<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zhangjunp3的博客]]></title><description><![CDATA[机器视觉一只白]]></description><link>https://blog.youkuaiyun.com/zhangjunp3</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zhangjunp3]]></copyright><item><title><![CDATA[ubuntu安装clions和opencv]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/90143637</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/90143637</guid><author>zhangjunp3</author><pubDate>Sun, 12 May 2019 19:20:38 +0800</pubDate><description><![CDATA[一、安装clions

到官网下载安装包：点击下载

解压文件到当前文件夹：


tar -zxvf clion-2019.1.3.tar.gz 

进入解压后的文件夹，运行.sh文件即开始安装过程


cd clion-2019.1.3/bin/  
  
sh ./clion.sh  

然后一直点击继续就可完成安装。

二、安装opencv

到官网进行下载：点击下载，选择相应的版本，然后...]]></description><category></category></item><item><title><![CDATA[文本检测数据集制作及xml转换为txt]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/89924409</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/89924409</guid><author>zhangjunp3</author><pubDate>Tue, 07 May 2019 17:04:55 +0800</pubDate><description><![CDATA[一、标注工具rolabelImg

rolabelImg和labelimg差不多，只是在rolabelImg中可以画旋转的矩形，下载地址rolabelImg

具体操作如下：



进入这个目录下，输入cmd进入终端：依次输入以下代码将会启动程序


pyrcc5 -o resources.py resources.qrc
python labelImg.py





接下来就是标记了，画出第一...]]></description><category></category></item><item><title><![CDATA[Keras 多输入和混合数据]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/88642004</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/88642004</guid><author>zhangjunp3</author><pubDate>Mon, 18 Mar 2019 17:06:08 +0800</pubDate><description><![CDATA[一、简介

这一节将学习如何定义能够接受多个输入的Keras架构，包括数字，分类和图像数据。 然后，我们将在此混合数据上训练单个端到端网络。

二、从视觉和文本特征估算房价

论文地址：House price estimation from visual and textual features

数据集下载：Dataset

大多数现有的自动房价估算系统仅依赖于一些文本数据，例如其邻近区域和房间...]]></description><category></category></item><item><title><![CDATA[图像处理常用的颜色空间]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/88615640</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/88615640</guid><author>zhangjunp3</author><pubDate>Mon, 18 Mar 2019 10:01:13 +0800</pubDate><description><![CDATA[1、BGR颜色空间

所具有的特性如下：

1.这是一个加色空间，通过B,G,R,之间的线性组合获得颜色。

2.三通道通过撞击表面的光亮相关联。



2、HSV颜色空间

HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。、这个模型中颜色的参数分别是：色调（H），饱...]]></description><category></category></item><item><title><![CDATA[EAST自然场景文本检测的实现]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/88354771</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/88354771</guid><author>zhangjunp3</author><pubDate>Fri, 08 Mar 2019 18:30:44 +0800</pubDate><description><![CDATA[一、概述

最近，提取和理解自然场景中包含的文本信息变得越来越重要和受欢迎，ICDAR系列竞赛的前所未有的大量参与者和NIST推出的TRAIT 2016评估证明了这一点。文本检测作为后续过程的先决条件，在文本信息提取和理解的整个过程中起着至关重要的作用。以前文本检测方法已经在各种基准测试中获得了很好的表现这个领域。文本检测的核心是区分文本和背景的功能设计。传统上，功能是手动设计的在深度学习中捕获场...]]></description><category></category></item><item><title><![CDATA[Windows下pip换成清华源]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/88310359</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/88310359</guid><author>zhangjunp3</author><pubDate>Thu, 07 Mar 2019 15:45:32 +0800</pubDate><description><![CDATA[1.进入C盘下用户的文件夹：



2.新建一个pip文件夹，在该文件夹下新建一个配置文件，文件内容如下：


[global]
timeout = 6000
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn

3.将文件保存为ini格式，如下图：



4.进...]]></description><category></category></item><item><title><![CDATA[图像分割之segnet]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/84790383</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/84790383</guid><author>zhangjunp3</author><pubDate>Tue, 04 Dec 2018 16:35:39 +0800</pubDate><description><![CDATA[一、算法介绍

