- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】高斯滤波
高斯噪声是一种常见的噪声，图像采集的众多过程中都容易引入高斯噪声，因此针对高斯噪声的高斯滤波也广泛应用于图像去噪领域。 高斯滤波器考虑了像素离滤波器中心距离的影响，以滤波器中心位置为高斯分布的均值，根据高斯分布公式和每个像素离中心位置的距离计算出滤波器内每个位置的数值，从而形成一个形如图5-15所示的高斯滤波器。 图5-15 高斯滤波器空间构型 OpenCV 4提供了对图像进行高斯滤波操作的GaussianBlur()函数，该函数的函数原型在代码清单5-13中给出。 高斯滤波器的尺寸和标准偏差存在着一定的互相转换关系，OpenCV 4提供了输入滤波器单一方向尺寸和标准偏差生成单一方向高斯滤波器的getGaussianKernel()函数，在函数的定义中给出了滤波器尺寸和标准偏差存在的关系 ，这个关系不是数学中存在的关系，而是OpenCV 4为了方便而自己设定的关系。
2K10发布于 2019-12-30 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像中添加高斯噪声
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 OpenCV 4中同样没有专门为图像添加高斯噪声的函数，对照在图像中添加椒盐噪声的过程，我们可以根据需求利用能够产生随机数的函数来完成在图像中添加高斯噪声的任务。 在OpenCV 4中提供了fill()函数可以产生均匀分布或者高斯分布（正态分布）的随机数，我们可以利用该函数产生符合高斯分布的随机数，之后在图像中加入这些随机数即可，我们首先了解该函数的使用方式，该函数的函数原型在代码清单 该函数用于生成指定分布形式的随机数填充矩阵，可以生成符合均匀分布的随机数和符合高斯分布随机数。函数的第一个参数输入用于存储生成随机数的矩阵，但是矩阵的通道数必须小于等于4。 Step2：通过调用fill()函数在Mat类变量中产生符合高斯分布的随机数。 Step3：将原图像和含有高斯分布的随机数矩阵相加。 Step4：得到添加高斯噪声之后的图像。
4.3K40发布于 2019-12-24 - 来自专栏图像处理与模式识别研究所
高斯滤波
import cv2 o=cv2.imread("C:/Users/xpp/Desktop/Lena.png")#原始图像 r=cv2.GaussianBlur(o,(5,5),0,0)#高斯滤波 cv2 .imshow("original",o) cv2.imshow("result",r) cv2.waitKey() cv2.destroyAllWindows() 算法：高斯滤波将中心的权重值增加 dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType) dst表示返回值，表示进行高斯滤波后得到的结果 src表示输入图像，图像深度是CV
75620编辑于 2022-05-28 - 来自专栏DeepHub IMBA
高斯函数、高斯积分和正态分布
正态分布是高斯概率分布。高斯概率分布是反映中心极限定理原理的函数，该定理指出当随机样本足够大时，总体样本将趋向于期望值并且远离期望值的值将不太频繁地出现。高斯积分是高斯函数在整条实数线上的定积分。 这三个主题，高斯函数、高斯积分和高斯概率分布是这样交织在一起的，所以我认为最好尝试一次性解决这三个主题（但是我错了，这是本篇文章的不同主题）。 本篇文章我们首先将研究高斯函数的一般定义是什么，然后将看一下高斯积分，其结果对于确定正态分布的归一化常数是非常必要的。最后我们将使用收集的信息理解，推导出正态分布方程。 两个高斯函数的图。第一个高斯(绿色)的λ=1和a=1。第二个(橙色)λ=2和a=1.5。两个函数都不是标准化的。也就是说，曲线下的面积不等于1。 概率密度函数的推导 我们将从广义高斯函数f(x)=λ exp(−ax^2)开始，正态分布下的面积必须等于1所以我们首先设置广义高斯函数的值，对整个实数线积分等于1 这里将 -a- 替换为 a^2 稍微修改了高斯分布
2.2K10编辑于 2022-03-12 - 来自专栏数据科学CLUB
高斯过程
高斯过程GaussianProcess ? 高斯过程的理论知识 非参数方法的基本思想 image.png image.png 高斯过程的基本概念 image.png image.png 高斯过程的Python实现 使用Numpy手动实现 定义核函数 基于无噪声训练数据进行预测 为了计算充分统计量，即后验预测分布的均值和协方差矩阵，我们用下面代码实现公式（4）和（5） # 倒入计算逆矩阵的函数inv() from numpy.linalg import 小结 从前面我们可以看出，与常见的机器学习模型不同，用高斯过程做预测的方法是直接生成一个后验预测分布（依然是高斯分布）。 从统计学的角度上来看，利用高斯过程模型做预测具有很高的价值。
