ValueError("无法读取视频/摄像头的有效帧！")
32110编辑于 2026-01-21《数字图像处理实战》第 10 章-图像分割
更高效） lines_p = cv2.HoughLinesP(canny_edge, 1, np.pi/180, threshold=50, minLineLength=50, maxLineGap=10 ['SimHei'] plt.rcParams['axes.unicode_minus'] = False def region_growing(gray_img, seed, threshold=10 ') plt.axis('off') # 低阈值 plt.subplot(1, 3, 2) plt.imshow(sam_low, cmap='gray') plt.title('分离聚合（阈值=10） 不同k值对比 k2_labels, k2_centers = cv2.kmeans(pixels, 2, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)[1 ('off') # region_size=10 plt.subplot(1, 4, 2) plt.imshow(img_slic_small) plt.title('超像素（region_size=10
43610编辑于 2026-01-21- 来自专栏weixuqin 的专栏
leecode刷题（10）-- 旋转图像
leecode刷题（10）-- 旋转图像 旋转图像 描述： 给定一个 n × n 的二维矩阵表示一个图像。 将图像顺时针旋转 90 度。 说明： 你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。 原地旋转输入矩阵，使其变为: [ [7,4,1], [8,5,2], [9,6,3] ] 示例 2: 给定 matrix = [ [ 5, 1, 9,11], [ 2, 4, 8,10 , [15,14,12,16] ], 原地旋转输入矩阵，使其变为: [ [15,13, 2, 5], [14, 3, 4, 1], [12, 6, 8, 9], [16, 7,10,11 ] ] 思路： 所谓旋转图像，即将图像顺时针旋转90度。
54020发布于 2019-02-15 - 来自专栏风吹杨柳
opencv 10 -- 图像 颜色空间转换
函数是：cv2.cvtColor(input_image ，flag)， 其中 flag是转换类型
3K30发布于 2019-07-08 - 来自专栏量子位
10个Python图像处理工具
因此，通过基本的NumPy操作，可以修改图像的像素值。 也可以使用skimage加载图像并用matplotlib显示。 使用方法也和简单，比如需要mask一张图像时： ? ? 这个库包含基本的图像处理功能，包括点操作、使用一组内置卷积核滤波及颜色空间转换。 当用ImageFilter增强Pillow中的图像时，操作是这样的： ? ? SimpleITK是一个图像分析工具包，内含大量组件，支持一般滤波操作、图像分割和图形配准。 SimpleITK本身是用C++编写的，但也适用于包括Python在内的大量编程语言。 将它用于图像边缘提取任务，效果如下： ? 官方资料： https://pypi.org/project/pgmagick/ 相关资源： https://github.com/hhatto/pgmagick 10、Pycairo pyCairo
1.4K40发布于 2019-05-30 - 来自专栏DeepHub IMBA
10个图像处理的Python库
它支持打开、操作和保存许多不同的图像文件格式，用户还可以对图像执行基本操作，如裁剪、调整大小、旋转和更改图像颜色。 这些操作是图像二值化、去噪和形状分析等任务的基础。这些功能OpenCV 都有，但是Mahotas更专注于图像的图像处理，而并不像OpenCV那样什么都有，所以，Mahotas的API更简单、也更友好。 它提供了一套完整的图像处理算法。它支持图像分割、几何变换、色彩空间操作和过滤。 与许多其他库不同，Scikit-Image支持多维图像，这对于涉及视频或医学成像的任务是很有帮助的。 Imageio提供了一个通用的数据模型，使用户能够以多种方式存储图像数据。它可以使用NumPy数组、PIL图像对象或简单的Python字节字符串来表示图像数据。 10、timm timm是一个PyTorch模型库，虽然可能和图像处理没有关系，但是它提供了广泛的预训练模型和计算机视觉模型的集合，这对我们来进行深度学习的时候是非常有帮助的。
1.1K20编辑于 2023-08-30 - 来自专栏脑机接口
eeglab教程系列(10)-绘制ERP图像
绘制ERP图像 eeglab 有一个绘制ERP image的功能，该功能可以对ERP 效应有一个更好理解。 这个ERP image 是一个2-D image，其中的横轴是每个epoch 的时刻值，纵轴是各个epoch 的编号，而该图像中的每一点表示相应的epoch 的相应时刻的电压值。 1.利用pop_erimage()绘制ERP图像 具体操作:Plot > Channel ERP image,在该界面中输入通道27，并输入smoothing 1 (表示的是在临近的epochs 进行平滑绘图的的时候 点击"OK"后，弹出如下界面： 图中最上面的为电极的头皮位置，中间部分为ERP图，下面部分为电极的ERP. 2.绘制平滑的ERP 调用pop_erpimage.m交互式窗口，并将平滑宽度设置为10。
