计算机视觉OpenCv学习系列：第五部分、颜色操作

news2024/9/29 7:22:57

第五部分、颜色操作

    • 第一节、颜色表操作
      • 1.查找表LUT(look up table)
      • 2.颜色查找表
        • （1）Gamma校正
        • （2）OpenCV默认的查找表
      • 3.代码练习与测试
        • （1）多种颜色查找表
        • （2）滚动条+颜色查找表
    • 第二节、随机数与随机颜色
      • 1.随机数与随机颜色
      • 2.随机绘制
      • 3.代码练习与测试
    • 第三节、通道分离与合并
      • 1.通道分离与合并
      • 2.函数解释
      • 3.代码练习与测试
    • 学习参考

第一节、颜色表操作

1.查找表LUT(look up table)

查找表可以降低运算时间，实现线性计算时间。

如下图所示0-4分别对应四种颜色。0-4叫做索引(index)。

  • 首先构建LUT表
  • 循环图像中的索引，去LUT中找对应的颜色
  • 用空间换时间

在这里插入图片描述

2.颜色查找表

变换不同色彩的时候可以通过颜色查找表实现。

（1）Gamma校正

Gamma校正 – 在图像预处理的时候经常使用

  • 公式p(x, y)表示输入图像像素值，Gamma为最终输出的一个数。

在这里插入图片描述

  • 像素值取值范围在0~255之间，每一个值对应一个输出值，这样映射关系，可以先建立查找表LUT
  • 根据输入得像素值作为index，在LUT中直接映射读取得到gamma校正之后得值
  • 对256x256大小的图像，计算量对比：
    • 不应用找表计算gamma - 65536次，
    • 应用查找表计算gamma – 256次

gamma校正示例：

在这里插入图片描述

（2）OpenCV默认的查找表

OpenCV中默认的查找表api，cv.applyColorMap

cv.applyColorMap(src, colormap[, dst]) --> dst
1. 第一个参数输入图像
2. 第二个参数是颜色表
3. dst返回图像

下面是色彩表类型：

在这里插入图片描述

3.代码练习与测试

（1）多种颜色查找表

# 自定义颜色查找表与系统自带的颜色查找表
def lut_demo():
    cv.namedWindow("lut-demo", cv.WINDOW_NORMAL)
    # 构建一个查找表，lut数组是一些随机的颜色
    lut = [[255, 0, 255], [125, 0, 0], [127, 255, 200], [200, 127, 127], [0, 255, 255]]
    m1 = np.array([[2, 1, 3, 0], [2, 2, 1, 1], [3, 3, 4, 4], [4, 4, 1, 1]])
    m2 = np.zeros((4, 4, 3), dtype=np.uint8)
    # 用索引和颜色做对应
    for i in range(4):
        for j in range(4):
            index = m1[i, j]
            m2[i, j] = lut[index]
    # 按照索引输出对应颜色
    cv.imshow("lut-demo", m2)
    cv.waitKey(0)
    cv.destroyAllWindows()

    # 读取图片
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\butterfly.jpg")
    cv.imshow("input", image)
    cv.namedWindow("butterfly-gamma", cv.WINDOW_AUTOSIZE)

    # 1.建立查找表，直接使用索引对应颜色表示图片
    lut2 = np.zeros((256), dtype=np.uint8)
    gamma = 0.7  # 假定gamma为0.7
    for i in range(256):
        if i == 0:  # 这个是因为i = 0的时候，log(o/255.0)不存在，所以我自己找了个-6.0代替了一下
            print(i, "---", -6.0)
            lut2[i] = int(np.exp(-6.0 * gamma) * 255.0)  # gamma校正的公式
        else:
            print(i, "---", np.log(i / 255.0))
            lut2[i] = int(np.exp(np.log(i / 255.0) * gamma) * 255.0)  # gamma校正的公式
    print(lut2)
    h, w, c = image.shape
    for row in range(h):
        for col in range(w):
            b, g, r = image[row, col]
            image[row, col] = (lut2[b], lut2[g], lut2[r])   # 直接用查找表的索引表示图片
    cv.imshow("butterfly-gamma", image)
    cv.waitKey(0)

