DrGraph原理示教 - OpenCV 4 功能 - 颜色变幻

DrGraph DrGraph 博客等级 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 600+累计阅读 615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 码龄14年
关注
原创 最新推荐文章于 2026-05-12 13:52:03 发布 615 阅读 AI 写同款· GEO 优化 ›
SpringBoot+Vue+Mysql社区医院信息平台（源码+文档） SpringBoot+Vue+Mysql学生宿舍信息管理系统 WEB端软件项目（源码+文档） 项目包含：①完整源码（后端+管理后台+用户前台）；②数据库脚本文件；③万字论文文档；④开题报告；⑤答辩PPT；⑥项目运行视频教程。 项目架构： B/S 架构、MVC 分层设计 技术栈： Java、MySQL、SpringBoot、MyBatis-Plus、Token 权限校验、管理后台 Vue+ElementUI+ECharts、用户前台 Layui+jQuery、Maven 构建。 一、角色设计 学生用户： 注册登录、浏览宿舍信息、查询宿舍安排、在线报修、缴费查询、失物招领、桶装水预订、评论交流、收藏等。 商家用户： 注册登录、桶装水品牌与商品信息维护、预订订单查看与处理。 维修人员： 注册登录、查看待处理报修、接单维修、填写报修处理结果与进度反馈。 管理员： 学生管理、班级管理、宿舍信息管理、宿舍安排管理、报修处理管理、缴费信息管理、卫生检查与文明宿舍管理、失物招领管理、桶装水与商家管理、维修人员管理、公告资讯与轮播图管理等。 二、前台功能模块（学生端） 1. 首页展示：轮播图、宿舍公告、最新动态推荐、常用服务快速入口 2. 宿舍信息模块：宿舍列表、楼栋与房间条件筛选、宿舍详情查看、我的宿舍安排查询 3. 在线报修模块：在线提交宿舍设施报修申请、上传故障描述、查看报修进度与维修处理结果 4. 缴费模块：水电等缴费记录查询、缴费状态查看 5. 卫生检查与文明宿舍：宿舍卫生检查结果公示、文明宿舍展示 6. 失物招领模块：失物信息发布、招领信息发布、详情查看、评论互动 7. 桶装水预订：桶装水品牌与商品浏览、在线预订、我的预订记录查询 8. 假期留宿：假期留校申请提交、申请记录查询 9. 评论与收藏：信息评论、查看他人评论、评论回复互动、收藏感兴趣的内容 10. 个人中心... 立即下载

二值化是逐像素处理，而逐像素处理会有很多效果，这主要是给人眼看的，因为像素值的变化，直观的就是图像变化，比如颜色。

颜色变幻处理

OpenCV提供了一些图片，如下：
在这里插入图片描述
粗看是一些风格，细看一下，其实是各行颜色一致，看属性知道图像尺寸为256 * 30。
256是字节宽度，也是各通道取值范围。
所以，可以用查表法直接替代处理，即将上面一张图片作为输入，则各行就将原值的0-255映射成为图片相应列的值。图像尺寸设置为30，其实也无所谓多少行，至少一行就行，不过行数太少了，人看起来就感觉，行数多了，读到计算机内存里面处理也浪费。那就折衷选个30吧。
代码处理，这就看水平了，可以一次性全读入，也可以只读取需要的图片。

   QString colorMapPath = THelper::File::GetPath_Resource() + "colorMap/";
    QStringList fileNames;
    THelper::File::BrowseDir(fileNames, colorMapPath, "*.*");
    if (!COLORMAP_TABLE) {
        if(fileNames.count() > 0) {
            COLORMAP_TABLE = new cv::Vec3b[256 * fileNames.count()];
            BYTE * pDst = (BYTE*)COLORMAP_TABLE;
            foreach(QString fileName, fileNames) {
                cv::Mat mat = CvHelper::MatFromFile(fileName);
                if(mat.cols * mat.channels() == 256 * 3) {
                    memcpy(pDst, mat.data, 256 * 3);
                    pDst += 256 * 3;
                }
            }
        }
    }

最终的颜色变幻处理逻辑：

// 其它-颜色变幻
    int paramIndex = 0;
    FMapIndex = GetParamValue_Int(paramIndex++);    // 0: 变幻颜色
    Mat tempMat;
    cvtColor(dstMat, tempMat, COLOR_BGR2GRAY);
    dstMat = cv::Mat(tempMat.rows, tempMat.cols, CV_8UC3);
    cv::Vec3b * table = COLORMAP_TABLE + 256 * FMapIndex;
    BYTE * pTemp = tempMat.data;
    cv::Vec3b * pDst = (cv::Vec3b*)dstMat.data;
    for (int row = 0; row < tempMat.rows; ++row)
        for (int col = 0; col < tempMat.cols; ++col)
            * pDst++ = table[*pTemp++];