78720编辑于 2022-08-17 - 来自专栏用户2442861的专栏
openCV—Python(10)—— 图像阈值化处理
box-sizing: border-box; padding: 0px 5px;">9
- 10 box-sizing: border-box; padding: 0px 5px;">9
- 10 二值化图像： ? 二值化反转图像： ? box-sizing: border-box; padding: 0px 5px;">9
- 10 box-sizing: border-box; padding: 0px 5px;">9
- 10
2.4K21发布于 2018-09-19 - 来自专栏信数据得永生
Python 图像处理实用指南：6~10
通过将 10%的像素随机设置为255（salt），将另外 10%的像素随机设置为0（胡椒），将一些脉冲噪声添加到输入灰度Lena图像中。 第一步是使用图像的sobel梯度查找高程地图，如以下代码块所示： elevation_map = sobel(coins) fig, axes = pylab.subplots(figsize=(10, :-10, 10:-10] = 1 # list with intermediate results for plotting the evolution evolution = [] callback ，μ是 10 x 784，∑ 是一个 10 x 784 x 784 矩阵。 首先，我们需要加载mnist数据集，并将训练图像分为两部分，第一部分是较大的（我们使用 50k 图像）进行训练，第二部分（10k 图像）用于验证。
2.3K20编辑于 2023-04-27 - 来自专栏数据STUDIO
10 个图像处理的Python库
它支持打开、操作和保存许多不同的图像文件格式，用户还可以对图像执行基本操作，如裁剪、调整大小、旋转和更改图像颜色。 这些操作是图像二值化、去噪和形状分析等任务的基础。这些功能OpenCV 都有，但是Mahotas更专注于图像的图像处理，而并不像OpenCV那样什么都有，所以，Mahotas的API更简单、也更友好。 它提供了一套完整的图像处理算法。它支持图像分割、几何变换、色彩空间操作和过滤。 与许多其他库不同，Scikit-Image支持多维图像，这对于涉及视频或医学成像的任务是很有帮助的。 您将使用 80% 的图像进行训练，20% 的图像进行验证。 # Augment an image transformed = transform(image=image) transformed_image = transformed["image"] 10
1.8K30编辑于 2023-09-04 - 来自专栏Python编程 pyqt matplotlib
CIFAR-10数据集 图像识别
本篇我们还是用序列化的（串行的）卷积神经网络，基于CIFAR-10数据集创建图像识别模型。 # -*- coding: utf-8 -*- """ Created on Tue Dec 10 20:04:58 2019 @author: wsp Tensorflow version：2.0 Python train_dataset, train_labels, valid_dataset, valid_labels from matplotlib import pyplot as plt cifar10 = tf.keras.datasets.cifar10 #(x_train, y_train), (x_test, y_test) = cifar10.load_data() #从网络下载数据集 x_train tf.keras.layers.Dense(500, activation='relu'), tf.keras.layers.Dropout(0.25), tf.keras.layers.Dense(10
1.7K10发布于 2019-12-25 - 来自专栏机器学习AI算法工程
keras实战项目——CIFAR-10 图像分类
Cropping2D 这里 Cropping2D 就比较好理解了，就是特地选取输入图像的某一个固定的小部分。 ZeroPadding2D 1.2.1部分提到输入参数时，提到 padding参数如果是same，扫描图像边缘时会补上0，确保输出数量等于 input / strides。 这里 ZeroPadding2D 的作用，就是在图像外层边缘补上几层0。如下图，就是对原本 32x32x3 的图片进行 ZeroPadding2D(padding=(2, 2)) 操作后的结果： ? next(generator) 即可一次返回 32 张图像以及对应的标注信息。 实战项目——CIFAR-10 图像分类 最后我们用一个keras 中的示例， 本文源码地址： 关注微信公众号datayx 然后回复“图像分类”即可获取。 首先做一些前期准备： ?
