当前位置: 首页 > article >正文

遥感数字图像处理教程【2.1】

2 . 非线性拉伸使用非线性拉伸函数对图像进行拉伸变化即为非线性拉伸。常用的非线性函数有指数函数、对数函数、平 方 根 、高斯函数等。1指数变换对于图像中亮的部分指数变换扩大了灰度间隔突出了细节对于暗的部分缩小了灰度间隔弱化了细节。指数函数的数学表达式为式 中 c 是为了调整函数曲线的位置和形态而引入的参数通过参数调整可实现不同的拉伸或压缩比例。2对数变换与指数变换相反对数变换主要用于拉伸图像中暗的部分而压缩亮的部分。对数函数的数学表达式为g x, y b logq fx/ 1 c式中〃b , c 的含义与上面相同。因为图像/ a 的值可能为o , 所以计算中加上了常数%3 . 多波段拉伸在图像进行彩色合成显示后可以对各个波段分别进行线性或非线性拉伸处理以便综合增强图像中的地物信息图 4.24o遥感软件系统中的图像显示为了获得合适的显示效果遥感图像软件在显示图像前可能会进行默认的显示拉伸。例如 EN V I软件默认在显示前自动对图像进行2%拉伸。其他软件也有一些默认的设置。所以我们在不同的软件中看到的图像显示效果可能不会完全相同。在进行图像对比时要特别注意显示设置的一致性。4 . 3 . 2 直 方 图 均 衡 化直 方 图 均 衡 化(histogram equalization)是使变换后图像灰度值的概率密度为均匀分布的映射变换方法。通过直方图均衡化处理图像对比度得到了提高。例 如 对比度较小的图像其像素值分布一定集中在某一比较小的灰度级范围之内反映在直方图上就是其直方图所占据的灰度值范围比较窄。经过均衡化处理后的图像像素将分布在比较大的灰度范围内。图 4.25是图像拉伸后的效果及其对应的直方图。经直方图均衡化处理后直方图占据了整个图像灰度值的范围增加了图像对比度反映在图像上就是图像的许多细节看得比较清楚。如果要显示的图像中有隐藏在阴影中的地物直方图均衡化是个理想的显示增强方法。直方图均衡化改变了①图像的灰度级②原有灰度级中的像素比例。均衡化的基本步骤如下⑴统计图像中各灰度 级的频数和频率。⑵计算均衡化后 的 理 论 概 率 密 度 将图像频率对其进行映射得到新灰度级。⑶ 以 新 值 替 代 原 值 形成均衡化后的新图像。计算实例⑴ 均 衡 化 前 后 图 像 数 值 及 其 直 方 图 (图4.26)。(2)计算过程表。表 4.4是详细的图像均衡化计算步骤从开始到完成编号为1 到 11歹U其 中 列 3 到 列 9 为灰度级映射过程。计算说明像素值先行后列排列到一起然后排序以便直观的得到像素的灰度级、频数和频率。注意实际图像处理中频数和频率是直接计算的。由于是均衡化处理理论灰度级和概率密度为均匀的顺序增加。然后将图像频率映射到相近或相同的理论概率密度列10, 取理论的灰度级为均衡化后的灰度级根 据 列 3 和 列 9 的关系将 列 1 映射为表中的新像素值列 10。最 后 将得到的值映射到原图像的灰度级列 11本步骤为可选。计算公式如下均衡化后的灰度级 原图像最小灰度级 原图像最大灰度级-原图像最小灰度级X 映 射后的灰度级-映射后最小灰度级/映射后最大灰度级-映射后最小灰度级 以像素值22 列 3为例对应频率为0.7222 列 6, 接近于理论概率密度0.7 列 8、灰度级 7 例 7, 因 此 映射后的灰度级为7 , 对应的原图像的灰度级1735-17X 7-1/10-1290直方图均衡化的快速计算计算出图像的累积频数后对 于 表 4.4中 的 6 到 8 列可直接使用下面公式计算然后四舍五入后得到第9 列的频率映射结果频率映射 映射后的 灰 度 级 X 原图像的累积频数/原图像的像素数 映射后的灰度级X 原图像的频率例 如 对 于 像 素 值 2 2 , 频率映射后的值 1 0 X 13/187.222,四 舍 五 入 后 为 7。思 考 为什么均衡化后的灰度级最大设为255?对 于 8 位量化的数字图像和显示的图像如 果 均 衡 化 前 后 图 像 的 灰 度 级 均 为 2550 到255, 那么上述计算过程要更为简单一些。直方图均衡化的基本原理和显示图像的快速均衡化1直方图均衡化的基本原理。设输入图像的像素数量为〃频数直方图为〃 当前灰度级为P 输出图像的频数直方图 为 对 应 的 灰 度 级 为 夕 。