WGXのBlog

小提示在浏览器中使用Ctrl+F来搜索你想找的软件 软件列表 本节内容转自软件管家 电脑系统 ①电脑系统 安装环境PE工具箱Vmware（虚拟机）Windows10U盘安装win10直接安装win10虚拟机装win10Win10官方原版镜像文件下载地址汇总Windows7U盘安装win7直接安装win7虚拟机安装win7Linux      win安装linux虚拟机安装linux 办公软件 ②办公软件OfficeOffice365Office2019Office2016Office2013Office2010Office2007Office2003WPSwps2019wps2016wps2013XmindXmind2020Xmind2019Xmind8Acrobat（DC）Dc2020Dc2019Acrobat XIAcrobat 9VisioVisio2019Visio2016Visio2013Visio2010Visio2007Visio2003ProjectProject2019Project2016project2013 ...

新发现 github真是一个神奇的地方, 里面有各种各样优秀的项目, 除了大名鼎鼎的dress , 前一段时间还发现了一个12306的抢票项目, 虽然没用过,但是直觉上我就知道肯定比那些需要分享甚至付费的服务好用. 最近又发现了一个有趣且实用的项目, 基于Github Actions 实现天翼云盘的自动签到和抽奖, 每天获得100多兆的空间. 项目传送门 Fork此仓库 设置帐号密码 添加名为USER,PWD的变量, 值分别为帐号,密码 多账号时, 帐号和密码一行一个并且一一对应. 操作步骤如下图: 启用Action 点击Action, 再点击I understand my workflows, go ahead and enable them 修改readme.md文件任意位置后再提交一次 查看运行结果 在Actions=>Cloud189Checkin=>build能看到如下图所示, 表示成功. 此后 , 将会在每天10:00-10:45之间和22:00-22:45之间各签到一次. 若有需求, 可以在[.github/workflows ...

新发现 最近又在Github发现了一个有趣的项目 v2ray-heroku 可以在heroku上部署v2ray实现科学上网, 而且全程无代码, 无命令行操作. 不花一分钱!! 必要条件: Github帐号 Heroku帐号 科学上网环境 注册账号 Github 的注册过程很简单, 这里就不给出截图了. 注册成功后打开v2ray-heroku这个项目 , 点击右上角的Fork按钮, 把这个项目复刻到自己仓库, 为后面的部署做准备. Heroku是什么我就不介绍了. 如果你打不开这个网站, 那么可能的原因是它需要梯子才能打开. 如果你目前一个可用的梯子都没有, 或者根本不知道梯子是什么, 那么你可以选择点击这里来获得一个免费的梯子, 也可以选择关闭这篇文章. 成功打开网站后是一个登录界面, 点击Sign Up来注册账号, 按要求填写信息 ,最后点击验证码验证 , 创建账户即可. 接下来要去自己注册邮箱进行验证 , 点击Heroku发给你的链接 , 按要求输入你的密码即可, 密码必须包括至少一个 数字 , 字母 和符号. 登录后就来到了你的个人账户界面, 至此, 准备工作都 ...

摘要 检查X射线图像是医学诊断的重要方面。 但是，由于X射线的对比度低且动态范围低，因此器官，骨骼和结节等重要方面变得难以识别。 因此，对比度调整至关重要，特别是因为它具有增强亮区和暗区细节的能力。 因此，对于X射线图像增强，我们提出了一种基于分量衰减的新概念。 值得注意的是，我们假设X射线图像可以分解为组织成分和重要细节。 由于组织可能不是X射线的主要焦点，因此我们建议通过自适应组织衰减和动态范围拉伸来增强视觉对比度。 通过分量分解和组织衰减，推导了参数调整模型以一次生成许多增强的图像。 最后，提出了一个集成框架，用于融合这些增强的图像并在明亮和黑暗区域中产生高对比度输出。 我们已经使用测量指标来评估我们的系统，并且在每个指标中都取得了可喜的成绩。 还建立了一个在线测试系统以进行主观评估。 此外，我们将系统应用于日本放射技术学会提供的X射线数据集，以帮助进行结节检测。 实验结果证明了我们方法的有效性。 关键词：X射线图像增强，组件衰减，集成框架，参数对比度调整模型。 引言 检查X射线图像是医学诊断的重要步骤。 但是，X射线图像的低对比度和低动态范围使嵌入亮区或暗区的这些身体部位难 ...

摘要 这项工作提出了可见范围(VR)和红外范围(IR)图像的有效图像融合，以增强数码相机的图像质量。 通过估计包含红外图像属性的加权参数并使用该参数组合VR和红外图像来实现融合。 具体地，通过加权的低通滤波器(WLPF)从估计的照明和细节分量计算加权参数。 另外，根据用户的喜好，我们使用retinex技术压缩融合图像的动态范围，并根据全局颜色分布调整对比度/颜色。 实验结果表明，该方案在视觉观察和数值评分方面均取得了良好的效果。 关键字：图像融合，红外图像和细节增强 引言 红外图像具有很多有用的信息，能够增强可见光范围(VR)图像，例如波长特性。 近来，为了提高数字照相机的图像质量，已经尝试了许多方法来使用这些信息。 基于图像融合的增强主要分为两种类型：空间增强型和图像增强型。 和频域处理。 空间域处理中的代表性方法是使用平均值，例如Brovey方法，主成分分析(PCA)和强度-色相饱和度(IHS)分布。 此外，基于高通滤波的方法也属于此类。 IHS方法通过基于高分辨率图像控制输入图像的强度来生成高光谱图像。 该技术在保留地形和纹理方面取得了良好的效果[1、2]。另一种有效的融合 ...

