图像增强可以有很多种理解，但是作者认为无论是什么形式的增强其实它的本质都是图像加有效信息的操作，它的目的都是获取特征更为明显的图像。简单的说，图像增强大致可以分为三种1、分辨率增强 2、对比度及灰度增强 3、特征增强需要图像增强的原因:1 图像噪点过大，影响感观、影响计算机对图像特征的提取2 图像因为光线环境等造成整体对比度不足或局部过暗、过曝。细节损失3 图像白平衡系数未校准造成图像偏色4 图像

深度学习图像处理（一）深度学习与图像处理（一）主要讲的是数据加载问题，二主要是介绍模型的调用与训练问题。本篇将会以ResNet18为例进行说明与演示，开发环境同一中所述1、模型的定义深度学习模型主要是通过nn.Module这个继承类来实现的，所以一般需要依赖torch.nn这个包，具体过程如下所示：#*以ResNet18为例：*import torch.nn as nnimport torchim

C++与Pyhon混合调在现实中有很多的应用场景，特别是对基于深度学习的产品开发上。所以无论是VS或者是QT都提供了相应的库来调用Python，本篇将以VS2019为例，大致讲述Python3.7在VS上混合编程的实现（注意：VS混合编程有很多的软件和硬件上的限制，特别是python版本，切勿使用3.9以上的python版本，以免个别函数调用出现问题）1、Python环境的搭建Python环境的搭

Halcon图像处理1、halcon的数据类型2、halcon的基本组成3、基于halcon的图像处理4、标定5、C#halcon联合编程6、C++halcon联合编程7、总结

算法的设计往往与名字有着句对的关联性，目标定位检测即目标定位+检测。而方法采用的是深度学习的方法的话则需要进一步的结合两者间的融合学习。在深度学习中比较常用的目标定位检测方法有RCNN系列方法和YOLO系列方法。其中RCNN系列方法的定位过程和检测过程是分开的，即先定位目标，然后对定位出的目标进行分类，这种设计思路有利于静态的定位检测，但却不利于实时的场景。与之相反的是YOLO系列算法，由于将图像

C++与Pyhon混合调在现实中有很多的应用场景，特别是对基于深度学习的产品开发上。所以无论是VS或者是QT都提供了相应的库来调用Python，本篇将以VS2019为例，大致讲述Python3.7在VS上混合编程的实现（注意：VS混合编程有很多的软件和硬件上的限制，特别是python版本，切勿使用3.9以上的python版本，以免个别函数调用出现问题）1、Python环境的搭建Python环境的搭

深度学习处理图像的方式和传统图像处理有着本质的不同。传统图像是直观的，可解释的，而深度学习并未做到那么的可解释性。哈工大的倪院士说过，深度学习最大的挑战在于其难以用一个数学公式进行描述，而正因为其中的特性导致了其黑匣子特性。本篇将分为三部分进行解说即：数据处理部分、模型部分、优化部分。同时本篇将使用pytorch1.10.1及python3.9在windos上进行开发。数据处理部分a、依赖的模块：