zjl-wgf

这里透视变化是指，假设原图4个点的坐标为ABCD，分别是左上↖，右上↗，右下↘，左下↙，四个坐标，变换后是EFGH，E（0，0），F(w，0), G(w, h), H(h, 0)该函数输入的参数分别是，原图和4个坐标点，原图是没有经过resize的，而输入的坐标点是resize后的，所以需要转换到resize之前，screenCnt.reshape(4, 2) * ratio，这里（4，2）代表总共4个点，每个点的有两个坐标（x,y)， 这个东西也是非常强大， 给定图片之后，直接能识别图片里面的文字。

目录一、caffe配置文件介绍二、标准层的定义 三、网络微调技巧四、Linux脚本使用及LMDB文件生成五、带你设计一个Caffe网络，用于分类任务一、caffe配置文件介绍 二、标准层的定义  三、网络微调技巧 其中，multistep最为常用四、Linux脚本使用及LMDB文件生成五...

本文是将我的文档截屏分享给大家，不至手动编辑出现错误，望见谅！ 其中opencv ，cudnn 的版本可以按自己的意愿进行替换的。

直接将Word 文档的内容复制过来，很麻烦，排版有问题。有需要的可以私信我，我将会邮件过去。本文档，是总结好的，可以直接照着来做的。每个步骤都是没问题的。参考欧新宇教程：http://ouxinyu.github.io/Blogs/20140723001.html 特别说明： 本文使用2015年5月5日下载的caffe-master版本，运行平台为：Ubuntu 14.04，CUDA7.5，cu

本文和之前的2篇内容是一样，增加了安装过程出现的常见问题，并提供了解决办法。前2篇是为了思路清晰，没补充安装中出现的问题。本篇是我自己的总结，仅供大家参考，由于Ubuntu系统的特点就是，相同的问题，用相同的解决办法，有些人管用，有些人用就是不管用，这是我的经验。安装了无数次啊。 二、MKL与CUDA的环境设置 下载caffe

Learning Deconvolution Network for Semantic Segmentation 摘要1. 提出新的语义分割算法：深度反卷积网络；2. 在VGG-16卷积层上学习网络；3. 反卷积组成：deconvolution and unpooling layers，识别逐像素的类别标签和预测的分割mask；4. 将object proposal（edge box）送入训

本文只是将平常做的笔记，截屏发布了，为了省事，嘻嘻嘻嘻，望见谅！

笔记仅供参考，如有错误请批评指正！

Numpy提供了几种数据保存的方法。   以3*4数组a为例：    1. a.tofile("filename.bin")      这种方法只能保存为二进制文件，且不能保存当前数据的行列信息，文件后缀不一定非要是bin，也可以为txt，但不影响保存格式，都是二进制。      这种保存方法对数据读取有要求，需要手动指定读出来的数据的的dtype，如果指定的格式与

图像主题色提取算法——code本文主要任务： run code配置： Windows， anoconda python 2.7源码  https://github.com/rainyear/ImageColorTheme错误：  无法 import cv2 模块 解决办法：Windows 上安装 opencv 最简单的办法就是， 从opencv 官网下载

如何制作自己的数据集  1. 本例数据只用了3类：摄像机，飞机，蝴蝶2.创建一个包含所有文件路径名的CSV文件，也就是一个文本文件txt加入文件路径是：C:\Users\*****\Desktop，在DOS窗口下输入命令：如下图所示，执行成功后发现在识别数据库文件夹下出现一个文本文件at.txt：3.生成的txt文件如下：4. 添加标

XGBoost 参数，调优方案， 优势

深度神经网络修改常用tricksSPP金字塔结构SPP金字塔结构import mathimport torchimport torch.nn.functional as F# 构建SPP层(空间金字塔池化层)class SPPLayer(torch.nn.Module): def __init__(self, num_levels, pool_type='max_pool'): super(SPPLayer, self).__init__() sel

