- 博客(98)
- 收藏
- 关注
RSS订阅原创 Docker使用教程
Docker 是一个开源的容器化平台，用于开发、打包和分发应用程序。它允许将应用及其依赖环境打包成容器，从而实现跨平台的便捷部署。下面是一个简单的 Docker 使用教程，涵盖从安装到基本命令的使用。
2024-11-28 15:47:01
1341
原创 Vcpkg使用教程
安装一个库：卸载一个库：更新所有库vcpkg list：列出已安装的库：搜索库：将 Vcpkg 集成到 Visual Studio 中。
2024-11-27 15:08:24
2136
原创 3D超声重建技术
3D超声重建是一种基于2D超声图像生成3D体积数据的技术，广泛应用于医学影像领域。通过重建和可视化三维结构，3D超声能够显著提高诊断精度和效率，同时减少医生的脑力负担。本技术文档将详细阐述3D超声重建的主要流程、关键技术和常见应用场景。
2024-11-22 13:57:59
1020
原创 2D/3D医学图像配准算法
XtargetVCTLθinit：θfinal：Xtarget：θinitϵNmax： i1to Nmax，：a. ：θiVCTXDRRθi)b. ：XDRRθi)XtargetL−NCCXDRRθiXtargetc. ：Lθi∇θLθi1θi−α∇θLαd. ：Lϵθiθfinal：θfinal：L≤。
2024-10-30 10:13:28
1410
原创 医疗图像配准方法
医疗图像配准（Medical Image Registration）是一种将多模态或同模态的图像进行对齐的技术，旨在将不同时间点或不同成像设备获取的图像转换到相同的空间坐标系，以便对比或进一步处理。它在医学图像分析中具有广泛的应用，特别是在多模态成像（如CT和MRI）或手术规划和导航等领域。
2024-09-09 12:57:18
1173
原创 传统光条纹中心提取算法
传统的光条纹中心提取算法分为四类：基于灰度分布特点提取方法、几何中心提取方法、形态学中心提取方法、亚像素中心提取方法。：利用Hessian矩阵计算光条纹的二阶方向导数，提取亚像素级别的中心点，但计算量大。：通过形态学处理提取光条纹中心骨架，保持拓扑结构，但可能产生毛刺。
2024-07-23 10:49:32
490
1
原创 AdamW算法
AdamW优化器通过将权重衰减从梯度更新过程中分离出来，提供了更稳定和有效的正则化方法。它在许多深度学习应用中表现优异，成为现代神经网络训练的标准选择之一。
2024-06-03 15:23:54
1196
原创 VS Code中使用 Anaconda 环境
在 Visual Studio Code (VS Code) 中使用 Anaconda 环境进行 Python 开发，可以充分利用 Anaconda 提供的包管理和虚拟环境功能，同时享受 VS Code 提供的强大开发工具和调试功能。
2024-05-24 15:42:57
7041
原创 Anaconda 中导出环境
在 Anaconda 中导出环境是一种常用的做法，可以将当前的环境配置导出到一个文件中，然后在另一台机器上或为他人导入使用。这种方式非常方便共享和备份你的环境。
2024-05-20 17:32:06
1176
原创 数据集内存加载方式
选择哪种方式更好取决于多个因素，包括数据集的大小、可用的系统内存、训练效率以及I/O性能。下面我将比较两种方式的优缺点，帮助你选择合适的方案。
2024-05-20 13:10:13
490
原创 SLIC算法-超像素分割
（Simple Linear Iterative Clustering，简单线性迭代聚类）是一种常用的图像分割算法，特别用于生成超像素。超像素是具有相似特征（如颜色、纹理或亮度）的一组像素，它们被用于简化和加速图像处理任务。
2024-05-17 13:03:03
2018
原创 夜视仪算法
夜视仪算法的核心是图像增强、噪声抑制和图像融合，结合深度学习方法可以进一步提高夜视图像的质量和效果。具体应用中，可以根据硬件条件和应用需求，选择合适的算法或组合方法来实现最佳的夜视效果。
2024-05-16 16:35:01
942
原创 Focus Stacking Algorithm
