均值濾波的案例
33基于MATLAB的對RGB圖像實現(xiàn)中值濾波，均值濾波，維納濾波。 ￥8.9
基于MATLAB的對RGB圖像實現(xiàn)中值濾波，均值濾波，維納濾波。程序已通過調(diào)試，可直接運行。
31一維信號濾波（限幅濾波、中值濾波、均值濾波、遞推平均濾波），MATLAB程序已調(diào)通，可直接運行。 ￥14.9
一維信號濾波（限幅濾波、中值濾波、均值濾波、遞推平均濾波），MATLAB程序已調(diào)通，可直接運行。
技術鄰學院丨科學算法與MATLAB密切結合之視頻詳解，不看后悔！
視頻課程
卡爾曼濾波算法與應用和MATLAB程序詳解視頻實時技術信號處理
視頻包含8章45個視頻。主要內(nèi)容簡介： 卡爾曼濾波數(shù)學模型及MATLAB程序，卡爾曼濾波所需數(shù)學知識， 標準卡爾曼濾波(KF)處理線性離散隨機系統(tǒng)， 擴展卡爾曼濾波(EKF)處理非線性微分隨機系統(tǒng)， 無跡卡爾曼濾波(UKF)處理非線性離散隨機系統(tǒng)， 交互多模型(IMM)濾波處理出現(xiàn)機動轉(zhuǎn)彎的運動物體跟蹤等。
經(jīng)驗模態(tài)分解EMD算法和希爾伯特黃變換HHT和MATLAB程序視頻
本系列課程，在希爾伯特變換(HT)、希爾伯特-黃變換(HHT)和EMD算法的端點效應處理方面，進行了全面地、深入地設計與講解。
最小二乘法回歸分析算法及多項式非線性擬合和MATLA程序視頻
整個視頻課程在一元線性回歸、可線性化的曲線模型、多元線性回歸、自變量選擇方法、一元或多元多項式非線性回歸和相關分析等方面，進行了全面地、系統(tǒng)地、深入地設計與講解。
卷積神經(jīng)網(wǎng)絡(CNN)識別數(shù)字和英文字母與MATLAB程序詳解視頻答疑
卷積神經(jīng)網(wǎng)絡視頻課程下載包括7章55個視頻，主要內(nèi)容包括：卷積神經(jīng)網(wǎng)絡算法的影響力及其研究領域簡介、神經(jīng)網(wǎng)絡基本概念、BP神經(jīng)網(wǎng)絡及其應用到分類識別不同信號等等。
非局部均值濾波（NL_Means）類算法及其應用和MATLAB程序詳解視頻
本課程共25個章節(jié)，其主要內(nèi)容包括：非局部均值濾波類算法的影響力及其研究領域簡介、非局部均值濾波類算法入門、基于濾波參數(shù)自適應的非局部均值濾波算法等等。
展開 基于MATLAB紅外弱小目標檢測MPCM算法復現(xiàn)
均值濾波：對滑動窗口內(nèi)的目標區(qū)域和背景區(qū)域分別進行均值濾波，計算目標區(qū)域的均值和背景區(qū)域的均值。
顯著性對比度圖構造：利用均值濾波結果和特定濾波器構造顯著性對比度圖。顯著性對比度圖突出目標區(qū)域的像素值，使其在背景中更為顯著。
4.3 閾值分割
顯著性對比度圖：利用MPCM算法得到的顯著性對比度圖，目標區(qū)域在對比度圖中具有更高的對比度值。
經(jīng)驗閾值：結合經(jīng)驗閾值對顯著性對比度圖進行分割。閾值分割用于將顯著性對比度圖中的目標區(qū)域與背景區(qū)域分離出來，實現(xiàn)目標檢測。
4.4 算法步驟
? 計算目標區(qū)域的均值：
使用滑動窗口將圖像分割為多個局部區(qū)域。
對每個滑動窗口內(nèi)的目標區(qū)域和背景區(qū)域分別計算其灰度均值。
? 構造特定濾波器并進行濾波處理：
設計特定的濾波器，用于增強目標區(qū)域的顯著性。
對滑動窗口內(nèi)的目標區(qū)域應用特定濾波器，得到濾波后的目標區(qū)域圖像。
? 計算局部對比度：
計算目標區(qū)域和背景區(qū)域的灰度差異，得到局部對比度值。
局部對比度值反映了目標區(qū)域在背景中的顯著性。
? 遍歷圖像，輸出顯著性對比度圖：
將滑動窗口移動到圖像的每個位置，計算局部對比度值。
將所有局部對比度值組合起來，形成最終的顯著性對比度圖。
