guangyacyb的博客

转自《一位中国博士把整个CNN都给可视化了》链接：CNN解释器卷积核作用过程RELU 激活函数池化层输出分类

简介什么是边缘？边缘是图像强度函数快速变化的地方如何检测边缘？为了检测边缘，我们需要检测图像中的不连续性，可以使用导数来检测不连续性如上图所示，上图的第一幅图表示一张数字图片，我们对水平红线处进行求导，便可得到上图二中的关系，可以看到在边缘处有着较大的跳变。但是，导数也会受到噪声的影响，因此建议在求导数之前先对图像进行平滑处理（上图三）。然后我们可以使用遮罩使用卷积来检...

简介该部分的学习内容是对经典的阈值分割算法进行回顾，图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级...

简介图像的实质是一种二维信号，滤波是信号处理中的一个重要概念。在图像处理中，滤波是一种非常常见的技术，它们的原理非常简单，但是其思想却十分值得借鉴，滤波是很多图像算法的前置步骤或基础，掌握图像滤波对理解卷积神经网络也有一定帮助。学习目标了解图像滤波的分类和基本概念理解均值滤波/方框滤波、高斯滤波的原理掌握OpenCV框架下滤波API的使用内容均值滤波/方框滤波、高斯滤波的原理...

简介图像彩色空间互转在图像处理中应用非常广泛，而且很多算法只对灰度图有效；另外，相比RGB，其他颜色空间(比如HSV、HSI)更具可分离性和可操作性，所以很多图像算法需要将图像从RGB转为其他颜色空间，所以图像彩色互转是十分重要和关键的。学习目标了解相关颜色空间的基础知识理解彩色空间互转的理论掌握OpenCV框架下颜色空间互转API的使用内容相关颜色空间的原理介绍颜色空间互转...

简介该部分将对基本的几何变换进行学习，几何变换的原理大多都是相似，只是变换矩阵不同，因此，我们以最常用的平移和旋转为例进行学习。在深度学习领域，我们常用平移、旋转、镜像等操作进行数据增广；在传统CV领域，由于某些拍摄角度的问题，我们需要对图像进行矫正处理，而几何变换正是这个处理过程的基础，因此了解和学习几何变换也是有必要的。思考几个问题，以旋转为例：变换的形式（公式）是什么？旋转中心是什...

Datawhale 计算机视觉基础-图像处理（上）-Task01 OpenCV框架与图像插值算法简介在图像处理中，平移变换、旋转变换以及放缩变换是一些基础且常用的操作。这些几何变换并不改变图象的象素值，只是在图象平面上进行象素的重新排列。在一幅输入图象[u，v][u，v][u，v]中，灰度值仅在整数位置上有定义。然而，输出图象[x，y]的灰度值一般由处在非整数坐标上的(u，v)(u，v)(u，...

本文翻译自：《A brief introduction to Neural Style Transfer》在图像风格迁移中，涉及两张图像，内容图像和风格（样式）图像。我们需要将风格图像的样式应用到内容图像上。为此我们使用预训练好的模型VGG-16n卷积网络工作原理有一张图像和一个卷积核（滤波器），将卷积核作用于图像，卷积核同时作用到的像素点求加权和并输出，再加一个非线性激活...

图像分割参考：语义分割（sematic segmentation）这里使用Oxford-IIIT Pet数据集，该数据集由图像、图像标签、以及对像素逐一标记的掩码（分类）组成。像素的标签可以是：宠物、宠物轮廓、背景下载安装必要的数据集和库，导入数据集Oxford-IIIT Pet!pip install -q git+https://github.com/tensorfl...

摘自《动手学习深度学习》语义分割（semantic segmentation）问题关注的是如何将图像分割成属于不同语义类别的区域。这些语义区域的标注和预测都是像素级的。下图展示了语义分割中图像有关狗、猫和背景的标签。与目标检测相比，语义分割标注的像素级的边框更加精细。图像分割和实例分割另两个相似问题。图像分割（image segmentation）：常利用图像中...

转自：Getting Started With Bounding Box Regression In TensorFlow用于单目标检测 bounding box 也是YOLO ( You Only Look Once ) 的内部实现数据集来自kaggle，有373 张图像，分为三类（黄瓜、茄子、蘑菇），图像的边框信息存放在XML 文件中边框坐标表示如图所...

摘自《动手学习深度学习》tensorflow版本（2.1.0）图像增广意义大规模数据集是成功应用深度神经网络的前提。 图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。 图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。例如： 对图像进行不同方...