store_true 是指带触发action时为真，不触发则为假。通俗讲是指运行程序是否带参数,看例子就明白了。一、没有defaultimport argparseparser = argparse.ArgumentParser(description='test.py')parser.add_argument('--cuda', type=bool, default=True,help='use

在二阶导数的时候，最大变化处的值为0即边缘是零值。通过二阶导数计算，依据此理论可以计算图像二阶导数，提取边缘。scharr 进行边缘增强后的梯度提取，提取弱边缘 ，噪声敏感，需要降噪。x和y方向最终结果很好的反应了像素梯度变化差异。一阶导数与sobel算子。一阶导数与sobel算子。二阶导数与拉普拉斯算子。.....................

膨胀结构元素与原图或操作腐蚀结构元素与原图与操作最好是前景白色，背景白色。

高斯噪声：顾名思义指服从高斯分布（正态分布）的一类噪声，通常是因为不良照明和温度引起的传感器噪声。通常在RGB图像中，显现比较明显。如图：椒盐噪声，通常是由图像传感器，传输通道，解压处理等产生的黑白相间的亮暗点噪声（椒-黑，盐-白）。通常出现在灰度图中。如图：降噪是图像卷积运算的重要功能之一；中值模板的卷积对去除椒盐噪声有比较好的作用但均值滤波的降噪效果不佳。对于高斯噪声通过高斯滤波去除噪声。中值

1、显示/保存图像 获取图像信息 获取单通道图像 合并三通道import cv2import numpy as np#-----------------------显示/保存图像获取图像信息 获取单通道图像 合并三通道 --------------------------def get_img_info(img):print(type(img))print(img.shape)print(img.

1、模糊操作：均值模糊、中值模糊、自定义模糊#均值模糊、中值模糊、自定义模糊#模糊操作的基本原理#1、基于离散卷积#2、定义好每个卷积核#3、不同卷积核得到不同的卷积效果#4、模糊是卷积的一种表现def blur_demo(image):#均值模糊dst=cv2.blur(image,(1,10))cv2.imshow("blur_demo",dst)def median_blur_demo(im

定义一维直方图：只考虑了一个特性，即像素的灰度值。二维直方图：考虑两个特征，通常是色度和饱和度。代码opencv 二维直方图一维的直方图使用函数cv2.calcHist()进行计算，从BGR转换成灰度图。二位直方图使用相同的函数cv2.calcHist()进行计算。对于颜色直方图，需要将图像从RGB转换为HSV。对于2D直方图，其参数将被修改如下：通道=0，1，因为需要同时处理H和S平面。用于H平

1、为什么要学习轻量化网络神经网络效果好 应用广泛移动端上模型部署的迫切需求：自动驾驶、机器人视觉、无人机、人脸识别、目标识别检测高频面试问题、薪资高完善知识结构体系个人学术研究：特征信息交流2、轻量化网络发展历程与前进方向模型精度与算力、存储空间的矛盾网络模型结构设计、知识蒸馏、剪枝、量化、低秩分解2017：squeezeNet、MobileNet、ShuffleNet、Xception2018

1、颜色直方图#-------------------------------绘制颜色直方图------import cv2import numpy as npimport matplotlib.pyplot as pltdef plot_demo(image):plt.hist(image.ravel(),256,[0,256])plt.show("直方图")def image_hist(ima

BN在训练和测试时的差别 :对于BN，在训练时，是对每一批的训练数据进行归一化。使用BN的目的就是每个批次分布稳定。当一个模型训练完成之后，它的所有参数都确定了，包括均值和方差，gamma和bata。而在测试时，比如进行一个样本的预测，就并没有batch的概念，因此，这个时候用的均值和方差是全量训练数据的均值和方差，也就是使用全局统计量来代替批次统计量，这个可以通过移动平均法求得。具体做法是，训练