对焦堆叠涉及多种算法和技术，从图像对齐到图像融合，再到图像锐化，每一步都有多种可选的方法和实现。现代图像处理库和专用软件提供了强大的工具，使得对焦堆叠技术在各种应用中变得更加可行和高效。
2024-05-15 11:11:13
692
原创 包围摄影技术
包围摄影是一种摄影技术，旨在确保在特定场景下获得最佳效果的照片。通过拍摄一系列在不同参数下的照片，摄影师可以在后期选择或合成出最符合期望的图像。
2024-05-15 10:39:29
446
原创 np.seterr(divide=‘ignore‘, invalid=‘ignore‘)
这种设置可能在一些情况下很有用，比如在数值计算中，当某些操作会导致除以零或者无效的数值操作时，如果您希望程序继续执行而不中断，可以使用这种方式来忽略这些错误。这样设置的效果是，当程序中执行除法操作导致除零或无效操作时，NumPy 将不会引发异常，而是继续执行，将结果视为特殊值（如。这行代码用于设置 NumPy 中的错误处理方式。具体来说，它将在发生除零错误和无效操作错误时忽略这些错误，而不会引发异常。
2024-05-14 18:39:41
602
原创 堆栈去噪的数学原理
现在，让我们考虑噪声的性质。假设噪声是随机的，并且在每个像素位置上独立地加到每个图像中。如果噪声是这种性质，它在叠加后将会平均为零。这就是堆栈去噪的数学原理，通过将多个图像叠加起来并取平均，可以消除噪声并提高信噪比。为了更清晰地理解这一点，让我们用随机变量来表示像素的值。上的像素值，$ N(x, y)$ 是噪声的随机变量。当我们对多个具有噪声的图像进行堆叠时，假设我们有。也就是说，堆叠后的图像的像素值仅由信号。个图像，每个图像的像素值表示为。组成，而没有噪声的贡献。是独立同分布的随机变量。
2024-05-13 13:51:38
857
原创 Python 的 QT 界面中记住上次的设置
要在 Python 的 QT 界面中记住上次的设置，可以使用一些持久化存储的方法，比如将设置信息保存到文件中或使用数据库。这只是一种基本的方法，具体的实现方式会根据你的具体需求和应用场景而有所不同。
2024-05-11 10:20:54
523
原创 RGB-D分割相关调研
RGB和Depth信息进行前期融合（a），常规的编码-解码结构，对卷积核进行改进以适应RGB和Depth信息，不需要改变网络结构。无需改变之前的主干网络，为Depth信息增加一个额外的分支输入到网络，且容易判断Depth信息对性能的影响。不同的分支对RGB和Depth信息进行（中期b或者后期c）融合，会显著增加参数量和计算时间。
2024-05-09 17:29:02
587
原创 超像素分割【代码】
超像素分割是一种图像处理技术，旨在将图像分割成具有语义上一致的区域，这些区域称为超像素。与传统的像素级分割相比，超像素分割将图像划分为更大的、形状更加规整的区域，有助于降低数据维度、简化图像分析、提高计算效率，并且更符合人类视觉感知。：根据相似度度量值，将相邻的像素合并成超像素区域。：根据像素之间的相似度，计算每对相邻像素之间的相似度值。相似度通常基于颜色、亮度、纹理等特征。：对生成的超像素进行后处理，如边界优化、形状调整等，以提高分割的准确性和质量。：根据合并的结果，生成一组具有语义上一致的超像素区域。
2024-05-09 17:22:17
307
原创 GitHub绑定SSH
登录到 GitHub，然后点击右上角的头像，选择 “Settings”。在左侧边栏中选择 “SSH and GPG keys”。在 “Title” 字段中为密钥命名，并将您的公钥内容粘贴到 “Key” 字段中。一旦完成了这些步骤，您的 GitHub 帐户就与您的 SSH 密钥关联起来了，您可以通过 SSH 连接到 GitHub 仓库而无需再输入用户名和密码。在生成密钥对的过程中，您可以选择保存密钥的位置以及设置密码。如果一切顺利，您应该会收到一条消息，表示您已成功与 GitHub 建立了连接。
2024-04-09 09:43:54
1026
原创 点云分割质量评估指标
本文介绍几种常用的评估指标，包括Overall Accuracy（OA）、Average Accuracy（AA）和Intersection over Union（IOU）。
2024-04-08 19:13:44
1412
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人