- 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
31310编辑于 2026-01-21《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。
29810编辑于 2026-01-21《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）。
24110编辑于 2026-01-21- 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。
1.8K10编辑于 2025-05-21 - 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。
1.5K40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'.
1.3K13编辑于 2025-02-20 - 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。
1.5K10发布于 2020-07-30 - 来自专栏往期博文
【OpenCV】Chapter8.形态学图像处理
，可以为单通道或多通道，图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64F dst：输出图像，大小和类型与 src 相同 kernel：结构元（卷积核），null ，可以为单通道或多通道，图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64F dst：输出图像，大小和类型与 src 相同 kernel：结构元（卷积核），null ，可以为单通道或多通道，图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64F dst：输出图像，大小和类型与 src 相同 op：形态学运算类型 cv.MORPH_ERODE ，可以为单通道或多通道，图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64F dst：输出图像，大小和类型与 src 相同 op：形态学运算类型 cv.MORPH_ERODE ，可以为单通道或多通道，图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64F 。
1.6K20编辑于 2022-09-27 - 来自专栏算法工程师的学习日志
8.图像视觉(1) --鱼眼摄像头标定和图像畸变矫正
前言：最近项目上研究鱼眼摄像头的画面畸变问题，对比了基于Matlab和Python Opencv的方法，分别进行了摄像头的标定和图像矫正，实际结果个人认为Opencv的效果为佳，本文分享一下基于Matlab 的鱼眼摄像头标定和图像畸变矫正。 关键字：鱼眼摄像头；摄像头标定；图像畸变矫正 ---- 1、鱼眼摄像头介绍 鱼眼摄像机可以独立实现大范围无死角监控的全景摄像机，其概念与初级成品诞生已久，但成熟商用产品直到08年才正式出现。
5.9K20编辑于 2022-07-27 - 来自专栏千行百业数据集中心
yolov8车牌识别+单目测距+图像去雨+图像去雾
YOLOv8-Plate是一种基于最新一代YOLO（YouOnlyLookOnce）算法框架，专门针对车牌识别、距离估算以及去雨功能优化的先进模型。 随着智能交通系统的快速发展，对高效准确的车辆相关信息识别需求日益增加，YOLOv8-Plate正是为了满足这一需求而开发。 车牌识别在车牌识别方面，YOLOv8-Plate继承了YOLO系列算法的优点——快速且准确。它能够实时处理视频流中的每一帧图像，精确地定位并识别车牌上的字符。 YOLOv8-Plate利用其强大的目标检测能力，首先确定视频帧中车辆的位置，然后根据连续帧之间的位移变化计算出车辆的速度。 YOLOv8-Plate集成了去雨算法，能够有效去除视频图像中的雨水干扰。该算法通过分析图像中的频率成分，区分雨水和其他物体，进而恢复清晰的背景图像。
11700编辑于 2026-05-31 - 来自专栏终身学习者
8个有用的 CSS 技巧:视差图像，sticky footer 等等
zoom-on-hover 效果是将注意力吸引到可点击图像上的好方法。当用户将鼠标悬停在上面时，图像会稍微放大，但其尺寸保持不变。 为了达到这个效果，需要用 div 标签包裹 img 标签。 当一个页面的正常图像随着用户滚动而移动时，视差图像看起来是固定的——只有通过它可见的窗口才会移动。 仅 CSS 示例 ? 裁剪图像动画 ? 与粘性页脚一样，在 CSS3 之前裁剪图像也非常棘手。 以前，总是可以在照片编辑器中裁剪图像，但是在浏览器中裁剪图像的一个很大的优势是可以将图像大小调整为动画的一部分。 background-repeat: no-repeat; background-size: cover; min-height: 100vh; overflow: hidden; } 查看演示 8.
1.6K00发布于 2019-04-18 - 来自专栏石开之旅
图像处理笔记（8）---- OpenCV 获取追踪对象的HSV值
分享一种获取追踪对象HSV值得办法： import cv2 as cv import numpy as np green = np.uint8([[[0,255,0]]]) hsv_green = cv.cvtColor
1.8K00发布于 2020-09-21 使用onnxruntime部署yolov8-cls图像分类onnx模型
如果只需要opencv去部署yolov8分类模型可以参考博文：https://blog.csdn.net/FL1623863129/article/details/142734780 本文和 opencv 部署YOLOv8-cls图像分类ONNX模型是一种高效的方法，能够充分利用硬件资源，实现低延迟、高效率的推理。 YOLOv8-cls是YOLO系列的最新版本之一，特别针对图像分类任务进行了优化。它继承了YOLO系列模型快速检测速度和较高准确率的特点，并通过改进网络架构和优化损失函数等策略，进一步提升了性能。 推理过程中，需要将输入图像进行预处理，然后输入到模型中，最后获取并处理模型的输出。 这种方法具有高度的灵活性和可扩展性，可以适应不同的应用场景和硬件环境。 总之，C++使用ONNX Runtime部署YOLOv8-cls图像分类ONNX模型是一种高效、灵活且可扩展的方法，适用于各种计算机视觉任务。
