函数图像

Q1：时域与频域是什么？ 时域故名思议就是随着时间的推移，我们所能直观感受的东西或事物，比如说音乐，我们听到动听的音乐，这是在时域上发生的事情。 而对于演奏者来说音乐是一些固定的音符，我们听到的音乐在频域内是一个永恒的音符，音符的个数是有限且固定的，但可以组合出无限多的乐曲。 傅立叶也告诉我们，任何周期函数都可以看作不同振幅，不同相位的正弦波的叠加。就像用音符组合出音乐一样。 贯穿时域和频域的方法之一，就是傅立叶分析，傅立叶分析又分为两个部分：傅立叶级数和傅立叶变换。 Q2：傅立叶级数是啥？ 傅立叶级数指出任何周期函数都可以看作不同振幅，不同相位的正弦波的叠加。 对比傅立叶变换：傅立叶变换指出非周期的函数（函数曲线下的面积是有限的）也可以用正弦或余弦乘以加权函数的积分来表示。 说的过程大概是这样子的： 在傅立叶级数中要介绍两个概念：频谱（幅度谱），相位谱。 有了这两个东西之后我们就可以更容易理解把周期函数拆分为各个正弦函数叠加的过程了。 频谱（幅度谱） 之前我们提到了时域和频域，从不同的“域”来看可能会产生很不一样的效果，到底有多不一样呢？先上个图来看一下。 可以看出，从时域来看，我们会看到一个近似为矩形的波，而我们知道这个矩形的波可以被差分为一些正弦波的叠加。 而从频域方向来看，我们就看到了每一个正弦波的幅值，可以发现，在频谱中，偶数项的振幅都是0，也就对应了图中的彩色直线

Deep Visual-Semantic Hashing for Cross-Modal Retrieval 用于跨模态检索的深度视觉语义哈希 摘要： 由于哈希算法具有较高的存储和检索效率，在大规模多媒体检索中被广泛应用于近似近邻搜索。跨模态哈希能够有效地检索图像以响应文本查询，反之亦然，近年来受到越来越多的关注。现有的大多数跨模态哈希研究工作都没有捕捉到图像的空间依赖性和文本句子的时间动态，从而学习强大的特征表示和跨模态嵌入，从而缓解了不同模式的异质性。摘要提出了一种新的深度视觉语义哈希(DVSH)模型，该模型在端到端深度学习体系结构中生成图像和句子的紧凑哈希码，捕捉视觉数据与自然语言之间的内在跨模态对应关系。DVSH是一种混合的深度架构，它构成了一个用于学习图像和文本句子的联合嵌入空间的可视化语义融合网络，以及两个用于学习哈希函数以生成紧凑二进制代码的特定于模态的哈希网络。我们的架构有效地统一了联合多模态嵌入和交叉模态哈希，它是基于图像上的卷积神经网络、句子上的递归神经网络和一个结构化的最大裕度目标的新组合，该目标将所有东西集成在一起，从而能够学习保持相似性和高质量的哈希码。大量的经验证据表明，我们的DVSH方法在图像-句子数据集的跨模态检索实验中，即标准的IAPR TC-12和大规模的Microsoft COCO中，得到了最先进的结果。 1.介绍 而海量

函数的表示方法 列表法 图像法 解析法 函数的性质 函数的单调性 函数的改变量与自变量改变量的比 叫做函数y=f(x)从x 1 到x 2 之间的 平均变化率 函数的奇偶性 奇函数，f(-x) = -f(x)，且过原点，图像关于原点中心对称 偶函数，g(-x) = g(x)，以y轴为对称轴 来源： https://www.cnblogs.com/YC-L/p/12121369.html

