函数图像

目录 马里奥AI实现方式探索 ——神经网络+增强学习 神经网络 M-P模型 早期神经网络 深度神经网络 总结 增强学习 马尔可夫决策过程（MDP） 基于NEAT算法的马里奥AI实现 基于Deep Reinforcement Learning的马里奥AI实现 总结 马里奥AI实现方式探索 ——神经网络+增强学习 儿时我们都曾有过一个经典游戏的体验，就是马里奥（顶蘑菇^v^），这次里约奥运会闭幕式，日本作为2020年东京奥运会的东道主，安倍最后也已经典的马里奥形象出现。平时我们都是人来玩马里奥游戏，能否可以让马里奥智能的自己闯关个呢？OK，利用人工智能的相关算法来进行自动化通关一直是一个热门的话题，最近最火的相关东东就是传说中的alphaGo啦。而在游戏的自动化测试当中，这种算法也是非常实用的，可以大量的减少测试人力成本。 首先，对于实现马里奥AI当中涉及到的神经网络和增强学习的相关概念进行整理，之后对智能通关的两种方式进行阐述。（本人才疏学浅，在神经网络和增强学习方面基本门外汉，如有任何纰漏，还请大神指出，我会第一时间改正。） 神经网络 像飞机的灵感来源于鸟类，雷达的灵感来源于蝙蝠，红外线的灵盖来源于蛇，而本文要讨论的神经网络灵感来源于我们自己，人类大脑的神经元结构。从神经元结构被提出，到时下火热的无以复加的深度神经网络，发展过程也可为一波三折。我们按照时间的顺序

教科书上一般定义函数 ​的卷积如下： 连续形式： ​​离散形式：​ 并且也解释了，先对g函数进行翻转，相当于在数轴上把g函数从右边褶到左边去，也就是卷积的“卷”的由来。 然后再把g函数平移到n，在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的“积”的过程。 这篇文章主要想解释两个问题： 卷积这个名词是怎么解释？“卷”是什么意思？“积”又是什么意思？ 卷积背后的意义是什么，该如何解释？ ## 考虑的应用场景 为了更好地理解这些问题，我们先给出两个典型的应用场景： 信号分析 一个输入信号f(t)，经过一个线性系统（其特征可以用单位冲击响应函数g(t)描述）以后，输出信号应该是什么？实际上通过卷积运算就可以得到输出信号。 图像处理 输入一幅图像f(x,y)，经过特定设计的卷积核g(x,y)进行卷积处理以后，输出图像将会得到模糊，边缘强化等各种效果。 对卷积的理解 对卷积这个名词的理解： 所谓两个函数的卷积，本质上就是先将一个函数翻转，然后进行滑动叠加。 在连续情况下，叠加指的是对两个函数的乘积求积分，在离散情况下就是加权求和，为简单起见就统一称为叠加。 整体看来是这么个过程： 翻转——>滑动——>叠加——>滑动——>叠加——>滑动——>叠加…多次滑动得到的一系列叠加值，构成了卷积函数。 卷积的“卷”，指的的函数的翻转，从 g(t) 变成 g(-t) 的这个过程；同时，“卷

1 目标检测基础 1.1 目标检测和边界框(9.3) % matplotlib inline from PIL import Image import sys sys . path . append ( '/home/kesci/input/' ) import d2lzh1981 as d2l # 展示用于目标检测的图 d2l . set_figsize ( ) img = Image . open ( '/home/kesci/input/img2083/img/catdog.jpg' ) d2l . plt . imshow ( img ) ; # 加分号只显示图 1.1.1 边界框 # bbox是bounding box的缩写 dog_bbox , cat_bbox = [ 60 , 45 , 378 , 516 ] , [ 400 , 112 , 655 , 493 ] def bbox_to_rect ( bbox , color ) : # 本函数已保存在d2lzh_pytorch中方便以后使用 # 将边界框(左上x, 左上y, 右下x, 右下y)格式转换成matplotlib格式： # ((左上x, 左上y), 宽, 高) return d2l . plt . Rectangle ( xy = ( bbox [ 0 ] , bbox [ 1 ] ) , width

