- 综合排序
- 最热优先
- 最新优先
- 来自专栏本立2道生
计算机视觉中的滤波
在计算机视觉中，滤波（filtering）是指 Image filtering: compute function of local neighborhood at each position. — Padding 滤波操作不可避免的一个问题是边界如何处理，当滤波器的中心压在图像边界处时，滤波器会有一部分落在图像外，但图像外并没有像素，该如何处理？ 滤波杂谈 基本假设：局部相关性（远处无关）、局部相似（edge处不满足）、噪声随机 静止图像的去噪，若能获得图像序列，可以在时域上滤波（均值、中值等）；单张图像在空域上滤波。 椒盐噪声用中值滤波。 椒盐噪声会随机地将像素置为黑或白，在实践中，会大幅改变像素值的噪声一般采用中值滤波都是有效的。 非椒盐噪声，均值为0的随机噪声（高斯噪声），可通过moving average滤波。 滤波的加速可以考虑：滤波器是否行列可分离、缓存不必要的重复计算、近似计算、SIMD等。 差分算子对噪声敏感，所以差分前通常要先平滑。
1.3K30发布于 2020-02-16 - 来自专栏李蔚蓬的专栏
计算机视觉 OpenCV Android | 图像操作之 统计排序滤波、边缘保留滤波
1.统计排序滤波 上节笔记中提到的均值模糊、高斯模糊两种图像模糊操作都属于图像的线性滤波， 本文则首先将笔记OpenCV中存在的几种基于统计排序的滤波器，即中值滤波、最大值与最小值滤波， 这几种滤波器在特定场合与应用场景下 边缘保留滤波 除了上面提到的统计排序滤波器， 还有一类滤波器也是非线性滤波， 它们的实现算法各有不同，但作用却是惊人的相似， 这类滤波通常称为图像边缘保留滤波。 OpenCV中已经实现的边缘保留滤波有高斯双边滤波、金字塔均值迁移滤波， 它们无一例外都拥有类似于人脸美化或者图像美化的效果，是很好的图像边缘保留滤波（EPF）方法。 高斯双边滤波 在开始读书笔记之前，这里先做一个总结， 概况一下高斯滤波以及高斯双边滤波，分析其区别： （高斯滤波部分内容与上一篇笔记重复） 正态分布与高斯分布？ 除了OpenCV实现的这两种常用的边缘保留滤波方法之外， 常见的边缘保留滤波方法还包括 图像各向异性滤波、局部均方差滤波、导向滤波等， 感兴趣的小伙伴可以阅读相关的资料。
1.6K20发布于 2019-03-05 - 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。 二、计算机视觉与其它学科领域的关系 计算机视觉与其他许多学科领域存在紧密联系,相互借鉴、交叉渗透,这种跨学科的交叉正是推动计算机视觉不断发展的重要动力。 图像处理是计算机视觉的基础,为后续的图像理解和分析提供前期处理。计算机视觉需要利用图像处理方法对原始图像数据进行增强、滤波、恢复等,以获取高质量图像。 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。 它包括分割、滤波变换、色彩空间操作、分析、形态学、特征检测等算法。它与Python数值和科学库NumPy和SciPy集成。 scikit-image 是图像处理算法的集合。它是免费的,没有限制。
1.9K10编辑于 2024-07-30 - 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。
63110编辑于 2024-05-11 - 来自专栏计算机工具
计算机视觉-LeNet
LeNet是最早的卷积神经网络之一。1998年，Yann LeCun第一次将LeNet卷积神经网络应用到图像分类上，在手写数字识别任务中取得了巨大成功。LeNet通过连续使用卷积和池化层的组合提取图像特征，其架构如 图1 所示，这里展示的是用于MNIST手写体数字识别任务中的LeNet-5模型：
52710编辑于 2024-12-14 - 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。
43810编辑于 2024-10-09 - 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
3.5K111发布于 2018-04-03 - 来自专栏李蔚蓬的专栏
计算机视觉 OpenCV Android | 图像操作之 自定义滤波、形态学操作（更新ing）
