- 综合排序
- 最热优先
- 最新优先
- 来自专栏ZackSock
【计算机视觉处理5】阈值处理
【计算机视觉处理5】阈值处理 1、阈值处理 阈值处理就是设定某个阈值，然后对大于阈值的像素或者小于阈值的像素统一处理的过程。比如下面这个简单的图像： ?
1.5K30发布于 2021-05-18 - 来自专栏信数据得永生
Python OpenCV 计算机视觉：1~5
我们之所以选择这种方法，是因为计算机视觉是外向的，它考虑了计算机外部的真实世界，并且我们希望通过通用接口将所有后续的算法工作应用于真实世界。 ---- 注意 可以从我的网站下载本章的所有完成代码。 您现在具备使用 OpenCV 在 Python 中开发计算机视觉应用的技能。 尽管如此，总会有更多的东西要学习和做！ 如果您喜欢使用 NumPy 和 OpenCV，请从 Packt Publishing 查看以下其他标题： 《NumPy Cookbook》，伊万·伊德里斯 《OpenCV 2 计算机视觉应用设计手册》， RobertLaganière，该手册在台式机上使用 OpenCV 的 C++ API 《通过实用的计算机视觉项目掌握 OpenCV》，由多位作者撰写，其将 OpenCV 的 C++ API 用于多个平台 希望您能够将本书及其代码库用作奖励计算机视觉工作的起点。 让我知道您接下来要学习或发展的内容！
3.5K20编辑于 2023-04-27 - 来自专栏一点人工一点智能
小白系列（5）| 计算机视觉：3D立体视觉
04 计算机系统如何实现立体视觉 我们需要估计每个点的深度，从而从二维图像中生成三维图像。 这是在3D计算机图形和计算机视觉中表示场景深度的常见方式。我们可以在上述图像的左下角看到深度图的一个示例。 05 立体视觉的几何基础 对极几何是立体视觉的几何学基础。 06 计算机立体视觉的数学实现的关键概念 三角测量和视差图是计算机立体视觉所需的工具。在像素级别上，我们使用三角测量从一对立体图像的左右像素点中确定一个3D空间中的点。 6.1 计算机视觉中的三角测量 计算机视觉中的三角测量是从其在两个或多个图像上的投影中确定一个3D空间中的点的过程。相机矩阵表示相机从3D场景到2D图像空间的投影函数的参数。 07 结论 在本文中，我们了解了当代计算机如何实现立体视觉。我们从立体图像对中得到视差图。然后，我们计算视差图中每对匹配像素之间的距离。知道两个相机的精确位置可以计算深度图。
1.1K30编辑于 2023-09-08 - 来自专栏一点人工一点智能
小白系列（5）| 计算机视觉：3D立体视觉
04 计算机系统如何实现立体视觉 我们需要估计每个点的深度，从而从二维图像中生成三维图像。 这是在3D计算机图形和计算机视觉中表示场景深度的常见方式。我们可以在上述图像的左下角看到深度图的一个示例。 05 立体视觉的几何基础 对极几何是立体视觉的几何学基础。 06 计算机立体视觉的数学实现的关键概念 三角测量和视差图是计算机立体视觉所需的工具。在像素级别上，我们使用三角测量从一对立体图像的左右像素点中确定一个3D空间中的点。 6.1 计算机视觉中的三角测量 R_{s1}计算机视觉中的三角测量是从其在两个或多个图像上的投影中确定一个3D空间中的点的过程。相机矩阵表示相机从3D场景到2D图像空间的投影函数的参数。 07 结论 在本文中，我们了解了当代计算机如何实现立体视觉。我们从立体图像对中得到视差图。然后，我们计算视差图中每对匹配像素之间的距离。知道两个相机的精确位置可以计算深度图。
1.8K50编辑于 2023-09-04 - 来自专栏信数据得永生
树莓派计算机视觉编程：1~5
