OpenCV 图像算法梳理分析

图像算法学习全攻略:从OpenCV基础到深度学习实战 图像算法是计算机视觉的核心,它通过数学和编程模型处理数字图像信息。其基本原理涉及将图像视为像素矩阵,运用线性代数、微积分和概率统计进行分析与变换。在技术价值上,图像算法能实现从基础的图像增强、特征提取到复杂的目标识别与场景理解,是人工智能感知世界的关键。应用场景广泛覆盖自动驾驶、医疗影像、工业质检和消费电子等领域。本文聚焦于构建系统的图像算法知识体系,特别强调从经典算法(如OpenCV中的滤波、边缘检测、SIFT特征提取)入手,再过渡到深度学习(如CNN、YOLO),并深入探讨了二维图形骨架分割等专题,为初 阅读详情

本文档对 OpenCV 的完整算法体系做系统性梳理,涵盖 10+ 模块、100+ 核心算法函数,并给出选型决策建议。


一、模块架构总览

OpenCV 采用分层模块化设计,按职责分为五大层次:

层次模块核心职责
基础 I/O 层core, imgcodecs, videoio, highgui数据结构 (Mat)、图像/视频读写、GUI 显示
图像处理层imgproc, photo, stitching像素级变换、滤波增强、计算摄影、全景拼接
特征与检测层features2d, xfeatures2d, objdetect, flann关键点检测、描述子、目标检测、近似最近邻
视频分析层video光流、背景建模、目标跟踪
智能算法层ml, dnn, calib3d经典机器学习、深度学习推理、相机标定与 3D 几何

设计哲学:所有模块共享 core 中的 Mat 数据结构,模块间通过 Mat 传递数据,形成统一的流水线。GPU 加速通过 UMat(透明 OpenCL)和各 cuda* 模块实现。


二、imgproc — 图像处理算法详解

imgproc 是 OpenCV 中算法最密集的模块,包含八大算法类别:

2.1 图像滤波

函数用途特点
blur / boxFilter均值滤波最快,但模糊边缘
GaussianBlur高斯滤波最常用,高斯噪声效果好
medianBlur中值滤波椒盐噪声首选,保边缘
bilateralFilter双边滤波保边去噪,但速度慢
filter2D自定义卷积核通用卷积接口

选型原则:高斯噪声 → GaussianBlur;椒盐噪声 → medianBlur;需保边 → bilateralFilter。

2.2 形态学操作

  • erode(腐蚀)/ dilate(膨胀):基础操作
  • morphologyEx:封装了开运算(去噪点)、闭运算(填孔洞)、梯度(提取边缘)、顶帽/黑帽(校正光照不均)
  • 核心参数:getStructuringElement(MORPH_RECT / MORPH_ELLIPSE / MORPH_CROSS)

2.3 阈值化

函数场景
threshold全局阈值,支持 BINARY / TOZERO / TRUNC 等
threshold + THRESH_OTSUOtsu 自动阈值(双峰直方图最优)
threshold + THRESH_TRIANGLETriangle 自动阈值(单峰直方图)
adaptiveThreshold自适应阈值,适合光照不均场景

2.4 边缘检测

函数特点
Canny多级边缘检测,最常用,含非极大值抑制
Sobel一阶微分,可指定方向 (x/y)
ScharrSobel 的 3x3 精度改进版
Laplacian二阶微分,对噪声敏感

2.5 几何变换

  • resize:缩放(INTER_NEAREST / INTER_LINEAR / INTER_CUBIC / INTER_AREA)
  • warpAffine:仿射变换(平移、旋转、缩放)
  • warpPerspective:透视变换
  • getAffineTransform / getPerspectiveTransform:从点对应关系求变换矩阵
  • remap:自定义映射,最灵活

2.6 直方图与均衡

  • calcHist:计算直方图
  • equalizeHist:全局直方图均衡化
  • CLAHE (createCLAHE):对比度受限自适应直方图均衡,局部增强首选
  • calcBackProject:直方图反向投影,用于颜色跟踪

