计算机视觉算法—基于OpenCV 基础知识 图像基本约定俗成 图像即矩阵，一个二维向量 图像宽度对应矩阵列数 图像高度对应矩阵行数 矩阵每个元素代表一个像素 每个像素可以包含一到多个数值来对应其视觉表示， 像素的每个数值表示一个通道。 每个像素（矩阵的元素）可以是整数或者浮点数。假设一个四通道的图像使用 16位整数来表示每个通道，其深度就是16乘以4位，即64位 图像的分辨率反映了图像中的像素数量 色彩空间 灰度色彩空间 ​ 每个像素用一个8位无符号整型来表示其亮度或灰度值。这样就可以存储256级灰度，其中0对应纯黑，255对应纯白。 数值越高，像素亮度越高 RGB （Red, Green, Blue） 每个像素用三个八位整型对应其红、绿、蓝颜色分量的强度。 所有的色彩都可以由不同比例的红、绿、蓝混合而成。 HSV（Hue, Saturation, and Value） 每个像素由三个数值表示，分别代表色调（色彩），饱和度（色彩强度）和明亮度（有多亮） 色调值介于0～360度之间，用来表示该像素的色彩 CMYK OpenCV 入门 基本图像展示 1 2 3 4 5 6 7 import cv2 image = cv2.imread("1.jpg") if image is not None : cv2.imshow("image", image) cv2.waitKey() else: print("Empty image!") 图像读写 imread(img_path,flag) 读取图片，返回图片对象

Numpy 学习 [TOC] 常量 函数 含义及其备注 np.nan 空值，np.nan!=np.nan np.isnan 返回同样维度的 boolean array np.inf 正无穷大 np.pi 圆周率 np.e 自然常数 数据类型 常见数据类型 类型 备注 说明 bool_ = bool8 8位 布尔类型 int8 = byte 8位 整型 int16 = short 16位 整型 int32 = intc 32位 整型 int_ = int64 = long = int0 = intp 64位 整型 uint8 = ubyte 8位 无符号整型 uint16 = ushort 16位 无符号整型 uint32 = uintc 32位 无符号整型 uint64 = uintp = uint0 = uint 64位 无符号整型 float16 = half 16位 浮点型 float32 = single 32位 浮点型 float_ = float64 = double 64位 浮点型 str_ = unicode_ = str0 = unicode Unicode 字符串 datetime64 日期时间类型 timedelta64 表示两个时间之间的间隔 创建数据类型 每个内建类型都有一个唯一定义它的字符代码，如下：

数学建模 [TOC] 初等模型 核军备竞赛 冷战时期美苏声称为了保卫自己的安全，实行“核威胁战略”， 核军备竞赛不断升级。 随着前苏联的解体和冷战的结束，双方通过了一系列核裁军协议。 在什么情况下双方的核军备竞赛不会无限扩张，而存在暂时的平衡状态。 估计平衡状态下双方拥有的最少的核武器数量，这个数量受哪些因素影响。 当一方采取加强防御、提高武器精度、发展多弹头导弹等措施，平衡状态会发生什么变化。 模型假设 以双方（战略）核导弹数量描述核军备的大小。假定双方采取如下同样的核威胁战略： 认为对方可能发起所谓第一次核打击，即倾其全部核导弹攻击己方的核导弹基地： 己方在经受第一次核打击后，应保存足够的核导弹，给对方重要目标以毁灭性的打击。 在任一方实施第一次核打击时，假定一枚核导弹只能攻击对方的一个核导弹基地。 摧毁这个基地的可能性是常数，它由一方的攻击精度和另一方的防御能力决定。 图的模型 $ y= f(x)$~甲有$x$枚导弹，乙所需的最少导弹数（乙安全线） $x = g(y)$~乙有$y$枚导弹，甲所需的最少导弹数 （甲安全线） 当$x =0$，$y = y_0$, $y_0$~乙方的威胁值 $y_0$~甲方实行第一次打击后已经没有导弹，乙方为毁灭甲方工业、交通中心等目标所需导弹数。 $y = f(x)$ 是一条上凸曲线，若非上凸曲线，图2无交点 分析模型 乙方残存率$s $~甲方一枚导弹攻击乙方一个基地，基地未被摧毁的概率。 $x < y$ 甲方以$x$枚导弹攻击乙方$y$个基地中的$x$个，$sx$个基地未被摧毁， $y - x$个基地未被攻击。 $y_0 = sx + y - x$ => $y = y_0 + (1-s)x$ $x =y$

FCN （Fully Convolutional Networks） [TOC] 概念辨析 语义分割：不同的目标上不同的颜色 实例分割：只关注我关心的东西（汽车，行人） 其他为背景，统一为黑色 全景分割： 语义分割和实例分割的结合 难度层层递进 全局信息与局部信息 局部信息 全局信息 提取位置 浅层网络中提取局部信息 深层网络中提取全局信息 特点 物体的几何信息比较丰富，对应的感受野较小 物体的空间信息比较丰富，对应的感受野较大 目的 有助于分割尺寸较小的目标，有利于提高分割精确程度 有助于分割尺寸较大的目标，有利于提高分割的精确程度 论文结构 核心思想 构建 fully convolutional, 输入任意大小，并输出相应尺寸的输出。 关键点 skip architecture 结合来自深层的语义信息和来自浅层的表征信息 先验知识 感受野 是对应原图的区域大小，而不是对应上一层 在卷积神经网络中，决定某一层输出结果中一个元素所对应的输出层的区域大小。 $ RF_{l+1} = RF_l + (kernel_size-1)\times stride$ 大感受野的效果要比小感受野的效果更好。 由公式可见，stride越大，感受野越大。 但是过大的stride会使feature map保留的信息变少。

动手数据分析笔记 第一章 第一节 数据载入及初步观察 数据载入 1 2 3 df = pd.read_csv('file_path') df2 = pd.read_table('file_path') read_csv 函数 见CSDN 博客： https://blog.csdn.net/weixin_39175124/article/details/79434022 问：read_csv 和 read_table 区别？ 函数 说明 read_csv 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为逗号 read_table 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符（'\t’） read_fwf 读取定宽列格式数据（也就说，没有分隔符） read_clipboard 读取剪贴板中的数据，可以看作read_table的剪贴板，在将网页转换为表格时很有用。 问：什么是逐块读取?为什么要逐块读取呢? 1 chunker = pd.read_csv('train.csv', chunksize=1000) 有chunksize参数可以进行逐块加载。经测试，它的本质就是将文本分成若干块，每次处理chunksize行的数据，最终返回一个TextParser对象 1 2 3 4 5 6 chunker = pd.

Tensorflow 2.x B站视频： BV1zE411T7nb Hello, World! 1 2 3 4 5 6 7 8 9 model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) model.compile(optimizer='sgd', loss='mean_squared_error') xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float) model.fit(xs, ys, epochs=500) print(model.predict([10.0])) Example 1: recognize shoes and t-shirts 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 # 导入相关包 import keras import tensorflow as tf import numpy as np #写回调类 class myCallback(tf.