看了两天qt心血来潮，搞一个图像管理系统：效果如下所示：整体界面：第一页主要做图像的基本处理第二页主要做图像的像素操作：设计了一个联动的滑动模块工具栏：文件主要有导入图像和保存图像缺陷检测模块：图像处理模块：图像识别模块目标定位模块给大家展示一下部分效果：就展示这么多了，写的不好请大家多多指教...

1.图像指针像素的获取Mat.ptr<uchar>(int i=0）获取像素矩阵的指针，其中指针的类型是 Mat.ptr<uchar>，索引i表示第几行，从0开始计数。获取当前行指针const uchar * current=myimage.ptr<uchar>(row);获取当前像素点的像素值P（row,col）的像素值，p(row,col)=current[

1.1读图、展示和保存话不多述，直接上代码：import cv2 as cvimage = cv.imread(r'E:\kaggleData\computer_version_Data\test.jpg')cv.imshow('Image', image)cv.waitKey(0)# waitKey()函数的功能是刷新图像，其中参数k单位是毫秒，表示刷新频率。waitKey(0)表示不刷新无限等

1.软件安装与测试本文安装的是VS2019+opencv4.5.1.需要进行一定的配置，这个比较麻烦，后面我们在更新配置方法。安装配置好以后，进行测试：#include<opencv2/opencv.hpp>#include<iostream>using namespace cv;using namespace std;int main(int argc, char** a

1.图像像素的加法主要包含了图像的像素加法，当像素增加，会使得图像变亮，当像素减少会使得图像变暗。除法操作会变暗，结果如下所示：左边是原图，右边是像素相加后的。在前面的代码模块中增加的代码为：void QuickDemo::pixel_operators_demo(Mat &image){Mat dst;dst = image + Scalar(50, 50, 50);imshow("像素

小案例：C++遍历灰度图和彩色图像素并显示：我们代码在上一节博客文章的基础上进行拓展的。1.利用普通的方式：首先 我们创建了头文件quickopen.h与上一节相比较增加了一个 void pixel_visit_demo(Mat& image);函数。如下所示：#pragma once#include<opencv2/opencv.hpp>using namespace cv;

1.神经网络复杂度神经网络的复杂度基本都是用NN层数和NN参数的个数表示空间复杂度：层数=隐藏层的层数+1个输出层，下图为2层的NN总参数 = 总w + 总b上图第一层：3x4+4个参数（三个输入，4个神经元，4个偏置b）上图第二层：4x2+2所以总参数是：3x4+4+4x2+2=26时间复杂度：乘加运算次数左图：3x4+4x2=202.参数迭代更新学习率小了训练很慢，学习率大了会跳过最优解。因此

1.神经网络理解神经网络：采集大量（花萼长、花萼宽、花瓣长、花瓣宽，对应的类别）数据对构成数据集吧数据喂入搭建好的神经网络结构，网络优化参数得到模型，模型读入新输入特征，输出识别结果。MP模型是由每一个输入特征和线上的权重求和，在通过一个非线性函数输出。2.损失函数损失函数是指：预测值（y）与标准值（y_）的差距。损失函数可以定量判断W,b的优劣，当损失函数输出最小时，参数W,b会出现最优值。目的

1.深度学习过程概述

接了一个垃圾的单子，做一个机器学习的分类，分别用SVM，决策树、随机森林，再做一个超参数调优，import pandas as pddata = pd.read_csv('./Sup2.csv')#datadata = data.T# print(data.info)data = data.reset_index()data = data.rename(columns={'index':'targ