一、数据增强 大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度。可以说，在当年AlexNet的成功中，图像增广技术功不可没。 常用的图像增广方法 翻转和裁剪 左右翻转图像通常不改变物体的类别。它是最早也是最广泛使用的一种图像增广方法。下面我们通过torchvision.transforms模块创建RandomHorizontalFlip实例来实现一半概率的图像水平（左右）翻转。 apply ( img , torchvision . transforms . RandomHorizontalFlip ( ) ) 上下翻转不如左右翻转通用。但是至少对于样例图像，上下翻转不会造成识别障碍。下面我们创建RandomVerticalFlip实例来实现一半概率的图像垂直（上下）翻转。 apply ( img , torchvision . transforms . RandomVerticalFlip ( )

泛洪算法--Flood Fill，也称为种子填充--Seed Fill算法。用于确定连接到多维数组中给定节点的区域。最直接的一个应用就是「颜色填充」，就是 Windows 绘画本中那个小油漆桶的标志，可以把一块被圈起来的区域全部染色。如下图： 可以看到，当你在右边的连通区域里，使用填充功能点击一下，就变成绿色了，它是以黑色边界为限制。在OpenCV里提供了相同功能的函数，它的定义如下： 本函数实现给连通的区域填充指定的颜色。 image:输入图像，可以是一通道或者是三通道表示的图像。 mask:该版本特有的掩膜。 单通道8位的图像。在长和宽上都比原图像image多2个像素点。另外，当flag为FLOORFIL 来源： CSDN 作者： caimouse 链接： https://blog.csdn.net/caimouse/article/details/104457500

第二章 操作像素 在本章，我们会讲述： 处理像素值 用指针扫描图像 用迭代器扫描图像 写高效的图像扫描循环 用相邻的方法扫描图像 展示简单的图像计算 定义感兴趣的区域 【概述】 为了建立计算机图像应用，你必须能够接触图像内容，并且最终修改或者创建图像。这一章中会教你如何操作图像元素，比如像素。你会学 习到如何扫描一幅图像并处理每个像素点。你也会学习到如何高效地做，因为就算是适当的维度的图像也会包含成千上万的像素的。 基本上将，一个图像时一个数值对应的矩阵。这就是OpenCV2用cv::Mat处理图像的原因了。矩阵中的每一个元素代表一个像素。对于一个灰 度图像（黑白图像），像素值是8位的无符号型值（也就是非负数。。），相应地，0代表黑色而255代表白色。对于彩色图像，每个像素的三 个这样的值代表着我们常常说的三原色（红，绿，蓝）。此时一个矩阵元素由三个值生成。 正如前面所讲，OpenCV也允许你用不同类型的像素值创建图像，比如CV_8U或者浮点值CV_32F。这些对于存储很有用的，例如在一些图像处理 过程中的起到媒介作用的图像。大多数操作可以被应用到任何类型的矩阵上，其他的则是需要特定的类型，或者只能和给定数量的通道数量 起作用。所以说，为了避免在编程中犯常见错，对于一个函数或者方法的前提的理解是很重要的。 整个这一章节，我们用如下的一张图片作为输入图片。 【处理像素值】

**今天，我们来正式讲计算机视觉里面一个非常非常广泛的网络，叫做 卷积神经网络 ，可以说卷积神经网络是现在计算机视觉的一个核心的概念，再讲卷积神经网络用于图片处理之前， 首先我们来看一下图片是怎么表示的？ 我们现在来看一个Minist的图片， 我们之前已经接触过了，他是一个28行乘以28列的一个这样的数据，我们用一个矩阵来表示这个矩阵的每一个元素，要么是零，要么是一。然后这个矩阵的每一个元素代表了当前这个像素点的一个数值，因为当前的minist他是一个黑白图片，因此我们只使用了一张这样的值来表达。每一张表的这个点表达了这个图片的灰度值，他是从0到255的这样一个数值，我们也可以把它变换到一个0到1的范围之内，就比如说，0代表是全白，1代表的是全黑，因此他就变成了一个0到1的，这样的浮点数数组，我们在做Deep Learning的时候，一般的是使用0到1的这个范围，但是数据存储的时候，他可能会存储到0-255，因此我们把它加载进来的时候会把它除以一个255，这样的分数会使得它的范围变到0到1的这个区间。 自然界更常见的是彩色的图片对于彩色的图片，我们如果忽略他的α通道的话，那就是一个rgb的数值，因此，我们使用三张表了存储，每一张表存储了这张图片的RGB三个通道的每个数值，每个数值也是0到255或者是0到1以后我们讲的图片都是归一化成0到1的这个区间来看， 在表达一张彩色图片的时候

