摘要： 机器学习，就是通过让机器学习的方式，来达到实现某种功能的过程。它都有哪些使用场景呢？比如人脸检测，行人识别，车辆检测，安防监控等。 机器学习=训练样本+特征+分类器。深度学习由海量的训练样本加上人工神经网络组成。共同点在于二者对于机器学习来说它需要一个明确的特征来进行提取，而对于深度学习来说它的样本 阅读全文

摘要： 中值滤波，顾名思义就是取中间值来代替原来像素值的过程。定义一个3*3的模板，在这个模板中总共有9个像素，我们把这9个像素进行排序。排序完之后，我们选取中间的一个值替换掉原来的像素值。还是通过源代码的形式来给大家实现这样一个过程。 collect是一个数组。这个数组中装载的就是这9个元素。我们要对9个 阅读全文

摘要： 其中高斯滤波我们将直接使用opencv API的方式来调用，均值滤波我们将使用源码的形式来给大家解释。其实滤波和我们之前讲的边缘检测有点类似。就是用一个滤波核与我们的图像进行卷积运算。既然是要滤波，就说明原来图片肯定是有问题的。 原图片中有很多小点，这些点都是一些噪源造成。 高斯滤波是一个类似于模糊 阅读全文

摘要： 既然是双边滤波器，就说明有两个滤波的内核，一个滤出我们的噪声，另外一个保存我们的细节。这些参数要结合着我们当前双边滤波器它的算法原理以及它的滤波核来进行讲解。 阅读全文

摘要： 实现一个最简单的美白效果：亮度增强。最简单的亮度增强，最简单的美白算法。 阅读全文

摘要： # 本质: 统计每个像素灰度 出现的概率 0-255 p # 累计概率 # 1 0.2 0.2 第一个灰度等级它出现的概率是0.2 # 2 0.3 0.5 第二个灰度等级它出现的概率是0.3 # 3 0.1 0.6 第三个灰度等级它出现的概率是0.1 # 256 # 100 0.5 255*0.5 = new import cv2 import numpy as np import ma... 阅读全文

摘要： 总共256个灰度等级，每一个灰度等级它都会有一个概率，同时也都会有一个累计概率。 比如说100这个灰度等级，它的累计概率是0.5，这个新的值我们就可以制作一个100到这个新值之间的映射。以后所有的灰度等级为100的像素我们直接就用255*0.5这个new，这个新的像素来替代。替代完之后那么整体这个过 阅读全文

摘要： 总共是有256个灰度等级。count_b、count_g、count_r中的每一个灰度等级出现的次数进行归一化处理。 阅读全文

摘要： 直方图是为了统计图像中每个像素灰度出现的概率，这是它的中心思想，也是它的基本原则。 所以它的横坐标是0-255，总共256种灰度等级。而纵坐标是出现的概率p。这是它的基本思想。 这个count中记录的就是我们当前灰度图像每一个像素值在每一个灰度等级下出现的概率。它总共有256个灰度等级。因为它计算出 阅读全文

摘要： import cv2 import numpy as np img = cv2.imread('image0.jpg',1) for i in range(200,300): # 直接修改像素值 从200画到300这样一个位置上 img[i,200] = (255,255,255)#当前这样一根线占三个像素 img[i,200+1] = (255,255,255) im... 阅读全文