2.2K20发布于 2020-07-01 - 来自专栏游戏杂谈
UE4自定义shader实现高斯模糊效果
这是网上教程的链接：https://www.raywenderlich.com/57-unreal-engine-4-custom-shaders-tutorial 教程使用的是后处理技术（Post Process （4）为工程定义一个自定义的主模块（ProjectName.h） // Fill out your copyright notice in the Description page of Project SceneTextureLookup(GetDefaultSceneTextureUV(Parameters, 2), 2, false); struct FunctionStruct { //计算一维高斯模糊 += weight; } } //返回加权平均值 return PixelSum / WeightSum; 上面的代码注释，参考：http://opda.tech/2021/01/03/UE4高斯模糊后处理 Demo download - UE4 – Loading shaders from within the project folder
3.6K30发布于 2021-08-05 - 来自专栏全栈程序员必看
混合高斯背景建模原理_高斯图模型
混合高斯模型中第i个高斯分布的权系数的估计值， 和 分别表示时刻t混合高斯模型中第i个高斯分布的均值向量和协方差矩阵(此处假定像素的红、绿、蓝分量相互独立);η表示高斯分布概率密度函数。 参数更新 在时刻t对图像帧的每个像素Xt与它对应的高斯模型进行匹配， 匹配规则为： 如果像素值Xt 与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2.5倍, 则定义该高斯分布Gi 与像素值Xt 如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值Xt 匹配, 那么混合高斯模型的参数更新规则为: 1)对于不匹配的高斯分布, 它们的均值μ和协方差矩阵 保持不变; 2)匹配的高斯分布Gi 的均值 bg_model->g_point[n]; const CvGaussBGStatModelParams bg_model_params = bg_model->params; double pixel[4] icvUpdateFullWindow //函数功能：更新每个高斯分布的权值(对匹配的高斯函数k加大权值，其余的则减小权值)，如果前面的结果中存在匹配的高斯分布函数k,则需要再对第k个高斯分布函数的均值
95210编辑于 2022-11-16 - 来自专栏数据结构笔记
高斯滤波
高斯滤波和均值滤波的原理一样，在均值滤波中所有的像素点的权重都一样，而在高斯滤波中则是越靠近中心的像素点权重远大，权重的分配由二维高斯公式生成的矩阵决定，矩阵的阶和扫描的窗口大小一致。 关于二维高斯公式这里不再赘述，不了解的可以看看这篇文章：高斯函数的详细分析，这里就只给出一个二维高斯分布的产生函数了： //生成高斯核 double* make_kernel(int size, double
1.1K10发布于 2019-04-21 - 来自专栏SnailTyan
高斯模糊
一、高斯模糊的概念 高斯模糊，也叫高斯平滑，英文为：Gaussian Blur，是图像处理中常用的一种技术，主要用来降低图像的噪声和减少图像的细节。 高斯模糊在许多图像处理软件中也得到了广泛的应用。 二、高斯模糊的原理 1、模糊在图像中的理解 模糊在图像中的意思可理解为：中心像素的像素值为由周围像素的像素值的和的平均值。 对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。 url=yNgq8w79SYbS7OT4DQ5zhiwVg-7LyBWUm2vKnbg8KDD0FcPcb2Ok3AFNBvoiubzbrgrNUlk0tYKcRVlpykeI9q 2、阮一峰的博客 www.ruanyifeng.com/blog/2012/11/gaussian_blur.html 3、维基百科：https://en.wikipedia.org/wiki/Gaussian_blur 4、
6.1K20编辑于 2022-05-09 - 来自专栏caoqi95的记录日志
PRML读书笔记(4) - 高斯混合模型（GMM） 及 EM 算法
