- 综合排序
- 最热优先
- 最新优先
- 来自专栏脑机接口
eeglab教程系列(9)-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
1.2K40发布于 2020-06-29 《数字图像处理》第 9 章 - 形态学图像处理
前言 形态学图像处理是数字图像处理中基于形状的图像处理方法，核心是利用结构元素对图像进行操作，广泛应用于图像分割、边缘检测、噪声去除、特征提取等场景。 本文结合《数字图像处理》第 9 章内容，从基础概念到实战代码，全方位讲解形态学图像处理，所有代码均可直接运行，附带效果对比图，帮你快速掌握核心知识点。 ，核心是用种子图像逐步填充掩码图像的区域，保留目标结构。 生成掩码和种子图像（支持测试图/自定义图像双模式） if use_custom_img: # 模式1：使用自定义图像 print("\n===== 使用自定义图像进行形态学重建 ，保留灰度图像的细节。
12510编辑于 2026-01-21《数字图像处理》第 9 章-形态学图像处理
本文将按照《数字图像处理》第 9 章的结构，从基础概念到实战代码，全方位讲解形态学图像处理的核心知识点，所有代码均可直接运行，配套效果对比图，让你轻松掌握这一关键技术！ 在数字图像处理中，形态学图像处理以集合论为数学基础，通过设计特定的 “结构元素（Structuring Element）”，对图像的像素集合进行操作，从而提取图像中的形状特征（如边界、连通区域、孔洞等） 9.6.1 测地膨胀和腐蚀 原理 测地膨胀：在掩膜图像的约束下，对标记图像进行膨胀，膨胀结果不能超出掩膜图像的范围； 测地腐蚀：在掩膜图像的约束下，对标记图像进行腐蚀，腐蚀结果不能小于掩膜图像的范围。 Gonzalez 等； OpenCV 官方文档：https://docs.opencv.org/4.x/d9/d61/tutorial_py_morphological_ops.html； 《图像处理中的数学方法 总结 本文从基础概念到实战代码，全面讲解了《数字图像处理》第 9 章形态学图像处理的核心内容，所有代码均可直接运行，配套效果对比图和 Mermaid 思维导图 / 流程图，帮助你直观理解形态学运算的原理和应用
25310编辑于 2026-01-21- 来自专栏脑机接口
eeglab中文教程系列(9)-绘制ERP图像
本教程为脑机学习者Rose发表于公众号：脑机接口社区(微信号：Brain_Computer),QQ交流群：903290195 [欢迎关注] 绘制ERP图像 eeglab 有一个绘制ERP image的功能 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
1.6K10发布于 2019-10-28 - 来自专栏往期博文
【OpenCV】Chapter9.边缘检测与图像分割
【计算机视觉】基础图像知识点整理【计算机视觉】数字图像处理基础知识题 此次来看OpenCV的实现方式。 OpenCV并没有直接提供相应的函数接口，因此通过自定义卷积核可以实现各种边缘检测算子。 ，8-bit 灰度图像，不适用彩色图像 edges：输出边缘图像，8-bit 单通道图像，大小与输入图像相同 threshold1：第一阈值 TL threshold2：第二阈值 TH apertureSize SplitMerge(src, dst3, hImg, wImg, 0, 0, maxMean, minVar, cell=8) # 最小分割区域 cell=8 plt.figure(figsize=(9, plt.figure(figsize=(9, 7)) plt.subplot(221), plt.axis('off'), plt.title("Origin") plt.imshow(cv2.cvtColor (gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV) plt.figure(figsize=(9, 6)) plt.subplot(131)
1.9K10编辑于 2022-09-28 - 来自专栏决策智能与机器学习
算法集锦（9）|自动驾驶|道路图像增强算法
因此，在训练自动驾驶算法时，需要一些特殊的图像增强处理。 为了更有效的训练汽车的CNN网络，本文提供了一个可模拟各种气候及环境的图像增强算法-Automold。该算法基于python的Numpy和OpenCV库开发，可以将图像转换至各种气候环境及季节。 接下来我们来看一些实际的处理效果，下图是汽车摄像头采集到的各种路况图像。 ? 雨雪天气 向路况图像添加雨雪天气环境可以帮助自动驾驶汽车训练如何在恶劣的路况下如何行驶。 Exception(err_snow_coeff) 6 else: 7 snow_coeff=random.uniform(0,1) 8 snow_coeff*=255/2 9 向图像添加碎石后，可以训练自动驾驶汽车去躲避路障。 ? 随机阴影 ?