通過上述步驟，MPCM算法能夠在紅外圖像中有效地檢測出目標區(qū)域。該算法結合多尺度補丁提取和顯著性對比度計算，提高了目標檢測的準確性和魯棒性。顯著性對比度圖使得目標區(qū)域在復雜背景中更加突出，便于后續(xù)的閾值分割和目標檢測。
展開 
40基于MATLAB，使用模板匹配法實現(xiàn)車牌的識別 ￥55.9
具體包括將原圖灰度化，邊緣檢測，腐蝕操作，車牌區(qū)域定位，車牌區(qū)域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號碼。模型已調(diào)通，可直接運行。
以STM32為控制核心，設計心電采集電路
心電采集包括模擬采集和數(shù)字處理兩部分，本設計通過AgCl電極和三導聯(lián)線心電采集線采集人體心電信號，通過前置放大電路，帶通濾波電路，50 Hz雙T陷波后再經(jīng)主放大電路和電平抬升電路把心電信號的幅度控制在STM32的A/D采集范圍內(nèi)，STM32通過定時器設定A/D采樣頻率，通過均值濾波的方式對得到的數(shù)字信號進行處理。
主控模塊的STM32F103VET單片機是控制器的核心，該單片機是ST意法半導體公司生產(chǎn)的32位高性能、低成本和低功耗的增強型單片機，其內(nèi)核采用 ARM公司最新生產(chǎn)的Cortex—M3架構，最高工作頻率72 MHz、512 kB的程序存儲空間、64 kB的RAM，8個定時器/計數(shù)器、兩個看門狗和一個實時時鐘RTC，片上集成通信接口有兩個I2C、3個SPI、5個USART、一個USB、一個 CAN、一個SDIO，并集成有3個ADC和一個DAc，具有100個I/O端口。主控單片機管腳排列圖如圖1所示。
圖1 STM32F103VET單片機管腳排列圖
前置放大電路是模擬信號采集的前端，也是整個電路設計的關鍵，它不僅要求從人體準確地采集到微弱的心電信號，還要將干擾信號降到最低，由于心電信號屬于差分 信號，所以電路應采用差動放大的結構，同時要求系統(tǒng)具有高共模抑制比、高輸入阻抗、低漂移等特點。因此，選擇合適的運算放大器至關重要，這里選擇儀用運放 AD620實現(xiàn)前置放大，AD620具有高精度、低噪聲、低輸入偏置電流低功耗等特點，使之適合ECG監(jiān)測儀等醫(yī)療應用。
展開 難以置信！一篇文章就梳理清楚了 Python OpenCV 的知識體系
12
圖像濾波
理解什么是濾波，高頻與低頻濾波，圖像濾波函數(shù)。
線性濾波：方框濾波、均值濾波、高斯濾波，
非線性濾波：中值濾波、雙邊濾波，
方框濾波 cv2.boxFilter()；
均值濾波 cv2.blur()；
高斯濾波 cv2.GaussianBlur()；
中值濾波 cv2.medianBlur()；
雙邊濾波 cv2.bilateralFilter()。
13
圖像固定閾值與自適應閾值
圖像閾值化是圖像處理的重要基礎部分，應用很廣泛，可以根據(jù)灰度差異來分割圖像不同部分，閾值化處理的圖像一般為單通道圖像(灰度圖)，核心要掌握的兩個函數(shù)：
固定閾值：cv2.threshold()；
自適應閾值：cv2.adaptiveThreshold()。
展開 機器視覺定位之零部件尺寸檢測技術
3.濾波降噪
在圖像采集過程中由于零部件結構的復雜程度不一，因而圖像中的噪聲是不可避免的，噪聲會影響系統(tǒng)對檢測區(qū)域的識別與判定。所以降噪濾波在整個檢測系統(tǒng)中起到了不可替代的作用。對于噪聲的處理有線性的濾波方法和非線性的濾波方法，如均值濾波為線性方法，采用mean_image算子對圖像灰度值進行平均處理從而達到降噪平滑圖像的效果。中值濾波為非線性的方法。然而對于精度要求比較高的零部件尺寸檢測，這兩種濾波方法都不能達到我們預期的效果。所以本文采用另一種可靠的濾波方法——高斯濾波。使用高斯濾波器，可以完成高精度的測量任務。
4.圖像匹配