1K10发布于 2019-10-28 - 来自专栏AI人工智能
10个Python图像处理工具分享
在图像处理领域，一库在手，相当于天下已有。 最近，有一位搞数据科学的小姐姐Parul Pandey，整理了一份实用Python图像处理工具，内含十大经典Python库。 这份资源中的工具可用于图像处理中的常见任务，包括裁剪、翻转、旋转、图像分割、分类和特征提取、图像恢复和图像识别等。可谓干货满满，图像处理提升效率必备。 因此，通过基本的NumPy操作，可以修改图像的像素值。 也可以使用skimage加载图像并用matplotlib显示。 SimpleITK是一个图像分析工具包，内含大量组件，支持一般滤波操作、图像分割和图形配准。 SimpleITK本身是用C++编写的，但也适用于包括Python在内的大量编程语言。 10、Pycairo pyCairo是一个Python的2D图形渲染库，可用于绘制矢量图形的2D图形，在调整大小或变换时不会丢失清晰度。
1.4K40发布于 2019-05-31 - 来自专栏Deep Learning 笔记
图像识别（三）cifar10.py
cifar10.py文件包含以下函数，用于搭建模型 def _activation_summary(x): def _variable_on_cpu(name, shape, initializer): _data', """Path to the CIFAR-10 data directory.""") tf.app.flags.DEFINE_boolean #描述 CIFAR-10 数据集的全局常量 IMAGE_SIZE = cifar10_input.IMAGE_SIZE NUM_CLASSES = cifar10_input.NUM_CLASSES NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN = cifar10_input.NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN NUM_EXAMPLES_PER_EPOCH_FOR_EVAL = cifar10_input.NUM_EXAMPLES_PER_EPOCH_FOR_EVAL : raise ValueError('Please supply a data_dir') data_dir = os.path.join(FLAGS.data_dir, 'cifar-10
1.6K40发布于 2018-09-02 - 来自专栏人工智能chat
10 个 Python 图像处理工具
这些 Python 库提供了一种简单直观的方法来转换图像并理解底层数据。今天的世界充满了数据，图像是这些数据的重要组成部分。 常见的图像处理任务包括显示；基本操作如裁剪，翻转，旋转等;；图像分割，分类和特征提取；图像恢复；图像识别。 Python 是这些图像处理任务的绝佳选择，因为它作为一种科学编程语言日益普及，并且在其生态系统中免费提供许多最先进的图像处理工具。本文着眼于 10 个最常用的 Python 库，用于图像处理任务。 GraphicsMagick 图像处理系统，有时也被称为图像处理的瑞士军刀。 用法图像缩放：边缘提取：10. PycairoPycairo 是 Cairo 图形库的一组 Python 绑定。Cairo 是一个用于绘制矢量图形的 2D 图形库。
1.3K20编辑于 2023-06-07 - 来自专栏有趣的Python和你
深度学习|Keras识别CIFAR-10图像（CNN）
数据和方法 CIFAR-10数据集有6000个32×32个彩色图片，50000个训练图片和10000个测试图片。有10个类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。 from keras.datasets import cifar10 import numpy as np np.random.seed(10) (x_img_train,y_label_train) ,(x_img_test,y_label_test)=cifar10.load_data() 数据处理 标准化 label的one-hot编码 x_img_train_normalize = x_img_train.astype rate=0.25)) model.add(Dense(1024, activation='relu')) model.add(Dropout(rate=0.25)) model.add(Dense(10 y_label_train_OneHot, validation_split=0.2, epochs=10
1.4K50发布于 2019-01-28 - 来自专栏深度学习和计算机视觉
技能 | Python处理图像10大经典库
因此，通过基本的NumPy操作，可以修改图像的像素值。 也可以使用skimage加载图像并用matplotlib显示。 这个库包含基本的图像处理功能，包括点操作、使用一组内置卷积核滤波及颜色空间转换。 SimpleITK是一个图像分析工具包，内含大量组件，支持一般滤波操作、图像分割和图形配准。 SimpleITK本身是用C++编写的，但也适用于包括Python在内的大量编程语言。 代码短小却提供了一个鲁棒、高效的工具和库集合，可用来处理图像的读取、写入和操作。 支持超过88种图像格式，包括重要的DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF。 10、Pycairo pyCairo是一个Python的2D图形渲染库，可用于绘制矢量图形的2D图形，在调整大小或变换时不会丢失清晰度。
1.7K10编辑于 2022-04-06 - 来自专栏喵叔's 专栏
TensorFlow学习笔记--CIFAR-10 图像识别
_1.bin、…、data_batch_5.bin CIFAR-10的五个训练集，每个训练集用二进制格式存储了10000张32*32的彩色图像和图相对应的标签，没个样本由3073个字节组成，第一个字节未标签 ，剩下的字节未图像数据 test_batch.bin 存储1000张用于测试的图像和对应的标签 readme.html 数据集介绍文件 三、TensorFlow 读取数据的机制 普通方式 将硬盘上的数据读入内存中 value) with open('read/test_%d.jpg' % i, 'wb') as f: f.write(image_data) 五、数据增强 对于图像数据来说 常用的图像数据增强方法如下表 方法 说明 平移 将图像在一定尺度范围内平移 旋转 将图像在一定角度范围内旋转 翻转 水平翻转或者上下翻转图片 裁剪 在原图上裁剪出一块 缩放 将图像在一定尺度内放大或缩小 颜色变换 对图像的RGB颜色空间进行一些变换 噪声扰动 给图像加入一些人工生成的噪声 注3： 使用数据增强的方法前提是，这些数据增强方法不会改变图像的原有标签。
1.6K20发布于 2020-09-08
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