Doreenqiuyue的博客

原创 超分辨研究成果总结

科研成果

原创 C++结构体相关用法

结构体使用方法总结

原创 VS安装及使用教程

安装和使用教程

原创 安装Ubuntu系统(双系统)

安装Ubuntu

原创 Latex使用记录

第一次使用Latex进行论文排版，记录一下这个学习过程1.Latex环境准备(1)安装教程(2)参考教程参考一参考二(3)安装过程出现的问题解决关闭杀毒软件2.利用Latex进行排版教程一教程二教程三3.模板使用去投稿页面找模板，打开tex文件，在相应部分插入对应的内容，论文的总体结构就会生成.(分段 : 空两行)下面主要介绍一下公式，图表，参考文献的相关设置.3.1.公式简单的公式可以自己手动输入公式教程复杂的公式当然要借助一些神器了MathpixLaTeX公式编辑

原创 超分辨代码总结(更新中)

算法原理&代码实现从图像超分辨率快速入门pytorchpytorch：EDSR 生成训练数据的方法SRCNN-pytoch代码EDSR代码阅读BasciSR复现过程

原创 超分辨总结(4)(更新中)

超分辨意义，应用相关的总结性文章汇总技术原理和应用场景背景概念性知识总结应用&网络总结基于深度学习的图像超分论文推荐看10个神经网络模型，如何解决超分辨率超分辨课题的方方面面超分辨问题总结思维导图几大经典网络的总结参考一参考二参考三参考四参考五参考六各种网站入口...

原创 图像预处理相关代码学习

数据增强def augment(*args, hflip=True, rot=True): hflip = hflip and random.random() < 0.5 vflip = rot and random.random() < 0.5 rot90 = rot and random.random() < 0.5#三种操作执行概率均为50% def _augment(img): if hflip: img = img[:, ::

原创 模型测试代码学习笔记

最近在看代码

原创 利用nn.Module实现自定义层

class Flatten(nn.Module): def __init__(self): super(Flatten,self).__init__() def forward(self,input): return input.view(input.size(0),-1)Flatten()展平操作，进入全连接层之前使用类才能写进nn.Sequentialnn.ReLU----classF.relu----functionclas

原创 pytorch---parameters学习

import torch.nn as nnnet = nn.Sequential(nn.Linear(4,2),nn.Linear(2,2))list(net.parameters())输出如下list(net.parameters())[0].shapetorch.Size([2, 4])list(net.parameters())[3].shapetorch.Size([2])存在转置的情况list(net.named_parameters())dict(net.name

原创 裂缝检测总结

图像相关的基础知识二值图像、灰度图像、彩色图像视频图像的一些简单处理读取视频并获取视频信息、分帧保存—MATLAB在视频上选取矩形区域，获取该区域的RGB均值信息—MATLABMatlab读取视频并处理成帧保存边缘检测相关算法边缘提取算子总结—Matlab代码实现Canny算子—MATLAB图像边缘检测及提取方法总结（含Matlab代码）matlab图像边缘检测分析python-opencv自带的检测函数...

原创 图像处理中细节&基础处理&常见问题

常见问题及解决方法Matlab 的 filter2函数灰度图维度图像显示问题显示图像为全白除以255注意细节使用X_train.astype(‘float32’)uint8和doubleuint8转换为double型MATLAB主要数据类型基础处理RGB和YCbCr 互转 pythonPython中rgb与ycbcr互转 提取三通道图像像素运算图像相加用matlab将灰度图转换为彩色图图像尺寸的获取python读取图像的方法总结...

原创 利用python绘制曲线图，折线图，柱状图

关于matplotlib的学习plt.xticks()矢量图设置柱状图-适合多种算法对比

原创 python与matlab对应函数---图像处理

fspecial()函数

原创 测量PSNR-SSIM平均值

参考代码'''calculate the PSNR and SSIM.same as MATLAB's results'''import osimport mathimport numpy as npimport cv2import globdef main(): # Configurations # GT - 原图 # Gen: 生成的图片 folder_GT = '' folder_Gen = '' crop_border =

原创 WDSR实验记录

WDSR是在EDSR代码的基础上实现的，代码链接在这里阅读目录一、准备过程1.1 代码修改1.2 操作准备二、训练2.1 训练命令2.2 训练结果2.3 loss曲线2.4 PSNR曲线三、测试3.1 测试命令3.2 测试结果3.3 效果图展示一、准备过程1.1 代码修改参考这里1.2 操作准备参考二、训练2.1 训练命令!python main.py --model wdsr_b --epochs 50 --scale 2 --save wdsr_b_x2 --n_resblocks 3