2.7 轮廓与连通域

函数用途
findContours提取轮廓(RETR_EXTERNAL / RETR_TREE)
approxPolyDP多边形逼近
contourArea / arcLength面积 / 周长
moments矩(重心、Hu 矩)
boundingRect / minAreaRect / minEnclosingCircle外接矩形/圆
connectedComponents / connectedComponentsWithStats连通域分析

2.8 色彩空间变换

  • cvtColor:BGR ↔ GRAY / HSV / Lab / YCrCb / HLS 等
  • HSV 适合颜色分割(H 通道分离色相);Lab 适合感知差异比较

典型流水线

输入图像 → 预处理(滤波·色彩变换) → 分割(阈值·边缘·形态学) → 特征提取(轮廓·矩·直方图) → 输出(检测·识别·测量)

三、features2d — 特征检测与匹配

3.1 完整流程

图像 A/B → 关键点检测 → 描述子计算 → 特征匹配 → 几何筛选(RANSAC) → 应用输出

3.2 检测器/描述子对比

算法类型尺度不变旋转不变速度授权
SIFT检测+描述 (浮点, 128维)是是慢免费 (专利已过期)
ORB检测+描述 (二值, 256位)是是快免费
AKAZE检测+描述 (非线性扩散)是是中免费
SURF检测+描述 (浮点, 64维)是是较快曾受专利限制
FAST仅检测否否极快免费
BRIEF仅描述 (二值)否否极快免费

选型建议:

  • 通用首选 ORB(速度与精度的平衡,免费)
  • 精度优先 → SIFT(专利已过期,可直接用)
  • 极速场景 → FAST + BRIEF 组合
  • 非线性尺度空间 → AKAZE

3.3 匹配器

匹配器原理适用场景
BFMatcher暴力搜索最近邻精确匹配,描述子数量少时
FlannBasedMatcherKD-Tree / LSH 近似搜索大量描述子,速度优先

匹配优化技巧:

  • knnMatch (k=2) + Lowe’s ratio test(距离比 < 0.7)筛选优质匹配
  • RANSAC + findHomography / findFundamentalMat 剔除误匹配
  • 二值描述子用 NORM_HAMMING,浮点描述子用 NORM_L2

3.4 应用场景

  • 图像拼接:特征匹配 → 单应矩阵 → warpPerspective → 融合
  • 物体识别:模板特征匹配 → 位姿估计
  • SfM (Structure from Motion):多视图特征匹配 → 三角测量 → 稠密重建
  • 视觉 SLAM:帧间特征跟踪 → 位姿优化

四、objdetect — 目标检测

算法原理优缺点
Haar CascadeHaar-like 特征 + AdaBoost 级联分类器速度快,适合人脸检测;但只支持特定类别
HOG + SVM方向梯度直方图 + 支持向量机行人检测经典方案;对遮挡敏感
QRCodeDetector二维码检测与解码轻量级,无需深度学习
ArUcoArUco 标记检测增强现实、相机位姿

现代替代:通用目标检测建议直接使用 dnn 模块加载 YOLO / SSD / Faster R-CNN 模型。


五、video — 视频分析

5.1 光流法

算法类型特点
calcOpticalFlowPyrLK稀疏光流 (Lucas-Kanade)金字塔 LK,跟踪指定点,速度快
calcOpticalFlowFarneback稠密光流全像素密集光流,精度高但慢

5.2 背景建模

算法特点
createBackgroundSubtractorMOG2混合高斯模型,自适应背景更新
createBackgroundSubtractorKNNK近邻模型,对阴影更鲁棒
createBackgroundSubtractorGMG统计方法 + 贝叶斯推断

5.3 目标跟踪

算法特点
TrackerKCF核相关滤波,速度快
TrackerCSRT判别式相关滤波空间可靠性,精度高
TrackerMedianFlow正反向跟踪一致性检查,适合平稳运动
TrackerMOSSE最快,适合高速场景但精度低
TrackerDaSiamRPN基于 Siamese 网络的深度学习跟踪器

