Acmer_future_victor的博客

本文研究了所有可能维度 {H,W, C,HW, HC, CW, HWC} 的自注意力。然后探索所有可能的 self-attention 的聚合。应用神经架构搜索（NAS）技术来实现最佳聚合。具体来说，精心设计（1）搜索空间和（2）优化方法。对于（1），引入了一个构建块，一个基本的自注意力搜索单元（BSU），它可以对所有维度的自注意力进行建模。并且搜索空间包含in-BSU 和crossBSU 操作。此外，提出了一种注意力图分割方法，可以将计算量减少 1/3。对于（2），应用一种有效的可微优化方法来搜索最优聚合

Reverse Attention for Salient Object Detection2018ECCVAbstract得益于深度学习技术的快速发展，显著目标检测最近取得了显著进展。然而，仍然存在以下两个主要挑战阻碍其在嵌入式设备中的应用，低分辨率输出和沉重的模型权重。为此，本文提出了一个准确但紧凑的深度网络，用于高效的显著目标检测。更具体地说，给定最深层的粗略显著性预测，我们首先采用残差学习来学习侧输出残差特征以进行显著性细化，这可以在保持准确性的情况下使用非常有限的卷积参数来实现。其次，我们进

# 没有matlab代码选项，用的python选项，但实际是matlab代码# 我的matlab版本是windows版本的R2022a# 加载图像，'.jpg'是图像格式，也可以是png等其他格式,'选择图像'# 是一个title，可以换成其他的，写完该行代码换行，会弹出一个对话框，可以选择自己想要操作的图像，如Fig.1所示[filename, pathname] = uigetfile({'.jpg'}, '选择图像');# 读取图像src = imread([pathname, filen

学习过程中看到了这篇博客，记录一下，方便后续回顾。https://blog.youkuaiyun.com/weixin_42782150/article/details/110421829

Fully Automated Delineation of Gross Tumor Volume for Head and Neck Cancer on PET-CT Using Deep Learning: A Dual-Center Study**深度学习在PET-CT上全自动勾画头颈部肿瘤总体积的双中心研究**中科院SCI分区：4区 DCNN：二维方法数据集：22例病人的PET/CT图像 来自医院和肿瘤中心

本文为转载文章，原文链接。

原文链接

原文链接

本文为转载文章，原文链接 通用约定 基本图像属性： image_3D = sitk.Image(256, 128, 64, sitk.sitkInt16)image_2D = sitk.Image(64, 64, sitk.sitkFloat32)image_2D = sitk.Image([32,32], sitk.sitkUInt32)image_RGB = sitk.Image([128,6

本文为转载文章，原文链接为“https://www.jianshu.com/p/f2e88197e81d”本文转自 python数字图像处理基于python脚本语言开发的数字图片处理包，比如PIL,Pillow, opencv, scikit-image等。PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv实际上是一个c++库，只是提供了python接口，更新速度非常慢...

该文章为转载文章，原文链接为https://blog.youkuaiyun.com/weixin_41043240/article/details/80265577 1. ROC曲线ROC（Receiver Operating Characteristic Curves）曲线是显示Classification模型真正率和假正率之间折中的一种图形化方法。解读ROC图的一些概念定义:：...

Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。这篇文章思路简洁，在DPM方法多年平台期后，效果提高显著。包括本文在内的一系列目标检测算法：RCNN, Fast RCNN, Faster RCNN代表当下目标检测的...

基于距离的分水岭分割流程：输入图像——>灰度转换(如果有噪声，在这之前要先消去噪声)——>二值图像——>距离变换——>寻找种子——>生成Marker——>分水岭变换——>输出图像——>ENDimport cv2 as cvimport numpy as npdef watershed_demo(): print(src.sh...

顶帽（tophat）：是原图像与开操作之间的差值图像。黑帽（blackhat）：是闭操作与原图像的差值图像。形态学梯度 （Gradient）：1、基本梯度：用膨胀后的图像减去腐蚀后的图像得到的差值图像，称为梯度图像（也是OpenCV中支持的计算形态学梯度的方法）基本梯度 = 膨胀图像 - 腐蚀图像2、内部图像 = 原图像 - 腐蚀图像3、外部梯度 = 膨胀图像 -...