本质上还是逐像素处理，这里是查表法，核心逻辑就是* pDst++ = table[*pTemp++];
这个整明白后，那就可以自己设计一个图片作为查表输入，当然有一点点的美工基础更好。

API函数

OpenCV中，提供了一个applyColorMap函数，具体文档说明：

/** @brief Applies a GNU Octave/MATLAB equivalent colormap on a given image.

@param src The source image, grayscale or colored of type CV_8UC1 or CV_8UC3.
@param dst The result is the colormapped source image. Note: Mat::create is called on dst.
@param colormap The colormap to apply, see #ColormapTypes
*/
CV_EXPORTS_W void applyColorMap(InputArray src, OutputArray dst, int colormap);

继续查看ColormapTypes定义，可知其系统提供了22种颜色风格。

//! GNU Octave/MATLAB equivalent colormaps
enum ColormapTypes
{
    COLORMAP_AUTUMN = 0, //!< ![autumn](pics/colormaps/colorscale_autumn.jpg)
    COLORMAP_BONE = 1, //!< ![bone](pics/colormaps/colorscale_bone.jpg)
    COLORMAP_JET = 2, //!< ![jet](pics/colormaps/colorscale_jet.jpg)
    COLORMAP_WINTER = 3, //!< ![winter](pics/colormaps/colorscale_winter.jpg)
    COLORMAP_RAINBOW = 4, //!< ![rainbow](pics/colormaps/colorscale_rainbow.jpg)
    COLORMAP_OCEAN = 5, //!< ![ocean](pics/colormaps/colorscale_ocean.jpg)
    COLORMAP_SUMMER = 6, //!< ![summer](pics/colormaps/colorscale_summer.jpg)
    COLORMAP_SPRING = 7, //!< ![spring](pics/colormaps/colorscale_spring.jpg)
    COLORMAP_COOL = 8, //!< ![cool](pics/colormaps/colorscale_cool.jpg)
    COLORMAP_HSV = 9, //!< ![HSV](pics/colormaps/colorscale_hsv.jpg)
    COLORMAP_PINK = 10, //!< ![pink](pics/colormaps/colorscale_pink.jpg)
    COLORMAP_HOT = 11, //!< ![hot](pics/colormaps/colorscale_hot.jpg)
    COLORMAP_PARULA = 12, //!< ![parula](pics/colormaps/colorscale_parula.jpg)
    COLORMAP_MAGMA = 13, //!< ![magma](pics/colormaps/colorscale_magma.jpg)
    COLORMAP_INFERNO = 14, //!< ![inferno](pics/colormaps/colorscale_inferno.jpg)
    COLORMAP_PLASMA = 15, //!< ![plasma](pics/colormaps/colorscale_plasma.jpg)
    COLORMAP_VIRIDIS = 16, //!< ![viridis](pics/colormaps/colorscale_viridis.jpg)
    COLORMAP_CIVIDIS = 17, //!< ![cividis](pics/colormaps/colorscale_cividis.jpg)
    COLORMAP_TWILIGHT = 18, //!< ![twilight](pics/colormaps/colorscale_twilight.jpg)
    COLORMAP_TWILIGHT_SHIFTED = 19, //!< ![twilight shifted](pics/colormaps/colorscale_twilight_shifted.jpg)
    COLORMAP_TURBO = 20, //!< ![turbo](pics/colormaps/colorscale_turbo.jpg)
    COLORMAP_DEEPGREEN = 21  //!< ![deepgreen](pics/colormaps/colorscale_deepgreen.jpg)
};

运行效果

OpenCV 4 功能 - 颜色变幻

不过，用applyColorMap的话，受到的制约就是只有这22种效果。也许OpenCV 5会更多一些。要想自由的话，还是直接查表处理，那里啥都有。

收录于
DrGraph

当前文章被收录于：

DrGraph
28 篇文章 1 人学习
订阅专栏 查看详情
原理示教

当前文章被收录于：

原理示教
26 篇文章 0 人学习
订阅专栏 查看详情
OpenCV

当前文章被收录于：

OpenCV
9 篇文章 1 人学习
订阅专栏 查看详情
标签
#OpenCV #DrGraph #原理示教
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。
数据挖掘实战：决策树 + 聚类 + 关联规则，零 Key 离线可跑（Python 源码） 数据挖掘实战包。用 Python 标准库实现 CART 风格决策树、K-Means 聚类与 Apriori 关联规则，在虚构「星河便利店」会员表和购物篮上跑通分类、分群与购物篮分析，并给出准确率、轮廓系数、支持度/置信度/提升度。零第三方依赖、零 API Key 即可离线跑通。含 4 个样例、离线冒烟、中文 README（含「使用方法」）。均为作者原创可运行源码。MIT。作者 blog.youkuaiyun.com/mtl1994 立即下载