一、计算机视觉和 Raspberry Pi 简介 OpenCV 是用于计算机视觉的简单而强大的编程框架。 计算机视觉领域的新手和专家都喜欢它。 了解计算机视觉 计算机视觉领域是不同领域的结合，包括（但不限于）计算机科学，数学和电气工程。 它包括捕获，处理和分析来自现实世界的图像和视频以帮助决策的方法。 计算机视觉意味着模仿生物（即人类和非人类）视觉。 大多数计算机视觉系统的最终目标是从静止图像和视频（包括预先录制的视频和实时提要）中提取有用的信息，以用于决策。 生物视觉系统的工作方式与此类似。 OpenCV OpenCV（也称为开源计算机视觉）是用于计算机视觉和机器学习的开源库。 它具有用于图像处理和计算机视觉的许多功能。 它是一个跨平台的库，可与许多编程语言和 OS 一起使用。 二、为计算机视觉准备 Raspberry Pi 在上一章中，我们学习了单板计算机，计算机视觉和 OpenCV 的基础知识。
10.6K20编辑于 2023-04-27 - 来自专栏信数据得永生
OpenCV3 和 Qt5 计算机视觉：1~5
因此，要了解计算机视觉的真正含义，最好知道计算机视觉旨在开发方法以实现所提到的理想，使数字设备具有查看和理解周围环境的能力。 没有适当的工具来查看和播放图像，涉及计算机视觉的应用将一无所获。 本主题和所有相关主题将在第 5 章，“图形视图框架”中介绍。 现在，我们将通过学习负责处理计算机视觉数据类型的类和结构，来进一步扩展有关计算机视觉应用基础的知识库。 为了进一步简化，让我们看一下计算机视觉中的图像。 计算机视觉中的图像是像素矩阵（因此为二维数组），具有指定的宽度（矩阵中的列数）和高度（矩阵中的行数）。 第 5 章，“图形视图框架”将是进入计算机视觉和图像处理领域的最后一章，因为我们全面的计算机视觉应用将通过最重要的功能之一完成，那就是图像查看器和操纵器，我们将继续学习新的计算机视觉技巧，每次都向其添加新的插件
8K20编辑于 2023-04-27 - 来自专栏信数据得永生
面向计算机视觉的深度学习：1~5
一、入门 计算机视觉是理解或操纵图像和视频的科学。 计算机视觉具有许多应用，包括自动驾驶，工业检查和增强现实。 深度学习在计算机视觉中的使用可以分为多个类别：图像和视频中的分类，检测，分割和生成。 在本章中，我们将介绍以下主题： 深度学习的基础知识和词汇 深度学习如何满足计算机视觉？ 在下一节中，我们将了解如何在计算机视觉的背景下使用深度学习。 用于计算机视觉的深度学习 计算机视觉在计算机上实现了人类视觉的特性。 这是将自然语言处理（NLP）和计算机视觉技术相结合的独特情况。 生成模型 生成模型在生成图像时非常有趣。 H5py包是 HDF5 二进制数据格式的 Pythonic 接口。 这是存储使用 Keras 训练的模型的格式。 开放式计算机视觉 - OpenCV OpenCV是著名的计算机视觉库。
1.7K30编辑于 2023-04-23 - 来自专栏深度学习
【计算机视觉】一、计算机视觉概述
一、计算机视觉 模仿人类视觉系统 如何使计算机从数字图像或视频中获得高层次的理解 计算机视觉是人工智能的重要组成部分，是赋予机器自然视觉能力的学科，相当于是人工智能的大门。 人工智能为计算机视觉提供了大量智能算法,如机器学习、深度学习等,使计算机能够自主学习、推理和决策。视觉是人工智能感知世界的重要能力。 5、神经生理学与认知科学 将人类视觉作为主要的研究对象。 计算机视觉中已有的许多方法与人类视觉极为相似。许多计算机视觉研究者对研究人类视觉计算模型比研究计算机视觉系统更感兴趣，希望计算机视觉更加自然化，更加接近生物视觉。 人类视觉系统设计给了计算机视觉极大的启发,很多生物视觉计算模型都被成功应用于视觉算法中,如卷积神经网络等。 5. 电影特效 在特效合成、动作捕捉、虚拟场景构建等方面,计算机视觉扮演着重要角色。 6. 体感游戏动作捕捉 通过计算机视觉识别人体动作,实现自然的人机交互,提升游戏体验。 7.