选型建议:速度优先 → KCF/MOSSE;精度优先 → CSRT;深度学习 → DaSiamRPN。


六、calib3d — 相机标定与三维几何

6.1 标定流程

棋盘格检测 (findChessboardCorners) → 亚像素精化 (cornerSubPix) → 相机标定 (calibrateCamera) → 去畸变 (undistort)

输出:内参矩阵 (K)、畸变系数 (distCoeffs)、旋转向量 (rvecs)、平移向量 (tvecs)

6.2 核心函数

函数用途
calibrateCamera单目标定
stereoCalibrate双目立体标定
stereoRectify双目校正
solvePnP / solvePnPRansac已知 3D-2D 对应求位姿
findHomography单应矩阵估计
findFundamentalMat基础矩阵估计
triangulatePoints三角测量(3D 重建)
projectPoints3D 点投影到 2D

6.3 关键概念

  • 对极几何:基础矩阵 F (像素坐标) / 本质矩阵 E (归一化坐标)
  • PnP 问题:已知 3D 物体点 + 2D 像素点 + 内参 → 求 6DOF 位姿
  • 双目视觉:标定 → 校正 → 视差计算 (StereoBM/StereoSGBM) → 深度图

七、ml — 经典机器学习

所有算法继承自 StatModel 基类,统一接口:train() → predict() → save() / load()。

算法类名适用场景
SVMcv::ml::SVM二分类/多分类,小样本高维
KNNcv::ml::KNN分类/回归,无需训练但推理慢
随机森林cv::ml::RTrees多分类/回归,特征重要性
Boostingcv::ml::Boost二分类,弱分类器集成
多层感知机cv::ml::ANN_MLP分类/回归,浅层神经网络
逻辑回归cv::ml::LogisticRegression二分类,概率输出

选型建议:小样本高维 → SVM;需要概率 → LogisticRegression;多特征重要性 → RTrees;可解释性 → Boost。


八、dnn — 深度学习推理

8.1 推理流程

模型文件 → readNet() → blobFromImage() → setInput() → forward() → 后处理(NMS·解码)

8.2 支持格式与后端

维度选项
模型格式ONNX · TensorFlow (.pb) · Caffe · Torch (.t7) · Darknet (.weights) · TFLite
BackendOPENCV (默认) · CUDA (GPU) · INFERENCE_ENGINE (OpenVINO)
TargetCPU · CUDA · OPENCL · VULKAN

8.3 典型应用

  • 目标检测:加载 YOLOv4/v5/v8 (ONNX) → forward → NMS 后处理
  • 图像分类:加载 ResNet/MobileNet → forward → softmax
  • 语义分割:加载 FCN/U-Net → forward → argmax
  • 人脸检测:加载 SSD/RetinaFace → forward → NMS

与原生框架的区别:dnn 模块只做推理,不支持训练。优势是无需安装 PyTorch/TensorFlow,部署轻量。


九、photo — 计算摄影

函数用途
inpaint图像修补(去除水印/划痕)
fastNlMeansDenoising / fastNlMeansDenoisingColored非局部均值去噪
mergeMertens / createCalibrateDebevecHDR 合成
alignMTB多曝光图像对齐
seamlessClone泊松融合(无缝克隆)
createTonemap色调映射

十、总结与选型速查

按任务选模块

任务首选模块首选算法
图像去噪imgproc / photoGaussianBlur / fastNlMeansDenoising
二值化分割imgprocadaptiveThreshold + Otsu
边缘提取imgprocCanny
特征匹配features2dORB + BFMatcher + RANSAC
目标检测dnnYOLO (ONNX)
人脸检测objdetect / dnnHaar Cascade / RetinaFace
目标跟踪videoCSRT (精度) / KCF (速度)
背景分离videoMOG2
相机标定calib3dcalibrateCamera
位姿估计calib3dsolvePnP
图像分类ml / dnnSVM / ResNet (ONNX)
图像修补photoinpaint
全景拼接stitchingStitcher::create

