实力派，无需多言！

基于Vision Transformer的图像去雾算法研究与实现

随着人们对版权意识的不断提高，在未来几年内，数字媒体作品的版权保护也会得到越来越多的重视。数字水印技术是解决数字产品版权保护问题的有效手段之一，尽管数字水印技术在这几年里有了快速的发展，但它仍然有许多问题有待解决。由于信息社会中信息安全和数字水印版权保护的必要性，在某些领域，基于加密域的数字图像水印算法得到了极大的发展。比如说，在一些对于安全性要求较高的领域，任何微小的安全问题都会导致整个系统的崩溃，从而影响到整个全局战略。

将pytorch下训练得到的pth模型，转为onnx模型，使用OpenCV中的dnn模块加载进行推理（其中对OpenCV进行重新编译，加入CUDA加速处理相关依赖，时间从1800ms左右，降到了120ms左右，在i5-7400 CPU @ 3.00GHz + 1050Ti的主机上）。修改后的模型初始化参数：训练三十几轮（每轮2000次迭代）从0.44左右降到0.06左右，十几轮就已经降到了0.1左右。在两张1080 TI上训练，批次大小(batch size)设置为16，每迭代2000次，保存一次模型，

该算法整体思路是通过位平面和分块加密，嵌入信息，并且能够实现可以提取信息而不解密图像，不提取信息解密图像，以及同时获取信息和图像。恢复图像原理是通过图像平整度去判定是否恢复到原图像，所以对于某些特殊图像，无法完全复现出原本图像。只在png格式上测试过，其他的应该也可以。这个算法针对灰度图像。

因此，对DC码流进行解码时，逐段码流和Huffman编码表DCTAB进行比对，一旦比对上了，就反推这段码流对应的Category，然后接下来的长为Category的码流，代表的就是幅度。解码完成后，得到的是差分编码后的结果，然后还要将差分编码再解码，得到原始的DC系数。我采用这样的方式进行编码：对每个块（也就是 63*1 的列），遍历时实时记录经过的零个数，当到第一个非零数值时，对记录的零个数求除 16 的商与余数，商为需要加上的 ZRL 的个数，余数为用于提供Huffman编码的索引，即行程。

若比对底库是由正常条件下的人脸身份信息构造的人脸识别场景（含 1:1 和 1:N），对于人脸识别的余弦相似度，我们建议将相似度阈值设为 89 分；门禁场景中，比对底库是由正常条件下的人脸身份信息构造的人脸识别场景（含 1:1 和 1:N），对于人脸识别的相似度，我们建议将相似度阈值设为 89 分，即超过 89 分的刷脸行为认为是本人，允许放行，即。需要注意的是，由于 RKMedia 的 RGA 库的限制，输入图片的长、宽需为4的整数倍，否则。门禁场景中，建议将人脸质量分数的阈值设为 80 分，即。

实验过程中尝试了很多方案，如采用形态学运算，提高车道线的完整性；通过阈值分割，去除背景和干扰物；采用均值作为聚类中心等。由于方案设计上的主观缺陷和检测任务的存在的光照不均、环境复杂等客观因素，以上方案均被舍弃。最终经过实践得到了一种鲁棒性较好，效果较优的车道线检测方案。通过查阅相关资料，我了解到更多车道线检测的改进算法，例如可以通过最大类间方差法(OTSU)进行阈值分割、动态ROI区域等。可以通过以上算法进一步提高模型精度和性能。

【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现svm实现手写数字识别。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了svm实现手写数字识别，仅供参考学习。

【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现SVM多目标属性分类问题。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了SVM多目标属性分类问题，仅供参考学习。

【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现SVM鸢尾花数据的分类任务。以上就是今天要讲的内容，本文仅仅简单介绍了不同分类器对鸢尾花数据的分类效果，下一章将介绍03_案例三：不同SVM核函数效果比较。

【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现SVM鸢尾花数据的分类任务。提示：这里对文章进行总结：以上就是今天要讲的内容，本文仅仅简单介绍了鸢尾花数据进行SVM分类，下一章将介绍02_案例二：鸢尾花数据不同分类器效果比较。

【ML-SVM案例】会有十种SVM案例，供大家用来学习。本文只是实现梯度下降：拉格乘子法。提示：以下是本篇文章正文内容，下面案例可供参考一维图像与二维图像求解最优解。

【ML-SVM案例】会有十种SVM案例，供大家用来学习。本文只是实现梯度下降，求解最优解。后面一章将会实现003梯度下降：拉格乘子法。提示：以下是本篇文章正文内容，下面案例可供参考一维和二维图像003梯度下降：拉格乘子法。

【ML-SVM案例】会有十种SVM案例，供大家用来学习。本文只是预先做个一维图像与二维图像数据构建及绘图。后面两章将会实现“002梯度下降：求解最优解“和“003梯度下降：拉格乘子法“。文章末尾有链接。提示：以下是本篇文章正文内容，下面案例可供参考002梯度下降：求解最优解003梯度下降：拉格乘子法。