相关推荐

产业园区如何高效对接企业技术需求与高校科研成果？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

DrGraph原理示教 - OpenCV 4 功能 - 颜色空间

前段时间，甲方提出明确需求，让把软件国产化。稍微研究了一下，那就转QT开发，顺便把以前的功能代码重写一遍。至于在Ubuntu下折腾QT、OpenCV安装事宜，网上文章很多，照猫画虎即可。QT 6支持C++ 17，里面很多C++的新功能，用起来更为舒爽。QT Creator中，代码提示更快捷，代码折叠也很准确QT Creator中，文档生成更方便，配合Doxygen之后，自己都感觉更专业了当然，更让我高兴的是，QT直接支持最新版的OpenCV，以前还一直停留在2.3版。

drgraph的博客 1442

国央企创新负责人如何快速掌握本地科技资源分布与匹配情况？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

DrGraph原理示教 - OpenCV 4 功能 - 二值化

二值化，也就是处理结果为0或1，当然是针对图像的各像素而言的1或0，对应于有无，也就是留下有用的，删除无用的，有用的部分，就是关心的部分在图像处理中，也不仅仅只是1或0，因为这两个值看起来都是黑的，人眼很难分辨清楚，那就放大一些，255或0，黑白就出来了目标识别、图像分割、目标提取等后续应用，很多会基于二值化的结果。所以图像分析的二值化处理是一个重要环节。

drgraph的博客 734

国央企创新负责人如何实现科技成果的精准识别与高效筛选？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

【重磅更新】CT/MRI LI-RADS 2024：肝细胞癌局部区域治疗后反应评估的核心突破与临床实践指南

减少过度治疗：辐射 LRT 的 Nonprogressing 类别避免了 “持续强化 = 存活” 的误判，降低不必要的再治疗风险；提高检出效率：非辐射 LRT 的辅助特征升级减少了 Equivocal 比例，更早识别存活肿瘤；统一评估语言：标准化的分类标准为放射科、肝病科、肿瘤科、肝移植科的多学科协作（MDT）提供了统一 “沟通工具”，助力治疗方案的精准制定。

楚山之石的博客 1225

DrGraph原理示教 - OpenCV 4 功能 - 边界填充

这里的核心就是理解borderType，具体就是。今天简单来看一下OpenCV中的边界填充。OpenCV 4 功能 - 边界填充。其实不用记，实验一下就了解。

drgraph的博客 631

AI驱动视频剪辑自动化：cutcli命令行工具重塑工作流

视频剪辑自动化是提升内容生产效率的关键技术，其核心原理在于通过程序化指令替代手动操作，将创意执行过程代码化。这项技术的价值在于能够将创作者从重复性劳动中解放，实现批量化、标准化的视频内容生产，尤其适用于社交媒体运营、产品宣传等高频产出场景。通过封装专业软件（如剪映/CapCut）的底层草稿格式，自动化工具在保证工业级渲染质量的同时，提供了可编辑的中间态，为AI智能体（Agent）与生产工具的结合提供了清晰接口。本文以cutcli为例，深入探讨了如何通过命令行工具和AI助手，构建从自然语言指令到可编辑视频草稿

weixin_27210125的博客 1064

DrGraph原理示教 - OpenCV 4 功能 - 单通道图

在OpenCV中，Mat类的channels实际上和每个元素上存储的数据有关，例如存储的是Point3f，channel就自动为3。具体来说，图像是由一个个像素点堆积而成的，而一个像素点，又是由RGB颜色混合而成的。从数学的角度来看，结果都是 f(R, G, B, A)，单通道是R/G/B/A中的一个，灰度是其余逻辑，如0.299×R+0.587G+0.114B。当然，对编程来说，光知道通道数是多少，并没有什么大用，应该要取得某个通道的图像才是目的，这也是各图像的内在本质。这里的通道就是channels。

