opencv_8_形态学操作
形态学,即数学形态学,是图像处理过程中一个非常重要的研究方向。形态学主要从图像内提取分量信息,该分量信息通常对于表达和描绘图像的形状具有重要意义,通常是图像理解时所使用的最本质的形状特征。例如:在识别手写数字时,能够通过形态学运算得到其骨架信息,在具体识别时,仅针对其骨架运算即可。形态学处理在视觉检测、文字识别、医学图像处理、图像压缩编码等领域有非常重要的应用。
opencv_7_图像平滑处理
opencv_6_阈值处理
阈值处理是指剔除图像内像素值高于一定值或者低于一定值的像素点。
例如,设定阈值为127,然后:
将像素内所有像素值大于127的像素点的值设为255
将像素内所有像素值低于127的像素点的值设为0
opencv_5_几何变换
几何变换是指将一幅图像映射到另外一幅图像内的操作。opencv提供了多个与映射有关的函数,这些函数使用起来方便灵活,能够高效地完成图像的映射。
opencv_4_色彩空间类型转换
opencv_3_图像运算
opencv_2_图像处理基础
opencv_1_使用opencv进行图像的读取和保存
动手学深度学习【Pytorch】第7章_现代卷积神经网络
上⼀章我们介绍了卷积神经⽹络的基本原理,本章我们将带你了解现代的卷积神经⽹络架构,许多现代卷积神经⽹络的研究都是建⽴在这⼀章的基础上的。在本章中的每⼀个模型都曾⼀度占据主导地位,其中许多模型都是ImageNet竞赛的优胜者。ImageNet竞赛⾃2010年以来,⼀直是计算机视觉中监督学习进展的指向标。
AlexNet。它是第⼀个在⼤规模视觉竞赛中击败传统计算机视觉模型的⼤型神经⽹络;
使用重复块的⽹络(VGG)。它利⽤许多重复的神经⽹络块;
⽹络中的⽹络(NiN)。它重复使⽤由卷积层和1 × 1卷积层(⽤来代替全连接层)来构建深层⽹络;
含并⾏连结的⽹络(GoogLeNet)。它使⽤并⾏连结的⽹络,通过不同窗⼝⼤⼩的卷积层和最⼤汇聚层来并⾏抽取信息;
残差⽹络(ResNet)。它通过残差块构建跨层的数据通道,是计算机视觉中最流⾏的体系架构;
稠密连接⽹络(DenseNet)。它的计算成本很⾼,但给我们带来了更好的效果。