睦生

本文为《OpenCV计算机视觉实战》的课程笔记。1 图像金字塔1.1 基本概念图像金字塔主要有两种：1、高斯金字塔2、拉普拉斯金字塔1.1.1 高斯金字塔1、向下采样法（缩小）：长和宽都缩小2倍用高斯核与GiG_iGi​卷积去除偶数行和偶数列2、向上采样法（放大）：长和宽都扩大2倍将GiG_iGi​在xxx和yyy方向都扩大为原来的两倍，新增像素用0填充，得到Gi′G_i'Gi′​将高斯核与Gi′G_i'Gi′​进行卷积1.1.2 拉普拉斯金字塔1.2 金字塔制作.

1 检测流程去噪：用高斯滤波器，平滑图像，消除噪声计算图像中每个像素点的梯度强度和方向应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散相应：只留下明显的梯度应用双阈值（Double-Threshold）检测来确定真实和潜在的边缘抑制孤立的边缘2 相关概念2.1 非极大值抑制基本思路就是将当前点和邻近进行比较，若当前点是一个极大值则保留。2.1.1 线性插值法如图所示，g2、g3为c点的相邻像素，蓝色的斜线为梯度方向，斜线与红线的交点称亚像素

本文为课程《OpenCV计算机视觉实战》的课程笔记。本章节讲述了图像梯度的计算方法。图像的梯度表征每个像素点和周围像素点差异程度。上：梯度值公式；下：梯度方向公式1 Sobel算子Sobel算子关注像素点和上下左右四个像素点的差异程度，即分别从x方向和y方向计算锚点梯度。首先用Gx×AG_x×AGx​×A得到锚点xxx方向的梯度，再用Gy×AG_y×AGy​×A得到yyy方向的梯度。最后将两个方向的梯度加权相加，即可得到锚点的梯度值。※这里的“×”是相同位置元素相乘根据上图模型，可知So.

本文为《OpenCV计算机视觉实战》课程的笔记。1 腐蚀操作在卷积核中，若同时出现像素值255和0的像素点，则0替换255。关键方法：cv2.erode(img,kernel,iterations = 1)前提：输入图像是二值的1、读入图像img = cv2.resize(cv2.imread('./img/nihao.png'),(300,300))cv_show('nihao',img)2、创建核（卷积窗口）核越大，腐蚀效果越明显核可以不是一个正方形kernel = np.

本文为《OpenCV计算机视觉实战》课程的笔记。1 图像阈值ret, dst = cv2.threshold(src, thresh, maxval, type)src：输入图，只能输入单通道图像，通常来说是灰度图dst：输出图thresh：阈值maxval：当像素值超过了阈值（或小于阈值，根据type决定）所赋予的值type：二值化操作的类型：cv2.THRESH_BINARY：超过阈值取maxval，否则0cv2.THRESH_BINARY_INV：BINARY的反转cv2..

本文为《OpenCV计算机视觉实战》课程的笔记。1 图像的基本概念图像的表示：计算机中，图像由像素点组成。像素点取值：[0, 255] 数值表示图像的亮度，数值越大越亮彩色图像颜色通道：RGB，每个通道上都有一个亮度值​ 注：灰度图只有一个通道图像的表示：图像的每个通道都由亮度值的矩阵组成2 图像的基本操作2.1 图像的读取彩色图像：cv2.IMREAD_COLOR，读取后得到的是一个三维矩阵灰度图像：cv2.IMREAD_GRAYSCALE，读取后得到一个二维矩阵im.

本文为《OpenCV计算机视觉实战》课程的笔记。1 OpenCV配置需安装以下两个依赖：opencv-pythonopencv-contrib-python：扩展包※OpenCV版本3.4.2以上部分算法被申请权限1.1 安装opencv-python使用anaconda安装OpenCV的语句：pip install opencv-python==3.4.0.14遇到问题[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QQYQxI1N-164475.

本文为《深度学习之PyTorch实战计算机视觉》（唐进民著）一书的学习笔记。目录1.1 人工还是智能1.1 人工还是智能弱人工智能与强人工智能弱人工智能：在特定领域决特定问题的人工智能，需要人的参与 强人工智能（通用人工智能/完全人工智能）：能够在各领域工作，可完全替代人。1.2 人工智能的三起两落1.2.1 两起两落1、第一起人工智能学科诞生的标志（1956）：美国达特茅斯会议（Dartmouth）上首次提出“人工智能”的概念，这是人类历史上第一个有真正意义的关于人.

1 背景在许多领域，受限于数据获取难度大，标注成本高等原因，往往难以获得充足的训练数据，这样训练得到的深度学习模型往往存在过拟合的问题，进而导致模型泛化能力差，测试精度不高等。数据扩充的作用：扩大样本集，提高模型泛化能力。2 定义数据增广，又称数据增强（data augmentation），是一种增加有限数据的数据量和多样性的策略，试图从样本训练不足这一根本原因出发解决过拟合问题。3 方法3.1 单数据变形操作对象：单个数据通过各种变换操作改变原始数据的表现形态，以产生..

摘 要: 准确分割肺结节在临床上具有重要意义。 计算机断层扫描(computer tomography, CT)技术以其成像速 度快、图像分辨率高等优点广泛应用于肺结节分割及功能评价中。 为了进一步对肺部 CT 影像中的肺结节分割方 法进行探索,本文对基于 CT 影像的肺结节分割方法研究进行综述。 1)对传统的肺结节分割方法及其优缺点进行 了归纳比较;2)重点介绍了包括深度学习、深度学习与传统方法相结合在内的肺结节分割方法;3)简单介绍了肺结 节分割方法的常用评价指标,并结合部分方法的指标表现展望了肺结节.