【IPMV】图像处理与机器视觉：Lec9 Laplace Blending 拉普拉斯混合

原创 已于 2025-05-25 15:24:58 修改 · 1k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#图像处理 #人工智能 #计算机视觉

于 2025-05-02 19:53:29 首次发布

【IPMV】图像处理与机器视觉

本系列为2025年同济大学自动化专业**图像处理与机器视觉**课程笔记
Lecturer: Rui Fan、Yanchao Dong

Lec0 Course Description

Lec3 Perspective Transformation

Lec7 Image Filtering

Lec8 Image Pyramid

Lec9 Laplace Blending

Lec10 Edges and Lines

Lec11 Keypoint Features and Corners

Lec12 Blob Detector

持续更新中

文章目录

📌Laplace Blending 拉普拉斯混合

本篇介绍三个图像处理核心技术：Laplacian 滤波、Laplacian 金字塔、多尺度图像混合。它们广泛应用于边缘检测、图像重建与图像合成中。

🔹 Laplacian Filter：拉普拉斯滤波

🎯 边缘检测滤波器对比

滤波器 Gaussian
高斯滤波器
(低通)		 Derivative of Gaussian
高斯导数		 Laplacian of Gaussian
LoG (带通)
高斯 + 拉普拉斯
图像示例
作用 模糊图像/降噪 抗噪边缘检测 高精度边缘检测
数学表达 h σ ( u , v ) = 1 2 π σ 2 ⋅ e ( − u 2 + v 2 2 σ 2 ) h_σ(u,v)=\frac{1}{2πσ²}·e^{(-\frac{u²+v²}{2σ²})} hσ​(u,v)=2πσ21​
最低0.47元/天 解锁文章
【IPMV】图像处理与机器视觉：Lec10 Edges and Lines
BIYing_Aurora的博客
05-18 2320
🔥【同济大学课程笔记】图像处理与机器视觉：边缘与直线检测全解析 🔥 重要性：边缘检测是计算机视觉基石！ 📌 核心内容速览 1️⃣ 边缘本质：亮度突变区域，用梯度计算定位变化方向与强度。 2️⃣ 关键算法： Sobel：快速一阶检测，适合简单场景。 Canny：高斯模糊+双阈值，抗噪强，工业级标准。 LoG：二阶导数精准定位，医疗影像首选。 3️⃣ 直线检测：霍夫变换通过参数空间投票，鲁棒提取直线（车道线/文档表格）。
【IPMV】图像处理与机器视觉：Lec7 Image Filtering
BIYing_Aurora的博客
03-28 1175
🔥【同济大学IPMV期末必过指南】图像处理核心考点一网打尽！3天速成不是梦！💯 📌 考试重点预警： ✅ 卷积vs互相关：核旋转区别+三种卷积类型计算（附真题对比图） ✅ 梯度计算：一阶/二阶差分公式+边缘检测效果对比（Sobel/Prewitt/Laplacian高频考点） ✅ 直方图均衡化：4步实现法+灰度映射表（必考计算题） ✅ 滤波全家桶：   - 高斯滤波σ参数选择技巧   - 双边滤波保边原理（简答题高频）   - 中值滤波去噪场景（选择必考） ✅ 傅里叶变换：频域卷积定理+高斯低通实现
【IPMV】图像处理与机器视觉：Lec12 Blob Detector 斑点检测
BIYing_Aurora的博客
05-25 532
🔥【同济大学IPMV】Blob检测：LoG与DoG算法全解析！ 本文详解斑点检测(Blob Detection)核心原理，带你掌握： 1️⃣ LoG算法：尺度归一化+极值搜索，σ=r/√2时响应最强 2️⃣ DoG优化：高斯差分快速逼近LoG，SIFT特征提取的基石 3️⃣ 实战对比：边缘检测看"过零点"，斑点检测找"极值点"
图像质量对比感悟
chenge1212的博客
06-26 1048
这个软件非常好用，便于两张图片的比较。
【图像处理基石】什么是摄影的数码味？
agito_cheung的博客