摘要 我们提出了一种水下图像增强模型，该模型受到硬骨鱼视网膜的形态和功能的启发。 我们旨在解决由于模糊和不均匀的色彩偏移而引起的水下图像退化的问题。特别地，从颜色敏感的水平单元到视锥细胞的反馈和红色通道补偿用于校正非均匀颜色偏差。 双极细胞的中心-周围对手机制以及无长突细胞到丛状细胞然后到水平细胞的反馈有助于增强输出图像的边缘和对比度。 具有颜色对抗机制的神经节细胞用于颜色增强和颜色校正。 最后，我们采用基于亮度的融合策略，从鱼视网膜的ON和OFF路径的输出中重建增强的图像。 我们的模型利用全局统计信息(即图像对比度)自动引导每个低级滤波器的设计，从而实现主要参数的自适应。 在各种水下场景上进行的广泛的定性和定量评估验证了我们技术的竞争力。 我们的模型还使用水下图像显着提高了透射图估计和局部特征点匹配的准确性。 我们的方法是单图像方法，不需要专门的水下条件或场景结构先验。 关键词：水下图像处理，具有生物启发性的视觉，色彩校正。 引言 水下图像通常会受到噪声，颜色失真和低对比度的影响，因为光在水中传播时会被衰减。 这些问题增加了诸如自动鱼类和浮游生物的检测和识别等各种任务的难度。 因 ...

从小白开始，记录一下图像处理有关的知识点，方便自己随时查阅。知识点无规律，有时间可能会考虑做总结。希望路过的大佬能帮忙指出错误，助我少走弯路。 小知识点 关于频率 首先要将所谓图像频率与频率的物理学定义脱离开，否则很难理解。 图像频率是图像的一个指标而非一个参数。 图像的频率是一个分布。 将图像做二维傅里叶变换所得的频谱图，也就是图像的梯度分布图即可定义为该图像的频率。 直观表现为衡量表征图像中灰度变化剧烈程度的指标。 图像中的高频分量，指的是图像强度（亮度/灰度）变化剧烈的地方，也就是我们常说的边缘（轮廓）；图像中的低频分量，指的是图像强度（亮度/灰度）变换平缓的地方，也就是大片色块的地方。人眼对图像中的高频信号更为敏感。 图像的高低频是对图像各个位置之间强度变化的一种度量方法。低频分量:主要对整副图像的强度的综合度量. 高频分量:主要是对图像边缘和轮廓的度量。如果一副图像的各个位置的强度大小相等,则图像只存在低频分量 关于图像梯度 参考链接： https://zhuanlan.zhihu.com/p/113397988 https://www.cnblogs.com/pa ...

摘要 对于许多计算机视觉应用而言，图像增强是重要的预处理步骤，尤其是在可见性条件不佳的情况下。 在这项工作中，我们开发了受生物视觉尤其是早期视觉机制启发的统一的两种途径模型，该模型有助于图像增强任务，包括低动态范围(LDR)图像增强和高动态范围(HDR)图像色调映射。 首先，将输入图像分离并发送到两个视觉路径：结构路径和细节路径，分别对应于早期视觉系统中的M和P路径，分别编码低频和高频视觉信息。在结构路径中，使用扩展的生物归一化模型来集成全局和局部亮度适应，该适应性可以处理具有变化照明的视觉场景。 另一方面，基于局部能量加权，在细节路径中实现了细节增强和局部噪声抑制。 最后，将结构和细节路径的输出进行集成以实现低光图像增强。 此外，所提出的模型还可以通过一些微调步骤用于HDR图像的色调映射。在三个数据集(两个LDR图像数据集和一个HDR场景数据集)上的大量实验表明，所提出的模型可以有效地处理上述视觉增强任务，并且胜过相关的最新技术。 关键词：夜间图像，弱光图像，HDR图像，视觉适应，降噪。 引言 图像增强是许多计算机视觉应用程序中重要的预处理步骤。 特别地，在弱光或夜间条件下捕获的 ...

莫道乡愁关山远 心海湖畔秋月明

摘要 单个图像去雾是后续高级计算机视觉任务的关键图像预处理步骤。 然而，由于其不适性，它仍然具有挑战性。现有的除雾模型往往会遭受模型过于复杂和计算效率低下或表示能力有限的困扰。 为了应对这些挑战，在这里，我们提出了一种快速准确的多尺度端到端除雾网络，称为FAMED-Net，该网络包括三个尺度的编码器和融合模块，可以有效且直接地学习无雾图像。 每个编码器均由级联且密集连接的逐点卷积层和池化层组成。 由于不使用更大的卷积内核，并且逐层重用功能，因此FAMED-Net轻巧且计算效率高。 对公共合成数据集（包括RESIDE）和真实世界的模糊图像进行的深入实证研究表明，FAMED-Net在模型复杂性，计算效率，恢复准确性和交叉集泛化方面优于其他代表性的最新模型。 该代码将公开提供。 关键词：去雾，图像恢复，逐点卷积，深度神经网络。 引言 在朦胧条件下捕获的图像通常会受到由大气中的浮尘（例如灰尘，薄雾和烟尘）引起的吸收和散射效应的影响，这可能导致对比度低，图像模糊和嘈杂。 这种降低的图像质量可能会挑战许多后续的高级计算机视觉任务，例如，对象检测和分割。 因此，消除雾度并改善图像质量有益于这些应 ...