- 综合排序
- 最热优先
- 最新优先
- 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
1.3K20发布于 2019-07-08 - 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
75610编辑于 2024-01-17 - 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
4.5K30编辑于 2021-12-08 《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
23310编辑于 2026-01-21《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
37810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)
29310编辑于 2026-01-21- 来自专栏AIoT技术交流、分享
5行Python代码实现图像分割
目录 1、环境部署 2、语义分割 3、即时分割 ---- 众所周知图像是由若干有意义的像素组成的，图像分割作为计算机视觉的基础，对具有现有目标和较精确边界的图像进行分割，实现在图像像素级别上的分类任务。 图像分割可分为语义分割和实例分割两类，区别如下： 语义分割：将图像中每个像素赋予一个类别标签，用不同的颜色来表示； 实例分割：无需对每个像素进行标记，只需要找到感兴趣物体的边缘轮廓。
81520发布于 2021-01-20 - 来自专栏信数据得永生
Python 图像处理实用指南：1~5
-a619-43ff-b99a-f22d5a8070b4.png)] 以下屏幕截图显示了带有运动模糊图像的反向过滤器的输出： 用维纳滤波器进行图像反褶积 在上一节中，我们已经看到了如何使用逆滤波器从模糊图像 /images/earthfromsky.jpg'))gamma = 5im1 = im**gammapylab.style.use('ggplot')pylab.figure(figsize=(15,5 使用框模糊核进行平均平滑 下面的代码块显示了如何使用 PILImageFilter.Kernel()函数和大小为 3 x 3 和 5 x 5 的框模糊核（平均滤波器）平滑带噪图像： im = Image.open [5, 10, 20]: for sigma_col in [0.1, 0.25, 5]: pylab.subplot(3,3,i) pylab.imshow( 因此，在一开始，使用 5 x 5 高斯滤波器从图像中去除噪声。 计算梯度的大小和方向：然后对图像应用 Sobel 水平和垂直滤波器，以计算每个像素的边缘梯度大小和方向，如前所述。
6.5K21编辑于 2023-04-27 - 来自专栏深度学习和计算机视觉
推荐5最佳免费图像注释工具
图像标注是有监督机器学习中的数据标注技术之一,要做图像注释，必须需要一个专用的注释工具，现在有很多图像注释工具。 在本文中，我们将根据在项目中使用它们以及我们寻找最适合使用的工具时的个人经验，为你们推荐五个最好的免费图像注释工具。 为了方便你们注释图像，可以在VoTT中探索许多功能，缺点是VoTT中的注释类型仅限于矩形和多边形。 labelimg labelimg是我在图像标记方面的第一个工具。这是我第一次接触到图像标签，因为我以前的项目或工作是为语音识别注释音频。 当你们有很多图像需要注释时，可能会忘记对其中一些图像进行注释。这就是为什么“文件列表”很方便，因为它不仅列出了你们的文件，而且还为已经注释的每个文件提供了一个复选标记。
2.5K20编辑于 2022-02-14 - 来自专栏防止网络攻击
图像检测【YOLOv5】——深度学习
5.最后要创建和激活一下环境： conda create -n py39 python=3.9是创建python3.9版本，名称为py39的环境。 （我当时吃了个午饭回来差不多刚刚好哈哈哈哈哈哈哈） 5.安装完成以后，会提示done，然后输入pip list，查看我们的包是否被安装，这里可以看到torch相关的包都安装了。 三.克隆YOLOv5. 1.点开链接：https://github.com/ultralytics/yolov5 Windows系统下载ZIP文件再解压后进入YOLOv5路径下运行： pip install /data/images/ --weights yolov5s.pt --conf 0.4 如果是第一次运行，会下载YOLOv5s.pt，速度会比较慢。
46110编辑于 2024-09-15 - 来自专栏AI算法与图像处理
想学图像分割，强烈建议从这5篇图像分割算法综述
最近，由于深度学习模型在各种视觉应用中的成功，已经有大量旨在利用深度学习模型开发图像分割方法的工作。 2014年至2020年基于DL的2D图像分割算法的时间轴。橙色，绿色和黄色块分别表示语义，实例和全景分割算法。 ? DeepLabV3在样本图像上的分割结果。 ? U-net模型。 语义图像分割是计算机视觉中增长最快的领域之一，具有多种应用程序。在许多领域，例如机器人技术和自动驾驶汽车，语义图像分割至关重要，因为语义分割为基于像素级别的场景理解提供了采取动作所需的必要上下文。 综述五 【5】A Survey on Instance Segmentation: State of the art 标题：实例分割技术综述 作者：Abdul Mueed Hafiz, Ghulam Mohiuddin 目标检测或定位是从粗略到精细的数字图像推断的增量步骤。它不仅提供图像对象的类别，而且还提供已分类图像对象的位置。该位置以边界框或质心的形式给出。