2.1K10编辑于 2024-07-30 - 来自专栏信数据得永生
Qt5 和 OpenCV4 计算机视觉项目：1~5
一、构建图像查看器 计算机视觉是使计算机能够对数字图像和视频有较高了解的技术，而不仅仅是将它们视为字节或像素。 它广泛用于场景重建，事件检测，视频跟踪，对象识别，3D 姿态估计，运动估计和图像恢复。 OpenCV（开源计算机视觉）是一个实现几乎所有计算机视觉方法和算法的库。 在许多受益于计算机视觉技术的行业中，这两个功能强大的库被许多开发人员一起使用，以创建具有可靠 GUI 的专业软件。 在本书中，我们将演示如何使用 Qt 5 和 OpenCV 4 构建这些类型的功能应用，它们具有友好的图形用户界面以及与计算机视觉技术相关的多种功能。 OpenCV 是一组库，工具和模块，包含构建计算机视觉应用所需的类和函数。 可以在其官方网站的发布页面上找到其发布文件。
7.9K10编辑于 2023-04-27 - 来自专栏信数据得永生
Python OpenCV3 计算机视觉秘籍：1~5
我们要检查的操作（调整大小和翻转）是基本操作，通常用作复杂的计算机视觉算法的预备步骤。 准备 您需要安装带有 Python API 支持的 OpenCV3.x。 a59f-2a54c345c6c7.png)] 将直线和圆形拟合为二维点集 许多计算机视觉算法都处理点。 48c2-b3ba-bf639db9760d.png)] 使用 Canny 算法查找边缘 边缘是一种有用的图像特征，可以在许多计算机视觉应用中使用。 但是它要花费计算时间，Dual TV L1 算法要慢得多。 检测棋盘和圆形网格图案 在本秘籍中，您将学习如何检测棋盘和圆形网格图案。 这些模式在计算机视觉中非常有用，并且通常用于估计相机参数。 该模型支持 20 个类别，可用于需要在场景中查找对象的许多计算机视觉应用中，例如车辆碰撞警告。 要了解更多信息，请访问这里。
2.6K10编辑于 2023-04-27 - 来自专栏目标检测和深度学习
全球最全计算机视觉资料（5：图像和视频标注）
目标检测和深度学习 Image Captioning m-RNN模型《 Explain Images with Multimodal Recurrent Neural Networks》 2014 [https://arxiv.org/pdf/1410.1090.pdf] NIC模型 《Show and Tell: A Neural Image Caption Generator》2014 MS Captivator From captions to visual concepts and back 2
74910发布于 2018-07-20 - 来自专栏编程
计算机视觉
一.计算机视觉 计算机视觉是人工智能 (AI) 的一个领域，是指让计算机和系统能够从图像、视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。 如果说人工智能赋予计算机思考的力，那么计算机视觉就是赋予发现、观察和理解的能力。计算机视觉的工作原理与人类视觉类似，只不过人类起步更早。 多样性与适应性：深度学习在多个领域都有应用，包括视觉识别、语音识别、自然语言处理、游戏、医学影像分析等 五.计算机视觉领域 六.计算机视觉应用 1.工业中的计算机视觉 在工业中，图像识别被应用于人工智能视觉检测 3.农业中的计算机视觉 计算机视觉在农业中的应用同样正经历着快速发展，旨在提高农业生产的效率和可持续性。 七.计算机视觉前景 计算机视觉的前景非常广阔，它被认为是人工智能和机器学习领域最具潜力的技术之一。
82210编辑于 2024-05-11 - 来自专栏AI科技大本营的专栏
5分钟速通 AI 计算机视觉发展应用