性能优化要点

  1. UMat 替代 Mat:透明 OpenCL 加速,代码改动最小
  2. ROI 操作:只处理感兴趣区域,减少计算量
  3. 多线程:OpenCV 内部已用 TBB/OpenMP 并行,避免外部重复并行
  4. GPU 模块:cuda* 系列模块提供 GPU 原生实现(需编译时启用 CUDA)
  5. dnn 推理:优先 ONNX 格式 + CUDA backend
  6. 流水线优化:UMat 贯穿全流程避免 CPU-GPU 数据拷贝
从调包侠到造轮者:图像算法学习心路与实战指南 图像处理与计算机视觉是人工智能领域的关键分支,其核心在于让计算机理解和处理视觉信息。从原理层面看,图像本质上是数字矩阵,算法通过数学运算(如线性代数中的卷积、矩阵变换)提取特征、识别模式。深度学习技术,尤其是卷积神经网络(CNN),通过模拟人脑视觉皮层,实现了从边缘检测到复杂场景理解的突破,其技术价值在于极大地提升了图像识别、分割与生成的精度与自动化水平。在工程实践中,掌握如OpenCV等工具进行图像预处理、特征提取,并理解如“图像opencv二维图形骨架分割算法”等具体技术的实现原理,对于工业质检、自动驾 阅读详情

相关推荐

vivo图像算法校招笔试解析:从数学基础到工程实现

图像算法工程师的面试考察,往往不限于深度学习模型的堆砌,而是更看重数学功底、经典图像处理原理与工程落地能力。矩阵特征值分解与SVD在图像压缩中的应用、贝叶斯公式在缺陷检测中的基率谬误、直方图均衡化的手算归并、高斯滤波的频域优势、拉普拉斯算子的锐化陷阱,这些都是笔试中高频出现的核心考点。掌握这些基础概念,不仅有助于理解图像去噪、增强、分割等经典算法的技术价值,也能在手机拍照、文档扫描等实际工程场景中灵活运用。本文围绕vivo 2019校招笔试题,系统梳理了数学基础、图像处理经典算法、机器学习与编程题的考查重点

weixin_34327761的博客 477

图像算法学习路径:从OpenCV基础到骨架提取实战

图像处理是计算机视觉的基础,其核心在于将图像视为像素矩阵,通过数学运算实现信息提取与分析。其基本原理涉及对数字图像的表示(如RGB、HSV色彩空间)与变换。在技术价值上,图像处理算法能够自动化完成去噪、增强、分割等任务,极大提升了视觉信息处理的效率与精度。典型的应用场景包括工业检测、医学影像分析、自动驾驶等。本文以二维图形骨架分割这一具体任务为线索,系统介绍了从图像预处理、形态学操作到经典算法(如Zhang-Suen细化算法)的完整流程,并深入探讨了距离变换等进阶技术,为读者构建了一套从理论到实践的图像算法

weixin_33971977的博客 488

vivo校招图像算法工程师笔试:拉普拉斯锐化与经典考点全解析

图像处理是计算机视觉的基础,卷积运算与边缘检测则是其中的核心原理。拉普拉斯算子作为经典的二阶微分算子,能够提取图像高频分量,通过叠加原始图像实现锐化增强,在手机影像、摄影增强等场景中有着广泛应用。图像算法工程师面试题往往围绕这些基础概念展开,考察候选人对数学原理、经典算法和工程实现的综合理解。从矩阵运算到卷积核设计,从边界处理到噪声抑制,每一个细节都折射出行业对基本功的重视。以vivo校招笔试为例,其题目设置既包含直方图均衡化、Sobel边缘检测等传统内容,也涉及深度学习基础,而拉普拉斯锐化更是多次出现的代

weixin_33767813的博客 511

【图像类知识学习】图像算法工程师知识储备——究极无敌大总结(一)【传统算法相关】

这篇文章包含了市面常见的图像算法面试题,会在一个月之内列出所有问题,之后的答案慢慢补充

weixin_44463519的博客 1130

vivo 2019校招图像算法工程师笔试题解析:核心考点与拉普拉斯锐化实战

图像处理作为计算机视觉与终端成像系统的核心技术,在智能手机影像优化中扮演着关键角色。理解卷积运算与边缘检测算子的原理,是掌握图像增强与锐化算法的基础。拉普拉斯算子作为一种二阶微分算子,通过检测灰度突变实现边缘提取,将其与原始图像叠加即可完成图像锐化,这一技术在相机ISP链路中有着广泛应用。针对终端厂商的算法岗位笔试,经典图像处理算法的工程实现能力往往比深度学习模型更为重要。本文围绕vivo 2019校招图像算法工程师笔试题,系统梳理题型逻辑、核心考点与代码实现要点,重点剖析拉普拉斯锐化的数学推导、边界处理与

weixin_30673611的博客 452

图像算法面试知识点(学习笔记-1)