    # 2.自定义颜色查找表
    # 注意自己定义颜色查找表的时候第一个维度永远是256，表示总共有0-255种颜色
    # 第二个维度是宽度只有1列，因为每个位置上面有一个值就可以了
    # 第三个维度表示通道数，可以是三通道也可以是单通道
    lut3 = np.zeros((256, 1, 3), dtype=np.uint8)
    for i in range(256):
        if i == 0:  # 这个是因为i = 0的时候，log(o/255.0)不存在，所以我自己找了个-6.0代替了一下
            print(i, "---", -6.0)
            c = int(np.exp(-6.0 * gamma) * 255.0)  # gamma校正的公式
        else:
            print(i, "---", np.log(i / 255.0))
            c = int(np.exp(np.log(i / 255.0) * gamma) * 255.0)  # gamma校正的公式
        lut3[i, 0] = (c, c, c)
    print(lut3)
    dst = cv.LUT(image, lut3)  # 使用自定义的查找表
    cv.imshow("butterfly-gamma", dst)
    cv.waitKey(0)

    # 3.使用系统自带的COLORMAP_PINK颜色查找表
    dst = cv.applyColorMap(image, cv.COLORMAP_PINK)
    cv.imshow("butterfly-pink", dst)
    cv.waitKey(0)
    
    # 4.使用系统自带的COLORMAP_JET颜色查找表
    dst = cv.applyColorMap(image, cv.COLORMAP_JET)
    cv.imshow("butterfly-jet", dst)
    cv.waitKey(0)

    cv.destroyAllWindows()

结果示例：

对于自己给定的一些颜色设计的LUT查找表：

在这里插入图片描述

下面几张图从左到右分别是：

  1. 读入的原图片
  2. 在gamma=0.7的条件下使用自定义的颜色查找表直接对原图片相应使用索引
  3. 在gamma=0.7的条件下对原图片使用自定义颜色查找表
  4. 对原图片使用系统自带的COLOR_PINK颜色查找表

在这里插入图片描述

  1. 对原图片使用系统自带的COLOR_JET颜色查找表

在这里插入图片描述

（2）滚动条+颜色查找表

将示例中的系统自带的颜色查找表存储在数组中，添加到滚动条中实现不同颜色查找表的切换。

# 用滚动条做系统自带的颜色查找表
def trackbar_lut_callback(pos):
    print(pos)


def trackbar_lut_demo():
    arr = [0, 1, 17, 8, 21, 11, 9, 14, 2, 13, 5, 12, 10, 15, 4, 7, 6, 20, 18, 19]
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\butterfly.jpg")
    cv.namedWindow("trackbar_lut_demo", cv.WINDOW_AUTOSIZE)
    cv.createTrackbar("colormap", "trackbar_lut_demo", 0, 21, trackbar_lut_callback)  # callback先注册后使用
    cv.imshow("trackbar_lut_demo", image)
    while True:
        pos = cv.getTrackbarPos("colormap", "trackbar_lut_demo")
        # 颜色查找表
        if pos in arr:
            dst = cv.applyColorMap(image, pos)
            cv.imshow("trackbar_lut_demo", dst)
        else:
            cv.imshow("trackbar_lut_demo", image)
        # 1ms获取一次键值，默认是 - 1，ESC是27
        c = cv.waitKey(1)
        if c == 27:  # 按ESC建终止调整亮度功能
            break
    cv.waitKey(0)  # 按任意建关闭窗口
    cv.destroyAllWindows()

结果示例：

在这里插入图片描述
在这里插入图片描述

第二节、随机数与随机颜色

1.随机数与随机颜色

OpenCV中的随机数都是使用的Numpy中的random随机函数：

random.randint(low, high=None, size=None, dtype=int) 
# Low表低值，high表示高值，size表示维度，dtype表示类型
np.random.randint(256)
np.random.randint(0, 256)
# 表示产生0~255随机数，类型是int
np.random.randint(0, 256, size=3) 
# size 随机数的尺寸，默认是返回单个，输入3 返回 3个，输入 (3,4） 返回的是一个 3*4 的二维数组。

随机噪声图：

cv.randn(dst, mean, stddev)
# 生成目标图像dst
# 噪声均值mean
# 噪声方差stddev
cv.randn(canvas, (40, 200, 140), (10, 50, 10)) # 噪声图像三个通道的均值分别是40、200、140，方差分别是10、50、10