输入图像与输出图像的累积直方图存在如下关系理论上直方图均衡化后各灰度级的像素频率应相等其直方图顶部形态应为理想的直线 但实际上并非如此。这是因为图像是离散函数各灰度级的像素个数有限在一些灰度级处可能没有像素在另外一些灰度级处则像素很多所以只能是近似的结果。直方图均衡化的特点(1)不同灰度级中像素出现的频率近似相等。(2 )原图像上频率低的灰度级被合并模糊了差异像素出现频率高的灰度级被分解突出了细节。4 .3 .3 直 方 图 规 定 化直方图规定化(histogram specification)又称直方图匹配(histogram matching), 是以指定图像的或理论的直方图为参照进行的图像直方图变换 目的是增强或对比图像显示匀化图像镶嵌后的颜色。直方图规定化计算过程与均衡化相同差异是理论的灰度级和概率密度来自于参照图像或理论函数。因此一旦确定了指定的参照图像或直方图函数就可以使用均衡化的计算过程进行图像的规定化。同样因为图像是离散函数同时存在运算误差所以规定化变换后图像直方图只是接近参考图像的直方图。直方图规定化常用于图像对比显示、图像镶嵌或图像的动态变化分析使用的参照函数(直方图)取决于具体的应用在 一 定 意 义 上 是 “试 凑 ”的过程。只有在已知物理意义的基础上定义了参考函数后规定化才会有明确的意义。但无论如何规定化增强总是来自于实际应用并应用于实际工作。实例以一景图像作为参照通过直方图规定化对比显示图像。使 用 T M 图像轨 道 号 为 1 1 9 /3 8 ,日期分别为1997年 1 月 1 2 日 和 1997年 5 月 4 日。由于日期不同在没有经过大气校正前图像不能进行直接比较。以 5 月图像作为参考对 I月图像进行规定化后其结果对比显示如下(图4.27)。在规定化之前两个时段的图像差异明显不太容易觉察图像中地物的季相变化。进行规定化处理后图像中颜色具有了可比性从 1 月 到 5 月的颜色变化可以反映太湖西部和西北部作物生长的变化。思 考 题1 . 为 什 么 要 进 行 数 字 图 像 的 显 示 显 示 的 值 与 图 像 文 件 中 存 储 的 值 相 同 吗 二者有什么关系2 . 怎么理解色彩数字图像显示与水彩画使用的色彩标准是一致的吗3 . 对于数字图像显示 色彩如何度量4 . 什么是色彩模型和色彩空间常用的色彩模型有哪些各有什么特点5 . 图像处理对显示设备有什么要求6 . 图 像 的 液 晶 显 示 与 C R T 显示有什么区别常用的液晶显示面板有哪些什么类型的液晶色彩真实性最好7 . 为什么要进行显示器的色彩校正8 . 为什么要进行彩色合成有哪些主要的合成方法9 . 假彩色合成与伪彩色合成的差异是什么10 . 什么是密度分割主要应用有哪些11 . 彩色合成中数据发生了什么变化12 . SPOT多光谱数据如何模拟真彩色图像的显示13 . 图像拉伸有哪些方法这些方法的特点是什么14 . 多波段图像线性拉伸的步骤和操作要点是什么15 . 遥 感 图 像 的 直 方 图 均 衡 化 处 理 采 用 什 么 转 换 函 数 图像直方图在图像显示增强中的作用有哪些16 . 直方图规定化的基本原理是什么试举例说明。17 . 以128, 255作为输出的灰度范围对实验图像数据参 考 2 .6 节内容进行直方图均衡化计算。18 . 同一地区不同日期的图像能否直接进行显示对比为什么经过哪些处理后才能进行对比19 . 基于实验图像数据计算并 对 比 4 个不同彩色合成方案的OIF。20 . 阅 读 理 解 英 文 维 基 百 科 中 关 于 “色 彩 校 正 ”的 内 容 网址 .org/wiki/Color_correction。第5 章 图 像 校 正图像校正包括两部分内容图像像素位置的校正和图像像素值的校正。遥感图像在成像过程中受地球自转、遥感系统、电磁波等影响会不可避免地产生定位误差。像素空间位置的变形误差称为几何误差需要进行几何纠正和精纠正。利用传感器观测目标的反射或辐射能量时测量中包含了太阳、大 气 、传感器的性能不完备等引起的失真测量值与目标的光谱反射率或光谱辐亮度等物理量并不一致。为了正确评价目标的反射或辐射特性必须消除像素值的失真。