高空抛物检测的关键是方案的设计，以及方案的稳定性，如何排除干扰、排除误报，不可能就通过一个算法就能让产品稳定落地应用，需要不断打磨。该项目主要实现了对于布署在住宅小区中的高空抛物事件的检测。且目前作为一款实际的产品，故在此不贴出实现的检测代码，只大致描述一下所采用的技术方案与实际的检测效果。仅供学习参考。提示：以下是本篇文章正文内容，下面案例可供参考1、对视频流的抽帧并解码；2、高斯混合背景建模法建立背景模型，据此获取运动前景；3、通过卡尔曼滤波完成运动目标跟踪，并记录运动轨迹；

数据增强是一种数据扩充技术，指的是利用有限的数据创造尽可能多的利用价值。因为虽然现在各种任务的公开数据集有很多，但是其实数据量也远远不够，而公司或者学术界去采集、制作这些数据的成本其实是很高的，像人工标注数据的任务量就很大，因此，只能通过一些方法去更好的利用现有的成本，数据增强便“粉墨登场”。本文实现的数据增强的方法主要有以下7种，可通过自定义设定改变随机增强的个数。1. 裁剪(需改变bbox)2. 平移(需改变bbox)3. 改变亮度4. 加噪声5. 旋转角度(需要改变bbox)

本章主要讲解图像直方图相关知识点，包括掩膜直方图和HS直方图，并通过直方图判断黑夜与白天，通过案例分享直方图的实际应用。希望对您有所帮助，后续将进入图像增强相关知识点。(By:Eastmount 2022-08-16 夜于武汉)[1]冈萨雷斯. 数字图像处理（第3版）[M]. 北京：电子工业出版社, 2013.[2]张恒博, 欧宗瑛. 一种基于色彩和灰度直方图的图像检索方法[J]. 计算机工程, 2004.

图像的形态学处理有很多种，其中凸包处理是一种比较常见的高级方法，其主要原理是：生成一个凸多边形，这个凸多边形将图片中所有的白色像素点都包含在内的运算。Python中有相应的实现方法。形态学处理，除了最基本的膨胀、腐蚀、开/闭运算、黑/白帽处理外，还有一些更高级的运用，如凸包，连通区域标记，删除小块区域等。形态学目的如下：图像预处理（去噪声，简化形状）增强物体结构（抽取骨骼，细化，粗化，凸包，物体标记）从背景中分隔物体物体量化描述（面积，周长，投影，Euler-Poincare特征）

多种滤波器在图像处理中实现。

在很多深度学习项目中，python知识点中，关于filter() map() partial() reduce() sorted()的使用很常见，所以在此对python的这些知识点做一温故并总结。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，大概记录了filter(）map() reduce() sorted()函数的语法及用法，并提供了简单容易理解的例子供参考，后续会不定期更新记录学习知识点。

成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。

【代码】python+opencv实现canny边缘检测。

从LeNet5到DenseNet，反应卷积网络的一个发展方向：提高精度。在不大幅降低模型精度的前提下，最大程度的提高运算速度。减少可学习参数的数量；减少整个网络的计算量。SqueezeNet正是诞生在这个环境下的一个精度的网络，它能够在ImageNet数据集上达到AlexNet近似的效果，但是参数比AlexNet少50倍结合他们的模型压缩技术 Deep Compression，模型文件可比AlexNet小510倍。

偶然看到这个博客，感觉这个绘图效果不错，曾经论文中因不知道怎么画出好看的图而苦恼，看起来效果还是不错的。

如下图所示，在输入SE注意力机制之前（左侧图C），特征图的每个通道的重要程度都是一样的，通过SENet之后（右侧彩图C），不同颜色代表不同的权重，：通过全局平均池化，将每个通道的二维特征（H*W）压缩为1个实数，将特征图从 [h, w, c] ==> [1,1,c][h,w,c]*[1,1,c] ==> [h,w,c]（1）将输入特征图经过全局平均池化，特征图从 [h,w,c] 的矩阵变成 [1,1,c] 的向量。# 将输入特征图和通道权重相乘[b,c,h,w]*[b,c,1,1]==>[b,c,h,w]

分水岭算法是一种图像区域分割法，在分割的过程中，他会把临近像素之间的相似性作为重要的参考依据，从而在空间位置上相近并且灰度值相近的像素点相互连接起来构成一个封闭的轮廓。分水岭算法的常用操作步骤：先彩色图像灰度化，然后再求得梯度图，最后在梯度图的基础上进行分水岭算法，求得分段图像的边缘线。本文将从代码角度拆分还原操作步骤。