1.6K30发布于 2020-08-04 - 来自专栏编程微刊
9个JavaScript图像处理库，收藏好留备用
1：pica 一个在浏览器中调整图像大小，而不会出现像素失真，处理速度非常快的图片处理库 此插件可帮助你减小大图像的上传文件大小，从而节省上传时间。 js库 Lena.js是一个用于图像处理的微型库。 它允许你将一些基本的图像过滤器应用于文档中的图像。 js库 这是一个简单的JS图像压缩器，它使用浏览器的本机canvas.toBlob API来处理图像压缩。 Demo：http://fabricjs.com/ Github：https://github.com/fabricjs/fabric.js star:18.7k 9：dom-to-image
3.5K20发布于 2021-05-24 - 来自专栏mac软件推荐
ACDSee Photo Studio 9 for Mac(数字图像处理软件)
ACDSee Photo Studio 9 for Mac(数字图像处理软件) 图片以下是您可能想要尝试 ACDSee Photo Studio 的一些原因：全面的照片管理：ACDSee Photo Studio 多种文件格式：ACDSee Photo Studio 支持多种图像文件格式，包括来自各个相机制造商的 RAW 文件。这意味着您可以使用来自不同来源的图像，而不必担心兼容性问题。
1.2K40编辑于 2023-04-24 - 来自专栏磐创AI技术团队的专栏
使用skimage处理图像数据的9个技巧｜视觉进阶
使用skimage在Python中读取图像 调整图像大小 上下翻转图像 旋转不同角度 水平和垂直翻转 图像裁剪 改变图像亮度 使用滤镜 什么是skimage?为什么要使用它? 与灰度图像相比,彩色图像具有更多的信息,但是彩色图像的大小更大。RGB中的像素数是灰度图像的3倍多。当我们没有足够的计算资源时,处理彩色图像是一个巨大的挑战。 因此,灰度图像经常被用来减少计算复杂度。 我们只是将图像旋转了180度并生成了新图像。也就是你只需在现有数据中的每张图像上添加一张新图像,即可将训练数据的大小增加一倍! 6.水平和垂直翻转图像 我们可以水平和垂直翻转图像。 对于大于1的伽玛,输出图像将比输入图像暗。当伽马小于1时,输出图像将比输入图像亮。 9.在skimage中使用滤镜 我们可以使用滤镜(Filters)来修改或增强图像的特征。如果你曾经在社交媒体平台上玩过图像,就会对滤镜非常熟悉。
2.9K60发布于 2019-10-15 - 来自专栏计算摄影学
9. 图像处理的应用 - 欧式视频放大的实现
第二是是按照论文的建议，需要将图像加载后转换到合适的颜色空间，在CMU原始课程作业要求中，需要将图像数据转换到YIQ颜色空间，数据类型会变为浮点型，存储空间消耗会进一步增加。 如果这个区域大小只是50x50，那么按上述计算我们仅仅消耗：50*50*3*300*4 = 9,000,000 字节，即9MB 2. 构建视频金字塔 构建视频金字塔的第一步是构建图像的金字塔，这一点我已经在第5讲，图像采样与金字塔中讲过，这里给大家回忆一下： ? 图像金字塔构建算法 ? 从图像金字塔中恢复图像 金字塔的层数可以根据实际的输入视频和实际应用需要而调整。 下面展示了放大前后放大后的视频信号，它具有明显的规律性，但又不像之前滤波后的图像那么干净的正弦（余弦）信号。 ? 2.3.4 重建视频 ?