消除图像数据中依附在辐亮度中的各种失真的过程称为辐射校正radiometric calibration o 一般购买到的遥感图像都经过了系统辐射校正但某些引起图像失真的辐射量仍会存在在实际问题中应视具体需要进行处理。辐射校正的目的是尽可能消除传感器自身、大 气 、太阳及某些不可避免的噪声引起的传感器的测量值与目标物的光谱反射率或光谱辐亮度等物理量之间的差异尽可能恢复图像的本来信息为遥感图像分割、分类 、解译等后续工作提供更好质量的图像。辐射校正包括系统辐射校正和用户实施的辐射校正后者又包括三部分内容传感器端的辐射校正、大气校正和地表辐射校正。5 . 1 辐 射 传 输在可见光遥感和红外遥感中传感器接收到的地物辐射来自于地表因此有必要了解基本的辐射传输过程图 5.1。除了地表反射和辐射外传感器测量的光谱辐射还依赖于入射光太阳的光谱、能量通过大气层向下和向上传输过程中的相互作用、地面上的单独区域的光照几何条件、传感系统的性质。这些附加的因素不仅影响着获取地物精确光谱值的能力而且带来了额外的变异,阻碍了不同图像或图像内像素值之间的直接比较。5 . 1 . 1 基 本 概 念1 . 立体角点状物体辐射通常是以球面波的形式向外均匀传播能量的。立体角用来度量一个方向上某个面接受的辐射量的大小。一个锥面所围成的空间部分称为立体角。立体角是以锥的顶点为心、半 径 为 1 的球面被锥面所截得的面积s 来度量的度 量 单 位 称 为 “立体弧度”。设厂为截面到点源的距离那么立体角为s/ / 。2 . 辐射通量单位时间内通过某一表面的辐射能量称为辐射通量(radiant flux), 单 位 为 W 。3 . 辐照度、辐亮度和辐射度辐 照 度 E 指单位时间内单位面积上接受的辐射能量单位 为 W・m-2 。辐 亮 度 £ 和辐射度两个概念含义相同是辐射校正中使用的基本单位指的是沿辐射方向的、单位面积、单位立体角上的辐射通量单 位 为 W・m-2・s1】。辐 照 度 E 是辐亮度L 在半球空间上总立体角的积分。如 果 £ 各向同性则 £ 立 。对于特定波段的值上述指标的单位需要乘以Rm -i。4 . 反射率、吸收率和透射率反射率是反射能量与入射能量的比值。吸收率是吸收能量与入射能量的比值透射率是透射能量与入射能量的比值。在介质内部反射率、吸收率和透射率的和为1。反射率(reflectance)是指一表面上反射光通量与入射光通量的比率(图5.2)。反 射 率 用 0到 1 之间的值表示。单就反射率而言光谱及入射、反射的方向往往是不明确的所以往往考虑的是白色光的半球全方向的入射及反射。类似的术语还有反照率(a lb e d o ),反照率把太阳光作为入射光。反射因数reflectance factor是当样品表面与完全漫反射面都接受到相同的入射光时样品表面的反射光通量与完全漫反射面的反射光通量之比图 5.2o对应电磁波波长的反射率叫做光谱反射率spectral reflectance或反射光谱图 2.4。可见光和近红外区的多光谱遥感器能够进行物体识别的原理就是因为每一物体的光谱反射率不同。严 格 地 说 按 照 光 电 磁 波 的 入 射 及 反 射 方 向 严 格 定 义 的 反 射 率 叫 做 方 向 反 射 率directional reflectance 0 入射和反射方向的确定分别有微小立体角、任意立体角、半球全方向三种共有九种组合的方向性反射率。例 如 入射为微小立体角、反射为任意立体角时的反射率英 文 称 u directional-conical reflectance”而 入 射 、反射都为微小立体角时的反射率就是双向反射率。假设在某一微小面上由 某 一 方 向 〃 的 入 射 光 / 引起了某一方向% ① 的 反 射 光 R, 那 么 就 把 该 方 向 的 入 射 光 所 引 起 的 面 上 照 度 阳 / ⑷ 与 方 向 。① 的 反 射 光 的 亮 度 也 £ /之比称为双向反射率分布函数bidirectional reflectance distribution function, BRDF, 表 示 为 a C © 。BRDF在定义方向反射率时使用其 角 度 用 。 如 图 5.3所 示 。5 . 反照率反照率不同于反射率指的是界面反射的辐照度加内部反射的辐照度与入射的辐照度的比值。在遥感图像的辐射校正中要进行一些计算并涉及不同的量纲表 5.1。

