墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
355平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
近年来，计算机视觉技术在图像处理和分析领域得到了广泛应用。而OpenCV作为一种强大的视觉库，提供了丰富的图像处理功能和算法。其中，Sobel算子是一种常用的边缘检测算法之一，用于寻找图像中的边缘信息。本文将介绍如何利用OpenCV中的Sobel算子实现边缘检测，并结合点云处理进行应用展示。
边缘检测原理
边缘是图像中灰度值变化剧烈的区域，是图像中重要的特征之一。边缘检测的目的就是从原始图像中提取这些边缘信息。Sobel算子通过计算图像中像素点的梯度值来实现边缘检测。梯度值表示灰度变化的强度和方向。
Sobel算子的应用
Sobel算子在OpenCV中的应用非常简便。下面给出使用Sobel算子实现边缘检测的代码示例：
import cv2
import numpy as np
# 读取图像
img = cv2.imread('image.png'拉普拉斯算子实战指南：图像处理与图神经网络中的归一化与可微分实现
拉普拉斯算子是机器学习中连接连续微分几何与离散结构建模的核心工具，本质是度量信号在空间或图结构上的二阶变化率与邻居差异。其数学原理源于调和函数与谱图理论，技术价值在于提供稳定、可微、物理可解释的正则化与特征传播机制。在图像边缘检测、图神经网络（GCN/GAT）、流形降维（Laplacian Eigenmaps）及物理信息建模（PINN）等场景中不可替代。尤其在图学习任务中，对称归一化拉普拉斯矩阵（L_sym）通过控制谱半径保障梯度稳定性，避免训练崩溃；而鲁棒实现需显式处理零度节点与稀疏-稠密混合计算。本文聚
2D与3D机器视觉核心差异：从原理、技术栈到选型实战全解析
机器视觉作为人工智能感知物理世界的关键技术，其核心在于从图像中提取并理解信息。传统2D视觉基于投影原理，处理由像素组成的二维强度与颜色信息，通过分析纹理、边缘和轮廓完成识别、测量与检测，其技术栈围绕图像处理与深度学习构建。然而，2D视觉受限于维度，难以应对遮挡、光照敏感及精确三维测量等挑战。这直接推动了向3D视觉的维度跃迁。3D视觉旨在恢复深度信息，其核心是获取物体的空间几何数据，主流技术包括立体视觉、结构光、飞行时间法（ToF）与激光雷达，最终输出点云或三维模型，实现了对物体位置、姿态和形状的直接感知。这
基于深度先验与RANSAC的机器人玻璃表面重建与避障实战
在机器人感知与导航领域，环境建模的完整性直接决定了系统的安全性与可靠性。传统基于激光雷达或视觉的SLAM（即时定位与地图构建）方案，其原理依赖于传感器对物体表面的稳定反射或纹理特征进行测距与识别。然而，在面对透明或高反光表面（如玻璃）时，这些技术往往会失效，因为激光可能穿透、相机难以区分前后景，导致深度信息缺失或错误，进而引发建图不完整、定位丢失乃至碰撞风险。这一技术瓶颈限制了机器人在家庭、仓储、商业等复杂场景中的普适应用。为解决此问题，一种结合深度先验与RANSAC（随机抽样一致）算法的工程实践方案应运而
为什么工业检测中平面度、胶路、厚度必须用3D而非2D
在工业视觉检测中，平面度、胶路质量、薄膜厚度等关键几何量测任务，本质上依赖Z轴深度信息。2D图像因缺乏空间维度，无法直接获取物体表面各点的精确三维坐标，导致对翘曲、胶高、透明层厚度等参数只能间接推测，抗干扰性差、误判率高。而基于线激光三角测量等原理的3D检测技术，通过重建点云实现毫米级甚至微米级形位公差判定，具备物理层面的不可替代性。其技术价值在于突破2D成像的维度瓶颈，支撑精密装配、密封可靠性与柔性电子良率等核心制造场景。本文聚焦线激光3D检测在三大典型工业难题中的落地逻辑与实证效果。
深空AI实战：轻量级GNN与物理驱动的星载深度学习
