<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gg13213的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gg13213</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gg13213]]></copyright><item><title><![CDATA[目标检测模型---SSD]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/124235086</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/124235086</guid><author>gg13213</author><pubDate>Wed, 11 May 2022 14:51:24 +0800</pubDate><description><![CDATA[目标检测定义

]]></description><category></category></item><item><title><![CDATA[图像特征与描述]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/124230092</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/124230092</guid><author>gg13213</author><pubDate>Sun, 17 Apr 2022 19:14:32 +0800</pubDate><description><![CDATA[图像特征与描述1.颜色特征1.1 量化颜色直方图1.2 聚类颜色直方图问题2.几何特征：边缘问题3.基于特征点的特征描述子
1.颜色特征
见1.1及2.1颜色特征提取
1.1 量化颜色直方图
适用于RGB、HSV等颜色空间。
操作：颜色空间量化，单位（bin）由单元中心代表，即统计落在量化单元上的像素数量
最常用的方法是将颜色空间的各个分量（维度）均匀地进行划分。
1.2 聚类颜色直方图
适用Lab等颜色空间。
操作：使用聚类算法对所有像素点颜色向量进行聚类，单元（bin）由聚类中心代表。
聚类算法则考虑到]]></description><category></category></item><item><title><![CDATA[图像预处理]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/124135429</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/124135429</guid><author>gg13213</author><pubDate>Sun, 17 Apr 2022 14:36:54 +0800</pubDate><description><![CDATA[图像预处理


]]></description><category></category></item><item><title><![CDATA[目标检测--评价指标]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123902612</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123902612</guid><author>gg13213</author><pubDate>Tue, 12 Apr 2022 15:51:46 +0800</pubDate><description><![CDATA[目标检测--评价指标1. 评价指标
1. 评价指标

]]></description><category></category></item><item><title><![CDATA[图像数据格式]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123855050</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123855050</guid><author>gg13213</author><pubDate>Fri, 01 Apr 2022 16:59:12 +0800</pubDate><description><![CDATA[图像数据预处理1. 图片格式
1. 图片格式

]]></description><category></category></item><item><title><![CDATA[图像特征总结（三）]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123796972</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123796972</guid><author>gg13213</author><pubDate>Wed, 30 Mar 2022 10:50:05 +0800</pubDate><description><![CDATA[图像特征总结（三）1. LBP特征提取方法总结
1. LBP
特征提取方法总结
Histogram：图像对比度是通过灰度级范围来度量的，而灰度级范围可通过观察灰度直方图得到，灰度级范围越大代表对比度越高；反之，对比度越低，低对比度的图像在视觉上给人的感觉是看起来不够清晰，所以通过算法调整图像的灰度值，从而调整图像的对比度是有必要的。
GLCM：灰度共生矩阵用于描述纹理特征。
Color：颜色空间转换
ShapeContext：形状上下文特征，基于物体轮廓样本点进行描述的，具体来说是基于计算形状相似性以及点与]]></description><category></category></item><item><title><![CDATA[图像特征总结（二）]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123762834</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123762834</guid><author>gg13213</author><pubDate>Mon, 28 Mar 2022 16:23:32 +0800</pubDate><description><![CDATA[图像特征总结（二）1.Histogram（直方图）特征1.1 直方图均衡化1.2 直方图规定化2.3 例子2. GLCM（灰度共生矩阵）2.1GLCM原理参考资料链接
1.Histogram（直方图）特征
灰度直方图是最简单、有用的工具之一。从对图像的分析与观察，直到形成一个有效的处理方法，都离不开直方图。
直方图：表示数字图像中每一灰度级像素出现的频次（该灰度级的像素数目）。
p(k)=nkp(k) = n_kp(k)=nk​，nkn_knk​是图像中第k个灰度级的像素总数。或者p(rk)=nknp(r_]]></description><category></category></item><item><title><![CDATA[图像特征总结（一）]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123744496</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123744496</guid><author>gg13213</author><pubDate>Sun, 27 Mar 2022 20:46:23 +0800</pubDate><description><![CDATA[图像特征总结1.Histogram（直方图）特征1.1 直方图均衡化1.2 直方图规定化1.3 例子2. GLCM参考资料链接
1.Histogram（直方图）特征
灰度直方图是最简单、有用的工具之一。从对图像的分析与观察，直到形成一个有效的处理方法，都离不开直方图。
直方图：表示数字图像中每一灰度级像素出现的频次（该灰度级的像素数目）。
p(k)=nkp(k) = n_kp(k)=nk​，nkn_knk​是图像中第k个灰度级的像素总数。或者p(rk)=nknp(r_k) = \frac{n_k}{n}p(]]></description><category></category></item><item><title><![CDATA[opencv--视频操作]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123721008</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123721008</guid><author>gg13213</author><pubDate>Thu, 24 Mar 2022 21:02:14 +0800</pubDate><description><![CDATA[opencv--视频操作视频读写1 从文件中读取视频并播放2 保存视频
视频读写
1 从文件中读取视频并播放
在OpenCV中我们要获取一个视频，需要创建一个VideoCapture对象，指定你要读取的视频文件：