在工業(yè)生產(chǎn)加工中，我們所檢測的零部件往往不是單一的，有時候會涉及各種各樣的零部件，通過模板匹配技術就可以實現(xiàn)。模板匹配可以用來做完整性檢測、區(qū)分不同類型的物體和得到目標物體在圖像中的位姿。模板的匹配有幾種不同的匹配方式：基于灰度值的匹配、使用圖形金字塔進行的匹配、基于灰度值的亞像素精度的匹配、帶旋轉(zhuǎn)和縮放的模板匹配。在應用匹配的時候我們主要是用來區(qū)分不同類型的物體，很多其他的技術都能分別出不同的物體，但對某種特殊類型的物體來說，實現(xiàn)一個可靠的識別算法是很復雜的。另外如果被識別物體經(jīng)常發(fā)生變化。就必須為每種物體開發(fā)一個新的識別算法。通過模板匹配技術就可以實現(xiàn)上述功能。
5.提取亞像素邊緣
亞像素精度輪廓表示圖像中兩個區(qū)域之間的邊界，這兩個區(qū)域中一個區(qū)域的灰度值大于灰度閾值，而另一個區(qū)域的灰度值小于灰度閾值。為了獲得這個邊界我們需要將圖像的離散轉(zhuǎn)換成一個連續(xù)函數(shù)，而通過雙線插值的方法就能完成這種轉(zhuǎn)換。
展開 一文概括機器視覺常用算法以及常用開發(fā)庫
例如：傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術，將空間域的處理轉(zhuǎn)換為頻域處理，不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數(shù)字濾波處理）。
2、圖像增強：
圖像增強不考慮圖像降質(zhì)的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節(jié)明顯；如強化低頻分量可減少圖像中噪聲影響。
灰度變換增強（線性灰度變換、分段線性灰度變換、非線性灰度變換）；
直方圖增強（直方圖統(tǒng)計、直方圖均衡化）；
圖像平滑/降噪（鄰域平均法、加權平均法、中值濾波、非線性均值濾波、高斯濾波、雙邊濾波）；
圖像（邊緣）銳化：梯度銳化，Roberts算子、Laplace算子、Sobel算子等；
3、紋理分析（取骨架、連通性）；
4、圖像分割：
圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進一步進行圖像識別、分析和理解的基礎。
展開 OpenCV圖像處理編程實例PDF文檔高清下載
157
4.4.2 均值濾波.. 159
4.4.3 中值濾波.. 159
4.4.4 高斯濾波.. 161
4.4.5 雙邊濾波.. 163
4.5 實例應用 166
4.5.1 導向濾波.. 166
4.5.2 圖像污點修復 169
4.5.3 旋轉(zhuǎn)文本圖像矯正. 172
4.6 小結. 178
第5 章進階篇——邊緣檢測技術.. 179
5.1 邊緣檢測基礎. 180
5.1.1 邊緣檢測概念 180
5.1.2 梯度算子.. 180
5.1.3 一階微分算子 180
5.1.4 二階微分算子 181
5.1.5 圖像差分運算 182
5.1.6 非極大值抑制 184
5.2 基本邊緣檢測算子——Sobel 184
5.2.1 非極大值抑制Sobel 檢測.. 185
5.2.2 圖像直接卷積實現(xiàn)Sobel 186
5.2.3 圖像卷積下非極大值抑制Sobel. 187
5.2.4 Sobel 庫函數(shù)實現(xiàn) 190
5.3 基本邊緣檢測算子——Laplace 192
5.4 基本邊緣檢測算子——Roberts 194
5.5 基本邊緣檢測算子——Prewitt. 195
5.6 改進邊緣檢測算子——Canny .. 198
5.6.1 Canny 算子.. 198
5.6.2 Canny 原理及實現(xiàn).. 198
5.6.3 Canny 庫函數(shù)實現(xiàn).. 203
5.7 改進邊緣檢測算子——Marr-Hildreth .. 204
5.8 幾何檢測 207
5.8.1 霍夫變換.. 207
5.8.2 線檢測技術. 208
5.8.3 LSD 快速直線檢測. 210