91010编辑于 2025-07-22- 来自专栏DotNet NB && CloudNative
.NET 8 高性能跨平台图像处理库 ImageSharp详解
随着 .NET 8 的发布，ImageSharp 成为了更好的选择。 ImageSharp 是一个完全开源、高性能且跨平台的图像处理库，专为 .NET 设计。 支持的图像格式 包括 JPEG、BMP、GIF、PNG、TIFF、WebP 和 QOI 等多种格式。 像素与元数据处理 支持超过 25 种像素格式。 图像处理功能 提供超过 40 种常见图像处理操作，如裁剪、旋转、模糊、锐化等。 支持色彩空间转换（RGB、CMYK、灰度、CIELab）。 性能优异且内存友好，能够处理数百万像素的大图。 ，提供丰富的功能来满足各种图像处理需求。 本文仅展示了部分功能，开发者可以根据实际需求深入探索，轻松实现复杂的图像处理任务。 通过 ImageSharp，您可以在项目中轻松实现跨平台的图像处理，从而提升开发效率与项目质量！
1.5K00编辑于 2025-01-22 - 来自专栏Mac软件
ACDSee Photo Studio 8 for Mac(老牌数字图像处理软件)
利用即时，无需导入的图像访问的灵活性和控制，专业的处理增强功能以及足够的组织工具，以适应最特殊的工作流程。 RAW参数功率使用ACDSee Photo Studio强大的RAW处理引擎，将粗糙传感器数据中的RAW图像转换为引人注目的数字艺术。 使用可自定义的颜色标签和可视标签识别单个图像以进行进一步处理。拉直它暗淡，模糊，弯曲的图像与ACDSee Photo Studio无法匹敌。 选择RGB颜色通道以调整图像的整个范围，或选择特定颜色。凭借我们的专利Light EQ™技术，您可以从阴影中拯救细节并恢复图像的自然亮度和对比度。 此工具直观地减轻阴影并使特定区域中的高光变暗，而不会影响整个图像。
1.3K10编辑于 2022-08-15 使用纯opencv部署yolov8-cls图像分类onnx模型
【算法介绍】 使用纯OpenCV部署YOLOv8-cls图像分类ONNX模型涉及几个关键步骤。 加载模型后，你可以对输入图像进行预处理，如调整图像大小和归一化，然后使用模型进行推理。推理的结果是一个包含分类信息的数组，你需要根据这些信息来确定图像的分类结果。 最后，你可以将分类结果以文本或图形的形式展示在图像上，或者使用其他方式进行处理。 使用纯OpenCV部署YOLOv8-cls图像分类ONNX模型的优势在于，OpenCV是一个广泛使用的计算机视觉库，它提供了丰富的图像处理和分析功能，同时支持跨平台和设备部署。 这使得YOLOv8-cls模型能够在不同的环境中实现高效和准确的图像分类。
57300编辑于 2025-07-22winform部署yolov8图像分类的openvino格式的模型
namespace FIRC { public partial class Form1 : Form { Mat src = new Mat(); Yolov8ClsManager detector = new Yolov8ClsManager(); public Form1() { InitializeComponent( , EventArgs e) { detector.LoadWeights(Application.StartupPath+ "\\weights\\yolov8n-cls.xml
30410编辑于 2025-07-17- 来自专栏全栈程序员必看
unit8或double灰度图像的伪彩色显示
简单将unit8或double类型灰度图以设定的伪彩色图像显示： figure,imshow(gray,’Colormap’,jet(255))； 将灰度图像直接转化为RGB图形： rgb = ind2rgb(gray2ind(im,255),jet(255)); 如果是unit8数据而不是double类型数据可采用如下伪彩色转换： rgb = label2rgb(gray2ind(im
1.1K30编辑于 2022-09-28 - 来自专栏全栈程序员必看
ENVI5.3.1使用Landsat 8影像进行图像融合「建议收藏」
数据介绍及数据其他操作详见此博客 ENVI5.3.1使用Landsat 8影像进行预处理及分析实例操作 单一传感器获取的图像信息量有限，往往难以满足应用需要。 通过图像融合可以从不同的遥感图像中获得更多有用的信息，补充单一传感器的不足。图像融合是指将多源遥感图像按照一定的算法，在规定的地理坐标系，生成新的图像的过程。 全色图像一般具有较高的空间分辨率，多光谱图像光谱信息较丰富，为提高多光谱图像的空间分辨率，可以将全色图像融合进多光谱图像，从而既提高多光谱图像的空间分辨率，又保留了其多光谱特性。 《遥感原理与应用》（第三版）孙家抦 1.数据获取与处理软件 数据采用Landsat8 OLI于2020年3月19日获取的郑州地区卫星图像，文件命名为LC08_L1TP_124036_20200319 _20200319_01_RT，具体含义参见我的上一个博客 软件使用ENVI 5.3.1 2.打开图像 Landsat8 的多光谱波段空间分辨率为30m，全色波段空间分辨率为15m，因此可以把全色波段融合到多光谱波段以提高空间分辨率
9.5K20编辑于 2022-09-15 - 来自专栏OpenCV与AI深度学习
实战 | 使用YOLOv8图像分割实现路面坑洞检测（步骤 + 代码）
视觉/图像重磅干货，第一时间送达! 导 读 本文主要介绍使用YOLOv8图像分割实现路面坑洞检测（步骤 + 代码）。 背 景 如上图所示，现实生活中路面坑洞对车辆和驾驶员安全来说存在巨大隐患，本文将介绍如何使用YoloV8图像分割技术来检测路面坑洞，从而提示驾驶员注意避让，尽可能保证安全。 随机选择数据集图像 【5】下载并训练YoloV8分割模型。 model = YOLO('yolov8n-seg.pt') 加载预训练权重：'yolov8n-seg.pt'传递给 YOLO 构造函数指定 YOLOv8n 模型预训练权重的文件路径。 【8】加载视频做推理。
2.8K20编辑于 2024-03-02
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