相关文章:

遥感数字图像处理教程【2.1】

2 . 非线性拉伸使用非线性拉伸函数对图像进行拉伸变化,即为非线性拉伸。常用的非线性函数有指数函数、对数函数、平 方 根 、高斯函数等。1)指数变换对于图像中亮的部分,指数变换扩大了灰度间隔,突出了细节;对于暗的部…...

C语言完美演绎7-15

/* 范例&#xff1a;7-15 */#include <string.h>#include <stdio.h>void main(void){/* 定义参数dest的字符数组destination[25] */char destination[25];/* 定义参数scr的字符指针scr1、scr2、scr3 */char *scr1 "tiger" , *scr2 " is", *sc…...

Flutter导航与路由详解

Flutter导航与路由详解 什么是Flutter导航与路由&#xff1f; 在Flutter应用中&#xff0c;导航与路由是指在不同页面之间切换的机制。Flutter提供了一套完整的导航系统&#xff0c;包括基本的页面跳转、命名路由、参数传递、路由动画等功能。 基本导航 1. 使用Navigator.p…...

AIAgent学习机制失效诊断手册(工业级Agent训练失败率下降73%的实证模型)

第一章&#xff1a;AIAgent学习机制失效诊断手册&#xff08;工业级Agent训练失败率下降73%的实证模型&#xff09; 2026奇点智能技术大会(https://ml-summit.org) AI Agent在真实产线中常因隐性学习机制退化导致训练失败——并非梯度爆炸或数据缺失&#xff0c;而是目标函数与…...

CSS Grid布局详解与实战应用

CSS Grid布局详解与实战应用 什么是CSS Grid布局&#xff1f; CSS Grid布局是一种二维布局系统&#xff0c;允许我们同时控制行和列的布局&#xff0c;为网页设计提供了更灵活的布局方案。与Flexbox的一维布局不同&#xff0c;Grid布局可以同时处理行和列&#xff0c;非常适合创…...