2.随机绘制

随机颜色：

  • 修改color和thickness参数实现随机的绘制或者填充

  • 位置随机，颜色随机

在这里插入图片描述

随机噪声图像：

  • 修改mean与stddev参数实现随机噪声图像

在这里插入图片描述

3.代码练习与测试

# 随机颜色+随机噪声
def random_demo():
    # 设置512*512*3的图像作为画布
    canvas = np.zeros((512, 512, 3), dtype=np.uint8)
    # 随即绘制
    while True:
        # 随机的颜色
        b, g, r = np.random.randint(0, 256, size=3)
        # 随机坐标起点(x1, y1)，终点（x2, y2）
        x1 = np.random.randint(0, 512)
        x2 = np.random.randint(0, 512)
        y1 = np.random.randint(0, 512)
        y2 = np.random.randint(0, 512)
        cv.rectangle(canvas, (x1, y1), (x2, y2), (int(b), int(g), int(r)), -1, 8)
        cv.imshow("canvas", canvas)
        # 50ms获取一次键盘值，默认是-1，ESC是27
        c = cv.waitKey(50)
        if c == 27:
            break
        # 重新绘制背景画布
        cv.rectangle(canvas, (0, 0), (512, 512), (0, 0, 0), -1, 8)  # 擦除之前所绘制的内容
        
    # 随机产生噪声图片
    # cv.randn(canvas, (40, 200, 140), (10, 50, 10))
    cv.randn(canvas, (120, 100, 140), (30, 50, 20))
    cv.imshow("noise image", canvas)

    cv.waitKey(0)
    cv.destroyAllWindows()

注释掉重新绘制画布背景 cv.rectangle(canvas, (0, 0), (512, 512), (0, 0, 0), -1, 8) 之后结果和随机产生噪声的结果示例：

在这里插入图片描述

给图片添加噪声：

# 给图片添加噪声
def random_demo_2():
    # 设置512*512*3的图像作为画布
    canvas = np.zeros((512, 512, 3), dtype=np.uint8)
    # 给512*512*3的图片添加噪声
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    # 定义三个随机数
    while True:
        n1 = np.random.randint(0, 100)
        n2 = np.random.randint(0, 100)
        n3 = np.random.randint(0, 100)
        # 将随机数作为噪声的均值和方差
        cv.randn(canvas, (n1, n2, n3), (n1, n2, n3))
        # 在原图中添加噪声
        dst = cv.add(image, canvas)
        cv.imshow("add noise image", dst)
        # 1000ms即1s获取一次键盘值，默认是-1，ESC是27
        c = cv.waitKey(1000)
        if c == 27:
            break
        # 重新绘制背景画布
        cv.rectangle(canvas, (0, 0), (512, 512), (0, 0, 0), -1, 8)  # 擦除之前所绘制的内容

    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：
在这里插入图片描述

第三节、通道分离与合并

1.通道分离与合并

通道分离是针对于多通道的图片来说的，如下图我们将一个RGB的彩色图像分离成R、G、B三个通道，最后再合并。

通道分离的原因：可能对某一个单独的通道进行处理，处理完之后再合并。

  • RGB/HSV彩色通道分离为单独通道
  • 针对不同通道使用不同阈值提取mask
  • 提取其中一个通道的信息。

在这里插入图片描述

2.函数解释

分离函数：

# 通道分离函数
1. cv.split(m[, mv]) --> mv
# m表示输入图像,必须是多通道图像
# mv表示输出的，是多通道分离出来的单通道的数组

合并与混合函数：

# 通道合并
2. cv.merge(mv[, dst])--> dst
# mv表示各个通道
3. cv.mixChannels(src, dst, fromTo)--> dst
# src表示输入多通道图像
# fromTo表示通道索引，例如可以通过调整通道索引把BGR变成RGB（0, 1, 2）--> (2, 1, 0)
# dst表示返回结果

通道阈值：

4. cv.inRange(	src, lowerb, upperb[, dst]) -->	dst
# 其中src是输入图像
# Lowerb是低值
# Upperb是高值
# 只取在Lowerb - Upperb之间的图像变成255，其余部分都变成0
# dst = (lowerb < src < upperb)
# 输出的dst是一个二值mask图像（黑白图像）
# 白色区域是符合约束条件的，黑色区域是背景

