随笔分类 - python
摘要：title: Perlin噪声 date: 2023-04-18 11:10:14 tags: - 噪声 - perlin categories: - 充电学习 perlin基本信息 Perlin噪声（Perlin noise，又称为柏林噪声）指由Ken Perlin发明的自然噪声生成算法，具有在函
阅读全文
摘要：title: 数字图像性质 date: 2022-04-13 14:22:25 tags: - 信息熵 categories: - 充电学习 目录 信息熵 高斯噪声 图像噪声 离散傅里叶变换 信息熵 熵可以作为一种**“失调”**的度量，熵的值越大表明这个事件就越难以预料。 当前这个公式底为2，表明
阅读全文
摘要：1、利用拉普拉斯算子进行图像增强本质是利用图像的二次微分对图像进行蜕化（图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰），在图像领域中微分是锐化，积分是模糊，利用二次微分对图像进行蜕化即利用邻域像素提高对比度，该算法也是工程数学中常用的一种积分变换，也可以用于边缘检测，图像增强、角点
阅读全文
摘要：1、原理：将原始图像的灰度图从比较集中的某个灰度区间均匀分布在整个灰度空间中，实现对图像的非线性拉伸，重新分配图像像素值。 2、应用场景：对于图像背景或者前景太亮（曝光严重）可以得到较好的显示。 3、算法特点：直方图均衡化保证在图像像素映射过程中原来的大小关系保持不变，即较亮的区域依旧较亮，较暗的依
阅读全文
摘要：详细介绍这里，清楚的介绍了三种损失函数。我这里重点记录一下他们的异同，方便自己消化理解。 1、对于回归损失函数，通常主要有MSE（均方误差），MAE（平均绝对误差），Huber Loss。其中，Huber Loss（也叫smooth L1 Loss）是为了消除二者的缺点而提出来的。 2、通常MSE
阅读全文
摘要：图像分割是建立在图像分类和目标检测的基础之上。所以难度也要比图像分类要难。同时，两个任务在评价指标上其实也就存在一些相同，比如都会用到混淆矩阵，准确率，精确率，召回率，F1-score，IOU等评价指标，这些指标的计算我已经在之前图像分割评价指标介绍过了。下面就介绍一下图像分割中没介绍，但是在图像分
阅读全文
摘要：这两篇[1]【2】博客写的都非常详细。这里做个笔记记录一下。 HOG称为方向梯度直方图（Histogram of Oriented Gradient），主要是为了对图像进行特征提取。所以在传统目标检测算法中经常与SVM结合用于行人识别任务（当前都是基于深度学习来做了，毕竟效果不要太好了，并且省去了繁
阅读全文
摘要：1、为了方便理解其本身结构，找到源码理解一下。 2、论文地址：http://arxiv.org/pdf/1801.04381.pdf 3、V2相比较V1增加了倒残差结构和线性瓶颈层。整个结构按照维度来看，类似一个中间宽，两边窄的结构。其中最后一层使用linear卷积（没有使用ReLU进行非线性激活，
阅读全文
摘要：今天记录一下个人关于Transformer中前馈神经网络（FFN）的一点理解。 第一点，我们知道，FFN之前是有一个多头注意力机制的模块。我们可以想想一下，如果这个模块直接输出，不经过FFN层会发生什么，要知道多头注意力（MH）是没有激活函数的，那么最后只有一个结果，那就是很多头的输出就是一个极为相
阅读全文
摘要：1、采用分类任务时，我们通常会采用逻辑回归算法，最关键的步骤就是将线性模型输出的实数域映射到[0, 1]表示概率分布的有效实数空间，其中Sigmoid函数刚好具有这样的功能。但是这通常只适用于二分类问题。要多多分类任务各个输出节点的输出值范围映射到[0, 1]，通常可以采用softmax。 2、所谓
阅读全文
摘要：1.这里主要实现如何以数组的形式写入到json文件当中，因为c++的Jsoncpp库中的.append只支持一个字符的写入（还是python的json友好）。去网上找了老久的解决办法，发现中文解答全是复制粘贴，真垃圾。最终还是自己花费了半天时间摸索怎么加（我好难，想哭）。话不多说，直接贴代码。 vo
阅读全文
摘要：看了《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》这篇论文，大致了解了CycleGAN的工作原理，为了更好的理解他损失函数的设计，结合提供的代码，我绘制了损失函数的流程图，并且用map
阅读全文
摘要：今天阅读了《An Image Patch is a Wave: Phase-Aware Vision MLP》这篇论文，根据代码绘制的它的结构图。如果有错误，还请指正。 Wave_MLP_B 2D图像任务参数量有点大。换成3D估计没的玩了。 参数量： 1) 我用他代码跑了一下2D的胃部分割实验，发现
阅读全文
摘要：近期看了一些关于GIL的一些内容，敲一下代码看看效果。 # coding:utf-8 # GIL(Global Interpreter Lock):他只允许任何时刻只有一个线程处于执行状态，即使是在具有多个CPU内核的多线程架构中。 # 为什么没有删除GIL，因为现在的python已经严重依赖GIL
阅读全文
摘要：想看一下对于一个训练好的模型，其每一层编码阶段的可视化输出是什么样子的。我以3Dircabd肝脏血管分割为例，训练好了一个U-Net模型。然后使用该模型在推理阶段使用，并可视化了每一层编码器。 分割结果： 可视化分为两个展示，分别是有原图和没有原图作为背景的。 无背景 encoder第一层 enco
阅读全文
摘要：#coding:utf-8 import SimpleITK as sitk import numpy as np import cv2 # 膨胀 def dilateion(image): kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,
阅读全文
摘要：过拟合原因： 1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；（模型太复杂，参数就会太大，然而你的数据量又很小） 2. 训练集和测试集特征分布不一致；（用分类猫的训练集，去拟合分类狗的） 3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出
阅读全文
摘要：试着展示了肝脏每层卷积之后的结果。代码如下： import torch import torch.nn as nn import SimpleITK as sitk import numpy as np def change_indenty(ct): ct[ct < 40] = 40 ct[ct >
阅读全文
摘要：我们可以利用train.csv文件信息， 再结合给定的文件路径（path）信息，可以将给定字目录下的图片名信息整合到scv文件当中。 train.csv文件格式： 图片名信息： 代码如下: from glob import glob import pandas as pd import os def
阅读全文
摘要：# coding:utf-8from glob import globimport osimport SimpleITK as sitkfrom pathlib import Pathimport numpy as npimport imageioimport pandas as pd def rl
阅读全文