深度学习模型下接口编写及Docker下生产环境部署（通用篇）一、实现目标二、操作背景三、编写接口1.detect_image.py源代码2.detect_image.py增加接口代码四、服务端代码五、客户端接口六、docker生产环境部署1、docker常用命令一、实现目标通过阅读本篇文章，大家将会了解以下内容：如何编写深度学习模型的接口。如何撰写服务端和客户端。如何利用docker进行生产环境部署。在部署中了解docker相关知识。二、操作背景最最基础的就是大家要有一个跑的通的代码。

计算出来dtmp1点的梯度值后，比较dtmp1，C，dtmp2三点的梯度值，如果C点的梯度值比他们都大，则保留，否则被抑制掉。3) 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。4) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。1) 使用高斯滤波器，以平滑图像，滤除噪声。2) 计算图像中每个像素点的梯度强度和方向。5) 通过抑制孤立的弱边缘最终完成边缘检测。

import cv2 #opencv读取的格式是BGRimport matplotlib.pyplot as plt#Matplotlib是RGB我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。但是在频域中一切都是静止的！傅里叶分析之掐死教程（完整版）更新于2014.06.06 - 知乎。

上面最后两行是一个avgpool层和fc层，我们发现最后一层fc已经变成102。读取标签对应的实际名字。以上代码不用改，基本固定。

由于上面是双向的，输出特征则是双倍，双向的特征串联起来，所以下面代码的输入特征大小是：此全连接层，用于预测各自类别。

礼帽 = 原始输入-开运算结果，原始图像有毛边，开运算结果没有毛边，两者相减，得到毛边。原图像有毛刺，经过腐蚀原图像变细，腐蚀图像在经过膨胀操作，又变粗。梯度运算就是，先膨胀，在腐蚀，最后膨胀的-腐蚀的图像。笔运算会导致毛边越来越大，无法去除毛边。黑帽 = 闭运算-原始输入，

考虑到opencv专利问题，为跑通算法，需要安装opencv-python==3.4.1.15版本，这要求python==3.6环境配置参考如下链接（opencv安装、pycharm配置）。注意：第五章之后需要创建新的环境Anaconda默认Python3.8版本创建Python3.6版本环境并安装opencv3.4.1.15，使用pycharm作为IDE_清华源anaconda哪个是python3.8.3版本_胡萝卜要削皮的博客-优快云博客需要装下面两个包。

¶高斯金字塔拉普拉斯金字塔。

laplacian算子对噪音比较敏感，通常需要跟其他算法结合在一起使用，后续会讲解。白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值。Scharr算子的值显示离得近值大，离得远得值小，让结果更敏感一些。分别计算x和y，再求和。

【代码】4.8 Pytorch框架Flask部署例子。

给定一张信用卡，我们期望达到如下效果给定一个信用卡，最终要输出上面的卡号，且需要在原图中把卡号的位置圈出来。本质上，这是一个模板匹配任务，如果想让计算机认识数字，我们需要给定一个模板，比如下面这个：这样， 我们只要找到信用卡上的数字区域，然后拿着数字区域的数字一一与模板进行匹配，看看到底是啥数字，就能识别出来了。但是，对于信用卡来说我们需要找到它的数字区域呀，对于给定的模板，我们虽然有它的数字区域，但是也得分割成一个个的数字，才能进行匹配工作呀，所以该任务，就转成了。

每一张图像都是有像素点组成的，每个像素点由3个值，RGB，每个通道的值取值范围在0-255之间，值越大图像越亮。图像大小表示成h*w*c，比如一张500*500*3的图像，则每个通道大小都是500*500，且每一个通道的值，都表示成矩阵形式，则R通道的矩阵大小为500*500.假设图像猫为X1，狗为X2，融合后的图像Y=a * X1+b*X2+C, 其中a 为猫的权重， b为狗的权重，C为整体额外再提升多少亮度。其中：cv2.waitKey(0) 中的0表示显示的图像键盘。表示图像的(h,w,c)