3.代码练习与测试

# 通道分离与合并
def channel_splits():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\butterfly.jpg")
    cv.namedWindow("butterfly", cv.WINDOW_AUTOSIZE)
    cv.imshow("butterfly", image)

    # 通道分割
    mv = cv.split(image)
    cv.imshow("B", mv[0])
    cv.imshow("G", mv[1])
    cv.imshow("R", mv[1])
    cv.waitKey(0)
    cv.destroyAllWindows()

    # 通道合并
    mv2 = cv.merge(mv)
    cv.imshow("merge", mv2)
    mv[1][:, :] = 255  # 修改其中一个通道的颜色为全白
    mv3 = cv.merge(mv)
    cv.imshow("merge_1", mv3)
    cv.waitKey(0)
    cv.destroyAllWindows()

    # BGR2RGB
    dst = np.zeros_like(image)
    cv.mixChannels([image], [dst], fromTo=[0, 1, 2, 2, 1, 0])  # (0,1,2)->(2,1,0)
    cv.imshow("mix_channels", dst)
    cv.waitKey(0)
    cv.destroyAllWindows()

    # 通道阈值
    # mask = cv.inRange(image, (43, 46, 100), (128, 200, 200))  #阈值范围为(43, 46, 100), (128, 200, 200)
    mask = cv.inRange(image, (20, 46, 80), (128, 230, 180))  # 阈值范围为(20, 46, 80), (128, 230, 180)
    cv.imshow("inRange", mask)
    cv.waitKey(0)
    cv.destroyAllWindows()
  1. 通道分离：

在这里插入图片描述

  1. 通道合并：

在这里插入图片描述

  1. BGR与RGB交换通道顺序：

在这里插入图片描述

  1. 设置通道阈值

    中间图为将颜色在(43, 46, 100) ~ (128, 200, 200)之间的变成白色，其余部分变成黑色。

​ 右图为，将颜色在(20, 46, 80) ~ (128, 230, 180)之间变成白色其余变成黑色。

在这里插入图片描述

# BGR2HSV + inRange
def bgr2rgb_inrange():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\butterfly.jpg")
    cv.namedWindow("butterfly", cv.WINDOW_AUTOSIZE)
    cv.imshow("butterfly", image)

    # BGR2HSV
    hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)

    # inRange
    mask = cv.inRange(hsv, (43, 46, 100), (128, 200, 200))
    mask2 = cv.inRange(hsv, (20, 46, 80), (128, 230, 180))
    cv.imshow("bgr2rgb_inrange_1", mask)
    cv.imshow("bgr2rgb_inrange_2", mask2)
    cv. waitKey(0)
    cv.destroyAllWindows()

结果示例：

在这里插入图片描述

学习参考

本系列所有OpenCv相关的代码示例和内容均来自博主学习的网站：opencv_course

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/174666.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

23种设计模式（十四）——中介者模式【接口隔离】

23种设计模式（十四）——中介者模式【接口隔离】

文章目录 意图什么时候使用中介者真实世界类比中介者模式的实现中介者模式的优缺点亦称：调解人、控制器、Intermediary、Controller、Mediator 意图 用一个中介者对象来封装一系列的对象交互。使得各对象不需要显式地相互引用，从而使其松散耦合，而且可以独立地改变它们之间…
阅读更多...
新书预告：人机环境系统智能

新书预告：人机环境系统智能

东方算计&#xff1a;象者&#xff0c;像也西方计算&#xff1a;逻辑 or 实证人工智能是数学物理的产物&#xff0c;而数学是不完备的&#xff0c;物理仍是在探索中&#xff0c;所以人工智能存在着先天不足&#xff0c;有着大量的脆弱和缺点&#xff0c;具体而言&#xff0c;包…
阅读更多...
7、矩阵的创建

7、矩阵的创建

目录 一、希尔伯特&#xff08;Hilbert&#xff09;矩阵 二、托普利兹&#xff08;Toeplitz&#xff09;矩阵 三、0&#xff5e;1间均匀分布的随机矩阵 四、标准正态分布随机矩阵 五、魔方矩阵 六、帕斯卡矩阵 七、范德蒙&#xff08;Vandermonde&#xff09;矩阵 MATLA…
阅读更多...
机器学习——基本概念