SegNet网络结构如下图所示，Input为输入图片，Output为输出分割的图像，不同颜色代表不同的分类。语义分割的重要性就在于不仅告诉你图片中某个东西是什么，而且告知你他在图片的位置。我们可以看到是一个对称网络，由中间绿色pooling层与红色upsampling层作为分割，左边是卷积提取高维特征，并通过pooling使图片变小，SegNet作者称为Encoder，右边是反卷积...]]></description><category></category></item><item><title><![CDATA[深度学习之Numpy]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/84259939</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/84259939</guid><author>zhangjunp3</author><pubDate>Mon, 19 Nov 2018 21:45:39 +0800</pubDate><description><![CDATA[一、简介

NumPy是Python中科学计算的基础软件包。它是一个提供多了维数组对象，多种派生对象（如：掩码数组、矩阵）以及用于快速操作数组的函数及API，它包括数学、逻辑、数组形状变换、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。NumPy包的核心是ndarray对象。它封装了python原生的同数据类型的n维数组，为了保证其性能优良，其中有许多操作都是代码...]]></description><category></category></item><item><title><![CDATA[hog+svm训练自己的分类器]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/82354368</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/82354368</guid><author>zhangjunp3</author><pubDate>Mon, 03 Sep 2018 20:58:02 +0800</pubDate><description><![CDATA[一、原理简述
HOG: 方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征. 
SVM: (Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识...]]></description><category></category></item><item><title><![CDATA[随机森林]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80895821</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80895821</guid><author>zhangjunp3</author><pubDate>Tue, 03 Jul 2018 15:30:10 +0800</pubDate><description><![CDATA[一、随机森林的定义  作为新兴起的、高度灵活的一种机器学习算法，随机森林（Random Forest，简称RF）拥有广泛的应用前景，从市场营销到医疗保健保险，既可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用来预测疾病的风险和病患者的易感性。如果接触过决策树（Decision Tree）的话，那么会很容易理解什么是随机森林。随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基...]]></description><category></category></item><item><title><![CDATA[导向滤波的原理及实现]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80668284</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80668284</guid><author>zhangjunp3</author><pubDate>Tue, 12 Jun 2018 17:29:45 +0800</pubDate><description><![CDATA[一、双边滤波双边滤波很有名，使用广泛，简单的说就是一种同时考虑了像素空间差异与强度差异的滤波器，因此具有保持图像边缘的特性。先看看我们熟悉的高斯滤波器：其中W是权重，i和j是像素索引，K是归一化常量。公式中可以看出，权重只和像素之间的空间距离有关系，无论图像的内容是什么，都有相同的滤波效果。再来看看双边滤波器，它只是在原有高斯函数的基础上加了一项，如下其中 I 是像素的强度值，所以在强度差距大的地...]]></description><category></category></item><item><title><![CDATA[目标检测之SSD原理与实现]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80597312</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80597312</guid><author>zhangjunp3</author><pubDate>Wed, 06 Jun 2018 21:49:14 +0800</pubDate><description><![CDATA[一、设计理念论文下载：点击打开链接SSD和Yolo一样都是采用一个CNN网络来进行检测，但是却采用了多尺度的特征图，其基本架构下图所示。下面将SSD核心设计理念总结为以下三点：1.采用多尺度特征图用于检测所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用...]]></description><category></category></item><item><title><![CDATA[tensorflow的模型保存与恢复]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80540644</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80540644</guid><author>zhangjunp3</author><pubDate>Fri, 01 Jun 2018 17:33:45 +0800</pubDate><description><![CDATA[一、模型保存与恢复1.模型保存saver = tf.train.Saver()2.模型恢复restore(self, sess, save_path)二、模型的训练此次用比较简单的卷积网络训练cifar10，实现图像的分类，今天的重点不在训练的网络结构上，模型的保存和恢复不仅可以保留上次的训练数据继续训练，还可以快速呈现之前的训练结果，话不多说下面上代码。import tensorflow as ...]]></description><category></category></item><item><title><![CDATA[常用损失函数小结]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80467350</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80467350</guid><author>zhangjunp3</author><pubDate>Sun, 27 May 2018 11:01:58 +0800</pubDate><description><![CDATA[一、摘要本文主要总结一下常见的损失函数，包括：MSE均方误差损失函数、SVM合页损失函数、Cross Entropy交叉熵损失函数、目标检测中常用的Smooth L1损失函数。