自定义滤波 OpenCV中除了之前说的几种常见的滤波方法外，还支持自定义卷积核，用于实现自定义滤波。 卷积核本质是用Mat对象+put()置入数据实现的； 自定义卷积核普适步骤： a.新建Mat对象； b.新建用于存储数据的数组； c.数据数组put进Mat对象； 自定义卷积核调用的滤波API ，与输入图像像素数据完成计算， 腐蚀与膨胀的常见操作对象主要是二值图像或者灰度图像， OpenCV所有的形态操作都可以扩展到彩色图像， 而腐蚀与膨胀扩展到彩色图像就是前面提到的图像最小值与最大值滤波 腐蚀操作的作用： 即同上篇笔记的最小值滤波一样， 可以去除小的图像噪声或者图像元素对象的大小丝黏连,抑制图像像素极大值； ---- 接下来是膨胀操作： ? 膨胀操作的作用： 即同上篇笔记的最大值滤波一样， 可以填充小的闭合区域以及狭窄的间断； 下面切回读书笔记。 腐蚀操作的定义如图4-8所示。
86930发布于 2019-03-05 - 来自专栏流川疯编写程序的艺术
推荐一个计算机视觉图书：python计算机视觉编程
) #axis('off') title('Plotting: "empire.jpg"') show() 这个编辑器着实不错，可以下断点，单步调试啥的，完全满足日常需要，python又降低了进行计算机视觉相关研究的门槛啊
1K20发布于 2019-01-18 - 来自专栏52ai人工智能
什么是计算机视觉？什么是机器视觉？
然而，小伙伴们知道视觉对于机器人是多么难能可贵吗？我们平时所说的计算机视觉和机器视觉又有什么区别呢？今天小编就为大家讲一讲什么是计算机视觉、什么又是机器视觉。 机器视觉则偏重于计算机视觉技术工程化，能够自动获取和分析特定图像，以控制相应的行为。 1 计算机视觉 计算机视觉是指用摄像机和电脑及其他相关设备，对生物视觉的一种模拟。 计算机视觉的最终目标是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。 如何让计算机从这些死板的数字里面读取到有意义的视觉线索，是计算机视觉应该解决的问题。 然而，计算机视觉发展多年，却依然存在着一系列难以解决的难题。 计算机视觉的研究很大程度上是针对图像的内容。如下图所示，如何让计算机判断出图片中都是猫，才是计算机视觉研究的内容。 机器视觉主要是指工业领域的视觉研究，例如自主机器人的视觉，用于检测和测量的视觉。
1.6K31发布于 2019-01-18 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
利用扩展数据集，我们开发和训练了接管时间（TOT）模型，这些模型在计算机视觉算法产生的中高级特征上依次运行，这些特征在不同的面向驾驶员的摄像机视图上运行，显示了在扩展数据集上训练的模型优于初始数据集。 Winter Conference of Computer Vision (WACV 2022) 链接：https://arxiv.org/abs/2107.12859 摘要：物体的自主装配是机器人技术和三维计算机视觉中的一项重要任务 respectively. 【3】 Computer Vision-Based Guidance Assistance Concept for Plowing Using RGB-D Camera 标题：基于计算机视觉的 on Imaging Systems and Techniques, August 24-26 2021 链接：https://arxiv.org/abs/2107.12646 摘要：提出了一种基于计算机视觉的农用车辅助导航系统的概念 像ImageNet这样的数据集彻底改变了计算机视觉应用，可以加速新型作物制图技术的发展。目前，美国农业部（USDA）每年发布耕地数据层（CDL），该数据层包含整个美利坚合众国分辨率为30m的作物标签。
2.6K40发布于 2021-07-29 - 来自专栏SIGAI学习与实践平台
计算机视觉文章盘点
cycle-consistency，降低视频标注成本 关键词：视频标注 论文解读 Receptive Field Block Net for Accurate and Fast 关键词：检测模型 计算机视觉技术 目标跟踪相关 行人检测算法综述 关键词：行人检测 行人重识别 PCB-RPP，SGGNN 关键词：行人重识别 【CVPR2018】最新 Video-based ReID 论文解读 关键词：ReID 视觉多目标跟踪算法综述 关键词：图匹配 图像分割技术介绍 关键词：图像分割 视频分割在移动端的算法进展综述 关键词：语义分割 视频语义分割介绍 关键词：语义分割 三维深度学习中的目标分类与语义分割 关键词：语义分割 基于单目视觉的三维重建算法综述
