时间比较紧张,几个小时做出来的，图像配准方面可能有点问题，但是应该不影响整体得分，大家可以参照一下。最后大家可以将自己做的页面生成为软件，具体方法看我博客。

目前许多轴承生产线上利用人工肉眼识别轴承工件号，这样不仅识别效果不好且效率低.在本文设计了一种基于机器视觉的轴承压印字符识别算法，该算法有利于轴承的生产以及后续的管理工作.首先对采集到的图像进行高斯滤波降噪，减少噪声对后续操作的影响；然后利用最小二乘法对ROI圆环进行提取，确定要进行操作的图像区域；接着使用八分之一圆扫描方法将圆环图像展开，使得字符识别操作更加简洁；随后对字符进行切分、归一化；最后使用SVM对字符进行识别.实验表明，该方法能够实现轴承压印字符识别，识别准确率在98%以上，并且具有良好的鲁棒性，系统响应速度快，能够满足工业需求.

计算机视觉基础-图像预处理（上） 计算机视觉.pdf

计算机视觉基础-图像预处理（上） 计算机视觉.pdf

博客Opencv4专栏汇总，供自己学习

本文介绍的是利用FPGA并行处理和计算能力，以Altera FPGA Stratix EP1S40为系统控制的核心实现的SOPC。

论文对比分析了人脸识别预处理过程中图像增强的处理算法，中值滤波和直方图均衡化。分析了OpenCV机器视觉库的优点和使用方法，在VC++6.0和Matlab开发环境下实现了所分析的算法，并在ORL人脸库上进行实验。实验结果表明文中所采用的算法处理人脸样本效果明显，具有较强的针对性，适合用于对人脸图像进行预处理，且OpenCV机器视觉库可以作为人脸识别系统的开发工具。

全幻灯片图像分析 背景 全幻灯片图像（WSI）是数百万像素的高分辨率组织病理学图像。 如果直接应用于WSI，传统的分析程序将无法有效工作。 大多数成功的解决方案都采用基于补丁的范例。 概述 当前，此仓库包含用于补丁提取的代码（从WSI），并将不断更新。 ：）（准备就绪时，将添加基于深度学习的分类和细分代码）。 补丁提取 从WSI提取补丁时，有几个棘手的部分： 内存限制。 我们实验室的RAM大小为31 GB，几乎无法容纳level0 WSI。 因此，加载整个图像时要小心。 使用del和gc.collect（）释放内存也很有帮助。 为了处理level0 / 1/2 WSI，我们需要拆分原始图像。 坐标缩放级别/参考框架。 在read_region（）方法处理在水平0参考帧峰会。 因此，当我们使用read_region（）方法从WSI裁剪补丁时，需要进行必要的转换。 枕头图像对象和NumP

PySlide 正在开发中 很棒的组织病理学整个幻灯片图像处理库！ ·· 目录 关于该项目 该库提供了预处理组织病理学完整幻灯片图像的功能。 数字全片是物理组织标本的超高分辨率图像，在手术过程中已将其取出以供病理学家评估。 这些标本存储在载玻片上，并使用生物扫描仪进行扫描，以产生约100,000x100,000像素（1gb-4gb）大小的图像。 由于它们占用的内存很大，因此以计算方式分析图像可能是一项复杂的任务，尤其是在机器学习方面。 Openslide之类的库提供了一个不错的框架，可以像python这样的语言来打开和使用这些图像，但是缺少用于更高级的预处理和分析的丰富功能集。 该库是工作和操作WSI的综合框架的开始，尤其是侧重于机器学习。 例如，已经探索了许多方法来减轻训练ml全片图像数据集的内存负担，包括将图像平铺为更小，更易于管理的补丁。 该库提供了一种希望的简单方式来执行此类

第六章 朴素贝叶斯分类 6.1 朴素贝叶斯分类数学基础 1.贝叶斯定理 假设对于某个数据集，随机变量 C 表示样本为 C 类的概率，F1 表示测试样本某特征出现的概率，套 用基本贝叶斯公式，则如下所示： 上式表示对于某个样本，特征 F1 出现时，该样本被分为 C 类的条件概率。 对于该公式，需要熟知的概念： 先验概率（Prior）：P(C)是 C 的先验概率，可以从已有的训练集中计算分为 C 类的样本占所有样本的 比重得出。 证据（Evidence）：即上式 P(F1)，表示对于某测试样本，特征 F1 出现的概率。同样可以从训练集中 F1 特征对应样本所占总样本的比例得出。 似然（likelihood）：即上式 P(F1|C)，表示如果知道一个样本分为 C 类，那么他的特征为 F1 的概率是 多少 对于多特征而言： 贝叶斯定理是基于假设的先验概率给定假设下观察到不同数据的概率，提供了一种计算后验概率的方 法 6.2 朴素贝叶斯分类 1.思想基础 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项 属于哪个类别。 2.假设条件 1）特征之间相互独立 2）每个特征同等重要 3.朴素的概念