摘要: 问题描述 在实验室服务器上安装自己的深度学习环境,但是可能服务器上默认的CUDA,与你需要的版本不同,一般地,CUDA安装好会在以下目录查看(包含其他用户安装的各个版本) 这时需要在你自己的目录下修改~/.bashrc文件中的PATH,参考了如下修改方式并未成功 我自己修改的PATH,修改后使用nv 阅读全文
posted @ 2021-02-25 15:58 简约的信仰 阅读(1717) 评论(0) 推荐(0) 编辑
摘要: 问题描述 考虑到节省空间,实验室设置了常用的环境,我自己之前设置的环境版本已经有一个共有的,所以将自己的环境删掉了,相应地根据以下步骤设置PyCharm上的解释器之后应用,运行时还是显示原先自己设置的虚拟环境解释器 根据服务器上虚拟环境的解释器的路径设置 运行时还是我自己设置的虚拟环境的解释器,因为 阅读全文
posted @ 2021-02-25 14:31 简约的信仰 阅读(535) 评论(0) 推荐(0) 编辑
摘要: 问题描述 根据教程设置本地PyCharm远程连接服务器后,根据以下的设置了自动上传,在本地修改代码后,服务器端还是没有实时更新代码 解决步骤 在设置远程解释器的时候加上映射路径 先设置了ssh远程连接,这里选择第二个选项 interpreter设置成你的服务器上的虚拟环境的python的解释器对应路 阅读全文
posted @ 2021-02-25 13:53 简约的信仰 阅读(1449) 评论(0) 推荐(0) 编辑
摘要: 算法分析 图像预处理。对二值图进行形态学开操作,开操作能去掉细小的块,平滑目标区域边界且保持面积不变 遍历二值图矩阵,寻找目标区域且未被标记的点,若当前像素未标记且当前位置像素点为1(二值图的目标区域) 将该目标点入队,并标上区域编号label BFS,对步骤1中的求得8邻域的像素点,如果该点未越界 阅读全文
posted @ 2020-11-06 13:05 简约的信仰 阅读(4255) 评论(0) 推荐(0) 编辑
摘要: 算法分析 对原图像矩阵边界填充(填充的行列根据滤波器模板大小来设置),这里使用3*3的模板,所以向外扩充一圈,行和列增加2,这里使用的是复制边界的填充方式'replicate'(直接调用的padarray函数),也可以直接通过矩阵赋值的方法实现边界填充 遍历原图像每个通道的每个像素点,取扩充边界后图 阅读全文
posted @ 2020-11-06 12:54 简约的信仰 阅读(7683) 评论(0) 推荐(0) 编辑
摘要: 基于频域的低通滤波(二维信号——图像) 算法分析 傅里叶变换,将灰度图由f(x,y)->F(u,v)(空域转频域),得到图像在频域中的频谱(在频谱中低频信号分布在频谱的四个角落,其余部分为高频信号,这样的分布难以滤出高频或低频信号) 中心化,将频谱F(u,v)中心化,将低频点移到频谱中心(这样就可以 阅读全文
posted @ 2020-11-03 19:48 简约的信仰 阅读(3333) 评论(0) 推荐(0) 编辑
摘要: 基于频域的低通滤波(一维信号——灰度图的灰度级频数分布曲线) 算法分析 求灰度图的的灰度级频数。绘制出频数分布曲线(一维信号) 将一维信号从空域转到频域。对步骤1中的灰度级频数分布曲线进行傅里叶变换 过滤高频信号。在频域中将高频信号置0,只保留低频信号(通过fft函数傅里叶变换之后,高频点分布在频谱 阅读全文
posted @ 2020-11-03 19:42 简约的信仰 阅读(2541) 评论(0) 推荐(0) 编辑
摘要: 直方图规定化 算法分析 求出原图的累积概率分布 求出规定图的累积概率分布 求出原图中每一个灰度级累积概率与规定图的累积概率最接近的灰度级 根据第3步的方法将原图的灰度映射到标准图中距离最近的灰度值 伪代码 function outputimg = my_histspec(A,B) % 灰度图的直方图 阅读全文
posted @ 2020-11-03 19:37 简约的信仰 阅读(2433) 评论(0) 推荐(1) 编辑
摘要: 直方图均衡化 算法分析 对原图像每个通道统计0-255的灰度级概率 求原图像每个通道累积概率分布 根据累积概率直方图分别对每个通道(K)求每个像素点的映射 p(k, i) = p(k, i) * 255 function outputimg = myhisteq( A ) % 直方图均衡化 % 参数 阅读全文
posted @ 2020-11-03 19:31 简约的信仰 阅读(1011) 评论(0) 推荐(0) 编辑
摘要: 图像放缩 算法分析 根据放缩倍数,开辟一个新矩阵存放放缩后的图像 利用双线性插值公式, 计算新图像中的每个点映射回原图像中的灰度值(注意边界处理) 双线性插值代码 function outputimg = my_imresize(A,n) % A 是图像矩阵,n是放缩的倍数 % 返回值outputi 阅读全文
posted @ 2020-11-03 19:04 简约的信仰 阅读(5079) 评论(0) 推荐(0) 编辑