原创 EDSR实验记录

代码链接在colab里跑的代码首先将项目文件上传到云端硬盘，然后在云端硬盘新建一个Google Colaboratorycolab的使用可参考如下将云端硬盘文件与colab关联上!cp -r "/content/drive/My Drive/要关联的文件名" "/content/"下载数据集!wget --no-check-certificate \ https://cv.snu.ac.kr/research/EDSR/DIV2K.tar \ -O /content/EDSR-Py

原创 colab使用方法总结

常用的指令Linux常用指令GPU配置&开启最大内存文件路径相关文件保存运行代码产生的结果保存方法方法一:利用文件复制命令，将文件保存至云端硬盘!cp -r "要保存的文件路径" "/content/drive/My Drive/**"方法二添加保存代码方法三直接下载到本地环境配置相关colab安装pytorch0.4.1环境cuda & tf 版本cuda9.0 & cuda 8.0Tensorflow2 GPU安装大综合在colab里运行f

原创 吴恩达团队 Tensorflow课程学习笔记 5-----多分类问题

最后一节学习多分类的案例-----剪刀，石头，布数据相关⑴目录设置每个子目录下都有三种类别: 石头、布、剪刀 .⑵数据集这里有一个新的数据集----包含约3000张图像，它们都是使用具有多种模型的CGI产生的(有男性的，女性的，还有许多不同肤色的)，它们都是以白色为背景，分辨率为300×300，下面给出了一些示例.数据集链接上面给出的数据集链接里包含了训练集，验证集，以及测试集.⑶获取数据有两个zip文件----训练集和测试集!wget --no-check-certificat

原创 吴恩达团队 Tensorflow课程学习笔记 4-----dropout

keras中还有另一种层----dropout1. 原理简介⑴问题分析神经网络中的层可能具有相似的权重，也有可能相互影响，从而导致过拟合 .像这样的复杂模型，存在这样的风险 .⑵添加dropout通过删除一些节点，使它看起来如下图，这样会使得节点相互之间影响不太大，可能消除过拟合 .2. 模型搭建⑴模型总体from tensorflow.keras.optimizers import RMSprop# Flatten the output layer to 1 dimension

原创 吴恩达团队 Tensorflow课程学习笔记 3-----迁移学习

11

原创 吴恩达团队 Tensorflow课程学习笔记 2-----图像增强

图像增强train_datagen = ImageDataGenerator(rescale=1./255)之前学的图像生成器就有图像增强的功能，上面代码中已经完成了一点图像增强的功能----图像加载的时候就可以完成重新缩放train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=40, width_shift_range=0.2, height_shift_range=0.2

原创 吴恩达团队 Tensorflow课程学习笔记 1

kaggle上的猫狗识别分类比赛导读下载图像集简介下载结果文件解压设置目录目录分布查看图片路径查看图片数量图像可视化搭建神经网络导入Tensorflow定义模型打印摘要编译模型生成器模型训练模型测试可视化卷积中间结果图评估模型的精确度和损失下载图像集简介图像集来自于kaggle的猫狗大赛的数据集，可以直接下载，为了方便学习，只用了其中的一部分。它们存储为zip文件，其中包含3000张图片，我们将其中的2000张用于训练，1000张用于测试!wget --no-check-certificate \

原创 吴恩达团队 Tensorflow课程学习笔记 6

两个trick将验证集放入训练中下载数据集，包括单独的验证集!wget --no-check-certificate \ https://storage.googleapis.com/laurencemoroney-blog.appspot.com/horse-or-human.zip \ -O /tmp/horse-or-human.zip!wget --no-check-certificate \ https://storage.googleapis.com/laure

原创 吴恩达团队 Tensorflow课程学习笔记 5

数据集不均匀的情况(更接近实际情况)Tensorflow中的图片生成器特性指向一个目录，然后它的子目录自动生成标签图片考虑这个目录结构图像目录下有训练和验证的子目录，当把马和人的子目录放在这些目录中，并在其中存储必要图像时，图片生成器可以为这些图片创建一个Feeder，并且为你自动标记例如，在训练目录指向一个图片生成器，标签将是马和人，并且每个目录中的图片将会加载并且相应标记实例化一个生成器from tensorflow.keras.preprocessing.imageimport I

原创 吴恩达团队 Tensorflow课程学习笔记 4

import cv2import numpy as npfrom scipy import misci = misc.ascent() #返回一张很好的图像

原创 吴恩达团队 Tensorflow课程学习笔记 3

model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(64,(3,3),activation='relu', input_shape=(28,28,1)),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64,(3,3),activation='relu'),tf.keras.layers.MaxPooling2D(2,2),