机器学习——基本概念

小谈&#xff1a;一直想整理机器学习的相关笔记&#xff0c;但是一直在推脱&#xff0c;今天发现知识快忘却了&#xff08;虽然学的也不是那么深&#xff09;&#xff0c;但还是浅浅整理一下吧&#xff0c;便于以后重新学习。最近换到新版编辑器写文章了&#xff0c;有的操作挺…
阅读更多...
跨平台freebasic集锦(1)-安装与概述

跨平台freebasic集锦(1)-安装与概述

目录TIOBE Index for January 2023概述特点BASIC兼容性干净的语法多平台Unicode支持大量内置数据类型用户定义类型&#xff08;UDT&#xff09;默认过程参数值内联汇编Intel语法传统的预处理器支持调试支持创建OBJ、LIB、DLL和控制台或GUI EXE优化代码生成下载安装TIOBE Index …
阅读更多...
Java设计模式-迭代器模式、迭代器模式是什么、怎么使用

Java设计模式-迭代器模式、迭代器模式是什么、怎么使用

继续整理记录这段时间来的收获&#xff0c;详细代码可在我的Gitee仓库SpringBoot克隆下载学习使用&#xff01; 6.9 迭代器者模式 6.9.1 定义 提供一个对象来顺序访问聚合对象中的一系列数据&#xff0c;而不暴露聚合对象的内部表示 6.9.2 结构 抽象聚合(Aggregate)角色&a…
阅读更多...
[创业之路-48] ：动态股权机制 -3- 静态股权分配 VS 动态股权分配

[创业之路-48] ：动态股权机制 -3- 静态股权分配 VS 动态股权分配

静态的股权分配是基础&#xff0c;动态的股权分配才是灵魂&#xff1a;只要你给了固态股权&#xff0c;比如说&#xff0c;股东A在最开始出资100万&#xff0c;占了10%的股份&#xff0c;但是&#xff0c;在后面的工作种&#xff0c;因为能力问题&#xff0c;价值观问题&#x…
阅读更多...
回收租赁商城系统功能拆解12讲-会员权益

回收租赁商城系统功能拆解12讲-会员权益

回收租赁系统适用于物品回收、物品租赁、二手买卖交易等三大场景。 可以快速帮助企业搭建类似闲鱼回收/爱回收/爱租机/人人租等回收租赁商城。 回收租赁系统支持智能评估回收价格&#xff0c;后台调整最终回收价&#xff0c;用户同意回收后系统即刻放款&#xff0c;用户微信零…
阅读更多...
【自然语言处理】词袋模型在文本分类中的用法

【自然语言处理】词袋模型在文本分类中的用法

词袋模型在文本分类中的用法1.加载数据 20 Newsgroups&#xff1a;数据被组织成 20 个不同的新闻组&#xff0c;每个新闻组对应一个不同的主题。一些新闻组彼此非常密切相关&#xff08;例如 comp.sys.ibm.pc.hardware / comp.sys.mac.hardware&#xff09;&#xff0c;而其他…
阅读更多...
云原生之Docker容器的存储管理

云原生之Docker容器的存储管理

一、检查本地docker环境 1.检查宿主机系统版本 [rootdocker ~]# cat /etc/centos-release CentOS Linux release 7.6.1810 (Core) 2.检查docker版本 [rootdocker ~]# docker -v Docker version 20.10.18, build b40c2f6二、创建一个测试httpd容器 1.创建测试目录 [rootdoc…
阅读更多...
Python版本PathPlanning运动规划库中RotationToWorldFrame函数内部计算过程分析

Python版本PathPlanning运动规划库中RotationToWorldFrame函数内部计算过程分析

本文主要对Python版本PathPlanning运动规划库中RotationToWorldFrame函数的内部计算过程分析&#xff0c;包括相关必备python基础和计算过程分析两部分&#xff0c;并给出了等效的MATLAB版本计算过程程序&#xff0c;方便分析对比。 &#xff08;注&#xff1a;RotationToWorld…
阅读更多...
【春节旅游攻略】南京周边出发，小众又好玩的景点推荐