3.8K20发布于 2021-02-05 - 来自专栏往期博文
【图像分类】YOLOv5-6.2全新版本：支持图像分类
前言 众所周知，YOLOv5是一款优秀的目标检测模型，但实际上，它也支持图像分类。在6.1版本中，就暗留了classify这个参数，可以在做检测的同时进行分类。 官方仓库地址：https://github.com/ultralytics/yolov5/releases 更新概览 在几天前刚新出的6.2版本中，直接将分类功能单独剥离开来，使其能够直接训练图像分类数据集 Deci.ai优化 在Deci上单击一次即可自动编译和量化YOLOv5，从而获得更好的性能 GPU导出基准 可以使用python utils/benchmarks.py --weights yolov5s.pt 主要是多了一个classify文件夹，包含图像分类训练，验证，检测三个函数。 训练结果会保存在runs/train-cls文件夹中。 模型预测 模型预测更简单，指定训练好的权重weights，输入图像source，图像尺寸imgsz即可。 模型会从高到低输出前5个类别的概率值。
2.6K30编辑于 2022-09-23 - 来自专栏计算机视觉战队
人脸专集5 | 最新的图像质量评价
在图像信息技术被广泛应用的情况下，对图像质量的评估变成一个广泛而基本的问题。由于图像信息相对于其它信息有着无可比拟的优点，因此对图像信息进行合理处理成为各领域中不可或缺的手段。 上图显示了测试过程，其中重复了三项任务：(a) 盯着黑色背景上的白色十字架两秒钟来修正他们的初始观点，(B) 观察10秒图像，(C) 提供5份意见分数来表示图像质量的不自然。 分数1-5分别对应于非常显著的、相当明显的、略显的、几乎不明显的和不明显的。分数越高越好，因为它们表明修复过程中发生的不自然现象是不明显的。 如下图所示，为了使这些特征专门用于评估内画图像，沿着受损/失真区域的等值线计算这些分量。 ? 5 最后的实验及结果 ? 实验流程图 表1 不同图像特征的性能比较 ? ? ? ? 为了显示其他现有方法失败的原因，在上图中的左上方和底部图像上覆盖了一个显著图。a-c与上上上图有关；原始图像和修复图像。上层图像显示，两幅图像之间没有显著性差异。
2.1K30发布于 2019-05-06 - 来自专栏机器视觉CV
OpenCV 系列教程5 | OpenCV 图像处理（中）
maxVal: 最小，最大值 minLoc, maxLoc; 最小，最大值的位置 import numpy as np img = np.array(np.arange(25)).reshape(5, 5) print(img, cv2.minMaxLoc(img), sep='\n') [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] for method in methods: print(eval(method)) # 可以判断 methods 里面的值在 OpenCV 中对应的值 # 运行结果 ''' 4 5 Tips a = [1, 2, 3, 4] a[::-1] # 反转 #结果 [4, 3, 2, 1] Python zip 功能说明 a = [1, 2, 3] b = [4, 5, 6] c = 可理解为解压，返回二维矩阵式 # 结果 [(1, 2, 3), (4, 5, 6)] ?
2.1K10发布于 2019-11-12 - 来自专栏信数据得永生
OpenCV 图像处理学习手册：1~5
单击配置按钮并重复步骤 4 和 5，直到没有错误为止。 单击生成按钮并关闭 CMake。 如果配置与 CMake 一起执行（循环执行步骤 4 和 5）没有产生任何其他错误，则可以为构建过程生成最终的 Makefile。 对于单通道数组，将应用以下枚举，以描述数据类型： enum {CV_8U=0, CV_8S=1, CV_16U=2, CV_16S=3,CV_32S=4, CV_32F=5, CV_64F=6}; 注意 int maxLevel = 1, TermCriteria termcrit = TermCriteria (TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 注意 有关 SURF 和 ORB 描述符的更多信息，请参阅 Packt Publishing 的《OpenCV Essentials》的第 5 章。 第三步匹配先前找到的特征。
4K10编辑于 2023-04-27 - 来自专栏往期博文
【OpenCV】Chapter5.空间域图像滤波
