
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
图片由很多个像素点组成的,彩色图的三通道RGB,每个通道的值在【0文章目录一、数据读取-图像二、视频读取三、截取部分图像数据四、函数通道提取五、边界填充六、数值计算七、图像融合一、数据读取-图像cv2.IMREAD_COLOR:彩色图像cv2.IMREAD.GRAYSCALE:灰度图像import cv2 #opencv读取的格式是BGRimport matplotlib.pyplot as pl
文章目录1、概念2、滤波2.1均值滤波2.2高斯滤波(标准正态分布)2.3中值滤波1、概念图像平滑是一种区域增强的算法,平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中,常常会因为多方面原因而被噪声干扰或出现数据丢失,降低了图像的质量(某一像素,如果它与周围像素点相比有明显的不同,则该点被噪声所感染)。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。图像平滑
文章目录轮廓检测1.1轮廓检测的作用:1.2方法1.3轮廓特征1.4轮廓近似1.5边界矩阵轮廓检测1.1轮廓检测的作用:可以检测图图像或者视频中物体的轮廓计算多边形边界,形状逼近和计算感兴趣区域1.2方法为了更精确地提取轮廓,请使用二值图。也就是说,在使用轮廓提取函数前,请将源图片运用阈值进行二值化(cv2.threshold())或者采用Canny边缘检测。findContours 函数会修改源
文章目录一、常见的几种激活函数1、Sigmoid函数:3、ReLU函数4、ELU函数PReLU函数一、常见的几种激活函数1、Sigmoid函数:曲线:导数:在sigmod函数中我们可以看到,其输出是在(0,1)这个开区间内,这点很有意思,可以联想到概率,但是严格意义上讲,不要当成概率。sigmod函数曾经是比较流行的,它可以想象成一个神经元的放电率,在中间斜率比较大的地方是神经元的敏感区,在两边斜
文章目录DBSCAN算法原理DBSCAN算法流程DBSCAN的参数选择Scikit-learn中的DBSCAN的使用DBSCAN优缺点总结K-Means算法和Mean Shift算法都是基于距离的聚类算法,基于距离的聚类算法的聚类结果是球状的簇,当数据集中的聚类结果是非球状结构时,基于距离的聚类算法的聚类效果并不好。与基于距离的聚类算法不同的是,基于密度的聚类算法可以发现任意形状的聚类。在基于密度
文章目录1.1. 线性回归1.1.1. 线性回归的基本元素1.1.1.1. 线性模型1.1.1.2. 损失函数1.1. 线性回归回归(regression)是指一类为一个或多个自变量与因变量之间关系建模的方法。在自然科学和社会科学领域,回归经常用来表示输入和输出之间的关系。在机器学习领域中的大多数任务通常都与预测(prediction)有关。 当我们想预测一个数值时,就会涉及到回归问题。常见的例子
文章目录前言集成学习的核心一、随机森林算法原理二、随机森林的优势与特征重要性指标2.1随机森林的优势2.2特征重要性指标三、提升算法概述四、Stacking堆叠模型五、硬投票和软投票1.1概念介绍1.2硬投票展示1.3硬投票和软投票效果对比硬投票:软投票六、Bagging策略决策边界展示八、OOB袋外数据的作用九、特征重要性可视化展示十、AdaBoost算法决策边界展示十一、Gradient Bo
文章目录一、FPN二、FPN的整体架构FPN应用于RPN层四、FPN总结一、FPN卷积网络的一个重要特征:深层网络容易响应语义特征,浅层网络容易响应图像特征。但是到了物体检测领域,这个特征便成了一个重要的问题,高层网络虽然能响应语义特征,但是由于Feature Map的尺寸较小,含有的几何信息并不多,不利于物体检测;浅层网络虽然包含比较多的几何信息,但是图像的语义特征并不多,不利于图像的分类,这个
文章目录1、介绍2、SPP显著特点3、什么是金字塔池化层参考:https://blog.csdn.net/qqliuzihan/article/details/812177661、介绍在一般的CNN结构中,在卷积层后面通常连接着全连接。而全连接层的特征数是固定的,所以在网络输入的时候,会固定输入的大小(fixed-size)。但在现实中,我们的输入的图像尺寸总是不能满足输入时要求的大小。然而通常的
文章目录AlexNet网络的亮点:过拟合解决过拟合(Dropout)该图是上下两部分,使用了两个GPUAlexNet网络的亮点:首次利用CPU进行网络加速训练使用了ReLU激活函数,而不是传统的Sigmoid激活函数以及Tanh激活函数使用了LRN局部响应归一化在全连接层的前两层中使用了Dropout随机失活神经元操作,以减少过拟合。过拟合根本原因是特征维度过多,模型假设过于复杂,参数过多,训练数