创建读取视频的对象

cap = cv.VideoCapture(filepath)

参数：

filepath: 视频文件路径


视频的属性信息
获取视频的某些属性，retval = cap.get(propId)
参数：

propId: 从0到18的数字，每个数字表示视频的属性。常用属]]></description><category></category></item><item><title><![CDATA[opencv--图像特征提取与描述]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123710008</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123710008</guid><author>gg13213</author><pubDate>Thu, 24 Mar 2022 19:29:39 +0800</pubDate><description><![CDATA[opencv--图像特征提取与描述1.图像的特征2. Harris和Shi-Tomas算法2.1 Harris角点检测2.1.1 原理2.1.2 实现2.2 Shi-Tomasi角点检测2.2.1原理2.2.2 实现3.SIFT/SURF算算法3.1SIFT算法3.1.1 SIFT原理3.1.2 SIFT算法基本流程3.1.3 尺度空间极值检测3.1.4 关键点定位3.1.5 关键点方向确定3.1.6 关键点描述3.2 SURF原理3.3 实现4.Fast和ORB算法4.1 Fast算法4.1.1 Fast]]></description><category></category></item><item><title><![CDATA[opencv--模板匹配和霍夫变换]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123694971</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123694971</guid><author>gg13213</author><pubDate>Wed, 23 Mar 2022 20:39:25 +0800</pubDate><description><![CDATA[opencv--模板匹配和霍夫变换1 模板匹配1.1 原理1.2 实现2.霍夫变换2.1 原理霍夫线检测2.3 霍夫圆检测
1 模板匹配
1.1 原理
模板匹配是指在给定的图片中查找和模板最相似的区域，该算法的输入包括模板和图片。其整个任务的思路是按照滑窗，不断地移动模板图片，计算其与图像中对应区域的匹配度，最终将匹配度最高的区域选择为最终的结果。
实现流程：


准备两幅图像：
原图像(I)：在这幅图中，找到与模板相匹配的区域
模板（T）：与原图像进行比对的图像块



滑动模板图像与原图像进行比对：

]]></description><category></category></item><item><title><![CDATA[opencv--边缘检测]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123687146</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123687146</guid><author>gg13213</author><pubDate>Wed, 23 Mar 2022 19:50:52 +0800</pubDate><description><![CDATA[opencv--边缘检测1  边缘检测原理2 Sobel检测算子2.1 Sobel检测方法2.2 应用3 Laplacian算子4. Canny边缘检测4.1 原理4.2应用5 算子比较
1  边缘检测原理
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。
边缘的表现形式如下所示：

优势：图像边缘检测大幅度地减少了数据量，并且剔除了可以认定为不相关地信息，还可以保留图像重要地结构属性。
用于边缘检测的方法可以分]]></description><category></category></item><item><title><![CDATA[opencv--直方图]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123671416</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123671416</guid><author>gg13213</author><pubDate>Wed, 23 Mar 2022 15:15:59 +0800</pubDate><description><![CDATA[opencv--直方图1. 灰度直方图1.1 原理1.2 直方图的计算和绘制1.3 掩膜的作用2 直方图均衡化2.1 原理及应用
1. 灰度直方图
1.1 原理
直方图是对数据进行统计的一种方法，并将统计值组织到一系列事先定义好的bin中。其中，bin为直方图中经常用到的一个概念，即直条或组距，其数值是从数据中计算出的特征统计量。这些数据可以是：梯度、方向、色彩或任何其他特征。
图像直方图是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素个数。这种直方图中，横坐标的左侧为较暗的区域，而右侧为]]></description><category></category></item><item><title><![CDATA[opencv--图像平滑]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123647157</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123647157</guid><author>gg13213</author><pubDate>Tue, 22 Mar 2022 20:53:23 +0800</pubDate><description><![CDATA[opencv--图像平滑1.图像噪声二级目录三级目录
1.图像噪声
二级目录
三级目录