主要用于： 模糊图像和图像降噪 在图像重取样前平滑图像以减少混淆 减少图像中无关的细节 平滑因灰度级不足所导致的图像的伪轮廓 高斯核的数学表达式为： OpenCV 提供了cv.GaussianBlur 钝化掩蔽的实现过程是： （1）对原始图像进行平滑处理，得到平滑图像； （2）从原始图像中减去平滑图像，产生掩蔽模板； （3）将原始图像与掩蔽模板加权相加，得到钝化掩蔽。 , (5, 5), sigmaX=5) imgGaussNorm = cv2.normalize(imgGauss, dst=None, alpha=0, beta=255, norm_type=cv2 Passivation(k=0.5)", "5. Passivation(k=1.0)", "6. 1 或 2 ksize：Sobel 卷积核的大小，可选的取值为：1/3/5/7，ksize=-1 时使用 Scharr 算子运算 scale：缩放比例因子，可选项，默认值为 1 delta：输出图像的偏移量
86511编辑于 2022-09-23 - 来自专栏计算摄影学
5. 数码相机内的图像处理-图像采样与金字塔
图像金字塔 当不断的模糊图像再下采样图像，直到所规定的最小的分辨率，就可以形成一系列从大到小的图像，这就是图像金字塔。 我们先介绍高斯金字塔： ? 在此金字塔中，越往上一层，图像越模糊，尺寸越小。 最上层的图像保留了图像中的大的平摊区域，也有人称之为直流分量。但从最上层的图像是不能逆向还原出原始图像的，因为构建高斯金字塔的过程是一个不可逆的过程，层与层之间因为模糊的关系是有信息损失的。 ? 要想从金字塔中不失真的恢复原始图像，可以用到拉普拉斯金字塔。在拉普拉斯金字塔中，除了最上层之外存放的不再是图像本身，而是层与层之间的图像差异，而只有最上层保留了图像的直流分量，如下图所示： ? 为什么对图像做模糊并下采样的金字塔叫做拉普拉斯金字塔？实际上，是利用了如下图所示原理，来用图像和其高斯滤波后的图像的差异来代替了直接对图像做拉普拉斯滤波，从而节省计算量。 ? 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 5
1.6K20发布于 2020-04-17 - 来自专栏新智元
虚幻引擎5技术解析：几何图像的思想
新智元推荐 编辑：元子 【新智元导读】2020年5月13日，Epic Game揭开了虚幻引擎5的神秘面纱，该公司发布的演示视频惊艳了全球游戏业。 Lumen in the Land of Nanite，在PlayStation 5上运行的实时演示. 2020年5月13日，Epic Game揭开了虚幻引擎5的神秘面纱，该公司发布的演示视频惊艳了全球游戏业 虚幻引擎5具备两大全新核心技术：Nanite虚拟微多边形几何技术和Lumen动态全局光照技术。 老顾当时的想法是将两种数据结构统一成纹理图像，从而抛弃三角网格的流水线，由纹理图像的流水线处理几何与纹理数据，从而简化GPU的硬件设计，提高渲染速度。 ? 图5. 曲面共形参数化。 ? 图6. 大卫王头像的几何图像（左帧）与法向纹理图（右帧）。 图5和图6显示了将三角网格转换成几何图像的计算过程。
2K20发布于 2020-05-26 - 来自专栏音视频开发技术
ffplay源码分析5-图像格式转换
5. 图像格式转换 FFmpeg解码得到的视频帧的格式未必能被SDL支持，在这种情况下，需要进行图像格式转换，即将视频帧图像格式转换为SDL支持的图像格式，否则是无法正常显示的。 格式，不进行图像格式转换，使用SDL_UpdateYUVTexture()将图像数据更新到&is->vid_texture 2) 如果frame图像格式对应其他被SDL支持的格式(诸如AV_PIX_FMT_RGB32 )，也不进行图像格式转换，使用SDL_UpdateTexture()将图像数据更新到&is->vid_texture 3) 如果frame图像格式不被SDL支持(即对应SDL_PIXELFORMAT_UNKNOWN )，则需要进行图像格式转换 1) 2)两种类型不进行图像格式转换。 2) sws_scale()进行图像格式转换，转换后的数据写入pixels指定的区域。pixels包含4个指针，指向一组图像plane。
1.5K20发布于 2019-04-02 - 来自专栏贾志刚-OpenCV学堂
简单粗暴，5行代码，快速实现图像分割
点击上方↑↑↑“OpenCV学堂”关注我来源：公众号 量子位 授权 图像分割，作为计算机视觉的基础，是图像理解的重要组成部分，也是图像处理的难点之一。 那么，如何优雅且体面的图像分割？ 5行代码、分分钟实现的库——PixelLib，了解一下。 当然，如此好用的项目，开源是必须的。 为什么要用到图像分割？ 虽然计算机视觉研究工作者，会经常接触图像分割的问题，但是我们还是需要对其做下“赘述”(方便初学者)。 我们都知道每个图像都是有一组像素值组成。简单来说，图像分割就是在像素级上，对图像进行分类的任务。 医疗图像分割，可以帮助医生进行诊断测试。 卫星图像分析，等等。 所以，图像分割技术的应用还是非常重要的。 接下来，我们就直奔主题，开始了解一下PixelLib，这个神奇又好用的库。 快速安装PixelLib PixelLib这个库可以非常简单的实现图像分割——5行代码就可以实现语义分割和实例分割。 老规矩，先介绍一下安装环境。
1.2K20编辑于 2022-08-29
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