QuickTime Player录屏声音不全?试试这招!Soundflower+麦克风双轨录制教程

Mac双轨高清录屏终极方案&#xff1a;Soundflower与BlackHole实战指南 每次用QuickTime录制教程视频时&#xff0c;系统声音和麦克风解说总是无法完美同步&#xff1f;这个问题困扰着无数内容创作者。作为一位长期使用Mac进行音乐制作和视频教程录制的资深用户&#xff0c;我深…...

MedGemma 1.5医疗AI助手:基于Linux系统的部署与优化

MedGemma 1.5医疗AI助手&#xff1a;基于Linux系统的部署与优化 1. 引言 医疗AI正在改变传统的诊疗方式&#xff0c;但很多医疗机构面临数据隐私和网络安全的挑战。MedGemma 1.5作为谷歌开源的医疗多模态模型&#xff0c;提供了完全本地化部署的解决方案&#xff0c;让医院和…...

生产环境离线部署大模型

一、普通服务器升级ai服务器 1、服务器插槽装载8张INVIDA RTX 4090的显卡(单显卡48GB) 2、在INVIDA官网下载安装NVIDIA驱动NVIDIA-Linux-x86_64-550.120.run //服务器上禁用开源驱动 nouveau echo "blacklist nouveau" >> /etc/modprobe.d/blacklist-nouveau…...

OV2640寄存器配置黑魔法:手把手教你用ESP32-S3调出专业级画质

OV2640寄存器配置黑魔法&#xff1a;手把手教你用ESP32-S3调出专业级画质 在嵌入式视觉领域&#xff0c;OV2640这颗200万像素的图像传感器堪称常青树。它价格亲民、资料丰富&#xff0c;但想要榨干它的性能潜力&#xff0c;却需要深入理解其寄存器配置的奥秘。本文将带你从ISP底…...

机器学习与深度学习的区别是什么?看这一篇就够了

机器学习与深度学习的区别是什么&#xff1f;看这一篇就够了 标签&#xff1a;#机器学习、#深度学习、#人工智能、#计算机视觉、#自然语言处理、#数据分析、#ai### 一、企业招聘角度拆解&#xff1a;机器学习 vs 深度学习&#xff0c;岗位、要求、薪资、需求量### 二、对比学习…...

从ESP8266到ESP32-C6:一文看懂乐鑫芯片的‘家族进化史’与背后的物联网十年

从ESP8266到ESP32-C6&#xff1a;解码乐鑫芯片的十年物联网战略布局 2014年&#xff0c;一款售价仅3美元的Wi-Fi芯片悄然问世&#xff0c;谁也没想到这颗名为ESP8266的小芯片会彻底改变物联网行业的游戏规则。当时市面上的Wi-Fi模块价格普遍在10美元以上&#xff0c;且需要外接…...

面了个新人连Agent如何进行冷启动都不知道

一、产品侧&#xff1a;先做「精准小功能」&#xff0c;不做“万金油” ❌ 拒绝做一个什么都懂但都不准的Agent ✅ 核心逻辑&#xff1a;场景收窄 知识聚焦 人工兜底 1.只攻一个垂直场景 ToB方向&#xff1a;比如“合同审核Agent”. “电商售后Agent”&#xff0c;场景越…...

从洗碗到叠衣:用RECAP算法让机器人学会‘吃一堑长一智’

从洗碗到叠衣&#xff1a;用RECAP算法让机器人学会“吃一堑长一智” 想象一下&#xff0c;你刚教会家里的机器人如何叠衣服。第一次尝试时&#xff0c;它把袖子塞进了衣领里&#xff1b;第二次&#xff0c;衣服直接掉在了地上&#xff1b;第三次&#xff0c;它终于叠好了——但…...

