星月夜话

VTM/VVC图像压缩测试， 以及YUV与RGB空间转换代码。

图像加密扩散操作，Python与Matlab 代码

Arnold变换可以看作是拉伸，压缩，折叠及拼接的过程。通过这一过程将离散化的数字图像矩阵中的点重新排列。

数字图像中，离散小波变换在python中的使用。

压缩感知，图像恢复问题中图像的低秩与稀疏基本介绍

DCT变换本身是无损的，但是在图像编码等领域给接下来的量化、哈弗曼编码等创造了很好的条件，同时，由于DCT变换时对称的，所以，我们可以在量化编码后利用DCT反变换，在接收端恢复原始的图像信息。如果原始信号是图像等相关性较大的数据的时候，我们可以发现在变换之后，系数较大的集中在左上角，而右下角的几乎都是0，其中左上角的是低频分量，右下角的是高频分量，低频系数体现的是图像中目标的轮廓和灰度分布特性，高频系数体现的是目标形状的细节信息。一维DCT变换时二维DCT变换的基础，所以我们先来讨论下一维DCT变换。

文章目录 噪声模型1 噪声种类1 .1 高斯噪声1.2 瑞利噪声1.3 伽玛噪声1.4 指数噪声1.5 均匀分布噪声1.6 脉冲噪声（椒盐噪声） 2 用MATLAB绘制噪声的概率密度图3 为图像添加噪声3.1 添加高斯噪声3.2 添加均匀噪声3.3 添加椒盐噪声3.4 ...

在pytorch中进行L2正则化，最直接的方式可以直接用优化器自带的weight_decay选项指定权值衰减率，相当于L2正则化中的λ \lambdaλ，也就是：中的λ \lambdaλ。但是有一个问题就是，这个指定的权值衰减是会对网络中的所有参数，包括权值w ww和偏置b bb同时进行的，很多时候如果对b bb进行L2正则化将会导致严重的欠拟合1，因此这个时候一般只需要对权值进行正则即可，...

import mathimport matplotlib.pyplot as pltimport torch.optim as optimfrom torchvision.models import resnet18lr_rate = 0.0001model = resnet18(num_classes=10)# T_max = 1000epoch_total = 25epoch_iter = 609warm_up = 800lambda1 = lambda epoch: ...

问题描述：tensorflow中的conv padding有 same模式，在pytorch中对应的实现代码如下：Here is a very simple Conv2d layer with same padding for reference. It only support square kernels and stride=1, dilation=1, groups=1.class Conv2dSame(torch.nn.Module): def __init...

1. 欧氏距离(Euclidean Distance)欧氏距离源自欧氏空间中两点间的直线距离，是最常见的一种距离计算方式。计算公式是两个矩阵中对应元素之差的平方和再开方。python实现：2. 曼哈顿距离(Manhattan Distance)曼哈顿距离又称为“城市街区距离”或者“出租车距离”，由十九世纪的赫尔曼·闵可夫斯基所创词汇 ，用以计算两个点在标准坐标系上的绝对轴距总和。上图中蓝色的线是欧氏距离，红色、蓝色和黄色的线是曼哈顿距离。曼哈顿距离的计算公式是两个矩阵中对应元素.

python 下与matlab下SVM 使用结果对比：1、matlab测试code: scores_train = ones(28,1)*0.8 scores_train(1,1)=6 scores_train(2,1)=4 score_size= size(scores_train) D=ones(28,5)*0.2 scores_train svm_model = svmt.

KL距离，是Kullback-Leibler差异（Kullback-Leibler Divergence）的简称，也叫做相对熵（Relative Entropy）。它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)的事件空间，若用概率分布Q（x）编码时，平均每个基本事件（符号）编码长度增加了多少比特。我们用D（P||Q）表示KL距离，计算公式如下：当两个概率分布完全相同时，即P(x)=Q(X)，其相对熵为0 。我们知道，概率分布P(X)的信息熵为：

一、模型初始化from torch.nn import init#define the initial function to init the layer's parameters for the networkdef weigth_init(m): if isinstance(m, nn.Conv2d): init.xavier_uniform_(m.weig...

python实现代码# -*- coding: utf-8 -*-import mathdef get_average(records): """ 平均值 """ return sum(records) / len(records)def get_variance(records): """ 方差 反映一个数据集的离散程度...

import torch as timport cv2from torchvision import transforms as Timport torchvision as tvfrom PIL import Imageimport numpy as npimg_reals_path='./test_croped/temp_img/48.3.png'o...

学习率学习速率(learning rate)是指导我们该如何通过损失函数的梯度调整网络权重的超参数。学习率越低，损失函数的变化速度就越慢。虽然使用低学习率可以确保我们不会错过任何局部极小值，但也意味着我们将花费更长的时间来进行收敛，特别是在被困在高原区域的情况下。new_weight = existing_weight — learning_rate * gradient图1采用...

摘要：本文主要介绍 输入图像 batch normalization ，计算自己数据集合的 mean 以及std。一、前言数据规范-Normalization是深度学习中我们很容易忽视，也很容易出错的问题。我们训练的所有数据在输入到模型中的时候都要进行一些规范化。例如在pytorch中，有些模型是通过规范化后的数据进行训练的，所以我们在使用这些预训练好的模型的时候，要注意在将自己的数据投...

1、matlab下图像批量添加噪声clear all;close all;pt = '.\jp2k\';ext = '*.bmp';dis = dir([pt ext]);nms = {dis.name};for k = 1:1:length(nms) nm = [pt nms{k}]; image = imread(nm); g=imnoise(...

一、常见基础滤波函数tx=imread('lena.jpg');t=rgb2gray(tx)k1=medfilt3(t1); %进行3*3模板中值滤波k2=medfilt3(t1,[2,2,3]); %进行5*5模板中值滤波Y=ordfilt2(t1,9,ones(3,3)) % 最大值滤波Y=ordfilt2(t1,1,on...

JPG格式的图片体积相对较小，是因为它采用了一系列的压缩算法，压缩图片弊端就是和原始的图片相比，它牺牲掉了一些画面细节，这些丢失的细节或许可被人的肉眼看出，或许以人的肉眼难以发现，对于这种通过牺牲画面的精细程度来达到缩小体积的目的的压缩算法，我们称之为“有损压缩”或者“破坏性压缩”。 JPEG和JPG的关系 你可能会有这样的疑惑，JPEG和JPG看起来如此相像，...

数据的标准化　　数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。一、归一化　 其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上，常见的数据归一化的方法有：min-max标准化(Min-max n...

一、DNN 模型1、DNN基本结构神经网络（Deep Neural Networks， 以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图示例，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。...

一、信噪比 信噪比，英文名称叫做SNR或S/N（SIGNAL-NOISE RATIO)，又称为讯噪比。是指一个电子设备或者电子系统中信号与噪声的比例。这里面的信号指的是来自设备外部需要通过这台设备进行处理的电子信号，噪声是指经过该设备后产生的原信号中并不存在的无规则的额外信号（或信息），并且该种信号并不随原信号的变化而变化。同样是“原信号不存在”还有一种东西叫“失真”，失真和噪声...