1、开操作（Open）：图像形态学的重要操作之一，基于膨胀和腐蚀操作组合形成的。主要应用在二值图像分析中，灰度图像亦可。开操作=腐蚀+膨胀，输入图像+结构元素。2、闭操作（Close）：闭操作=膨胀+腐蚀，输入图像+结构元素。闭操作可以填充小的封闭区域。3、开闭操作的作用：a、开操作：去除小的干扰块。b、闭操作：填充闭合区域。c、水平或者垂直线提取。（结构元素是水平的长条可以提...

图像形态学是灰度图像与二值图像处理中的重要手段，是由数学的集合论等相关理论发展起来的。膨胀与腐蚀都支持任意形状的结构元素。膨胀（Dilate）：用掩膜覆盖位置下的最大像素替代中心位置的像素。膨胀的作用：1、对象大小增加一个像素（3*3）2、平滑对象边缘3、减少或者填充对象之间的距离腐蚀（Erode）：用掩膜覆盖位置下的最小像素替代中心位置的像素。import cv...

1、弧长与面积a、轮廓发现b、计算每个轮廓的弧长与面积，以像素为单位2、多边形拟合a、获取轮廓的多边形拟合效果b、approxPolyDP（contour，epsilon，close）epsilon越小，折线越逼近真实形状。close决定是否为闭合区域3、几何矩计算a、原点矩 b、中心矩那么图像的重心坐标是，import cv2 as cvi...

轮廓发现实基于图像边缘提取的基础寻找对象轮廓的方法。所以边缘提取的阈值选定会影响最终轮廓发现的结果。API介绍：1、——findContours 发现轮廓2、——drawContours 绘制轮廓cv.RETR_TREE，外轮廓内部的轮廓也会标记cv.RETR_EXTERNAL，只标记外轮廓import cv2 as cvimport numpy as np...

霍夫圆变换原理1、从平面坐标到极坐标转换是三个参数从C(x0,y0,r)其中x0，y0是圆心2、假设平面坐标的任意一个圆上的点，转换到极坐标中：C(x0,y0,r)处有最大值，霍夫变换正是利用这个原理实现元的检测。（上面的一段话，个人不是很理解，先记下来，慢慢理解。）现实考量：1、因为霍夫圆检测对噪声比较敏感，所以首先要对图像做中值滤波。2、基于效率考虑，OpenCV...

霍夫直线变换介绍1、Hough Line Transform用来做直线检测2、前提条件——边缘检测已经完成3、平面空间到极坐标空间转换import cv2 as cvimport numpy as npdef line_detection(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # aper...

Canny是边缘检测算法，是一个很好的边缘检测器，很常用也很实用。步骤：1、输入图像通过高斯模糊（GaussianBlur），去掉一些噪声。2、灰度转换（cvtColor）3、计算梯度（Sobel、Scharr）4、非最大信号抑制5、高低阈值输出二值图像非最大信号抑制通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以提出一大部分非边缘的点。...

import cv2 as cvimport numpy as npdef laplacian_demo(image): # dst = cv.Laplacian(image, cv.CV_32F) # lpls = cv.convertScaleAbs(dst) # 自己定义掩膜 kernel = np.array([[1, 1, 1], [1,...

1、图像金字塔原理：reduce = 高斯模糊 + 降采样降采样：行、列各取偶数行，组成新的图像expand = 扩大 + 卷积（扩大是升采样）2、经过reduce的图像是高斯金字塔L1 = g1 - expand(g2)得到图像的轮廓是拉普拉斯金字塔import cv2 as cvimport numpy as np# 金字塔定义def pyramid_d...

超大图像二值化一般用局部阈值法或者先分块再用全局阈值。import cv2 as cvimport numpy as npdef big_image_binary(image): print(image.shape) cw = 256 ch = 256 h, w = image.shape[:2] # 图像大小获取 gray = cv.cvt...