为什么你的网络总抽风?可能是这个ARP协议漏洞在捣鬼(含防御方案)

为什么你的网络总抽风&#xff1f;可能是这个ARP协议漏洞在捣鬼&#xff08;含防御方案&#xff09; 想象一下这样的场景&#xff1a;你正在视频会议中发言&#xff0c;突然画面卡顿、声音断断续续&#xff1b;或者游戏激战正酣时&#xff0c;角色突然掉线。这些恼人的网络&quo…...

Phi-3-mini-128k-instruct代码解释能力实测:逆向工程与文档生成

Phi-3-mini-128k-instruct代码解释能力实测&#xff1a;逆向工程与文档生成 最近在尝试一些新的代码辅助工具&#xff0c;发现微软开源的Phi-3-mini-128k-instruct模型挺有意思。它主打轻量化和指令跟随&#xff0c;特别是那个128k的超长上下文&#xff0c;理论上能塞进去不少代…...

为什么92%的SITS2026项目在Phase 2失败?——多Agent角色编排、任务分解与状态同步的黄金三角模型,

第一章&#xff1a;SITS2026深度解析&#xff1a;多Agent协作系统设计 2026奇点智能技术大会(https://ml-summit.org) SITS2026&#xff08;Scalable Intelligent Task Synthesis 2026&#xff09;是一个面向开放域复杂任务的多Agent协作框架&#xff0c;其核心设计理念是“角…...

YOLOv7实战指南:如何实现高精度与实时性的多任务目标检测

1. YOLOv7为什么能成为工业级目标检测的首选&#xff1f; 第一次接触YOLOv7是在去年做一个智能质检项目时&#xff0c;当时测试了YOLOv5、YOLOv7和YOLOv8三个版本。结果发现YOLOv7在检测微小电子元件缺陷时&#xff0c;准确率比v5高出12%&#xff0c;推理速度却比v8还要快15%。…...

AIAgent自动驾驶到底靠不靠谱?2026奇点大会127项实测数据揭示L4级商用真相

第一章&#xff1a;AIAgent自动驾驶的范式革命与奇点大会背景 2026奇点智能技术大会(https://ml-summit.org) 传统自动驾驶系统长期依赖模块化流水线设计——感知、定位、规划、控制被严格解耦&#xff0c;各模块由独立模型驱动&#xff0c;通过手工定义接口传递确定性信号。…...

揭秘Reward Hacking真相:为什么90%的AI Agent在训练后期崩溃?

第一章&#xff1a;Reward Hacking的本质与系统性风险 2026奇点智能技术大会(https://ml-summit.org) Reward hacking 是强化学习系统在优化目标函数过程中&#xff0c;绕过设计者真实意图、利用奖励函数漏洞获取高分的非预期行为。它并非偶然错误&#xff0c;而是智能体在目…...

AIAgent协议一致性危机爆发前夜:4步诊断法+3类协议健康度SLI指标(P99延迟、语义丢失率、Schema漂移频次),立即自查你的Agent集群

第一章&#xff1a;AIAgent架构中的通信协议设计 2026奇点智能技术大会(https://ml-summit.org) 在多智能体协同系统中&#xff0c;通信协议是决定Agent间语义对齐、时序可控与容错能力的核心基础设施。不同于传统微服务间RESTful或gRPC调用&#xff0c;AIAgent需支持异步事件…...

目标分解效率提升300%的关键:动态权重分配算法(已开源v2.1,支持LangChain/AutoGen无缝集成)

第一章&#xff1a;AIAgent架构中的目标分解策略 2026奇点智能技术大会(https://ml-summit.org) 在复杂任务驱动的AI Agent系统中&#xff0c;目标分解是实现自主规划与协同执行的核心前置环节。它并非简单地将顶层目标切分为子任务&#xff0c;而是需结合领域知识、资源约束、…...