drgraph的博客 650

VCS 2018 环境下，手把手教你用 UVMC 搞定 SystemC 和 SystemVerilog 混合仿真（附完整代码）

本文详细介绍了在VCS 2018环境下使用UVMC实现SystemC和SystemVerilog混合仿真的完整指南。从环境配置、工具链设置到UVMC通信机制解析，提供了实战案例和高级调试技巧，帮助开发者高效搭建复杂验证环境。特别适合需要处理跨语言仿真的芯片验证工程师。

weixin_30952535的博客 285

OpenCL编译环境配置

在 Linux 系统上配置 OpenCL 开发环境需要安装适当的驱动、运行时和开发工具。

深之JohnChen的专栏 2003

DrGraph原理示教 - OpenCV 4 功能 - 阈值

参数4：阈值的方式，主要有5种，分别为cv.THRESH_BINARY、cv.THRESH_BINARY_INV、cv.THRESH_TRUNC、cv.THRESH_TOZERO、cv.THRESH_TOZERO_INV。有时间看下源码就可以不用猜测了。二进制阈值化：选择一个特定的阈值量，大于该阈值的像素点的灰度值设定为最大值（如8位灰度值最大为255），小于该阈值的像素点的灰度值设定为0。反阈值化为0：与阈值化为0类似，只是像素点的灰度值大于该阈值的不进行任何改变，而小于该阈值的，其灰度值全部变为0。

drgraph的博客 1447

YOLOv8中Anchor-Based、Anchor-Free及样本分配策略

本文主要介绍yolov8中的anchor机制与样本分配策略的静态策略和动态策略

qq_52889317的博客 2211

DrGraph原理示教 - OpenCV 4 功能 - 直方图

OpenCV直方图是一种可以对整幅图的灰度分布进行整体了解的图示。它是带有像素值（从0到255，不总是）的图在X轴上，在y轴上的图像对应的像素个数。通过观察图像的直方图，我们可以直观的了解图像的对比度、亮度、亮度分布等。在直方图中，横坐标表示图像中各个像素点的灰度级，纵坐标表示具有该灰度级的像素个数。直方图的左边部分显示了图像中较暗像素的数量，右边区域显示了更明亮的像素。直方图是非常常用的图像处理方法，有时在很多图像预处理中能起到特别好的效果。

drgraph的博客 1361

FPGA DDR3实战（四）：DDR地址映射自动化测试（1）—— 测试程序设计与代码逻辑

本文介绍了一种DDR地址映射自动化测试方案，旨在提高板卡调试效率。方案通过AXI4协议实现主从端通信，构建了包含地址控制器和测试数据生成器的模块化架构。测试程序支持突发传输、状态监控和错误检测，可灵活配置测试参数。采用状态机控制流程，先写入递增数据再读取比对，完成功能验证和性能评估。该方案可系统化验证DDR的正确性、稳定性和可靠性，相比传统手动测试显著提升效率。

FPGA_小田老师的博客 1977

9篇6章7节：SEER 数据库的2025年数据变量多条件组合选择（2026年版）

软件中的病例筛选功能通过CaseSelection界面实现精准研究队列构建。该界面允许用户通过变量选择（Variable）、运算符定义（Operator）和取值设定（Values）三步操作创建筛选条件，支持种族、分期等关键变量的多条件组合。

MD Code 1455

BS版图形系统 - 界面控件配置

BS版图形系统 - 界面控件配置界面控件考虑资源配置化XML资源配置加载下一步任务 QQ: 282397369 界面控件考虑 有了属性浏览器，下来就该处理工具栏了。 一个直观感觉，网页留给程序的空间，要比应用程序少。网页在浏览器这个程序中运行，不同的浏览器，提供相应的界面，占据标题、工具栏位置，甚至书签与侧栏。所以做网页程序的时候，尽量能将工作区整大一些。 当然，如何整应该是UI设计的事，技术层面还是关心如何实现的问题。 在属性浏览器的基础上，初步实现了一个VCL的JS框架。但新建控件，还是要写一堆代码来控

drgraph的博客 1270

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

BS版图形系统 - 画线

BS版图形系统 - 画线 一晃两个月过去了，儿子也考了个喜欢的大学，重新，又稳定了下来。 我也重操旧业，编点小程序。时不时发个小博客，自娱自乐一下。 今天处理图元 - 线。 话不多说，直接上代码。 export class TLine extends TTwoPointMeta { beginArrow: TArrow = new TArrow; endArrow: TArrow = new TArrow; Initial() { this.setClassType(