06-28 507
减轻照片的数码味可以通过传统图像处理方法或深度学习方法实现。传统方法适用于快速处理，而深度学习方法虽然需要更多数据和计算资源，但可以学习到更复杂的转换规则，获得更好的效果。实际应用中，你可以根据自己的需求选择合适的方法。
【图像处理入门】12. 综合项目与进阶：超分辨率、医学分割与工业检测
agito_cheung的博客
06-27 348
本周将聚焦三个高价值的综合项目，打通传统算法与深度学习的技术壁垒。通过图像超分辨率重建对比传统方法与深度学习方案，掌握医学图像分割的U-Net实现，设计工业缺陷检测的完整流水线。每个项目均包含原理解析、代码实现与性能优化，帮助读者从“技术应用”迈向“系统设计”。超分辨率展示了传统方法与深度学习的性能差异，强调“数据驱动”的优势医学分割体现了U-Net在结构化数据上的强大能力，跳跃连接是细节保留的关键工业检测验证了传统算法在特定场景的实用性，同时指明深度学习的改进方向。
scrapy+django+pyecharts+mysql 实现西安游客行为分析系统大屏_用户画像_空间分析_路线智能推荐
2301_78696436的博客
06-28 459
项目地址。
强化学习：Policy Gradients 学习笔记
只是个人学习笔记
07-01 941
Policy Gradient（基于 Softmax 的策略梯度算法）是强化学习中的经典策略梯度方法，通过直接优化策略函数来最大化累积奖励。
网络空间测绘理论体系白皮书（2023年）04测绘体系框架应用实践
sinat_41942180的博客
06-30 994
网络空间测绘不仅直接作用于网络空间中的数据资源，也会作用于物理空间的真实设备、社会空间的组织机构、认知空间的用户倾向等等。下面以重点域名评估为例。而从更通用的角度上看，在网络空间探测获取到探测对象的基础数据之后，一方面需要针对探测对象作进一步分析处理，把基础探测数据，逐步抽象到类别标签代表的信息、知识，深入回答探测对象是什么、怎么样的问题；网络空间测绘的知识图谱本体涉及 IP、域名、证书、设备、软件等 10 多个信息域实体，同时关联物理域的各粒度地理位置、社会域的各层级组织行业、认知域的多源安全事件等等。
量子算法：微算法科技用于定位未知哈希图的量子算法，网络安全中的哈希映射突破
MicroTech2025的博客
07-02 392
在网络安全中，哈希和 n-gram 是强大的工具。为克服这些挑战，微算法科技（NASDAQ:MLGO）计划继续优化算法结构，降低对量子资源的需求，同时开发更加鲁棒的量子态存储方法，以应对实际硬件中可能出现的误差。未来，随着量子计算硬件的发展和算法的优化升级，该技术有望进一步成熟，并广泛应用于企业的网络安全系统中。微算法科技该量子算法的主要目标是通过将哈希和 n-gram 表加载到量子计算机中，加速 n-gram 到相应哈希值的映射，从而避免每次查找时都重新计算一组 n-gram 的哈希值。
从LangChain接入LLM到创建AI智能体
Theahe的博客
07-02 970
LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它使得应用程序能够：具有上下文感知能力：将语言模型连接到上下文来源（提示指令，少量的示例，需要回应的内容等）具有推理能力：依赖语言模型进行推理（根据提供的上下文如何回答，采取什么行动等）llm=chat,#每次把之前的内容都做总结conversation_summary_memory.invoke({“input”:“你知道什么是抖音吗？”})
深度学习中常见激活函数总结
qq_45464126的博客
07-01 941
激活函数（Activation Function）是神经网络中神经元的非线性变换函数，作用于神经元的加权输入（加权和）后，决定该神经元的输出。其数学形式通常为 ( a = f(z) )，其中 ( z = w^T x + b ) 是神经元的加权和（( w ) 为权重，( x ) 为输入，( b ) 为偏置）。核心意义：若没有激活函数（或仅用线性函数），无论多少层的神经网络都只能拟合线性关系，无法处理图像、文本等复杂非线性数据。激活函数是深度学习的核心组件，其选择需权衡非线性能力、梯度传播效率和任务特性。
