Canny边缘检测： 计算机如何识别边缘：即颜色变化强度大的地方，即像素变化大的地方。 1.高斯滤波：高斯滤波的就是先找到高斯滤波核然后再进行卷积    1.1高斯噪声 首先我们先说一下，什么是高斯噪声？高斯噪声就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。其在图像当中常表现为能引起较强视觉效果的孤立像素点或像素块。噪声的出现会给图像带来干扰，让图像变得不清楚。 高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。消除图像在数字化过程中产生或者混入的噪声。    1.2高斯滤波核计算 二维高斯分布： 假定中心点的坐标是（0

使用sobel 计算图像的梯度,调用torch和CV2实现,可以在pytorch代码中直接使用

对于变频技术来说，SPWM(正弦波脉宽调制)才是其真正的核心。SPWM波的产生于控制影响着变频技术的发展与产品的性能。因此更好的掌握SPWM波是非常重要的，目前领域中对于SPWM波生成的计算方法主要有三种，本文就将对其中的对称规则采样法通过图文的方式进行介绍。

修改https://codeload.github.com/philipbl/duplicate-images/zip/master的代码，python2版本

具体描述Glow编译器的基础知识，glow是通过减少计算图的计算量来优化的

这篇文章主要介绍了python Opencv计算图像相似度过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 一、相关概念 一般我们人区分谁是谁，给物品分类，都是通过各种特征去辨别的，比如黑长直、大白腿、樱桃唇、瓜子脸。王麻子脸上有麻子，隔壁老王和儿子很像，但是儿子下巴涨了一颗痣和他妈一模一样，让你确定这是你儿子。 还有其他物品、什么桌子带腿、镜子反光能在里面倒影出东西，各种各样的特征，我们通过学习、归纳，自然而然能够很快识别分类出新物品。 而没有学习训练过的机器就没办法了。 但是图像是一个个像素点组成的，我们就可以通过不同图像之间这

计算图像梯度：高斯函数的一阶导数 高斯函数的一阶导数(Derivative of Gaussian) 可以很近似地满足以下三条边缘检测最优准则： 好的边缘检测性能：Good detection 对边缘的响应大于对噪声的响应 好的定位性能：Good localization 其最大值应接近边缘的实际位置 低的错误检测率：Low false positives 在边缘附近只有一个极大值点

SCD 是图像融合的图像质量度量。 它基于使用源图像和融合图像计算的差异图像之间的相关性。 所提出的度量不是通过直接利用源图像和融合图像之间的相关性来评估融合图像质量，而是通过考虑源图像及其对融合图像的影响来计算质量。

该脚本计算所选颜色（色带）占据图像的 [%] 数。 输入：您必须知道感兴趣颜色的 RGB 数字（或波段）。 色带更好地捕捉颜色波动。 输出：给定颜色占据的图像的 [%]。 原始彩色图像的红、蓝、绿掩膜图像，图像中红、蓝、绿部分的直方图，斑点大小分布，除去小斑点的掩膜，填充Kong的掩膜，比较原始和最终图像，汇总表：斑点的数量、它们的面积 [像素] 和它们的颜色。 结果表保存在 *.xls 文件中 - 斑点的面积、颜色、色带（用户输入）、斑点的最小尺寸（用户输入）、所选颜色覆盖的图像的 [%]。 笔记： 1）您可以决定是否要去除颜色区域的小斑点（小于给定“用户输入”值的区域将被排除） 2) 系统会询问您是否要填充找到的斑点中的Kong。 3）使用“imtool”探索图像中的RBG颜色图片来源：显微镜下的岩石www.earth.ox.ac.uk/~oesis/micro/ 文学： 1)

定向直方图HOG：此算法计算图像局部区域中梯度方向的出现并在图像中可视化