drgraph的博客 774

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

DrGraph - SVG模块之一：显示与节点选择

DrGraph - SVG模块之一：显示与节点选择显示SVG编辑生成目标子集SVG 对于虚拟面板中的元件，以前采用FLASH技术实现相应显示与交互，通过ActionScript进行通信。现在看来，FLASH好象势微，使用起来有点麻烦，需要一些设置。其次，做FLASH的人也少了，后续也不太方便。 那就用SVG来进行改造。 显示SVG 将SVG解析置于DLL中，应用程序直接调用DLL完成解析并生成PNG，然后再画出显示。 UnicodeString filename = FResponseNode->At

drgraph的博客 680

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

脚本为王 - 辅助功能

脚本为王 - 辅助功能目标通用辅助功能QQ自动反馈图像输入操作模式 QQ: 282397369 目标 之前做了个苹果全自动试玩脚本，发觉脚本+图像分析确实很有用，尤其是针对最终应用，比如手机业务、产品质量检测，其灵活性与实用性大大增加。 本月，送儿子去深圳上大学，发现深圳众多中小公司工厂，对脚本+图像分析的需求旺盛。 所以，干脆做一个通用的脚本模块软件，可用于诸多需求场合。 把多年不用的群208894875清空，改群名为脚本为王，笨狗先扎个狼狗势。 通用辅助功能 QQ自动反馈 该功能主要是在软件运行过程中，

drgraph的博客 649

DrGraph原理示教 - OpenCV 4 功能 - 形态操作

OpenCV作为一个基础的或通用的图像处理，那肯定是需要支持不同的需求，象刚说的这些主体差异，功能也是存在了，只不过采用了相应的所谓专业术语来进行称呼，如梯度、礼帽与黑帽。这些结果可以为主体，但很多地方还想看看边界或轮廓，那就需要在这些主体之间进行差值，或是减法操作，这样，结果就是边缘，就象两个大小不同的同心圆，差值后就得到圆环。从OpenCV图像处理基本知识来看，膨胀腐蚀操作后，还有形态操作，如开运算、闭运算、梯度、礼帽与黑帽，感觉很多，其实，本质上就是批处理操作，如。如，梯度 = 膨胀 - 腐蚀。

drgraph的博客 636

BS版图形系统 - Ribbon工具栏初步

BS版图形系统 - Ribbon工具栏初步组件实现RibbonRibbonTabToolBarButton调用对应的xml运行效果下一步工作 QQ: 282397369 开始攻Ribbon，毕竟软件有个象样的界面，还是要拿得出手一点点。 思路就借鉴DevExpress，简化实现，不整太多的不必要环节。 第二个思路就是先实现功能，以后再模块化。 组件实现 先准备初步要用到的组件。 Ribbon export class TRibbon extends TPageControl { btnApp: TB

drgraph的博客 602

DrGraph原理示教 - OpenCV 4 功能 - 膨胀腐蚀

这个概念对于没太多理论支持的程序员来说，术语太多，可以简单理解就是，膨胀与腐蚀是相对于白色区域而言的。如果膨胀，白色区域就象面团发酵一样会胀大，但空间就那么大，可能两个面团就会挨上合并成一个面团了。如果腐蚀，就象拉面，原来一根面条，可能就断成两根，当然断的地方肯定是从细处断。原理很简单，代码也很简单，膨胀与腐蚀分别对应两个函数：dilate与erode，这两个函数的参数都一样。这些处理有些是概念上的，有些是原理上的，也有形态上的，那就看用途与目的了。在二值图的结果基础上，可针对性处理。

drgraph的博客 564

BS版图形系统 - 属性浏览器

BS版图形系统 - 属性浏览器 ** QQ: 282397369 ** 原理示教项目基本没跑，6月初确定动手。 两条线同时进展：管理系统和图形系统。 管理系统有正常前后端即可，图形系统还是主要的业务展示场合，一般的管理系统并不涵盖这些功能，所以干脆从头开发。 经过半个月的摸索尝试，最终选定TypeScript 作为图形工具，首先就要解决属性修改需求，即PropertyGrid。网上也有现成的PropertyGrid，但用起来代价太大，那就自己来做一个，也算是BS系统入个门。在以前用uniGUI的基础上，半个

drgraph的博客 447
上一篇： DrGraph原理示教 - OpenCV 4 功能 - 二值化
下一篇： DrGraph原理示教 - OpenCV 4 功能 - 膨胀腐蚀
点赞 7
评论 0
书签 书签 9
DrGraph
DrGraph
博客等级 码龄14年 228粉丝 77原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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