1.1K20发布于 2019-05-17 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
Information Technology, School of Computer Science, Beijing Institute of Technology, Beijing , China 摘要：图像共分割在计算机视觉领域引起了广泛的关注 然而，在生成性对抗网络（GAN）的训练中利用这些视觉解释是计算机视觉研究中一个尚未探索的领域。事实上，我们认为这类信息可以以积极的方式影响GANs训练。 Centre for Craniofacial and Regenerative Biology, King’s College London, London SE,RT, UK 摘要：近年来，深入学习计算机视觉技术在许多成像领域取得了许多成功 ，因为超过85%的外部信息是通过视觉系统获得的。 TUM-VIE包括具有挑战性的序列，其中最先进的视觉SLAM算法要么失败，要么导致大漂移。因此，我们的数据集有助于推动未来基于事件的视觉惯性感知算法的研究。
2.5K30发布于 2021-08-24 - 来自专栏机器视觉工坊
计算机视觉入门基础
1、计算机视觉是一门研究如何使机器“看”的科学。 是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给一起检测的图像。 2、计算机视觉的应用 无人驾驶 无人安防 人脸识别 文字识别 车牌识别 以图搜图 VR/AR 3D重构 医学图像分析诊断 4、计算机视觉的实现基本过程为： 1）计算机从图片中生成数学模型。 2）计算机图形在模型中对图像进行绘制，然后在图像处理过程中将其作为输入，另外给出处理图像作为输出 。 ? 5、计算机视觉的理念在某些方面其实与很多概念有部分重叠，包括：人工智能、数字图像处理、机器学习、深度学习、模式识别、概率图模型、科学计算以及一系列的数学计算等。 6、计算机视觉库OpenCV是Intel开源计算机视觉库。它由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。
95520发布于 2020-07-28 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
它进一步扩展到辅助卷积滤波器与多头注意作为一个单一的模块来学习时间模式。实验结果表明，在五种不同的视觉刺激分类任务中，EEG-ConvTransformer的分类精度比现有技术有了很大的提高。 其中一个特征就是火焰中不同辐射区域的分割，因此本文对几种传统的计算机视觉和深度学习分割方法进行了探索性的研究。 张量能够有效地捕捉结构化的、潜在的语义空间和高阶的交互作用，在计算机视觉领域有着悠久的应用历史。随着计算机视觉深度学习范式转换的到来，张量变得更加重要。 本文在表征学习和深度学习的背景下对张量和张量方法进行了深入而实用的回顾，特别侧重于视觉数据分析和计算机视觉应用。 该算法在未来的量子计算体系结构中具有向更高维度扩展的潜力，为解决三维计算机视觉和图形中的匹配问题开辟了多个新的方向。
2.5K20发布于 2021-07-27 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
了解DNN模型对计算机辅助诊断模型的信心对于获得临床医生对基于DL的解决方案的信心和信任是必要的。为了解决这个问题，这项工作提出了三种不同的方法来量化皮肤癌检测图像的不确定性。 在这篇文章中，我们详细介绍了各种基于医学影像学的研究，如X射线和计算机断层扫描（CT）图像，以及分类COVID-19感染与肺炎的DL方法。 近年来，计算机视觉和医学成像领域中的生成性对抗网络（Generative敌对网络，GANs）的发展为增强肿瘤检测和分析能力提供了基础。 此外，与基于图卷积网络的学习模型相比，我们的解决方案支持更具表现力的滤波器，能够保持高频率，并提供更好的压缩图像感知质量。 我们提出弹性增强卷积（EAConv）通过参数化滤波器作为固定弹性扰动基函数和可训练权值的组合，以整合CNN中看不见的视点。
