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
9.2k累计阅读
9.3k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
图像锐化（拉普拉斯算子）：
将一副图像减去经过拉普拉斯滤波滞后的图像，这幅图像的边缘部分将得到放大，计算公式如下：
滤波后的像素值=5*中-左-右-上-下：
/**
* @file 2_6.cpp
* @Synopsis 图像锐化，拉普拉斯算子
* @author weih.cao
* @version 1.0.0.0
* @date 2013-12-10
*/
#include<opencv2/core/core.hpp>
#include<opencv2/imgproc/imgproc.hpp>
#include<opencv2/highgui/highgui.hpp>
/* --------------------------------------------------------------------------*/
/**
* @Synopsis sharpen
*
* @Param imOpenCv图像锐化及各种高通滤波
目录 什么是图像锐化以及为什么要进行图像锐化 图像锐化的方法 1.空域滤波的可使用几种方法 1.1梯度法 1.2拉普拉斯算子法 1.3定向滤波法 2.频域方面的高通滤波 什么是图像锐化以及为什么要进行图像锐化 是什么？ 消除或减弱图像的低频分量从而增强图像中物体的边缘轮廓信息的过程称为图像锐化。 为什么？ 在上一节图像平滑处理过程中不仅消除了噪音，也使边缘纹理受到了损失（都是高频分量）。为了突出图像的边缘纹理信息，就可以使用图像锐化处理。 图像锐化的方法 图像锐化可以采用基于空间
opencv基础篇 ——（七）边缘检测和图像锐化
锐化和边缘检测是图像处理中常用的两种技术，它们可以用来增强图像的特征以及检测图像中的边缘锐化是一种增强图像中细节和边缘的技术，它使图像中的过渡区域更加明显，从而提高图像的清晰度和对比度。常见的锐化方法包括拉普拉斯算子和高斯滤波器等。边缘检测是一种寻找图像中突变区域的技术，它可以帮助我们找到图像中不同区域之间的边界。常见的边缘检测算法包括 Sobel、Canny 和 Scharr 等。
OpenCV：图像锐化
1.简介 边缘定义为图像中亮度突变的区域，可以利用微分方法去检测图像中的边缘。在图像处理中最常用的应用微分方法就是计算梯度（方向导数取最大值的方向的向量）。 图像为离散的数字矩阵，因此用差分代替微分，得到梯度图像。梯度图像反映的是图像中灰度级的变化，边缘检测需要进一步判断梯度图像中的特殊点。 图像锐化的目的是加强图像中景物的边缘与轮廓，突出图像中的细节或者增强被模糊了的细节。实质是将原图像和梯度图像相加，以增强图中的变化。 2. Roberts Sobel void Sobel ( I..
计算机视觉之两种锐化图像的方法-OpenCV代码详解
引言： 在图像处理领域有一个众所周知的结论：如果从图像中减去拉普拉斯算子部分，图像的边缘就会放大，因而图像会变的更加尖锐。 在这里基于拉普拉斯算子，通过访问图像中相邻像素来实现对图像的锐化 1、锐化原理公式 5*current[i] - current[i-nchannels] - current[i+nchannels]-previous[i]-next[i]); 2、第一种实现方式：通过...
