原创 Pycharm+Python之wxPython安裝教程

**本人配置:**Pycharm Community 2019.2,Python 3.7.2,win7,64位操作系統 wxPython功能: wxPython是Python語言的一套優秀的GUI圖形庫。允許Python程序員很方

原创 關於數字圖像人工文本定位論文撰寫的思路梳理

**研究問題:**隨着電影行業逐漸國際化,電影的展示方式也逐漸統一,大多數的電影,特別是國內的電影,都採用中英文雙字字幕的展示方式,而國外電影的引進,也都在後期添加了中英文雙字的字幕,這爲廣大英語愛好者學習英語口語提供了極大的便利

原创 深度學習之損失函數理解

爲什麼要用到損失函數? 輸入:訓練集X=[x(1),x(2),...x(i)...x(m)]X=[x^{(1)},x^{(2)},...x^{(i)}...x^{(m)}]X=[x(1),x(2),...x(i)...x(m)],

原创 深度學習之邏輯迴歸-假設函數

對於深度學習的基礎知識,我學習的是吳恩達教授的視頻課,看完之後醍醐灌頂,並將其筆記(爲黃海廣博士團隊整理筆記)自我梳理一番,方便自己的學習。 邏輯迴歸是一個用於二分類的算法 首先我們從一個問題開始說起,這裏有一個二分類問題的例子,

原创 深度學習之MNIST數據集的導入

實例描述: 從MNIST數據集中選擇一副圖,這幅圖上有一個手寫的數字,讓機器模擬人眼來區分這個手寫的數字到底是幾。 實現步驟: (1)導入MNIST數據集; (2)分析MNIST樣本特點定義變量; (3)構建模型; (4)訓練模型

原创 深度學習之識別圖中模糊的手寫數字

實例描述: 從MNIST數據集中選擇一副圖,這幅圖上有一個手寫的數字,讓機器模擬人眼來區分這個手寫的數字到底是幾。 實現步驟: (1)導入MNIST數據集; (2)分析MNIST樣本特點定義變量; (3)構建模型; (4)訓練模型

原创 Python+OpenCV之Bernsens局部自適應閾值法

原理分析: Bernsens算法是一種典型的局部閾值算法,其將窗口中各個四昂素灰度級最大值和最小值的平均值作爲一個窗口的中心像素的閾值,因此此方法不存在預定閾值,適應性較整體閾值法廣,不受非均勻光照條件等情況的影響。 設圖像在像素

原创 Python+OpenCV基於OTSU算法的局部二值化算法(失敗品)

大津法(otsu算法)是基於全局的閾值分割算法,極易受到光照不均的干擾,使圖像前景像素與背景像素分割不合理,達不到預期效果,故需要採用局部閾值分割的方法,本文采用以每列爲局部,將每列進行一次otsu算法,求出列閾值,以此類推,直至

原创 Python關於棧的基礎理解(摘自Python程序設計基礎)

棧設計必要性解釋: (1)棧是一種“後進先出”(Last In First Out,LIFO)或“先進後出”(First In Last Out,FILO)的數據結構。 (2)Python列表本身就可以實現棧結構的基本操作。例如,

原创 Python+OpenCV基本全局閾值處理(數字圖像處理-岡薩雷斯-10.3.2)

全局閾值處理方法前提:當物體和背景像素的灰度分佈十分明顯時,可以用適用於整個圖像的單個(全局)閾值。即可使用全局閾值處理。 算法思路: (1)輸入原圖,轉化爲灰度圖; (2)對於灰度圖,爲全局閾值T0選擇一個初始估計值(本人選擇爲

原创 Python+OpenCV添加椒鹽噪聲

椒鹽噪聲也叫脈衝噪聲,即在一幅圖像裏隨機將一個像素點變爲椒噪聲或鹽噪聲,其中椒噪聲像素值爲“0”,鹽噪聲像素值爲“255”。 生成(添加)椒鹽噪聲算法步驟如下: (1)輸入一幅圖像並自定義信噪比 SNR (其取值範圍在[0, 1]之間

原创 Python+OpenCV中值濾波

中值濾波,圖像平滑處理,可消除椒鹽噪聲,其基本思路是通過濾波器遍歷圖像,取每個濾波器區域像素值中值爲新的像素值。 算法思路如下: (1)輸入圖像並轉灰; (2)爲灰度圖添加椒鹽噪聲(實驗需要,體現中值濾波效果,添加椒鹽噪聲算法思路參看

原创 Python+OpenCV腐蝕膨脹源代碼編寫

對於圖像的每個像素,取其一定的鄰域,計算最大值/最小值作爲新圖像對應像素位置的像素值。其中,取最大值就是膨脹,取最小值就是腐蝕。(摘自CSDN其他博客) 腐蝕膨脹算法步驟: (1)將輸入圖像轉化爲灰度圖; (2)將灰度圖進行二值化處理

原创 Python+OpenCV高斯濾波源碼編寫

高斯濾波需要用到高斯濾波器,即卷積核。本博客用到的是3*3的卷積核,通過對原理剖析發現,高斯卷積核中的具體值僅和自身座標有關係,與圖像沒有直接聯繫,故可以先計算卷積核,之後進行圖像的高斯濾波。 算法步驟: (1)根據公式,計算高斯卷積

原创 Python+OpenCV實現sobel邊緣檢測

sobel邊緣檢測即實現對圖像邊緣的提取,輸入爲一幅圖像,輸出爲圖像輪廓。 sobel算法步驟: (1)將輸入圖像轉爲灰度圖; (2)對灰度圖進行二值化處理(此過程採用otsu二值化算法,具體otsu算法參看上一篇博客); (3)定義