ckc_csdn的博客

目录识别人脸读取.pts文件 识别人脸 # 读取图像import cv2image = cv2.imread('../faceDetect/FGNET/images/001A02.JPG',1) # 1 为彩色图像 ; 0为灰色图像print("image=",image) # 显示图像cv2.namedWindow("orignal")cv2.imshow("orignal",image)# print(image.shape) # (324,.

介绍图像形态学中的几个基本操作：腐蚀、膨胀、开操作、闭操作形态学的基本操作包括腐蚀、膨胀、开操作、闭操作　　简单来说，以B结构中心点为准心，在A中找能满足B结构的点即为腐蚀　　把A结构的每个点放到B中心点，以B结构外扩即为膨胀　　开操作表示先腐蚀后膨胀；闭操作表示先膨胀后腐蚀转自于：https://blog.csdn.net/fishmemory/article/details/53113746...

上一篇 图像处理：梯度与反色https://blog.csdn.net/ckc_csdn/article/details/114609915f=imread('moon.tif');f2 = imcomplement(f); %imcomplement 对图像求补g=f;[h w]=size(f);for i=1:h-1 % 左边求梯度 for j=1:w/2 a=f(i+1,j)-f(i,j); % x方向上求梯度 b=f(i,j+1)-.

我的步骤哪里有问题吗？怎么感觉不太对呢，处理后的图像看着很别扭一、图像梯度图像在(x, y)点处x方向和y方向上的梯度可以写为：x方向和y方向上的梯度可以用如下式子表示在一起：这里又是平方，又是开方的，计算量比较大，于是一般用绝对值来近似平方和平方根的操作，来降低计算量：二、对图片求反色原理：反色的实际含义是将R、G、B值反转。若颜色的量化级别是256，则新图的R、G、B值为255减去原图的R、G、B值。这里针对的是所有图，包括真彩图、带调色板的彩色图(又称为伪彩色图)、和灰度图。真.

像素间的一些基本关系：相邻像素：4邻域、D邻域、8邻域连通性：4连通、8连通、m连通距离

退化：% checkerboard产生测试板图像，第一个参数是每个正方形一边的像素数，第二个参数行数，第三为列数（缺省则等于行数）f = checkerboard(8); % 产生一个一面为8个正方形的测试板PSF = fspecial('motion',7,45); % 运动模糊，PSF刚好为空间滤波器gb = imfilter(f,PSF,'circular'); % 减少边界效应noise = imnoise(zeros(size(f)),'gaussian',0,0

从医学的角度来讲，大家关注的性能指标应该是两个：特异性和敏感性，敏感度其实指的是一种查全率，是不是把所有的结节都找到了。特异性是指假阳性的比例。在某种意义上，这是两个矛盾的指标，如果把一个指标调到最大，那肯定另一个指标的表现就会变得很差，大家都希望这两个指标能够达到一个最好的平衡。 为简化讨论，本文均以“二分类问题”为例，即对影像判断的结果只有两种：要么是阳性（positive），要么是阴性（negative）。这样的简化也符合大部分医学影像识别问题的实际情况。 二分类问...

作者：机器之心链接：https://www.zhihu.com/question/52668301/answer/131573702来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。]s://img-blog.csdnimg.cn/20201209005024782.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L

解决上一篇未解决的问题：CondaHTTPError: HTTP 000 CONNECTION FAILED for url <https://repo.anaconda.com/pkgs/main/win-64/current_repodata.json这里是引用

解决：Collecting package metadata (current_repodata.json): failed1.问题导入2.安装anaconda3.安装pytorch4.问题解决方式1.问题导入昨天运行一段代码，需要导包，但没有安装，按照pycharm中代码提示install package torch总出错：m = torch.nn.MaxPool2d(3, stride=2)input = autograd.Variable(torch.randn(20, 16, 5

MRI是多参数成像，出于分析图像的方便，希望一帧MRI图像的灰度主要由一个特定的成像参数决定，这就是所谓的加权图像(weighted imaging,WI)，例如图像灰度主要由T1决定时就是T1加权图像、主要由T2决定时就是T2加权图像，主要由质子密度 决定时就是质子密度加权图像。T1T2加权所谓的加权就是"突出"的意思，T1加权成像(T1WI)----突出组织T1弛豫(纵向弛豫)差别;T2加权成像(T2WI)----突出组织T2弛豫(横向弛豫)差别。1.T1像特点:组织的T1越短，恢复越快，信号就越

代码复现网站：SegNet复现详解：http://mi.eng.cam.ac.uk/projects/segnet/SegNet是一个由剑桥大学团队开发的图像分割的开源项目，该项目可以对图像中的物体所在区域进行分割，例如车，马路，行人等，并且精确到像素级别。复习一下图像分割：图像分割是将图像分割成几个部分以识别有意义的对象或特征的任务，例如识别图像中的单个单元。图像分割要注意区分语义分割和实例分割。语义分割是将图像划分为具有语义意义的部分，并为每个部分分配一个类别标签的任务，但不一定会保留“对象特

1.Dice系数Dice距离主要是用来计算两个集合的相似性的(也可以度量字符串的相似性).定义x和y两个集合的Dice相似系数为：其中|x|表示集合x的基数（即集合中元素个数），|y|表示集合y的基数。公式为：可以写成下面这种形式：Dice 系数也可以计算两个字符串的相似度：Dice（s1,s2）=2*comm(s1,s2)/(leng(s1)+leng(s2))。其中，comm (s1,s2)是s1、s2 中相同字符的个数；leng(s1)，leng(s2)是字符串s1、s2 的长度。2.