5.8.4 圓檢測技術. 214
5.9 形狀檢測 215
5.9.1 輪廓檢測.. 215
5.9.2 凸包檢測.. 217
5.9.3 輪廓邊界框. 221
5.9.4 輪廓矩 226
5.9.5 點多邊形測試
展開 傳感器融合-數(shù)據(jù)篇（自動駕駛）
是否還記得圖像濾波的歷史？均值濾波-》高斯濾波-》中值濾波-》Anisotropic Diffusion -》Bilateral濾波（等價于前者）-》Non Local Means濾波-》BM3D，這些都是局部法。那么Joint Bilateral Filtering呢，還有著名的Guided image filtering，在這里都可以發(fā)揮作用。
這是一個例子：bilateral filter
再看一個類似的方法：guided image filtering
還有上述方法的改進型：二次內(nèi)插，第一次是在殘差域內(nèi)插，第二次是應用前面的guided image filtering方法。
特別需要說一下，最近有一個方法，采用傳統(tǒng)形態(tài)學濾波法，性能不比深度學習CNN差，不妨看一下它的流程圖：有興趣可以搜搜 “In Defense of Classical Image Processing: Fast Depth Completion on the CPU“，其結果和CNN方法的比較也附上。
全局法，自然就是MRF，CRF，TV（Total variation），dictionary learning 和 Sparse Coding之類。下面為避免繁瑣的公式拷貝，就直接給出論文題目吧。
下一個是“Image Guided Depth Upsampling using Anisotropic Total Generalized Variation“：采用TV，傳感器雖然是ToF，激光雷達也適用。接著一個是“Semantically Guided Depth Upsampling”：引入語義分割，類似depth ordering。
展開 
硬核真相 —— 一次看完港科大RAM-LAB實驗室今年ICRA的15篇論文都寫了哪些無人駕駛的黑科技
7、Three-Filters-to-Normal: An Accurate and Ultrafast Surface Normal Estimator
超實時的高性能法向量計算方法
本文提出了一種新穎的法向量計算方法，其采用三個濾波器對輸入的深度圖進行處理進而生成相對應的法向量估計，這三個濾波器包含了兩個圖像水平和垂直方向的梯度濾波器以及一個均值或中值濾波器。此外，作者還創(chuàng)建了三個大規(guī)模的仿真數(shù)據(jù)集用來促進法向量估計這一領域的發(fā)展。
實驗結果證明作者提出的方法可以在準確度和效率間取得較好的權衡，基于C++和CUDA的實現(xiàn)分別可以取得260Hz和21kHz的運行速度。
8、In Defense of Knowledge Distillation for Task Incremental Learning and its Application in 3D Object Detection
首個適用于自動駕駛感知算法的增量學習算法
讓機器人能夠不斷地學習新的技能是實現(xiàn)機器人智能化的一個有效途徑。為了實現(xiàn)增量學習，研究者通常通過知識蒸餾的方法，使機器人在學習新的技能的同時，緩解對以前知識的遺忘。然而，隨著任務序列長度的增加，知識蒸餾對遺忘的緩解效率會下降，作者將之稱為知識蒸餾的長序列效能下降（Long-sequence-Effectiveness-Degradation）問題。
在本文中，作者分析了LED問題的原因，將之歸因于不同任務間數(shù)據(jù)分布的差異。為了解決這一問題，作者提出通過最大化所有舊任務數(shù)據(jù)分布后驗概率的方法來緩解LED問題，并在自動駕駛場景三維物體檢測任務上驗證了這一方法的有效性。
代碼已開源
。
展開 