大图切片预览
最近有需求，前端要预览百兆以上的大图，这直接访问应该就不太行了，系统打开都在加载好一会儿，刚好从事的又是 gis 行业，于是打算用类似加载地图的方式来切片加载大图。这里最好是按标准的切片方式来，这样就可以用现成的地图引擎来预览了。这里就按 TMS 标准来切片。
手把手教你用AI 随心所欲生成喜欢的图片
手把手教你如何在自己本地使用 AI 工具随心所欲生成自己喜欢的图片
前端加速图片的一些小技巧
这样，不同设备和屏幕尺寸的用户可以加载适合其设备的最佳图像，并避免加载过大或过小的图像。但是最新的图片格式毕竟还是存在兼容性问题，我们在使用时应该考虑的是，如何实现在支持的浏览器上使用 AVIF，不支持的浏览器上降级使用 JPG。不同的设备，所需的图片大小不需要一致， 在 4K 屏上，需要高分辨率的
合肥工业大学机器视觉期末复习 课件梳理（穿插作业中的伪代码）
因为合肥工业大学机器视觉课程的课件为全英文，为了方便以后学弟学妹们复习，于是将自己考前两天基于课件梳理的知识点上传，内容有的比较主观，有疑问的地方大家可以另外搜索了解
人工智能在图像处理领域的应用
本文将从图像分类、图像分割、图像生成、视觉问答、图像修复、图像风格迁移、视频分类、视频生成和视频转文本等方面，探讨人工智能在图像处理领域的应用。全卷积网络（FCN）和U-Net是两种特别适用于图像分割的深度学习模型，它们可以自动学习图像中的特征表示，从而取得更好的分割性能。从图像分类、图像分割、图像
机器学习之图像处理——基本概念知识介绍
图像处理的概论图像分析一般利用数学模型并结合图像处理的技术来分析底层特征和上层结构，到从而提取具有一定智能性的信息，其中对图片内容分析，图片内容识别和检测都离不开图像的分类。图像分类目标：已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。图
Adobe进军AI第一步——Firefly试用体验
在关于人工智能讨论度高居不下的今天，各个行业的领路企业也纷纷不甘落后。Adobe作为媒体界的行业标杆，就在近期推出了自己的人工智能图像应用——萤火虫firefly。虽然这只萤火虫刚刚“起飞”，它已经展现的文字生图和能力算是及格。我分别在网页版和PS中尝试了firefly。下面简单来介绍下我使用已经开
图像质量的评价指标【PSNR/SSIM/LPIPS/IE/NIE/Prepetual loss】
图像质量的评价指标【PSNR/SSIM/LIPIS/IE/NIE/Perceptual loss】
图像分割 Image Segmentation
图像分割是许多视觉理解系统的重要组成部分。它包括将图像（或视频帧）分割成多个片段或对象。分割在医学图像分析(例如，肿瘤边界提取和组织体积测量），自主载体(例如，可导航表面和行人检测），视频监控，和增强现实起到了非常重要的作用。
BMP图像处理（jpeg转bmp，以及bmp图片缩放，附代码）
BMP图像处理（jpeg转bmp，以及bmp图片缩放，附代码）
opencv(20) 图像阈值（二值化）
二值化核心思想，设阈值，大于阈值的为0（黑色）或 255（白色），使图像称为黑白图。阈值可固定，也可以自适应阈值。自适应阈值一般为一点像素与这点为中序的区域像素平均值或者高斯分布加权和的比较，其中可以设置一个差值也可以不设置。图像的阈值化旨在提取图像中的目标物体，将背景以及噪声区分开来。通常会设定一
OpenCV（11）：模板匹配实例讲解
在OpenCV中，模板匹配是一种图像处理技术，用于在一个大的图像中查找和定位一个小的目标图像（也称为模板）。通俗而言，就是通过一张图片找到和另一张图片相似的部分
图像去噪技术简述
随着每天拍摄的数字图像数量激增，对更准确、更美观的图像的需求也在增加。然而，现代相机拍摄的图像不可避免地会受到噪声的影响，从而导致视觉图像质量下降。因此，需要在不丢失图像特征（边缘、角和其他尖锐结构）的情况下降低噪声。迄今为止，研究人员已经提出了多种降低噪声的方法。每种方法都有自己的优点和缺点。在本
AI图像生成原理与应用
最近替换视频中的人脸比较火，涉及的技术主要是图像生成，主要采用生成式对抗网络（GAN, Generative Adversarial Networks ）深度学习模型。GAN是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和
【国科大课程】AI院 数字图像处理-杨戈、彭思龙
2022年秋季《数字图像处理》课程复习整理。
JMUer-网络新技术课程期末考试复习整理
网络新技术期末考试知识点整理合集，我不喜欢看着图片复习，所以私下花了3天的时间将幻灯片里的图片转化成了文字，独乐乐不如众乐乐，希望大家好好利用，祝大家，我们一起逢考必过。
数字图像处理中的车牌识别
近年来，随着人工智能技术的发展，车牌识别技术的准确率和稳定性得到了很大的提高，已经成为智慧交通领域的重要技术之一。这个示例代码首先对车牌图像进行预处理，包括灰度化、高斯模糊、Sobel算子边缘检测、二值化和膨胀操作，然后查找车牌区域，并对车牌区域进行字符分割和字符识别，最后进行简单的后处理。这个示例
OpenGLES：glReadPixels()获取相机GLSurfaceView预览数据并保存
OpenGLES：glReadPixels()获取相机GLSurfaceView预览数据并保存
伪彩色图像处理
伪彩色处理(pseudocoloring)是指根据一定准则给灰度值赋予彩色值的处理。宏观来说就是将黑白图像转化为彩色图像，或者是将单色图像变换成给定彩色分布的图像。由于人眼对彩色的分辨能力远远高于对灰度的分辨能力，所以将灰度图像转化成彩色表示，就可以提高对图像细节的辨别力。因此，伪彩色处理的主要目的
深度学习分割任务——Unet++分割网络代码详细解读（文末附带作者所用code）
Unet网络，用的不是特别多，16年特别火的一件事，在小目标领域做分割做的相当好，最近的升级版，现在还在用，深度学习往往是越简单的网络用起来效果越好。Unet最早发表论文是在医学领域。本质的思想解决小目标的问题，物体检测和实例分割很复杂。网络结构越简单，越适合小目标，做改性，做升级能玩的就比较多了。