(1) 传统计算机视觉基础 (2)深度学习 CV 核心 (3)机器学习基础 (4)工程落地与工具链 (5)拓展知识点

weixin_42795788的博客 1060

图像算法工程师面试核心考察与实战解析

计算机视觉作为人工智能的重要分支,其核心在于通过算法实现图像理解与特征提取。从传统特征描述子(如SIFT/HOG)到现代深度学习模型(如CNN、Transformer),技术演进始终围绕精度与效率的平衡展开。在工程实践中,模型部署优化(如TensorRT加速)和工业级数据增强成为提升落地效果的关键手段。本文以图像算法工程师面试为切入点,深入解析计算机视觉基础理论、编程实现要点及项目经验呈现技巧,特别针对YOLOv3优化策略、ResNet梯度消失解决方案等高频考点提供技术拆解,并分享PyTorch模型部署到边

weixin_29046035的博客 312

2018图像算法工程师笔试题复盘:深度学习考点与部署实战

深度学习作为计算机视觉的核心技术,正广泛应用于直播、短视频等实时场景。理解卷积神经网络(CNN)的基本原理,如卷积计算、感受野、池化层的反向传播,是构建模型能力的基础。同时,模型从训练到落地部署,离不开浮点数格式的选型与优化,FP32、FP16、BF16及INT8量化等手段直接影响推理速度与精度。这些技术价值不仅体现在笔试题中,更贯穿于真实业务系统的性能调优。本文以欢聚时代2018年校招图像算法工程师笔试题为切入点,系统复盘核心考点,包括激活函数、损失函数、BN层、优化器以及模型压缩与部署,帮助备考者建立从

weixin_30587927的博客 346

Python图像处理工具库全解析:从Pillow到OpenCV

数字图像处理是计算机视觉和多媒体技术的核心基础,Python凭借其丰富的库生态成为该领域的主流开发语言。从底层原理看,图像处理本质是对像素矩阵的数学运算,Python通过NumPy等科学计算库提供了高效的矩阵操作能力。在工程实践中,开发者可以根据不同场景选择工具链:Pillow适合基础图像编辑,OpenCV专精实时计算机视觉,scikit-image提供科研级算法实现。特别是在深度学习时代,torchvision和Albumentations等工具大幅提升了图像数据预处理效率。掌握这些工具的技术特点与组合使

weixin_30572613的博客 461

Python图像处理库全解析:从OpenCV到深度学习

数字图像处理是现代计算机视觉和多媒体应用的核心技术,Python凭借其丰富的库生态系统成为该领域的首选工具。从底层像素操作到高级视觉算法,Python图像处理库如OpenCV、Pillow和scikit-image等提供了完整的解决方案。OpenCV作为工业级计算机视觉库,支持2500多种优化算法,特别适合实时图像处理;Pillow则以轻量级和易用性著称,适合快速实现基础图像操作。这些工具不仅支持传统的图像处理任务,还能与PyTorch、TensorFlow等深度学习框架无缝集成,满足从科研到生产的各类需求

weixin_30565199的博客 292

保姆级教程:用Python+OpenCV搞定Orbbec Gemini深度与彩色流对齐(附完整代码)