警告：语音深度伪造技术持续升级，威胁加剧
Ousito的博客
07-02 334
是易念科技基于中国用户场景，应用行为心理学的核心思想，自主研发的面向“人为因素风险”的网络安全意识教育管理平台。平台不仅提供了丰富的学习资源和工具，还通过创新的教育方法和手段，提升员工风险防范能力，在适当环境中激发理想的安全行为，评价和量化员工安全意识水平，赋能组织建立人员安全的全过程管理，提升风险管理水平。HumanRisk 平台提供公用云 SaaS 服务，并支持企业私有云部署，既可单独使用也可组合，提供线上线下结合的服务方案，全面满足各类企业、不同规模和成熟阶段的教育培训需求。
ChatGPT使用限额记录与插件统计
u011426236的博客
07-01 501
消息流中的错误无论怎么试都无法继续使用。后续检索发现是限额问题，于是便搜集整理了一下目前的ChatGPT模型限额的相关信息，特此记录。
快速傅里叶变换(FFT)是什么？
guigenyi的专栏
06-26 1534
快速傅里叶变换（FFT）是高效计算离散傅里叶变换（DFT）的算法，将复杂度从O(N²)降至O(N logN)。通过分治策略和对称性优化，FFT使数字信号频域分析变得实用，广泛应用于信号处理（频谱分析、滤波）、图像处理（压缩、滤波）、音频处理及科学计算等领域。其核心价值在于将原本计算量巨大的DFT转化为高效运算，为现代数字技术（如通信、多媒体）奠定了基础，成为数字信号处理最重要的算法之一。
PyWavelets
shangjg3的博客
06-27 565
PyWavelets（pywt）是Python中用于小波变换的核心库，提供了丰富的信号处理和图像处理功能。
DAY 45 通道注意力(SE注意力)
最新发布
awsndy的博客
07-02 493
之前复试班强化部分的transformer框架那节课已经介绍过注意力机制的由来，本质从onehot-elmo-selfattention-encoder-bert这就是一条不断提取特征的路。各有各的特点，也可以说由弱到强。其中注意力机制是一种让模型学会「选择性关注重要信息」的特征提取器，就像人类视觉会自动忽略背景，聚焦于图片中的主体（如猫、汽车）。transformer中的叫做自注意力机制，他是一种自己学习自己的机制，他可以自动学习到图片中的主体，并忽略背景。
开源版gpt4o 多模态MiniGPT-4 实现原理详解
酌沧
06-28 1015
MiniGPT-4是开源的GPT-4的平民版。本文用带你快速掌握多模态大模型MiniGPT-4的模型架构、训练秘诀、实战亮点与改进方向。
从零开始构建RAG（检索增强生成）
qq_63708623的博客
06-28 802
为什么需要分块？LLM的上下文窗口是有限的，我们不能把整篇文档都塞给它。同时，为了进行有效的向量检索，我们需要将文档分割成更小、语义集中的单元。好的分块策略是RAG系统性能的关键之一。这个尊重段落：它首先以\n\n(空行) 为分隔符，将文本分割成段落。这保留了文本的自然结构，避免了从一句话中间切断的尴尬情况。组合段落：然后，它会尝试将多个连续的段落组合在一起，直到它们的总长度接近我们设定的chunk_size。重叠 (Overlap)：当一个块创建完成后，下一个块会从上一个块的末尾回退个字符开始。
day46 通道注意力(SE注意力)
weixin_68674900的博客
06-29 555
本文研究了通道注意力机制在CNN模型中的应用效果。首先介绍了注意力机制的基本概念，指出其通过动态权重聚焦关键信息的特点。随后构建了一个基础CNN模型在CIFAR-10数据集上进行训练，获得84.68%的测试准确率。通过特征图可视化分析，展示了不同卷积层提取的特征从低级到高级的抽象过程。在此基础上，引入了通道注意力模块（SE模块），该模块通过全局平均池化、全连接层和Sigmoid激活学习通道重要性权重。实验结果表明，加入通道注意力后模型准确率提升至85.38%，验证了注意力机制的有效性。研究采用消融实验方法，
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值