2K20发布于 2021-07-27 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
\url{this https URL} 链接：https://arxiv.org/abs/2107.12292 摘要：具有自我关注的Transformer引发了自然语言处理领域的一场革命，并在众多的计算机视觉任务中激发了 IEEE International Conference on Computer Vision (ICCV), 2021 链接：https://arxiv.org/abs/2107.12081 摘要：视觉文本识别无疑是计算机视觉中研究最广泛的课题之一 我们从计算机视觉和自然语言处理的不同数据集和任务来评估我们的方法。 在本文中，我们提出了一种多实例学习（MIL）技术，通过计算机视觉分析LC手术图像来评估胆囊壁血管。这些滤袋对应于53例手术中181gb图像的标记（低与高）血管数据集。 ，如摄像机姿态估计中的点匹配滤波、点云中的平面法向估计等。
3.2K20发布于 2021-07-28 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
我们还用计算机视觉中流行的ResNet图像分类器进行了实验，进一步验证了我们的观点。Kinetics400上的结果与一些基于时空建模的最佳CNN方法相当。 所提出的球形滤波器组能够对未知方向的已知合成点集进行等变和在线优化后的不变类预测。 卷积神经网络（CNN）通过引入图像处理中的诱导偏差，在许多计算机视觉任务中取得了优异的性能，并被确立为事实上的主干。 近年来，受Transformer在NLP任务中取得巨大成功的启发，视觉Transformer模型应运而生。与CNN相比，使用更少的诱导偏差，他们在计算机视觉任务中取得了很好的效果。 在这篇综述文章中，我们讨论了具身视觉语言规划（EVLP）任务，这是一系列突出的具身导航和操作问题，它们共同使用计算机视觉和自然语言。
3K30发布于 2021-07-02 - 来自专栏全栈程序员必看
opencv 滤波 方框滤波 均值滤波 高斯滤波 中值滤波 双边滤波
线性滤波 1.1. 方框滤波 demo 1.2. 均值滤波 demo 1.3. 高斯滤波 demo 二. 非线性滤波 2.1. 中值滤波 demo 2.2. 双边滤波 demo 结构体参考 一. 线性滤波 1.1. 方框滤波 方框滤波是所有滤波器中最简单的一种滤波方式。每一个输出像素的是内核邻域像素值的平均值得到。 非线性滤波 非线性滤波器的原始数据与滤波结果是一种逻辑关系，即通过比较一定邻域内的灰度值大小来实现的。 2.1. 中值滤波 中值滤波原理： 简言之中值滤波就是把函数框（如图中的3 X 3）内的灰度值按顺序排列，然后中值取代函数框中心的灰度值。 中值滤波在一定的条件下可以克服常见线性滤波器如方框滤波器、均值滤波等带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声非常有效，也常用于保护边缘信息, 保存边缘的特性使它在不希望出现边缘模糊的场合也很有用
2.7K20编辑于 2022-07-25 - 来自专栏PyVision
计算机视觉在特斯拉
作者：Jeremy Cohen 编译：McGL 当我们观察计算机视觉世界时，可以看到现实与网络课程之间的真实差距。 特别是，我们需要解决特斯拉的一个大问题: 大约50个任务必须同时在设备上运行，只用一台计算机，不能占用太多的空间。 ? FSD计算机 那么让我们开始吧！ 1. 两个摄像头的深度估计 使用这种立体视觉和传感器融合，特斯拉不需要激光雷达。他们可以根据这两个摄像头进行距离估计。唯一的窍门是摄像头使用不同的镜头: 在右边，更远的距离显得更近。 推理@FSD ——特斯拉制造了自己的计算机，拥有自己的神经处理单元(NPU)和用于推理的GPU。 下面是我们刚才讨论的所有内容的总结: 特斯拉同时运行50项任务，这些任务都必须在一台名为 FSD (完全自动驾驶)的非常小的计算机上运行。
1.2K20发布于 2020-09-03
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