1.8K31发布于 2020-04-17 - 来自专栏深度学习和计算机视觉
图像传感器的这9个知识点，你都懂吗？
图1：整合了光学器件和颜色过滤器的图像传感器的常用排列 图像传感器是为满足不同应用的特殊目标而设计的，它提供了不同级别的灵敏度和质量。 1 传感器材料 硅制图像传感器应用最广，当然也会使用其他材料，比如在工业和军事应用中会用镓(Ga)来覆盖比硅更长的红外波长。 不同的摄像机，其图像传感器的分辨率会有所不同。 如果元件尺寸小于可捕获的可见光波长(如长度为400纳米的蓝光)，那么为了校正图像颜色，在传感器设计中必须克服其他问题。 大多数图像传感器的处理器包含了用于光晕校正的几何处理器，这在图像的边缘表现为光照更暗。 9 几何校正 镜头可能会有几何相差或朝边缘发生扭曲，产生径向失真的图像。为了解决镜头畸变，大多数成像系统具有专用的传感器处理器，它有一个硬件加速的数字扭曲元件，类似于GPU上的纹理采样器。
1.1K10发布于 2020-07-10 - 来自专栏AI科技大本营的专栏
干货 | OpenCV看这篇就够了，9段代码详解图像变换基本操作
图像裁剪 图像的裁剪实现起来相对容易，即在图像数据的矩阵中裁剪出部分矩阵作为新的图像数据，从而实现对图像的裁剪。例如下面的代码段落实现了对图片的裁剪。 ▲图4-9 为图像添加噪声示例 在图4-9中，图4-9b是椒盐噪声处理后的图像，图4-9b是高斯噪声处理后的图像。 2. gaussian_blur_img.jpg', gaussian_blur_img) # 双边滤波 # cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace) # 9 代表邻域直径，两个参数75分别代表值域与空域标准差 bilateral_filter_img = cv2.bilateralFilter(gaussian_img, 9, 75, 75) cv2.imwrite ('bilateral_filter_img.jpg', bilateral_filter_img) 上述操作加入过噪声的原始图像如图4-9所示，这两个带有噪声的图像经过滤波处理的结果如图4-10所示。
5.6K51发布于 2019-09-25 - 来自专栏最新医学影像技术
BraTS18——多模态MR图像脑肿瘤分割挑战赛续9
二、脑肿瘤图像分析与预处理 （1）、多模态MR脑肿瘤图像分析。 分析的过程基本上跟上一篇一致，这里就不多言了，直接从数据处理开始。 （2）、准备脑肿瘤分割数据。 首先将4个模态序列的MR原始图像进行合并生成4个通道的三维图像，原始图像大小都是（240x240x155x1），合并后大小是（240x240x155x4）； 其次对Mask图像进行one-hot操作，将原始图像大小都是 进行分块——取Patch操作，生成若干个（128，128，64）大小的图像和Mask，判断并输出非零的Mask和对应的图像。 （4）、脑肿瘤分割推理过程：首先将原始flair，T1，T2，T1ce图像一起读取进来并进行z-score标准化操作，然后将四个模态图像合并成4通道三维图像（240x240x155x4），输入到网络中去 （5）、进行了结果测试，左边是金标准图像，右边是预测结果图像，如下所示。 ?
70320发布于 2020-06-29 - 来自专栏Mac软件分享
ACDSee Photo Studio 9 for Mac(数字图像处理软件) v9.1.2689激活版
ACDSee Photo Studio 9 for Mac是一款功能强大的看图工具和数字图像处理软件。 图片ACDSee Photo Studio 9 for Mac(数字图像处理软件)acdsee photo studio mac下载功能特色全摄影控制凭借RAW对超过450种相机型号的支持，可定制的批量预设 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。
89070编辑于 2022-11-25 - 来自专栏华章科技
高能干货：OpenCV看这篇就够了，9段代码详解图像变换基本操作
图像裁剪 图像的裁剪实现起来相对容易，即在图像数据的矩阵中裁剪出部分矩阵作为新的图像数据，从而实现对图像的裁剪。例如下面的代码段落实现了对图片的裁剪。 ▲图4-9 为图像添加噪声示例 在图4-9中，图4-9b是椒盐噪声处理后的图像，图4-9b是高斯噪声处理后的图像。 2. gaussian_blur_img.jpg', gaussian_blur_img) # 双边滤波 # cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace) # 9 代表邻域直径，两个参数75分别代表值域与空域标准差 bilateral_filter_img = cv2.bilateralFilter(gaussian_img, 9, 75, 75) cv2.imwrite ('bilateral_filter_img.jpg', bilateral_filter_img) 上述操作加入过噪声的原始图像如图4-9所示，这两个带有噪声的图像经过滤波处理的结果如图4-10所示。