图像二值化的方法：1、全局阈值 2、局部阈值OpenCV中图像二值化方法：1、OTSU 2、Triangle 3、自动与手动 4、自适应阈值import cv2 as cvimport numpy as np# 根据选定的方法自动寻找阈值def threshold_demo(image): # 灰度图像 gray = cv.cv...

1、模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域2、模板匹配首先要有一个模板图像T（给定的子图像）3、另外需要一个待检测的图像——源图像S4、工作方法：在检测图像上，从左到右，从上到下计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性就越大。import cv2 as cvimport numpy as npdef template_demo()...

1、直方图均衡化（调整图像对比度，图像清晰化），是图像增强的一个手段，使得亮的地方更亮，暗的地方更暗。可分为全局和局部两个方面。2、直方图的比较import cv2 as cvimport numpy as np# 全局的直方图均衡化def equalHist_demo(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRA...

（个人理解，对于RGB图像，每个通道的像素值在0-255之间，共256个值，所以Bin的数目是256。加入图像是14位的，则图像一共有个像素值。故一个Bin的大小是64，所以统计得到的直方图x轴是0-255，y轴是0-64。）import cv2 as cvimport numpy as npfrom matplotlib import pyplot as pltdef pl...

import cv2 as cvimport numpy as np# 高斯双边（考虑了像素值之间的差异）def bi_demo(image): # 100是sigmaColor，15是sigmaSpace，d设为0，后面根据sigmaSpace自己计算 # 通常sigmaColor取大点儿，可以将小的差异模糊掉，sigmaSpace取小点儿，使和小点儿，可以减少计算...

高斯模糊对高斯噪声有抑制作用假设高斯函数是G(x)，对于图像，假设高斯核是1*3的，则x是-1， 0，1，对应于G(-1)，G(0)、G(1)，sum=G(-1)+G(0)+G(1)，则G(-1)/sum + G(0)/sum + G(1)/sum = 1import cv2 as cvimport numpy as npdef clamp(pv): if pv &g...

模糊操作基本原理：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象均值模糊：用来去除随机噪声dst = cv.blur(image, (15, 1)) # 15*1的卷积核，水平方向中值模糊：用来去除椒盐噪声dst = cv.medianBlur(image, 5) # 5*5的卷积核自定义模糊：k...

import cv2 as cvimport numpy as npdef fill_color_demo(image): # 彩色图像的填充 copyImg = image.copy() h, w = image.shape[:2] mask = np.zeros([h+2, w+2], np.uint8) # mask的大小和数据类型必须是这种 ...

import cv2 as cvimport numpy as npdef add_demo(m1, m2): dst = cv.add(m1, m2) cv.imshow('add_demo', dst)def subtract_demo(m1, m2): dst = cv.subtract(m1, m2) cv.imshow('subtract_...

import cv2 as cvimport numpy as npdef extrace_object_demo(image): capture = cv.VideoCapture('视频文件的路径')def color_space_demo(image): # 色彩空间的转换 gray = cv.cvtColor(image, cv.COLOR_BGR2G...

import cv2 as cvimport numpy as np# 将图像中的像素值改为 255-原像素值def access_pixels(image): print(image.shape) height = image.shape[0] width = image.shape[1] channels = image.shape[2] ...

import cv2 as cvimport numpy as npdef get_image_info(image): # 打印图片属性 print(type(image)) # 打印图片形状 print(image.shape) # size = shape的三个值相乘 print(image.size) # 打印image类型...

以腹部淋巴结数据集（一个病人）为例，查看病人的扫描HU值分布情况# __author: Y# date: 2020/1/8# -*- coding:utf-8 -*-# 载入相应的包import globimport osimport pandas as pdimport SimpleITK as sitkimport numpy as np # linear algeb...

以一个病人的腹部淋巴结数据为例，查看病人的扫描HU值分布情况# __author: Y# date: 2020/1/8# -*- coding:utf-8 -*-# 载入相应的包import globimport osimport pandas as pdimport SimpleITK as sitkimport numpy as np # linear algebra...

缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避...