本文提供了一份详细的Orbbec Gemini深度与彩色流对齐教程,涵盖从环境配置到完整代码实现的每一步。通过解析深度流对齐原理,对比不同对齐模式,并提供工业级应用中的问题排查方法,帮助开发者快速掌握Orbbec Gemini相机的使用技巧。文章还包含进阶应用如点云生成与三维重建的实战代码。

weixin_29090917的博客 470

Python图像处理工具全解析:从Pillow到OpenCV

图像处理是计算机视觉和多媒体应用的基础技术,通过算法对数字图像进行分析、增强和转换。Python凭借其丰富的科学计算生态,已成为图像处理的首选语言。从基础的像素操作到高级的计算机视觉算法,Python提供了Pillow、OpenCV、NumPy等工具链,满足不同场景需求。Pillow适合快速开发,支持30+种图像格式;OpenCV提供2000+种优化算法,擅长实时处理;NumPy则实现底层高效的像素级运算。这些工具在工业检测、医学影像、自动驾驶等领域广泛应用,特别是结合PyTorch等深度学习框架后,能实现

weixin_34220179的博客 379

SRAM ECC原理与应用:从汉明码到高可靠嵌入式系统设计

在嵌入式系统与高可靠性计算领域,内存数据完整性是系统稳定运行的基石。软错误(Soft Error)由宇宙射线或芯片内部粒子引发,可能导致存储单元发生位翻转,进而引发程序跑飞或数据损坏。为应对这一物理层挑战,错误校验与纠正(ECC)技术应运而生,其核心原理基于扩展汉明码,通过增加校验位实现单错误纠正、双错误检测(SECDED)能力。这项技术通过硬件透明纠错,在提升系统可靠性的同时,几乎不影响访问性能。在汽车电子、工业控制及航空航天等对安全性要求极高的场景中,ECC已成为保障长期稳定运行的关键硬件机制。本文聚焦

weixin_28728265的博客 535

Python OpenCV 365 天超长学习计划(2023-2-6 更新,已连载 64 篇)

如果说学OpenCV找哪个系列的课程 那直接看橡皮擦这套免费专栏吧!

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 2万+

XIAO ESP32S3 Sense摄像头与麦克风实战:从硬件连接到AI语音视觉项目

本文详细介绍了如何使用Seeed Studio XIAO ESP32S3 Sense开发板进行AI语音视觉项目开发。从硬件连接到Arduino环境搭建,再到摄像头拍照、视频流传输、麦克风录音等实战操作,最后引导读者探索基于TensorFlow Lite Micro的语音唤醒和SenseCraft AI的图像识别等AI应用,为物联网和边缘AI项目提供了完整的入门指南。

xray4的博客 1027

Python 驱动 CAD 二次开发:从零搭建自动化绘图环境

本文详细介绍了如何利用Python进行CAD二次开发,实现自动化绘图。通过win32com库建立Python与CAD软件的通信,文章从环境搭建、连接CAD、操作文档到核心绘图与批量处理,提供了完整的实战指南。该方法能显著提升机械设计、建筑绘图等领域的重复性工作效率,将创造力从繁琐劳动中解放出来。

weixin_29093169的博客 1241

[具身智能-245]:OpenCV的特点、应用条件、主要应用场景、不足

你可以把 OpenCV 看作是“视觉领域的 C 语言”——它是基础,是基石。如果你要做简单的、实时的、低成本的视觉任务(如扫码、测距、简单的颜色分拣),OpenCV 是最佳选择。如果你要做复杂的、高精度的识别任务(如人脸识别门禁、自动驾驶障碍物检测),通常采用“OpenCV(预处理/后处理) + 深度学习框架(核心推理)”的组合拳模式。

文火冰糖(王文兵)的博客 146

Python实战:5分钟搞定VCF文件中每个样本的SNP统计(附bcftools安装指南)

本文介绍了三种高效统计VCF文件中每个样本SNP数量的Python方法,包括原生解析、结合bcftools的推荐方案以及使用PyVCF3专业库。特别推荐bcftools结合Python的方法,适用于中大型VCF文件,显著提升处理效率。文章还提供了bcftools安装指南和进阶统计技巧,帮助生物信息学分析人员快速完成SNP统计任务。

weixin_30555125的博客 494

视频教程-数字图像处理实战-算法基础

数字图像处理实战 河海大学计算机硕士毕业,现就职于南京华为研究所,从事嵌入式...

weixin_33105007的博客 580

R语言机器学习算法实战系列(十三)随机森林生存分析构建预后模型 (Random Survival Forest)