2.1K10发布于 2019-07-09 - 来自专栏新智元
9大基准全面领先，性能暴涨10.8%！视觉价值模型VisVM成「图像描述」新宠
新智元报道 编辑：LRST 【新智元导读】视觉价值模型（VisVM）通过「推理时搜索」来提升多模态视觉语言模型的图像描述质量，减少幻觉现象。 在现代多模态视觉语言模型（VLM）的发展中，提高图像描述的准确性和细节丰富性始终是一个挑战。 尽管基于大规模数据的训练极大推动了模型性能，但在实际应用中，模型仍面临识别细微图像区域和减少「幻觉」现象的问题。 相比于直接使用只考虑当前句子与图像匹配程度的clip分数作为奖励信号进行搜索，VisVM可以进一步通过考虑后续生成的句子中的潜在幻觉来预测长期价值，使得VisVM能够避开具有更高幻觉风险的响应候选，并生成不易产生幻觉且更详细的图像描述 研究人员首先评估了使用不同解码方式生成的响应质量，作者从COCO2017数据集中采样了1000个图像，并与llava detailed description 数据集中用于图像描述的9个prompt进行了随机匹配作为测试集用于生成图像藐视
28910编辑于 2025-02-15 - 来自专栏css小迷妹
定义函数read_img()，读取文件夹“photo”中“0”到“9”的图像
定义函数read_img()，读取文件夹“photo”中“0”到“9”的图像 调用cv2.imread()函数循环获取每张图片的所有像素值，并通过 cv2.resize()统一修改为32*32大小 依次获取图像像素 、图像类标和图像路径名称：fpaths, data, label = read_img(path) 将图像的顺序随机调整，并按照2-8比例划分数据集，其中80%的数据用于训练，20%的数据用于测试 # ---------------------------------第一步 读取图像----------------------------------- def read_img(path): imgs.append(img) #图像数据 labels.append(idx) #图像类标 fpath.append(path+im) #图像路径名 #print(path+im, idx)
1.9K30发布于 2021-09-24 - 来自专栏Python和安全那些事
六.图像缩放、图像旋转、图像翻转与图像平移
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、 前一篇文章介绍Python调用OpenCV实现图像融合、图像加减法、图像逻辑运算和类型转换。这篇文章将详细讲解图像缩放、图像旋转、图像翻转、图像平移。 希望文章对您有所帮助，如果有不足之处，还请海涵~ 一.图像缩放 二.图像旋转 三.图像翻转 四.图像平移 该系列在github所有源代码： https://github.com/eastmountyxz 同样，可以获取原始图像像素再乘以缩放系数进行图像变换，代码如下所示。 ，具体内容包括： 一.图像缩放 二.图像旋转 三.图像翻转 四.图像平移 源代码下载地址，记得帮忙点star和关注喔！
6.9K10编辑于 2021-12-02 - 来自专栏全栈工程师修炼之路
全栈之前端 | 9.CSS3基础知识之图像元素样式学习
通过本章将学习如下图像相关属性，您可以改变图像、媒体的样式等。 width/height 属性: 调整图像宽高大小（前面已介绍，此处不在累述）。 属性: 设置背景图像是固定还是滚动 background-blend-mode 属性: 设置背景图像与背景色如何混合 clip-path 属性 : 以裁剪方式截取元素和图像。 0x01 图像样式属性介绍 如何处理图像溢出问题呢？ 描述: 前面我们说过 CSS 中万物皆盒。 温馨提示：背景图片在绘制时，图像以 z 方向堆叠的方式进行，并且先指定的图像会在之后指定的图像上面绘制（即顶层显示）。 data:image/gif;base64,R0lGODlhAQAcALMAAMXh96HR97XZ98Hf98Xg97DX97nb98Lf97vc98Tg973d96rU97ba97%2Fe96XS9wAAACH5BAAAAAAALAAAAAABABwAAAQVMLhVBDNItXESAURyDI2CGIxQLE4EADs
1.6K10编辑于 2023-12-18 - 来自专栏li_wait
打印9*9乘法口诀
j = 1; j <=i; j++) { printf("%d*%d=%d ", j, i, i * j); } printf("\n"); } return 0; } 打印9* 9乘法口诀表： 从图中看出第四排和第五排没有对齐，要想对齐，可以考虑 printf限定占位符的最小宽度（https://blog.csdn.net/wait___wait/article /details/135287228） 9*9乘法口诀表中最大位数是2，因此设最小宽度为2。
44810编辑于 2024-10-23
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