原创 吴恩达团队 Tensorflow课程学习笔记 2

Fashion MNIST简介• 70k images• 10 categories• Images are 28×28• Can train a neural net• 60k作为训练数据，10k作为测试数据• Fashion MNIST在Tensorflow里作为一个有API的数据集存在import tensorflow as tffrom tensorflow import kerasfashion_mnist = keras.datasets.fashion_mnis

原创 吴恩达团队Tensorflow 课程学习笔记1----Hello World of neural networks

The Hello World of Deep Learning with Neural Networks训练一个神经网络来拟合两组数据之间的映射关系导读Imports构建神经网络提供数据训练神经网络测试网络训练过程Imports①利用numpy简单快速地表示数据②利用keras搭建神经网络import tensorflow as tfimport numpy as npfrom tensorflow import keras构建神经网络构建一个最简单的模型:网络只有一层，这一层只有一

原创 1 Tensorflow的基础用法---计算损失

假设你有一个损失函数J需要最小化J=w^2-10w+25 (w的一个固定的函数，系数是固定的)现在使用Tensorflow将其最小化import numpy as npimport tensorflow as tf#定义参数w，利用tf.Variablew = tf.Variable(0,dtype=tf.float32)#定义损失函数#cost = tf.add(tf.add(w**2,tf.multiply(-10,w)),25)cost = w**2- 10w + 25 #一旦w

原创 数据获取---FFmpeg

导读FFmpeg简介FFmpeg安装视频文件信息的获取视频分解图片本文旨在利用FFmpeg从视频中分解出图片，学习FFmpeg简单的运用FFmpeg简介FFmpeg是一个具有语音视频处理功能的软件库，具有文件格式转换；编译码转换；视频剪切；录制；提取；裁剪；复用等功能。FFmpeg安装brew install ffmpeg视频文件信息的获取ffmpeg -i 文件名输入命令行后，会输出ffmpeg版本信息，配置信息，核心的库，输入类型，视频文件相关信息等。视频分解图片ffmpeg -

原创 数据获取---最简单的图片爬虫

首先确定爬取某个网站图片是否侵权本文旨在简单的了解爬虫原理，实现一个最简单的图片爬虫案例以慕课网上的为例https://class.imooc/?c=ios&mc_marking=286b51b2a8e40915ea9023c8218在chrome里输入网址，然后打开更多工具里的开发者工具查看网页源代码，查看其中一个标签，通过标签可以找到当前图片的url地址，通过url地址就可以把这张图片下载下来。<img src="//img1.sycdn.imooc.com/climg/58

原创 5图像灰度处理

原创 4图像特效介绍

原创 3图片的几何变换

之前视频笔记的一个整理图片镜像图片缩放与剪切图片移位图片仿射变换与旋转图片镜像图片缩放与剪切图片移位图片仿射变换与旋转

原创 3 matplotlib基础

plt.plot()用于绘制折线参数一:代表x轴参数二:代表y轴参数三:代表折线的颜色(r:红色；g:绿色；b:蓝色)参数四:代表线条宽度import numpy as npimport matplotlib.pyplot as pltx = np.array([1,2,3,4,5,6,7,8])y = np.array([3,5,7,6,2,6,10,15])plt.plot(x,y,'r')输出:2. plt.bar()绘制柱状图参数一:代表x轴参数二:代表y轴参.

原创 傻瓜式配置深度学习环境

深度学习环境配置:Win10+anaconda3首先安装好anaconda(这里就不讲安装步骤了)进入anaconda3首页左侧界面如下所示:点击Home可以按照需要自行选择安装，比如常用的jupyter，spyder.点击Environment可以创建或者移除虚拟环境Create用来创建虚拟环境，可以设置虚拟环境的名称，设置所用的语言及其版本.所安装的虚拟环境都会在这儿显示出来虚拟环境创建之后，软件会自动安装一些基础的依赖包；如果你还需要安装额外的包，可以在对应的虚拟环境下

原创 pytorch视频笔记1-卷积神经网络基础

图片的表示输入一张灰度图用一个矩阵表示，矩阵的每个元素代表像素值，大小为0~255(常归一化为0~1)输入一张彩色图，有RGB三个通道,每张表存储相应的分量常用的表示方式全连接层的缺点以2828的手写字符为例，输入为7841的向量，中间节点256，输出为10个节点(一共10类)参数量784256 +256256+256256+25610=390K感受野借助于生物学的知识，人眼的局部视野 局部相关性例如图片中的小孩，在一个场景中首先注意到的是蛋糕，他不是一次性把场景中的所

原创 超分辨

有木有做超分辨的朋友们，大家一起互帮互助????????