作者 | 李秋键 出品 | AI科技大本营（ID:rgznai100） 计算机视觉是进步最大、发展最快的领域之一。 根据 Global VIEW 的研究，全球计算机视觉市场规模在 2020 的价值为 113 亿 2000 万美元，预计从2021 到 2028 的复合年增长率为 7.3% 。 人工智能计算机视觉的使用案例几乎不计其数，其中最受欢迎的是无人机以及自动和半自动车辆。今天小编带大家几分钟速通 AI 计算机视觉发展应用。 （5）纺织品及服装： 纤维及织物组织识别 纺织阶段，图像识别技术可用于识别区分各类纤维及其织物，还可用于原棉加工前识别非棉杂质。 传统图像分割方法 基于阈值的分割方法 基于边缘的分割方法 基于区域的分割方法 基于聚类分析的图像分割方法 基于小波变换的分割方法 基于数学形态学的分割方法 基于人工神经网络的分割方法 以上就是给大家整理的AI计算机视觉发展的应用
66730编辑于 2022-04-05 - 来自专栏信数据得永生
OpenCV3 和 Qt5 计算机视觉：6~10
这可能是计算机视觉算法中的第一步（也是最重要的步骤之一），通常被称为图像处理（目前，让我们忘记一个事实，有时计算机视觉和图像处理可互换使用；这是历史专家的讨论。 您在本章中学到的大多数技能几乎都以一种或另一种方式用于每种计算机视觉应用中。 从图像过滤（这是计算机视觉过程中最初始的步骤之一）开始，直到图像转换方法和色彩空间转换，每个计算机视觉应用都必须有权使用这些方法，才能执行特定任务，或以某种方式优化其性能。 这是一个非常简单和完整的描述，但让我们也描述它在计算机视觉方面的含义。 在计算机视觉中，直方图是图像中像素值分布的图形表示。 十、调试与测试 自从使用 OpenCV 3 和 Qt5 框架进行计算机视觉之旅以来，我们已经走了很长一段路。
3.5K20编辑于 2023-04-27 - 来自专栏智能算法
机器视觉与计算机视觉的区别？
计算机视觉与机器视觉，首先是应用场景不一样，就像@Vinjn张静 回答的那样：你把摄像头对着人就是CV，对着车间就是MV。 计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧重点不同而已，一个侧重人工智能分支，一个侧重工业应用！ 既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。 计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。 关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。 以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业； 而机器视觉顾名思义，业务主要跟机器相关
3.6K111发布于 2018-04-03 - 来自专栏信数据得永生
OpenCV3 和 Qt5 计算机视觉：11~12
有了这最后一组技能，我们现在已经熟悉了开发人员（尤其是计算机视觉开发人员）必须知道的开发周期的大多数现有阶段。 在本书的最后一章中，我们将向您介绍 Qt Quick 和 QML。 本书的最后一章旨在帮助您结合使用 OpenCV 和极其易于使用且美观的 Qt Quick Controls，开始开发用于移动设备（Android 和 iOS）的计算机视觉应用。 在最后一章中，我们还将学习如何使用与 Qt 和 OpenCV 相同的桌面项目来创建移动计算机视觉应用，并将我们的跨平台范围扩展到桌面平台之外，并扩展到移动世界。 完整，美观的跨平台计算机视觉应用。 首先，让我们看一下项目（*.pro）文件中的区别。 通过使用 Qt 和 OpenCV 框架，尤其是 QML 的功能，可以快速轻松地构建应用，您可以立即开始实现所有计算机视觉创意。
8.7K20编辑于 2023-04-27 - 来自专栏快乐学AI系列
快乐学AI系列——计算机视觉（5）图像分类和识别