深度学习在航天领域的应用正从地面实验走向真实任务部署，其核心挑战在于极端环境下的可靠性与实时性。在通信延迟高、星载算力受限、辐射干扰强的深空场景中，传统大模型难以适用，轻量级神经网络（如GNN、MobileNet）与物理先验融合成为关键技术路径。本文聚焦星载AI的工程落地本质：通过图神经网络建模空间几何关系、用物理仿真生成符合地质规律的合成数据、结合INT4量化与FPGA辐射加固实现低功耗高鲁棒推理。内容覆盖月面着陆安全评估、小行星采样点优选、深空通信异常诊断等典型任务，为航天AI算法工程师、遥感与AI交叉
3DGS驱动的具身导航训练：从仿真鸿沟到感知蒸馏
具身智能的核心挑战在于仿真与现实间的感知鸿沟——几何、光照与语义的三重失配导致策略迁移失败。3D Gaussian Splatting（3DGS）凭借其可微分光场表征、天然兼容传感器噪声的渲染特性，正从图形学技术演进为具身智能的感知基座。它不追求物理精确，而实现‘感知等效’：通过高斯椭球的协方差建模不确定性，以可微分光栅化支持策略-世界联合优化，并借在线蒸馏构建动态‘感知孪生体’。该范式已落地于服务机器人、AGV与巡检无人机的导航栈开发，显著压缩实机调参周期。本文聚焦3DGS如何作为轻量、鲁棒、任务导向的世
OpenCV Scharr边缘检测与点云
而在三维计算机视觉领域，点云数据也扮演了重要的角色，它是由大量的三维点组成的数据集，可以表示实际物体的形状和结构。我们可以使用点云的X、Y、Z坐标信息构建一个灰度图像，其中X坐标对应图像的列，Y坐标对应图像的行，Z坐标对应图像的像素值。我们可以利用点云的X、Y、Z坐标信息构建灰度图像，其中X坐标对应图像的列，Y坐标对应图像的行，Z坐标对应图像的像素值。Scharr算子能够计算图像在X和Y方向上的边缘强度变化。通过以上步骤，我们成功使用了OpenCV中的Scharr算子进行了边缘检测，并将其应用于点云数据。
邻域断点检测：基于点云的边缘检测算法
它的基本思想是，在点云中，一个点的邻域点应该具有相似的属性值，而边缘点则是邻域点中属性值变化较大的点。在点云处理中，邻域断点检测是一种常用的边缘检测算法。通过上述代码示例，我们可以实现基于点云的邻域断点检测算法，并根据实际需求对阈值进行调整，从而得到准确的边缘检测结果。函数进行邻域断点检测。阈值的选择可以根据实际应用场景进行调整，较小的阈值可以得到更多的边缘点，而较大的阈值则可以得到更少的边缘点。函数计算每个点的邻域点，然后通过计算点与邻域点的属性值差异来得到边缘点，最后根据阈值筛选出最终的边缘点。
PCL点云边界提取——源码解析
在PCL中集成了一个非常经典的点云边缘检测算法，这个算法也在PCL点云边界提取这篇博客中讲解了。该文章只介绍了AC算法的原理及接口调用。那么它的内部具体是如何实现的呢？如果知道了它的具体实现，那么在某些情况下，就可以直接在它的源码基础上做一些小的改动，就能够更好地适应不同的需求了。这里只对AC边缘检测算法做个源码解析及修改后调用的过程记录，若以后需要解析其他PCL功能，也可以借鉴一下。
【人工智能】【GPU芯片】第一篇 GPU算子——璧韧篇-02
璧韧GPU采用BR-Vision 3.0视觉处理架构，集成专用图像处理单元、计算机视觉加速器、神经网络视觉处理流水线。本列表包含2,048个图像与视觉算子，涵盖8种图像格式、12种颜色空间、16种滤波算法、24种特征检测方法。指令编码指令名称功能描述图像格式颜色空间内存分配应用场景BR_IMG_0001创建RGBA 8位图像RGBA8RGBA设备内存通用图像处理BR_IMG_0002创建RGB 8位图像RGB8RGB设备内存无Alpha通道BR_IMG_0003创建灰度8位图像L8灰度设备内存单通道处理BR
博图软件V15.1安装教程
博途软件安装
手把手教你用分立元件搭建自举电路：解决高端MOS驱动难题