拉普拉斯算子Laplace
拉普拉斯算子Laplace概述算子模板应用原理opencv代码效果展示 概述 定义：拉普拉斯算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f），函数 f 的拉普拉斯算子▽2f 又可以写成▽·▽f。 拉普拉斯算子是一种各向同性微分算子，它具有旋转不变性。 一个二维图像函数的拉普拉斯变换是各向同性的二阶导数。 求导阶数：二阶求导。 拉普拉斯算子 (Laplace) 作用： 1.对图像进行边缘检测； 2.锐化图像； 3.判断模糊。 算子模板 邻域系统是4或8邻域的Laplacian
使用openCV进行图像处理
概念：图像锐化是一种增强图像细节和边缘的图像处理技术。它通过增加像素值的差异来提高图像的对比度，使图像中的边缘和细节更加突出。我们学习了图像处理中的图像模糊和图像锐化技术。图像模糊包括均值滤波、中值滤波和高斯滤波，它们分别适用于不同的噪声去除和平滑需求。图像锐化用于增强图像的边缘和细节。通过实例代码，我们展示了如何应用这些技术来处理图像。
OpenCV实战——使用邻居访问扫描图像
在图像处理中，有时需要根据某个像素的相邻像素的值计算该像素位置的值。当这个邻域包括上一行和下一行的像素时，就需要同时扫描图像的多行像素，本节中，我们将介绍如何通过邻居访问扫描图像。
本地部署ComfyUI：开源AI生图与视频生成完整实战指南
在生成式AI应用快速普及的今天，云端工具常受制于排队、积分和素材管理等问题，而本地化部署正成为开发者与创作者的高效替代方案。其核心思路是基于开源工作流引擎，将图像生成、视频生成与后期处理整合到同一套可离线运行的系统中。ComfyUI作为当前最受关注的节点式工作流平台，凭借灵活的模块组合和强大的自定义能力，降低了从图像模型调用到视频扩展的工程门槛。本文从环境配置与依赖安装入手，系统讲解如何部署ComfyUI、加载Checkpoint模型、跑通文生图基础流程，再通过自定义节点接入视频生成能力，同时介绍API批量
汽车工程师必看：从CAN到Ethernet，6种车载通信协议全解析（附应用场景对比）
本文全面解析了从CAN到Ethernet的6种车载通信协议，包括CAN、LIN、MOST、FlexRay等，并对比了它们的应用场景和技术特点。文章详细介绍了各协议的演进历程、技术优势及在现代汽车中的混合网络架构设计，为汽车工程师提供了实用的协议选型指南和未来通信技术发展趋势。
SAP PP实战：MRP Area怎么用？手把手教你按产线、委外供应商拆分物料计划
本文详细解析了SAP PP模块中MRP Area的功能与应用，指导如何按产线、委外供应商拆分物料计划，实现精细化物料需求管理。通过实战案例展示MRP Area在减少计划冲突、提升库存准确率方面的显著效果，为制造业企业提供可落地的解决方案。
CEH Practical 实战考试真题与答案
CEH Practical 是 EC-Council 推出的Certified Ethical Hacker（CEH）认证项目中的一项高级动手实践考试。它不同于传统的理论考试，侧重于在真实环境中检验考生的实操能力。
Unity3d实现红外热成像效果
1.将需要在红外图像中高亮的物体设置到图层PostProcessing。 2.新建一个相机CameraHighLight，设置其Culling Mask为PostProcessing，也就是在这个相机中只有PostProcessing图层的物体可见。 3.新建一个RenderTexture，命名为HightLightRt，将CameraHighLight的Target Texture设HightLightRt。 4.新建一个相机Camera2，这个相机用于显示其他物体。 接下来将CameraHigh
第1课：开篇扫盲——OpenClaw是什么？能帮你解决什么问题？（入门必看）
核心目标：学会安装、卸载、管理OpenClaw技能，自定义AI代理的性格与权限，让AI贴合自己的使用习惯。核心内容技能市场详解：ClawHub市场核心技能分类（办公、学习、开发、生活），热门技能推荐（web-search、文件处理、邮件管理）[superscript:3][superscript:4]。技能安装与卸载：终端命令实操（openclaw skill install/uninstall），技能更新与版本管理[superscript:3]。
传统方式部署 Hadoop 高可用集群
传统方式部署 Hadoop 高可用集群
Ceph入门到精通-存储桶通知
这 通知还可以根据前缀的匹配项过滤掉事件，并且 （1） 键的后缀，（2） 附加到对象的元数据属性， 或 （3） 对象标签。在此模式下，操作仅在以下之后确认（确认） 通知将发送到主题的已配置终端节点。这意味着 通知的往返时间（发送 通知主题的终端节点以及接收 确认）被添加到操作本身的延迟中。要更新主题，请使用用于创建主题的相同命令（但在 更新时，使用现有主题的名称和不同的终端节点值）。端口：对于未加密的连接，默认为 5672，对于未加密的连接，默认为 5671 SSL 加密连接。（默认情况下，这是“假的”。
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")
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