其中还会涉及到梯度消失、梯度爆炸等问题：ESM均方误差+Sigmoid激活函数会导致学习缓慢；Smooth L1损失是为了解决梯度爆炸问题。仅供参考。二、均方误差损失2.1 均方差损失函数的定义：均方差损失函数常用在最小二乘...]]></description><category></category></item><item><title><![CDATA[Yolov1原理及实现]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80421814</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80421814</guid><author>zhangjunp3</author><pubDate>Wed, 23 May 2018 16:43:35 +0800</pubDate><description><![CDATA[一、引言目前的检测系统通过重用分类器来执行检测。为了检测目标，这些系统为该目标提供一个分类器，在测试图像的不同的位置和不同的尺度上对其进行评估。像deformable parts models（DPM）这样的系统使用滑动窗口方法，其分类器在整个图像上均匀间隔的位置上运行。最近的方法，如R-CNN使用region proposal策略，首先在图像中生成潜在的边界框（bounding box），然后在...]]></description><category></category></item><item><title><![CDATA[opencv 仿射变换和透视变换]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80318533</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80318533</guid><author>zhangjunp3</author><pubDate>Tue, 15 May 2018 10:09:13 +0800</pubDate><description><![CDATA[一、话说仿射变换和透视变换对于平面区域，有两种方式的几何转换：一种是基于2×3矩阵进行的变换，叫仿射变换；另一种是基于3×3矩阵进行的变换，叫透视变换或者单应性映射。关于仿射变换和透射变换的矩阵变换，这篇博文不做重点讨论，因为图像本质就是矩阵，对矩阵的变换就是对图像像素的操作，很简单的数学知识。仿射变换可以形象的表示成以下形式。一个平面内的任意平行四边形ABCD可以被仿射变换映射为另一个平行四边形...]]></description><category></category></item><item><title><![CDATA[opencv fast特征点检测]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80297709</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80297709</guid><author>zhangjunp3</author><pubDate>Sun, 13 May 2018 11:21:13 +0800</pubDate><description><![CDATA[一、话说FastFAST算法的思想是，若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能是角点。即当你发现周围人的表演跟你不同时，你就要考虑下是不是走错片场了。在FAST算法中有一个重要的区间：在这个区间中，像素会过亮或过暗，在接下来步骤讲解中会用到。二、原理1确定候选角点某个像素  ，其像素值为  ，以  为圆心，半径为3，确定一个圆，圆上有16个像素，记为  。确定一个阈值，记为  。...]]></description><category></category></item><item><title><![CDATA[语义分割发展小结]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80258577</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80258577</guid><author>zhangjunp3</author><pubDate>Wed, 09 May 2018 20:17:06 +0800</pubDate><description><![CDATA[一、话说语义分割语义分割方法在处理图像时，具体到像素级别，也就是说，该方法会将图像中每个像素分配到某个对象类别。下面是一个具体案例。左边为输入图像，右边为经过语义分割后的输出图像。该模型不仅要识别出摩托车和驾驶者，还要标出每个对象的边界。因此，与分类目的不同，相关模型要具有像素级的密集预测能力。目前用于语义分割研究的两个最重要数据集是VOC2012和MSCOCO。VOC2012：点击打开链接MSC...]]></description><category></category></item><item><title><![CDATA[opencv 彩色图像的高斯反向投影]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80230814</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80230814</guid><author>zhangjunp3</author><pubDate>Mon, 07 May 2018 20:50:41 +0800</pubDate><description><![CDATA[一、话说反向投影图像反向投影的最终目的是获取ROI然后实现对ROI区域的标注、识别、测量等图像处理与分析，是计算机视觉与人工智能的常见方法之一。图像反向投影通常是彩色图像投影效果会比灰度图像效果要好，原因在于彩色图像带有更多对象细节信息，在反向投影的时候更加容易判断、而转为灰度图像会导致这些细节信息丢失、从而导致分割失败。最常见的是基于图像直方图特征的反向投影。我们这里介绍一种跟直方图反向投影不一...]]></description><category></category></item><item><title><![CDATA[darknet的实现]]></title><link>https://blog.youkuaiyun.com/zhangjunp3/article/details/80209174</link><guid>https://blog.youkuaiyun.com/zhangjunp3/article/details/80209174</guid><author>zhangjunp3</author><pubDate>Sat, 05 May 2018 21:13:11 +0800</pubDate><description><![CDATA[一、下载与安装下载网络与权重文件：点击打开链接darkflow实现了将darknet翻译成tensorflow,可以用tensorflow加载darknet训练好的模型,并使用tensorflow重新训练,输出tensorflow graph模型,用于移动设备。dark flow需要安装的依赖库有numpy,tensorflow,opencv,python等。打开下载好的文件夹，里面有如下文件：在...]]></description><category></category></item></channel></rss>