本文转载自： http://www.cnblogs.com/farewell-farewell/p/5905107.html 作者：farewell-farewell 转载请注明该声明。 ROI（region of interest）——感兴趣区域。 1.用途 这个区域是图像分析所关注的重点。圈定这个区域，以便进行进一步的处理。而且， 使用 ROI指定 想读入的目标，可以减少处理时间，增加精度，给图像处理带来不小的便利。 2.定义ROI方法 使用表示矩阵区域的Rect。 它指定矩阵的左上角坐标（构造函数的前两个参数）和矩阵的长宽（构造函数的后两个参数）以定义一个矩阵区域。 // 定义一个Mat类型并给定其设定的区域 Mat imageROI; // 方法一 imageROI = image(Rect( 500 , 250 , logo.cols, logo.rows)); 指定感兴趣行或列的范围（Range）。 Range是指从起索引到终止索引（不包括终止索引）的一连串连续序列。cRange可以用来定义Range。如果使用Range来定义ROI，那么前例中定义ROI的代码可以重写为： // 方法二 imageROI = image( Range( 250 , 250 +logoImage.rows), Range(200, 200+logoImage.cols)); 3

3.1 背景知识 3.1.1 灰度变换和空间滤波基础 本节讨论的所有图像处理技术都是在空间域进行的。空间与包含图像像素的简单平面。与频率域相反，空间域技术是直接操作图像像素的简单平面。 本章讨论的空间域处理可有下式表示： g ( x , y ) = T ⋅ [ f ( x , y ) ] g(x,y)=T\cdot [f(x,y)] g ( x , y ) = T ⋅ [ f ( x , y ) ] 式中， f ( x , y ) f(x,y) f ( x , y ) 是输入图像， g ( x , y ) g(x,y) g ( x , y ) 是输出图像， T T T 是在点的邻域上定义的关于f的一种算子。算子可应用于单幅图像或图像集合。 邻域与预定义的操作一起称为空间滤波器(也称为空间掩模、核、模板、窗口)。在邻域中执行的操作据欸的那个了滤波处理的特性。 最小邻域为 1 × 1 1\times 1 1 × 1 。在这种情况下， g g g 仅取决于点(x,y)处的 f f f 值，而式(3.1-1)中的 T T T 则成为一个形如下式的灰度(也称为灰度级或映射)变换函数： s = T ( r ) s=T(r) s = T ( r ) 式中，令 s s s 和 t t t 分别表示 g g g 和 f f f 在任意点 ( x , y ) (x,y) ( x , y ) 处的灰度。

全文共 11413 字，预计学习时长 33 分钟 图源：Unsplash “每隔一段时间，就会出现一种能改变一切的革命性产品。” ——史蒂夫·乔布斯（SteveJobs） 这句21世纪最知名的言论之一与深度学习有什么关系呢？ 想想看。计算能力的提升带来了一系列前所未有的突破。 若要追根溯源，答案将指向注意力机制。简而言之，这一全新概念正在改变我们应用深度学习的方式。 图源：Unsplash 注意力机制是过去十年中，深度学习研究领域最具价值的突破之一。 它催生了包括Transformer架构和Google的BERT在内的自然语言处理（NLP）领域的许多近期突破。如果你目前（或打算）从事NLP相关工作，一定要了解什么是注意力机制及其工作原理。 本文会讨论几种注意力机制的基础、流程及其背后的基本假设和直觉，并会给出一些数学公式来完整表达注意力机制，以及能让你在Python中轻松实现注意力相关架构的代码。 大纲 l 注意力机制改变了我们应用深度学习算法的方式 l 注意力机制彻底改变了自然语言处理（NLP）甚至计算机视觉等领域 l 本文将介绍注意力机制在深度学习中的工作原理，以及如何用Python将其实现 目录 1.什么是注意力？ 1. 深度学习是如何引入注意力机制的 2. 了解注意力机制 2.使用Keras在Python中实现简单的注意力模型 3.全局与局部注意力 4

PIL是python中的第三方图像处理库。 可以做很多和图像处理相关的操作。 图像处理：包括对点的处理，使用众多的卷积核(convolution kernels)做过滤(filter),还有颜色空间的转换等等 图像展示：PIL支持众多的GUI框架接口，可以用于图像展示 图像归档：PIL非常适合于图像归档以及图像的批处理任务，可以使用PIL创建缩略图，转换图像格式，打印图像等等 crop() 用于裁剪图片， 在使用时需要引入Image ，使用Image中的open(file)方法可返回一个打开的图片，使用crop([x1,y1,x2,y2])可进行裁剪。 from PIL import Image import matplotlib . pyplot as plt img = Image . open ( "E:/练习mtcnn/cebelA/CelebA_min/Img/000001.jpg" ) plt . imshow ( img ) plt . show ( ) print ( img . size ) img_crop = img . crop ( [ img . size [ 0 ] / 5 , img . size [ 1 ] / 5 , img . size [ 0 ] * 3 / 5 , img . size [ 1 ] * 3 / 5 ] ) plt .