【春节旅游攻略】南京周边出发，小众又好玩的景点推荐

【写在前面】 过年了&#xff0c;今天咱不谈技术&#xff0c;聊聊轻松的话题&#xff0c;旅游&#xff0c;其实博主很喜欢去外面走走看的&#xff0c;特汇总了一个4天3晚的旅行攻略&#xff0c;说走就走&#xff0c;带上自己的亲人多看看外面的锦世繁华。 三人行&#xff0c;…
阅读更多...
使用最小二乘法和最大似然法估计非线性模型

使用最小二乘法和最大似然法估计非线性模型

专注系列化、高质量的R语言教程推文索引 | 联系小编 | 付费合集本文是年前的最后一篇推文&#xff0c;我们来学习一下使用最小二乘法和最大似然法进行非线性模型估计。模型估计是指&#xff0c;在模型形式已知的情况下&#xff0c;求解出可以使已有数据与模型形式最大程度上相符…
阅读更多...
【日常系列】LeetCode《28·动态规划3》

【日常系列】LeetCode《28·动态规划3》

数据规模->时间复杂度 <10^4 &#x1f62e;(n^2) <10^7:o(nlogn) <10^8:o(n) 10^8<:o(logn),o(1) 内容 二维数组中的路径问题 买卖股票的最佳时机 lc 62【剑指 098】【top100】&#xff1a;不同路径 https://leetcode.cn/problems/unique-paths/ 提示&#x…
阅读更多...
分享优秀的视频地址

分享优秀的视频地址

【2022 RISC-V中国峰会-芯来演讲合集】https://www.bilibili.com/video/BV1mV4y1W785?vd_source733efcf14020a43e7dac58e4c28ca0c8【计算机组成与设计&#xff1a;RISC-V【浙江大学】】https://www.bilibili.com/video/BV1tz411z7GN?vd_source733efcf14020a43e7dac58e4c28ca0…
阅读更多...
【Dat图片的位异或解密】

【Dat图片的位异或解密】

文章目录 异或一、图片字节标识二、开始异或计算异或 异或(eor)是一个数学运算符。它应用于逻辑运算。异或的数学符号为"⊕"&#xff0c;计算机符号为"eor"。其运算法则为: a⊕b (a ∧ b) ∨ (a ∧b) 如果a、b两个值不相同&#xff0c;则异或结果为1。…
阅读更多...
Tkinter的Label与Button

Tkinter的Label与Button

Tkinter是Python的一个内置包&#xff0c;主要用于简单的界面设计&#xff0c;使用起来非常方便。 目录 一、创建界面 1. 具体步骤 1.1 导入tkinter包 1.2 tk.Tk()函数&#xff1a;创建一个主界面&#xff0c;并命名为root 1.3 root.title()函数&#xff1a;给root界面设置…
阅读更多...
API 接口案例--基于 MySQL 数据库 + Express对外提供用户列表的 API 接口服务

API 接口案例--基于 MySQL 数据库 + Express对外提供用户列表的 API 接口服务

API 接口案例1. 案例需求2. 主要的实现步骤3. 搭建项目的基本结构4. 创建基本的服务器5. 创建 db 数据库操作模块6. 创建 user_ctrl 模块7. 创建 user_router 模块8. 导入并挂载路由模块9. 使用 try…catch 捕获异常1. 案例需求 基于 MySQL 数据库 Express 对外提供用户列表的…
阅读更多...
【论文速递】WACV2022 - 基于小样本分割的多尺度Non-Novel片段消除方法

【论文速递】WACV2022 - 基于小样本分割的多尺度Non-Novel片段消除方法

【论文速递】WACV2022 - 基于小样本分割的多尺度Non-Novel片段消除方法 【论文原文】&#xff1a;Elimination of Non-Novel Segments at Multi-Scale for Few-Shot Segmentation 获取地址&#xff1a;https://openaccess.thecvf.com/content/WACV2023/papers/Kayabasi_Elimi…
阅读更多...
【睿睿的2022年度总结和2023的目标】

【睿睿的2022年度总结和2023的目标】

博客主页&#xff1a;张栩睿的博客主页欢迎关注&#xff1a;点赞收藏留言系列专栏&#xff1a;c语言学习家人们写博客真的很花时间的&#xff0c;你们的点赞和关注对我真的很重要&#xff0c;希望各位路过的朋友们能多多点赞并关注我&#xff0c;我会随时互关的&#xff0c;欢迎…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023