一路嵌行的博客

文章目录准备工作编译ncnn.pt文件转.onnx文件onnx2ncnn(有坑)ncnnoptimize优化C++代码处理测试准备工作yolov5 v5.0：git clone https://github.com/ultralytics/yolov5.gitgit checkout v5.0ncnn源码git clone https://github.com/Tencent/ncnn.gitcd ncnngit submodule update --init安装依赖su

PixelShuffler是一种端到端可学习的上采样模块，通过设置上采样比例，就可由低分辨率图像获取指定倍率的高分辨率图像。上采样可以理解为在同一个位置，原来只是以1:1的比例提取信息，而现在以1:4的比例提取信息，提取信息的频率更高了，所以能反映的细节也就更多。对于tensor来说，在同一个位置多提取信息，也就是通过卷积生成通道数更多的tensor。具体过程为（以一个（n,64,64,64）的特征图为例）通过卷积，得到通道数倍增的特征图（n,64,64,256）将特征图切割成若干份，对每一份（n,6

一、双边滤波算法（Bilateral Filter）1、原理高斯滤波是以距离为权重，设计滤波模板作为滤波系数，只考虑了像素间的空间位置上的关系，因此滤波的结果会丢失边缘的信息。高斯滤波的缺陷如下图所示：平坦区域正常滤波，图像细节没有变化，而在突变的边缘上，因为只使用了距离来确定滤波权重，导致边缘被模糊。在高斯基础上，进一步优化，叠加了像素值的考虑，因此也就引出了双边滤波，一种非线性滤波，滤波效果对保留边缘更有效。空间距离：当前点距离滤波模板中心点的欧式距离。灰度距离：当前点距离滤波模板中心点

直接上code和效果图：I = imread('C:\Users\jizef\Desktop\flower.jpg');figure,subplot(2,2,1);imshow(I);title('原图像');%T = rgb2gray(M);figure;imshow(I);PSF = fspecial('motion',20,15);J = imfilter(I,PSF,'conv','circular');subplot(2,2,2);imshow(J);title('模糊运动的图像');

导入数据增强包：from imgaug import augmenters as iaa #引入数据增强的包sometimes = lambda aug: iaa.Sometimes(0.5, aug) #建立lambda表达式，这里定义sometimes意味有时候做的操作，然而实际上在深度学习的模型训练中，数据增强不能喧宾夺主，如果对每一张图片都加入高斯模糊的话实际上是毁坏了原来数据的特征，因此，我们需要“有时候”做，给这个操作加一个概率。下面建立一个图像增强流程，有详细注释：seq = i

hough变换原型cv2.HoughLines() dst: 输出图像. 它应该是个灰度图 (但事实上是个二值化图) lines: 储存着检测到的直线的参数对 (r,\theta) 的容器 rho : 参数极径 r 以像素值为单位的分辨率. 我们使用 1 像素. theta: 参数极角 \theta 以弧度为单位的分辨率. 我们使用 1度 (即CV_PI/180) thresho...

目录边缘检测边缘检测：边缘检测指的是灰度发生剧烈变化的位置，边缘检测的目的是制作一个线图，在不会损害图像内容的情况下，大大减少图像的数据量，提供对图像数据的合适概述。Sobel算子其中Gx表示x方向的Sobel算子，用于检测y方向的边缘； Gy表示y方向的Sobel算子，用于检测x方向的边缘（边缘方向和梯度方向垂直）。原型Sobel算子依然是一种过滤器，只是其是带有方向的。在Ope...

#include <opencv2/opencv.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <stdio.h>using namespace std;using namespace cv;//----...