计算机视觉|视频图像的预处理
提出问题1、图像预处理的意义在分析图像问题时，由于环境和拍摄自身因素影响，使得在需要处的图像存在一定的问题，同时由于操作的要求，需要对图像进行一定的转换，所以，在处理图像之前，要对图像做出预处理，方便后期操作。解决方案2、图像预处理的主要方面2.1图像灰度化图像灰度化的原理就是在RGB模型中，假定三个通道的值相等，然后用统一的灰度值表征该点的色彩信息，灰度值的范围是0到255。图像灰度化的方法主....
计算机视觉|图像中的信息识别
1.为什么需要电脑对图片中的数字和字将进行识别：在生活中，很多时候需要识别一些图片中的数字和字母，就像很多网站的验证码识别，对于个人来说，单个的此类事件需要的时间和精力很少，可对于一些机构、企业来说，可能就需要重复很多次（例如某些机构需要向某网站提交多次文档、申请多次访问等操作）。这时，大量的此类工作对于人眼的损耗较大，不但需要损耗人力，同时由于眼花和疲劳等原因可能会导致读取出来的信息出现差错，....
计算机视觉 - 图像相似度
1.像素方差1.1缩放图片1.2灰度处理1.3计算图像每行的平均值1.4计算方差1.5比较方差代码中先使用yolov模型对图片进行了目标检测，提取出检测部分的图像，然后在对图像做相似度处理。import cv2 as cv import matplotlib.pyplot as plt from yolo.yolo import yolo_detect def detect(data): ...
计算机视觉图像常用基本算法（阈值化、形态学变化、模糊）
阈值化大白话说就是给定图像一个像素值作为阈值，将图像中所有像素与这个像素阈值比较，如果大于或者小于这个阈值，就会将图像中这个像素改变会特定的像素值。简单阈值化简单阈值化有五种如下表所示：设定图像中像素值为X XX，阈值为T TT自适应阈值化对比简单阈值化，简单阈值化作用与全局的图像，即对整个图像做一种方法的处理，但是在图像中由于不同区域的光线状况不同，这种简单的处理效果就不会太好。自适应阈值化能....
计算机视觉PyTorch实现图像着色 - （二）
1.图像着色算法原理图像着色，通俗讲就是对黑白的照片进行处理，生成为彩色的图像。有点像买的图框画，自己用颜料在图框中进行填色。算法原理上用到了上一节讲到的Lab颜色空间，具体模型架构如下图所示：1.1 模型架构这里我把模型分为三个部分，对这三部分进行详细解释。第一部分第一部分实际是一个典型的VGG16模型，只不过去掉了VGG16后面池化层部分，在后面加上如下表的卷积层卷积层通道数卷积核步长填充p....
计算机视觉PyTorch实现图像着色 - （一）
在介绍图像着色原理之前，先介绍一下opencv的颜色空间目前基于opencv实现图像原理中定义的颜色空间分为三种：RGBRGB就是常说的光学三原色，R代表Red（红色），G代表Green（绿色），B代表Blue（蓝色），取值范围在[0，255]。自然界中肉眼所能看到的任何色彩都可以由这三种色彩混合叠加而成，因此也称为加色模式。import cv2 import matplotlib.pyplot....
计算机视觉PyTorch实现图像分类（二） - AlexNet
手写数字识别-AlexNet1.深度学习工程结构构建深度学习模型，实现数据训练测试是一个很复杂过程，建立一个合理的工程结构，把工程模型拆分成几个文件，每个文件负责深度学习工程一部分。常见的深度学习工程文件排列：project/ data.py utils.py model.py train.py inference.py 如上图所示，p...
深度学习应用篇-计算机视觉-图像分类[3]：ResNeXt、Res2Net、Swin Transformer、Vision Transformer等模型结构、实现、模型特点详细介绍
深度学习应用篇-计算机视觉-图像分类[3]：ResNeXt、Res2Net、Swin Transformer、Vision Transformer等模型结构、实现、模型特点详细介绍 1.ResNet 相较于VGG的19层和GoogLeNet的22层，ResNet可以提供18、34、50、101、152甚至更多层的网络，同时获得更好的精度。但是为什么要使用更深层次的网络呢？同时，如果只是网络层...
![深度学习应用篇-计算机视觉-图像分类[3]：ResNeXt、Res2Net、Swin Transformer、Vision Transformer等模型结构、实现、模型特点详细介绍](https://ucc.alicdn.com/fnj5anauszhew_20230608_66d62d30b9c94664ab8283a44887ff4d.png)
深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍
深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍 1.LeNet（1998） LeNet是最早的卷积神经网络之一[1]，其被提出用于识别手写数字和机器印刷字符。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。算法中阐述了图像中像...
![深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍](https://ucc.alicdn.com/fnj5anauszhew_20230607_034fed09562b4d269c70bfe3a982ddfc.png)
深度学习应用篇-计算机视觉-图像增广1：数据增广、图像混叠、图像剪裁类变化类等详解
深度学习应用篇-计算机视觉-图像增广[1]：数据增广、图像混叠、图像剪裁类变化类等详解 一、数据增广 在图像分类任务中，图像数据的增广是一种常用的正则化方法，主要用于增加训练数据集，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力，常用于数据量不足或者模型参数较多的场景。除了 ImageNet 分类任务标准数据增广方法外，还有8种数据增广方式非常常用，这里对其进行简单的介绍和对比，大...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
计算机视觉更多图像相关
计算机视觉