random_state=42)# 初始化KNN分类器并进行训练knn = KNeighborsClassifier(n_neighbors=3)knn.fit(X_train, y_train)# 对测试集进行预测并计算准确率 test_size=0.2, random_state=42)# 初始化SVM分类器并进行训练svm = LinearSVC()svm.fit(X_train, y_train)# 对测试集进行预测并计算准确率 图像检索和相似度匹配在图像检索和相似度匹配中，我们需要计算两张图片之间的相似度。其中一种方法是使用特征匹配，即找到两张图片中相似的特征点并将它们匹配起来。 img2, None)# 初始化FLANN匹配器FLANN_INDEX_KDTREE = 0index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
1.3K20编辑于 2023-04-06 - 来自专栏信息安全
计算机视觉入门
随着科技的飞速发展，计算机视觉技术逐渐渗透到我们生活的方方面面。无论是手机拍照的自动美颜功能，还是无人驾驶汽车的障碍物识别，都离不开计算机视觉的支持。那么，什么是计算机视觉？它又有哪些应用呢？ 接下来，让我们一起走进计算机视觉的世界。 计算机视觉是一门研究如何使计算机从图像或视频中获取信息并理解其内容的学科。简单来说，就是让计算机像人一样“看”世界，并从中提取有用的信息。 在计算机视觉的应用中，人脸识别无疑是最为人们所熟知的。无论是手机解锁，还是车站安检，人脸识别技术都发挥着重要作用。此外，计算机视觉还在医疗影像分析、安防监控、自动驾驶等领域发挥着巨大作用。 比如，在医疗领域，医生可以通过计算机视觉技术快速准确地识别出病变区域；在安防领域，智能监控系统可以实时监测并识别出异常行为。 当然，计算机视觉技术的发展也离不开深度学习的支持。 对于初学者来说，学习计算机视觉可能会有些困难，但只要掌握了基础知识，并多加实践，就一定能够掌握这门技术。同时，随着技术的不断进步，相信计算机视觉将会在未来的更多领域发挥更大的作用。
50310编辑于 2024-10-09 - 来自专栏计算机工具
计算机视觉-LeNet
包含5×5的6通道卷积和2×2的池化。 然后使用Softmax激活函数即可计算出每个类别的预测概率。 【提示】： 卷积层的输出特征图如何当作全连接层的输入使用呢？ 下面的程序使用随机数作为输入，查看经过LeNet-5的每一层作用之后，输出数据的形状。 [Bx16x4x4]的特征图；经过第三层卷积(out_channels=120, kernel_size=4)之后，得到形状为[Bx120x1x1]的特征图，在FC层计算之前，将输入特征从卷积得到的四维特征 logits = model(img) pred = F.softmax(logits) # 计算损失函数
71510编辑于 2024-12-14 - 来自专栏腾讯大讲堂的专栏
深度学习重构视觉计算
来自TEG的AI Lab 计算机视觉中心的总监、专家工程师刘威，就深度学习重构视觉计算，给大家进行了分享。 近年来，计算机视觉已经成为人工智能的研究热点。 而计算机视觉的研究也不断从图像AI转到多媒体（视频）AI上。视频AI不仅需要建模图像的空间域信息，还需要建模视频帧之间的时间域信息。 我们在计算机视觉顶级会议CVPR上发表5篇论文，在机器学习的顶级会议ICML上发表2篇论文，在信息检索顶级会议SIGIR上发表2篇论文，还有PAMI、TKDE、TIP分别发表了1、1、2篇。 今天的主题是“计算机视觉被深度学习重构”。为什么有重构？重构肯定有摧毁，这也是我的一个疑问，在深度学习时代，深度学习是否已经摧毁了计算机视觉？ 至少深度学习很大程度上重构了计算机视觉或者视觉计算。为什么讲重构？因为迄今为止，我们不能完全丢开传统的计算机视觉的算法、模型。一旦使用到了滤波器，就还是在使用以前的东西，但是重要性明显大打折扣。
2K50发布于 2018-03-01
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