]]></description><category></category></item><item><title><![CDATA[opencv--形态学操作]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123644026</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123644026</guid><author>gg13213</author><pubDate>Mon, 21 Mar 2022 21:39:52 +0800</pubDate><description><![CDATA[opencv--形态学操作1 连通性2 形态学操作2.1 腐蚀和膨胀2.1.1 腐蚀2.2 膨胀2.2 开闭运算2.2.1 开运算2.2.2 闭运算2.3 礼帽和黑帽
1 连通性
图像中，最小的单位为像素，每个像素周围有8个邻接像素，常见的邻接关系有三种：4邻接、D邻接和8邻接。即：


4邻接：像素p(x,y)p(x, y)p(x,y)的4邻域是(x+1,y);(x−1,y);(x,y+1);(x,y−1)(x+1,  y); (x-1, y); (x, y+1); (x, y-1)(x+1,y);(x−]]></description><category></category></item><item><title><![CDATA[opencv--图像处理]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123636208</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123636208</guid><author>gg13213</author><pubDate>Mon, 21 Mar 2022 19:33:24 +0800</pubDate><description><![CDATA[opencv--图像处理1. 图像的几何变换1.1 图像缩放1.2 图像平移1.3 图像旋转1.4 仿射变换1.5 透射变换
1. 图像的几何变换
1.1 图像缩放
缩放是针对图像进行大小调整，即图像放大或缩小
APIcv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)
参数：

src：输入的图像
dsize：绝对尺寸，直接指定调整后图像的大小，为一二维元组（cols， rows），注：图像的shape前两维为（rows，cols）
]]></description><category></category></item><item><title><![CDATA[opencv--算术操作]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123633979</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123633979</guid><author>gg13213</author><pubDate>Mon, 21 Mar 2022 14:56:07 +0800</pubDate><description><![CDATA[opencv--算术操作1. 图像的加法2.  图像的混合三级目录
1. 图像的加法
API接口cv.add(img1, img2)可以将两幅图相加，或者可以简单地通过numpy操作将两个图像相加，即img=img1 + img2。规定：两个图像应该有相同的大小和数据类型，或者第二个图像为标量值。
注：opencv加法和numpy加法之间存在差异，opencv为饱和操作（大于一个上限或小于一个下限，那么最后结果为上限或下限），numpy相加为模运算（大于上限值时，结果为对上限值进行取余）
# 8位整数型运算]]></description><category></category></item><item><title><![CDATA[opencv---基本操作]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123596674</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123596674</guid><author>gg13213</author><pubDate>Mon, 21 Mar 2022 11:11:53 +0800</pubDate><description><![CDATA[opencv基本操作1. 图像的IO操作1.1 读取图像1.2 显示图像1.3 保存图像2 绘制几何图形2.1 绘制直线三级目录
1. 图像的IO操作
1.1 读取图像
API接口函数为cv.imread(path, int)，参数为：

要读取的图像文件位置
读取方式的标志

1  表示cv.IMREAD*COLOR：以彩色模式加载图像，任何图像的透明度都将被忽略。是默认参数。
0  表示cv.IMREAD*GRAYSCALE：以灰度模式加载图像
-1  表示cv.IMREAD_UNCHANGED：包括a]]></description><category></category></item><item><title><![CDATA[opencv---介绍]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/123575126</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/123575126</guid><author>gg13213</author><pubDate>Sat, 19 Mar 2022 15:59:42 +0800</pubDate><description><![CDATA[opencv---介绍1. opencv1.1 图像处理简介1.2 数字图像的表示1.2.1 位数1.2.2 图像分类
1. opencv
opencv是一种开源的图像处理库，包括基本的图像处理方法：

几何变换，形态学变换
图像平滑
直方图操作
模糊匹配
霍夫变换
以及特征提取和描述方法：
理解角点特征
Harris和Shi-Tomas算法（角点特征）
SIFT/SURF算法（尺度不变）
Fast算法（快速提取图像特征点）
ORB算法（快速进行特征提取并进行特征描述）

1.1 图像处理简介
模拟图像，即]]></description><category></category></item><item><title><![CDATA[SSD代码实现]]></title><link>https://blog.youkuaiyun.com/gg13213/article/details/122135849</link><guid>https://blog.youkuaiyun.com/gg13213/article/details/122135849</guid><author>gg13213</author><pubDate>Fri, 18 Mar 2022 14:32:02 +0800</pubDate><description><![CDATA[SSDcoco数据集构建文件VOC数据集构建文件三级目录
coco数据集构建文件
import os
import torch.utils.data
import numpy as np
from PIL import Image

from ssd.structures.container import Container


class COCODataset(torch.utils.data.Dataset):
    class_names = ('__background__',
        ]]></description><category></category></item></channel></rss>