1 图像增强 1.1 直方图均衡化 对于灰度图像，可以使用直方图均衡化的方法使得原图像的灰度直方图修正为均匀的直方图。 代码如下： I2=histeq(I1); figure,imshow(I2); figure,imhist(I2); 原图像为lena的图片，经过直方图均衡化后的图片为Figure 1。 Figure 1 原图灰度直方图请参见： MATLAB数字图像处理（一）基础操作和傅立叶变换 ，经过修正后的灰度直方图为Figure 2： Figure 2 可以看出，与原图对比，灰度分布更加均匀。 1.2 灰度变换 在MATLAB中，可以使用imadjust函数对图像进行线性变换。常用的为线性变换。使用的函数为imadjust(I, [low_in, high_in], [low_out high_out],gamma)，其中，in为输入的图片变化的灰度范围，out为输出的图片变化的灰度范围，均为[0 1]之间。也就是将low_in和high_in之间的值映射到low_out和high_out之间。gamma为线性值，若为1则为线性变换。 代码和效果如下： I3=imadjust(I1,[0.3 0.7],[0.1 0.9],1); figure,imshow(I3); figure,imhist(I3); 　　 Figure 3 Figure 4 其中，突出了原图0.3-0

项目地址：https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0 UC 伯克利李沐的《动手学深度学习》开源书一经推出便广受好评。很多开发者使用了书的内容，并采用各种各样的深度学习框架将其复现。 现在，《动手学深度学习》书又有了一个新的复现代码版本——TensorFlow2.0 版，短时间内成为了github上千star项目，欢迎关注。 深度学习简介 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一个用户界面，只需要一点儿工夫我们便能设计出十几个按钮以及一系列能精确描述微波炉在各种情况下的表现的规则。再比如，假设我们要编写一个电子邮件客户端。这样的程序比微波炉要复杂一些，但我们还是可以沉下心来一步一步思考：客户端的用户界面将需要几个输入框来接受收件人、主题、邮件正文等，程序将监听键盘输入并写入一个缓冲区，然后将它们显示在相应的输入框中。当用户点击“发送”按钮时，我们需要检查收件人邮箱地址的格式是否正确，并检查邮件主题是否为空，或在主题为空时警告用户，而后用相应的协议传送邮件。 值得注意的是，在以上两个例子中

一直以来想总结下项目中用到的 itext ，无意中发现了这篇文章，总结的比较好，所以 一、前言 　　在企业的信息系统中，报表处理一直占比较重要的作用，本文将介绍一种生成 PDF 报表的 Java 组件 --iText 。通过在服务器端使用 Jsp 或 JavaBean 生成 PDF 报表，客户端采用超级连接显示或下载得到生成的报表，这样就很好的解决了 B/S 系统的报表处理问题。 　　二、 iText 简介 　　 iText 是著名的开放源码的站点 sourceforge 一个项目，是用于生成 PDF 文档的一个 java 类库。通过 iText 不仅可以生成 PDF 或 rtf 的文档，而且可以将 XML 、 Html 文件转化为 PDF 文件。 　　 iText 的安装非常方便，在 http://www.lowagie.com/iText/download.html - download 网站上下载 iText.jar 文件后，只需要在系统的 CLASSPATH 中加入 iText.jar 的路径，在程序中就可以使用 iText 类库了。 　　三、建立第一个 PDF 文档 　　用 iText 生成 PDF 文档需要 5 个步骤： 　　①建立 com.lowagie.text.Document 对象的实例。 Document document = new Document();