本教程运用随机森林生存分析筛选与患者生存状态显著相关特征。该方法借随机森林这一强大机器学习算法,构建多棵决策树并集成结果,以提高生存分析准确性,识别关键生物标志物。接着,利用选定特征构建风险得分,将多个特征转化为单一数值,量化患者风险水平。之后,依据风险得分将患者分为高、低风险亚型,为临床治疗提供个性化指导。最后,通过分析时间依赖的 ROC 曲线评估模型长期预测能力。此曲线计算不同阈值下的真正例率与假正例率,在多个时间点评估,全面展现模型长期稳定性与准确性。

专注生信领域 2028

Chamfer Loss

ChamferLoss是一种常用于3D点云(pointcloud)处理的损失函数,特别是在点云生成和对齐任务中。它的目的是度量两个点集之间的相似度,特别是在点云重建、配准或生成等任务中,常用于优化模型使得生成的点云更接近真实的点云。

夜空中明亮的星的专栏 455

我的创作纪念日

我的创作纪念日

FriendshipTang的博客 756

PGM-Explainer实验总结

PGM-Explainer建立了一个概率图模型,为GNN提供实例级解释。 论文标题:PGM-Explainer: Probabilistic Graphical Model Explanations for Graph Neural Networks 论文地址:2010.05788.pdf (arxiv.org) PGM-Explainer实验 实验目的 研究PGM-Explainer的有效性 实验方案 合成数据集的节点分类 与其他解释器做对比实验 使用六个合成数据集。 每个输入图都是一个

笔记|思路|总结 1万+

那些年我用OpenCV+Qt趟过哪些坑?写给视觉应用开发者的避坑指南

这几年,我从一个写脚本的算法爱好者,到能独立设计交付跨平台视觉检测系统,中间踩了无数的坑,也总结出一套还算行之有效的方法。今天,中际赛威刘老师不谈高深理论,就想把这套从基础搭建、核心架构到项目实战的完整路线图,以及其中最容易翻车的32个关键点,分享给同样在这条路上摸索的你。回过头看,从早期写一个按钮功能都要百度半天,到现在能规划整个系统的技术选型与模块划分,最大的变化不是多学了几个OpenCV的API,而是建立起了一套完整的工程化思维。技术的价值在于应用,而可靠的应用源于扎实的工程。

zjsw123的博客 883

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Python-OpenCV:库、环境搭建、图片与摄像头解析

本文系统介绍了OpenCV的基础知识与实操指南。OpenCV作为开源计算机视觉库,支持图片、摄像头、视频处理,广泛应用于美颜滤镜、人脸识别等场景。文章详细讲解了环境搭建(安装opencv-python和numpy)、窗口控制四件套(创建/渲染/监听/销毁)、图片读取与处理(缩放/旋转/翻转/融合)、摄像头实时预览与截图、视频录制(自动创建文件夹与分辨率适配)等核心功能,并提供了常见问题解决方案。通过配套代码示例,帮助读者快速掌握OpenCV五大基础操作,为后续图像处理与计算机视觉开发奠定基础。

W_32600的博客 1000

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

RK3568嵌入式视觉开发:Python+OpenCV摄像头应用实战

计算机视觉作为人工智能的关键分支,其核心原理是通过算法让机器“看懂”图像与视频。在嵌入式边缘计算场景中,视觉技术能实现实时感知与决策,广泛应用于智能安防、工业检测和物联网设备。OpenCV作为行业标准的开源计算机视觉库,提供了从图像采集、处理到分析的完整工具链,是连接算法理论与工程实践的桥梁。本文聚焦于在ARM架构的RK3568开发板上,基于Debian系统,通过Python驱动USB摄像头,并利用OpenCV库完成从环境搭建、基础采集到运动检测等核心功能的开发全流程。内容涵盖开发环境配置、摄像头驱动与权限

weixin_33725807的博客 505

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: 单目视觉深度分析
下一篇: OpenCV 算法梳理分析
reset2021
博客等级 码龄5年 565粉丝 424原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

reset2021

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值