sinat_36391198的博客

import cv2import numpy as npfrom PIL import Image#图片文件路径path = 'E:/0_0.jpg'#用cv2打开图片img_cv2 = cv2.imread(path)#用PIL打开文件img_pil = Image.open(path)#将读取的图片转换为数组img_pil = np.asarray(img_pil)#显...

1）准备数据，打开文件夹读取数据def read_data(data_dir): datas = [] labels = [] for fname in os.listdir(data_dir): fpath = os.path.join(data_dir, fname) image = Image.open(fpath) ...

在我们训练SSD模型时，有些数据集需要我们自己制作的，接下来我就说一说如何自己制作一个VOC数据集。1）创建文件目录如下：handvoc是你自己数据集的名字，在该目录下有第三个文件夹如下所示。其中ImgeSets下还有一个Main文件夹文件夹说明：JPEGImages中存放要训练的图片。Annotations中这XML信息，XML文件名与训练图片的文件名一一对...

基于图的分割（Graph-Based Segmentation），就是利用图的方法来将图片进行分割。首先介绍图的知识。我们将一个图定义为一个二元组的形式： ，其中是顶点的集合，是连接中两个不同顶点集合。 如果E中的顶点对（边）是有序的，则称G为有向图。如果顶点对是无序对，则称G是无向图。如图所示（网上图片）：树：可以看做没有回路特殊的图，树中的任意节点不构成闭合回路。比如我们最常见...

今天说一说haar分类算法。首先介绍haar-like特征。haar-like的特征有边缘特征、线性特征、中心特征和对角线特征。我们使用特征模板来表示特征的计算，如图所示：这些特征分别对应着不同的矩阵以便于进行计算，比如对应的矩阵可以为，计算的最后结果就是白色区域的像素值（可以为灰度）减去 黑色区域的像素值。需要注意的是这个矩阵是可以放缩大小的，并且这个矩阵是可以在图片...

边缘连接指的是将已有的离散点连成轮廓的意思。通常我们将图像用边缘微分算子进行卷积后，我们会得到由微分算子响应的点，通过阈值排除，得到最后的边缘点，即像素突变点，然后再由这些边缘点通过边缘连接得到最后的轮廓图。1.局部处理这个很好理解，就是检测一个点的周围点，通过比较幅度与角度的差值，在一定的范围内就认定是一条边缘上的点。过程如下：设定待检测点位(x,y),(s,t)为其周围像素点。...

上次说的点、线检测中用到了sobel、Roberts、Prewitt等等都是一阶算子，拉普拉斯是二阶算子。首先说一下一阶和二阶算子的相同与不同。无论是一阶算子还是二阶算子，本质上都是通过对于灰度突变的检测，当检测到图像的边缘时，微分算子都会对其进行响应，我们所使用的模板都是和为1的模板，这样一来在灰度相同的区域响应会为0，而边缘处时会出现不同的值。而不同的是相比于一阶算子来说，二阶算子对...

点检测：我们通过导数来进行点的检测。在离散数据，也就是图像的灰度集合之中，我们用数字差分来表示导数。如一阶导数的数字差分 ，二阶导数的数字差分 将差分位置从x+1移到x有上面是对于x方向的差分，求x和y方向的二阶导数的差分和为拉普拉斯算子。有 其中 ...

今天来说一说二值图的几何性质，包括二值图的位置和朝向。首先，定义图像函数b(x,y)，x与y代表横纵坐标，b(x,y)代表物体，有物体 时值为1，否则为0。位置指的是图像区域位置，也就是图像的重心。举一个通俗易懂的例子，你拿着一块厚度均匀的木板在手上，这是你用你的一个指尖把这个木板顶起来，你指尖与木板接触的位置就是这个木板的重心。对于密度均匀的规则物体来说，重心就是他的中心点。而对于非规则...

简单说一下数字图像的存储方式与一些常用颜色空间。首先是数字图像的存储，图像的存储分为两类：位图存储和矢量存储。位图存储也叫做点阵存储，原理十分简单，就是按照原式图像的位置“一对一”式创建点阵矩阵。每一个位置存储着对应位置的像素点（多维），这个像素点可以是灰度、亮度或者颜色组成之类的。对于位图存储来说，存储方式简单，甚至是粗暴，但其优点是简单明了，且最为贴近真实图像。缺点也十分明显，简单...