通过上面的两节的介绍，我们不难发现，目标检测算法的步骤分为两部分，一部分是对指定目标寻找可以跟踪的特征，常用的有颜色，轮廓，特征点，轨迹等，另一部分是对目标特征进行跟踪，如上文所提及的方法。可以有如下总结，ViBe中的每一个像素点在更新的时候都有一个时间和空间上随机影响的范围，这个范围很小，大概3x3的样子，这个是考虑到摄像头抖动时会有坐标的轻微来回变化，这样虽然由于ViBe的判别方式仍认为是背景点，但是也会对后面的判别产生影响，为了保证空间的连续性，随机更新减少了这个影响。论文里使用的是后一种方法。

手指静脉识别技术是一种新的生物特征识别技术，它利用手指内的静脉分布图像来进行身份识别。工作原理是依据人类手指中流动的血液可吸收特定波长的光线，而使用特定波长光线对手指进行照射，可得到手指静脉的清晰图像。利用这一固有的科学特征，将实现对获取的影像进行分析、处理，从而得到手指静脉的生物特征，再将得到的手指静脉特征信息与事先注册的手指静脉特征进行比对，从而确认登录者的身份。本文利用OpenCV各种图像算法实现对手指静脉进行识别，使用传统的方法来处理图像，而不是深度学习方法。

PVC手套是一款以聚氯乙烯为主原料的手套产品，具有防静电的性能。在许多行业内都会用到，例如电子制造业、药品制造业、化工业、农业等等，运用非常广泛。在PVC手套的生产过程中，会出现有一些质量问题，如粘上油污、蚊虫等情况，这个时候需要将不良品检测出来，以确保供给客户的产品是100%合格。为了检测手套表面缺陷,本文使用OpenCV传统图像处理方法检测出手套表面缺陷。提示：以下是本篇文章正文内容，下面案例可供参考。

多窗口展示背景去除连通图的实现轮廓边缘检测并且在实际的C++代码中，还涉及了智能指针等高阶知识；工业质检项目作为视觉领域较为成熟的落地项目，其大部分都是基于深度学习的方式实现了，但如果能掌握一些OpenCV的方法，也可以在项目中起到优化效果的作用；

该算子功能比前面几种都要好，但是它实现起来较为麻烦，Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中，Canny算子还将经过一个非极大值抑制的过程，最后Canny算子还采用两个阈值来连接边缘。高斯滤波器是一种线性滤波器，其卷积模板中的系数随着与模板中心的距离增大而减小，相比于均值滤波器，高斯滤波器对整个图像模糊程度较小，能够有效抑制噪声，平滑图像。

目标序列 [tensor([1., 1., 1.]), tensor([1., 1., 1., 1., 1.])]# 特征序列 [tensor([1., 1.]), tensor([1., 1., 1., 1.])]# 目标序列和特征序列之间的长度不一样，需要将原序列中和目标序列中padding后的元素mask掉。# 有效特征序列[2,4]==>[2,4,1], 有效目标序列[2,5]==>[2,5,1]# 维度扩充[seq_len,seq_len]==>[1,seq_len,seq_len]

本文重点描述开源代码实现的细节，不会对YoloV5的整体思路进行介绍，整体思路可以参考江大白的博客讲解的很细致，建议阅读之后再来看本篇文章。本文所使用的代码为2021-08-23日flok的官网YoloV5代码仓(又发现一篇还不错的介绍)

深度学习算法工程师面试、笔试知识点回顾总结，包含循环神经网络、前馈网络模型等。

我们做深度学习项目时，训练时会通过读取图片数据集存放的路径来获取数据信息。这时，我们就需要通过python脚本程序去生成保存有图片存放路径的txt文件，当然保存有图片存放路径的txt文件有很多用处，作者在做海思3516dv300开发板和瑞芯微rv1109开发板算法移植时，量化模型需要准备一定数量训练集图片做量化，这时候就需要该脚本。以上就是今天要讲的内容，脚本超级好用，学好python，大大提高工作效率！

VOC2012目标检测数据集由xml标签文件和图片组成，有时我们想查看原图片中标注了哪些目标信息，需要打开labelImg标注工具查看，一是不方便，另外也看的不是很清楚。本文书写了一个python脚本程序，通过读取xml中box信息，在对应的原图上绘制物体框。

做深度学习，难免会遇到各种各样的训练数据，当然数据标签也是五花八门，我们需要写脚本来做各种数据格式转换，比如本文分享的时json格式标签批量转化为yolo格式标签。超级好用，效率超级高，学好python，能提高工作效率！

深度学习训练算法模型时，经常与数据集打交道，收集来的图片数据或者标签数据，当我们想批量按照递增的顺序给它们重命名，该怎么办呢？写一个简单的python脚本就能轻松解决！大大提高效率。超级好用，效率超级高，学好python，能提高工作效率！

不均匀光照的文本图像二值化处理

自建分类数据集（交通标志数据）转换为MNIST格式详细过程，转换代码，及数据下载链接，完全能跑通并使用