为什么93%的AIAgent在复杂任务中“想得清却走不远”?SITS2026深度拆解规划-执行失配症,附3套已验证Prompt-Action协同模板

第一章&#xff1a;SITS2026分享&#xff1a;AIAgent规划与推理能力 2026奇点智能技术大会(https://ml-summit.org) AI Agent 的规划与推理能力正从符号逻辑驱动迈向多模态协同增强的新阶段。在 SITS2026 技术分享中&#xff0c;核心聚焦于如何构建具备分层目标分解、动态环境…...

海思Hi3516DV500/HI3519DV500开发实战:从SDK编译到多媒体例程验证

1. 环境准备&#xff1a;搭建Hi3516DV500/HI3519DV500开发环境 拿到海思SDK后&#xff0c;第一件事就是搭建开发环境。我建议使用Ubuntu 18.04或20.04系统&#xff0c;这是官方推荐的环境。安装完系统后&#xff0c;需要配置一些基础工具链&#xff1a; sudo apt-get update su…...

深入解析CMP0074策略:如何正确使用<PackageName>_ROOT变量优化CMake依赖查找

1. 理解CMP0074策略的核心机制 当你第一次在CMake项目中看到"CMP0074 is not set"的黄色警告时&#xff0c;可能会感到困惑。这个看似简单的警告背后&#xff0c;其实隐藏着CMake依赖查找机制的重要进化。让我们从一个实际案例开始&#xff1a;假设你在Windows上编译…...

【JAVA基础面经】线程间的通信方式

文章目录前言JMM内存共享变量 volatile⭐Object.wait() / notify() / notifyAll()⭐Lock 和 Condition 接口等待多个事件完成 CountDownLatch⭐循环屏障 CyclicBarrier信号量 Semaphore阻塞队列 BlockingQueue ⭐两个线程交换数据 Exchanger&#xff08;了解&#xff09;异步编…...

计算机视觉需要哪些数学基础区别如何高效学习线性代数和概率论区别

计算机视觉需要哪些数学基础区别如何高效学习线性代数和概率论区别 标签&#xff1a;#计算机视觉、#线性代数、#人工智能、#深度学习、#自然语言处理、#神经网络、#机器学习### 一、痛点引入&#xff1a;为什么很多人怕CV数学&#xff1f;真相是什么&#xff1f;### 二、CV必备…...

当CRNN遇上CTC:揭秘文本识别中的序列建模魔法(PyTorch版)

CRNNCTC&#xff1a;从算法原理到PyTorch实战的文本识别全解析 在计算机视觉领域&#xff0c;文本识别一直是一个极具挑战性的任务。不同于简单的物体识别&#xff0c;文本识别需要模型同时具备图像特征提取和序列建模的能力。本文将深入探讨CRNN&#xff08;卷积循环神经网络&…...

Web前端事件循环:从浏览器进程模型到异步任务调度实战

1. 浏览器进程模型&#xff1a;理解前端运行的底层环境 浏览器远比我们想象的要复杂得多。每次打开一个网页&#xff0c;背后其实运行着一整套精密的进程和线程协作系统。想象一下&#xff0c;这就像一家餐厅的运作&#xff1a;浏览器进程是前台接待&#xff0c;负责接待顾客&a…...

Grove多气体传感器原理与嵌入式实战指南

1. 项目概述Grove - Multichannel Gas Sensor 是一款面向嵌入式环境监测应用的多气体检测模块&#xff0c;由 Seeed Studio 推出&#xff0c;核心传感元件为 SGX Sensortech&#xff08;原 Figaro&#xff09;生产的 MiCS-6814 多气体金属氧化物&#xff08;MOX&#xff09;传感…...

Frida离线安装全攻略:手把手带你搭建无网环境(附资源包)

1. 为什么需要Frida离线安装&#xff1f; 最近在做一个移动端安全测试项目时&#xff0c;遇到了一个棘手的问题&#xff1a;客户公司的内网环境完全隔离&#xff0c;所有测试设备都无法连接外网。这意味着常规的pip install frida安装方式完全失效。经过两天的摸索和踩坑&#…...