高斯混合模型 高斯混合模型是聚类算法的一种。在 PRML读书笔记(1) - 深度理解机器学习之概率论(Probability Theory) 这篇文章中提到的是单一的高斯分布模型。 而高斯混合模型，从名字上来说就很好理解，是多个高斯分布模型混合组成的模型，目的是为了提供更丰富的密度模型。 其公式如下所示： 其中 表示高斯模型的数量； 表示混合权重（mixture weight）， ， ； 表示第 个高斯模型的均值， 表示第 个高斯模型的协方差。 ： 这就是一开头给出的高斯混合模型的公式的推导过程。 因为对于高斯混合模型，对数似然函数 显示了比单个高斯的情况更复杂的问题，其难点在于该函数中对数内出现的 k 求和，因此对数函数不再直接作用于高斯函数。
1.7K30发布于 2019-03-28 - 来自专栏全栈程序员必看
opencv高斯金字塔_高斯求和公式
对平滑图像进行抽样（采样） 有两种采样方式——上采样（分辨率逐级升高）和下采样（分辨率逐级降低） 上采样： 下采样： 二、高斯金字塔 高斯金字塔式在Sift算子中提出来的概念，首先高斯金字塔并不是一个金字塔 高斯金字塔构建过程： 1. 先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积（其实就是高斯平滑或称高斯滤波）之后作为第1组金字塔的第2层，高斯卷积函数为： 对于参数σ，在Sift算子中取的是固定值 4. 在不同组内，后一组第一个图像是前一组倒数第三个图像的二分之一采样，图像大小是前一组的一半； 高斯金字塔图像效果如下，分别是第1组的4层和第2组的4层： 三、 尺度空间 图像的尺度空间解决的问题是如何对图像在所有尺度下描述的问题
96710编辑于 2022-11-04 - 来自专栏我爱计算机视觉
开源 4D 生成框架 | 4DGen: 基于动态 3D 高斯的可控 4D 生成
/VITA-Group/4DGen 视频 研究背景 尽管3D和视频生成取得了飞速的发展，由于缺少高质量的4D数据集，4D生成始终面临着巨大的挑战。 为了解决上述问题，4DGen定义了“Grounded 4D Generation“新型任务形式，并且设计了新的算法框架实现高质量的4D内容生成。 4DGen提出了“Grounded 4D Generation“的形式，通过利用视频序列和可选的3D模型作为4D生成的控制信息，可以实现更为精准的4D内容生成。 实施细节 4DGen的 4D表达采用了4D Gaussian Spaltting的方式，通过一个多分辨率Hexplane对每个Gaussian进行编码。 总结 4DGen定义了” Grounded 4D Generation“的任务形式，通过视频序列和可选3D模型的引入提升了4D生成的可控性。
1.2K10编辑于 2024-01-02 - 来自专栏菜鸟小栈
高斯模糊 Shader
正文 高斯模糊 在我们开始讨论代码之前，我们要先稍微了解以下几点... > 下面的讲解比较笼统，水平不够，请见谅！ 高斯模糊是什么？ 高斯模糊（Gaussian Blur），也叫高斯平滑，是一种生活中比较常见的图像处理效果。 经过高斯模糊处理的图像看起来就像是在一块毛玻璃后面，也就是俗称的“毛玻璃效果”。 高斯模糊也常用于处理噪点过高的图像，使图像看起来更平滑。 ? —▼— 实现原理是什么？ 从数学的角度来看，高斯模糊的处理过程就是图像与其正态分布做卷积。 因正态分布又称高斯分布（Gaussian distribution），所以这种技术就叫做高斯模糊。 （详细过程请看注释） // 获取模糊颜色 vec4 getBlurColor (vec2 pos) { vec4 color = vec4(0); // 初始颜色 float sum = 0.0
2.5K21发布于 2020-07-10 - 来自专栏ACM算法日常
高斯消元
高斯消元 众所周知，高斯消元是线性代数中重要的一课。通过矩阵来解线性方程组。高斯消元最大的用途就是用来解多元一次方程组。 指在消去过程中起主导作用的元素 4.初等行列变换 用一非零的数乘以某一方程 把一个方程的倍数加到另一个方程 互换两个方程的位置 题目-Acwing883 题意描述 输入一个包含 n 个方程 n 个未知数的线性方程组 将样例输入化成一个普通的增广矩阵（将系数和值整合到一起) 这样的矩阵我们很难直观的看出它的解 所以我们最终的目的就是要把矩阵化成如下形式 这样我们能非常直观的看出它的解简单来说高斯消元最后就是要搞出这玩意 第三个方程只有一个变量了，我们可以直观的看到它的值 然后再倒着往上消元 我们就得到了我们想要的矩阵 最后总结出算法步骤 1.枚举每一列，找到绝对值最大的一行 2.将该行换为第一行 3.将该行第一个数变为 1 4. std; const int N=110; const double eps=1e-8; int n; double a[N][N];//增广矩阵 /*void out() {//亲测 本人遇到最好用的高斯消元
91310发布于 2019-11-25 - 来自专栏算法+
快速高斯模糊算法
刚才发现一份快速高斯模糊的实现。 在博主机子上测试一张5000x3000的图像，模糊半径为10的情况下，耗时4s.