OpenCV基础——threshold函数的使用 　　图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。 　　 参数原型 　　 参数说明 　　src：源图像，可以为8位的灰度图，也可以为32位的彩色图像。（两者有区别） 　　dst：输出图像 　　thresh：阈值 　　maxval：dst图像中最大值 　　type：阈值类型，可以具体类型如下： 编号 阈值类型枚举 注意 1 THRESH_BINARY 2 THRESH_BINARY_INV 3 THRESH_TRUNC 4 THRESH_TOZERO 5 THRESH_TOZERO_INV 6 THRESH_MASK 不支持32位 7 THRESH_OTSU 不支持32位 8 HRESH_TRIANGLE 不支持32位 　　 　　 函数关系 　　当阈值类型为THRESH_BINARY，THRESH_BINARY_INV，THRESH_TRUNC，THRESH_TOZERO，THRESH_TOZERO_INV时，前面的thresh参数需要合理设置，函数执行时严格按照表格中的函数关系变换；当阈值类型为OTSU时，thresh参数可以直接设置为0。 来源： https://www.cnblogs.com/qinguoyi/p/8335741.html

图像处理一般分为空间域处理和频率域处理 空间域处理是直接对图像内的像素进行处理。主要划分为灰度变换核空间滤波两种形式， 灰度变换对图像内的单个像素进行处理，滤波处理涉及对图像质量的改变 频率域处理是先将图像变换到频率域，然后在频率域对图像进行处理，最后通过反变换将图像变为空间域。 傅里叶变换可以将图像变换为频率域， 傅立叶反变换将频率域变换为空间域 时域是以时间为坐标轴表示动态信号的关系， 频域则是把信号变为一频率为坐标轴表示出来。 时域是实际存在的，而频域则是数学构造。 numpy实现傅里叶变换 函数 dst = numpy.fft.fft2(src) dst为一个复数数组 src 原始图像的类型应是灰度图像 该函数处理之后就能得到图像的频谱信息 零频率分量位于频谱图像的左上角 函数 dst = numpy.ffr.fftshift(src) 使用该函数处理后，图像频谱中的零频率分量会被移到频域图像的中心位置 对图像傅里叶变换后得到的是一个复数数组，为了显示图像需要将他们的值调整到 [0 , 255 ] 的灰度空间 公式为 像素新值 = 20 * np.log( np.abs( 频谱值 ) ) 1 import cv2 2 import numpy as np 3 import matplotlib.pyplot as plt 4 img = cv2.imread("/home

直方图是图像处理过程中的一种非常重要的分析工具。 是图像内灰度值的统计特性与灰度值之间的函数，直方图统计图像内各个 灰度级出现的次数 需要注意三个概念： DIMS : 表示绘制直方图时，收集的参数的数量，一般情况下，直方图中收集的数据只有一种，就是灰度级，因此该值为1 RANGE ：表示统计的灰度级的范围，一般为[0 . 255] . 0对应的时黑色，255对应的时白色 BINS ： 参数子集的数目，在处理数据的过程中，有时需要将众多的数据划分为若干个组，在进行分析 该图中，BINS为6,RANGE为[2,6] python 的模块matplotlib.pyplot中的hist()函数能方便的绘制直方图， 函数形式为 matplotlib.pyplot.hist( x , BINS) x,为数据源 ，必须是一维的，图像通常都是二维的， 可以通过函数ravel()来将二维数组降成一维的 例如：图像x 23 34 14 54 63 23 45 25 76 对其使用函数ravel() y = x.ravel() 得到y为： 23 34 14 54 63 23 45 25 76 BINS为灰度级的分组情况 绘制图像的直方图 1 import cv2 2 import matplotlib.pyplot as plt 3 o = cv2.imread("/home/miao/dog.jpg"