我要评论目录
一、深度学习中解决过拟合方法
二、深度学习中解决欠拟合方法
增加神经网络层数或神经元个数
三、梯度消失和梯度爆炸
四、神经网络权重初始化方法
五、梯度下降法
六、batchnorm
七、归一化方法
八、卷积
九、池化
十、激活函数
十一、预训练
十二、transformer
十三、损失函数
十四、度量指标分析
十五、rcnn系列的发展
十六、yolo系列和ssd对比
十七、几个数据增强方式
十八、coding
十九、canny边缘检查
1.彩色图转化为灰度图
2.由于边缘检测容易受到图像中噪声的影响，应用高斯滤波来平滑图像–>去除噪声。
3.找寻图像的强度梯度。 canny的基本思想是找寻一幅图像中强度变化最强的位置。所谓的变化最强，即指梯度方向。平滑后的图像中每个像素点的梯度可以由sobel算子来获得：
（1）首先，利用sobel算子得到沿x轴和y轴方向的梯度g_x和g_y。
（2）由g_x和g_y便可计算每一个像素点的梯度幅值g。
（3）接着，每一个像素点用g代替。对于变化剧烈的边界处，g值越大，对应的颜色为白色。
（4）然后，这些边界通常非常粗，难以标定边界的真正位置，还必须存储梯度的方向θ。
4.应用非极大抑制技术来消除边误检(本来不是边缘但检测出来是)，沿着梯度θ方向上比较该像素点，若该像素点与两侧相比最大则保留，否则抑制(置为0)。这一步的目的是将模糊的边界变得清晰，剔除一大部分不是边缘的点。
5.双阈值边缘连接处理
规则：设定两个阈值，minval和maxval。
大于maxval的边缘肯定是边缘(保留)，低于minval的边缘是非边缘(舍去)。
对于介于两者之间的值，判断是否与真正的边界(强边界)相连，相连就保留，否则丢弃。
6.二值化图像输出结果。
发表评论