本文详细介绍了如何用分立元件搭建自举电路，解决高端MOS驱动中的栅源极电压不足问题。通过面包板实验，逐步讲解二极管、电容等关键元件的选型与电路搭建，提供波形调试和常见问题排查方法，帮助工程师提升开关电源和电机驱动等应用的效率与可靠性。
手把手调试Altera FPGA远程升级：从ASMI扇区擦除到Remote Update IP配置的避坑实录
本文详细解析了Altera FPGA远程升级的全流程，重点介绍了Cyclone IV系列FPGA的ASMI扇区擦除和Remote Update IP配置的实战技巧。通过双镜像架构设计、ASMI IP核优化配置及Remote Update IP的隐藏参数设置，帮助开发者避免常见陷阱，提升远程升级的可靠性和效率。
EXCEL实现分层自定义比例随机抽样（图+文教程）
EXCEL实现分层自定义比例随机抽样（图+文教程） 单一字段分层自定义比例随机抽样 多字段分层自定义比例随机抽样 单一字段分层自定义比例随机抽样 首先数据源如下，我们想随机抽张三的金额数据10%、李四金额20%、王五5%、哈哈15%、李六10% 首先第一步，添加辅助列，随机数 =RAND() 对数据进行高级排序 升序、降序都可以 添加辅助列...
【学习体会】Lighttools8.4.0：简单光学系统实例
添加球型光源（SphereSource）和表面接收器： 对光线模拟的参数进行设置： 光线追踪-模拟输入 要追踪的光线总数，决定模拟的准确度，总数越多，准确度越高，当然耗时更多 预览光线数量是模拟之后可以看到的示意光线（黑线），一般是100~1000，随意设置 点击，开始模拟： （模拟结果） 如果光线太多，则会出现，可以看到剩余时间 照度分析： 分析-照度显示-光栅图表 ...
Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-单端信号-并联端接
Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析，通过搭建简易拓扑用于前仿真分析通道的时域性能，下面搭建一个简易的单端拓扑并且进行并联端接，以下图为例，准备好发送接收端的IBIS模型, (se_example.ibs，本例发送接收端都使用相同的IBIS模型)，以及传输线的S参数模型(W1_welement_se.sp)最上方的图形界面是传输线的模型，本例是一个上下都有参考平面的带状线，右侧的梯形是蚀刻角度，根据W1和W2以及铜厚来确定。
麻辣香锅病毒分析
Spicy Hot Pot浏览器劫持病毒（麻辣香锅病毒）从2020年初被安全公司监测到，因其病毒模块带有MLXG_KM被安全行业代称麻辣香锅病毒。目前通过各种激活工具传播， 包括暴风激活、小马激活和KMS激活等诸多工具，疑似与下载站进行合作推广此类激活工具。Spicy Hot Pot 是一个浏览器劫持 Rootkit，它会将用户的主页更改为指向恶意软件操作员控制的页面，此外还会将内存转储从机器上传到预定义的服务器，并结合本地更新功能以确保其保持更新。通常浏览器劫持者会通过更改用户主页的恶意可执行文件或注册表
【2025最新版】ABAP 开发百科全书专栏文章目录(上)
本文汇总了一系列SAP ABAP技术文章，内容涵盖实用技巧合集、函数式编程实践（如Currying、reduce应用）、设计模式实现（如Visitor、Singleton）、动态代理与Mock技术、性能优化方案（如Lazy Loading）、日期处理与内存管理，以及ABAP与JavaScript的编程范式对比。还涉及CDS视图、Fiori字段追踪、单元测试优化等实战经验，深入剖析了ABAP底层机制（如Internal Session、Function Module实现原理），并提供了多种反模式改进方案。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
349
扫一扫