2K50发布于 2018-04-12 - 来自专栏全栈程序员必看
高斯分布例题_高斯定理求半球面球心电场
给定心形曲线 (x2+y2−1)3=x2y3 (x^2+y^2-1)^3=x^2y^3，给定任意一点的坐标 (X,Y) (X,Y)其中 X～N(X,σx) X～N(X,\sigma_x)， Y～N(Y,σy) Y～N(Y,\sigma_y)求点 (X,Y) (X,Y)落入心形曲线内的概率。 思路： 以 (X,Y) (X,Y)为中心，画出 3∗σ 3*\sigma半径的椭圆，求和心形曲线相交的体积。注意：心形曲线方程可化为 x2+y2−1=x2/3y x^2+y^2-1=x^{2/3}y,满足 x2+y2−1<=(x2)1/3y x^2+y^2-1<=(x^2)^{1/3}y在曲线内。利用心形曲线上下左右都有最大值且约等于正负1。可以设定一个分辨率画出图形。 上代码：
34930编辑于 2022-11-03 - 来自专栏全栈程序员必看
java实现高斯日记
题目标题: 高斯日记 大数学家高斯有个好习惯：无论如何都要记日记。 他的日记有个与众不同的地方，他从不注明年月日，而是用一个整数代替，比如：4210 后来人们知道，那个整数就是日期，它表示那一天是高斯出生后的第几天。 高斯出生于：1777年4月30日。 在高斯发现的一个重要定理的日记上标注着：5343，因此可算出那天是：1791年12月15日。 高斯获得博士学位的那天日记上标着：8113 请你算出高斯获得博士学位的年月日。 提交答案的格式是：yyyy-mm-dd, 例如：1980-03-21 请严格按照格式，通过浏览器提交答案。 Calendar cc=Calendar.getInstance();//获得系统时间 cc.set(1777, 3, 30);// 改变系统时间 设置时间 因为其中系统中月份是0-11 所以4月份其实为
41010编辑于 2022-08-12 - 来自专栏DeepHub IMBA
如何推导高斯过程回归以及深层高斯过程详解
使用不同核函数的高斯过程 高斯过程 像所有其他机器学习模型一样，高斯过程是一个简单预测的数学模型。像神经网络一样，它可以用于连续问题和离散问题，但是其基础的一些假设使它不太实用。 高斯过程回归(GPR)是一种使用一些独立数据x来预测一些输出y的方法，顾名思义，它假设误差是高斯分布的，但也假设数据是多元高斯分布的。 在探地雷达中，我们首先假设一个高斯过程是先验的，可以用均值函数m(x)和协方差函数k(x, x’)来表示: 更具体地说，高斯过程就像一个无限维的多元高斯分布，其中数据集的任何标签集合都是联合高斯分布的。 4(?3(?2(?1(?))))).g(x)=f5(f4(f3(f2(f1(x))))). 因为高斯过程指定了函数的先验;这个函数的导数(如果存在的话)也是高斯函数。这也说明边际导数分布也是高斯分布。如果是这样的话，这就意味着偶尔会有很大导数的函数很难用高斯过程来建模。
2.8K10发布于 2020-11-17 - 来自专栏向治洪
android 高斯模糊实现
高斯模糊 高斯模糊就是将指定像素变换为其与周边像素加权平均后的值，权重就是高斯分布函数计算出来的值。 一种实现 点击打开链接<-这里是一片关于高斯模糊算法的介绍，我们需要首先根据高斯分布函数计算权重值，为了提高效率我们采用一维高斯分布函数，然后处理图像的时候在横向和纵向进行两次计算得到结果。 the Renderscript ScriptIntrinsicBlur blurScript = ScriptIntrinsicBlur.create(rs, Element.U8_4( bitmap.setPixels(pix, 0, w, 0, 0, w, h); return (bitmap); } 这里的方法也可以实现高斯模糊的效果
1.8K80发布于 2018-02-01 - 来自专栏图像处理与模式识别研究所
高斯金字塔
import cv2 def gaussian_pyramid(image): level=3#高斯金字塔层数 temp=image.copy() gaussian_images WINDOW_AUTOSIZE) cv2.imshow('img',img) gaussian_pyramid(img) cv2.waitKey(0) cv2.destroyAllWindows() 算法：高斯金字塔是信号的多尺度表示法 ，亦即将同一信号或图片多次的进行高斯模糊，并且向下取样，方向向上，逐渐丢失图像的信息，藉以产生不同尺度下的多组信号或图片以进行后续的处理。 高斯金字塔： 首先使用高斯核对输入图像进行卷积处理 然后删除当前图像中所有偶数行和偶数列，得到的图像面积就会变成源图像的1/4 直到达到设定中止条件时，停止向下采样，得到一系列尺寸缩放的图像集 文献
1K30编辑于 2022-05-28
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