活动介绍

读入任意一副灰度图片(见附件 Std_imgs.zip),请用Matlab程序实现以下功能: 1. 读取图片,图片反色(即用: 255 - 像素灰度值),存储为 jpg 图片 ; 2. 对该图片截取为 256x256 的图像块,进行1/2 ,1/4,1/8,1/16,1/32 缩放的图像空间分辨率 显示 ( 如图所示 ), 并存储为 jpg 图片 ; 3. 实现 该 256x256 的图像 块的灰度分辨率图 (1-8 bits) ,并 存储为 jpg 图片 ;

时间: 2024-03-18 18:45:35 浏览: 133
以下是实现题目要求的Matlab代码: ```matlab % 1. 读取图片,图片反色 img = imread('lena512gray.jpg'); img_invert = 255 - img; imwrite(img_invert, 'lena_invert.jpg'); % 2. 对该图片截取为 256x256 的图像块,进行1/2 ,1/4,1/8,1/16,1/32 缩放的图像空间分辨率显示,并存储为 jpg 图片 img_block = img(1:256, 1:256); scale_factors = [2, 4, 8, 16, 32]; for i = 1:length(scale_factors) scale_img = imresize(img_block, 1/scale_factors(i)); imwrite(scale_img, sprintf('lena_scale_%dx.jpg', scale_factors(i))); end % 3. 实现该256x256的图像块的灰度分辨率图(1-8 bits),并存储为jpg图片 gray_levels = 2.^(0:7); for i = 1:length(gray_levels) gray_img = uint8(floor(double(img_block) / 256 * gray_levels(i)) * 256 / gray_levels(i)); imwrite(gray_img, sprintf('lena_gray_%dbits.jpg', gray_levels(i))); end ``` 这里假设题目中提到的图片为'lena512gray.jpg',代码将其反色后存储为'lena_invert.jpg',然后对其进行截取并缩放,分别存储为'lena_scale_2x.jpg'、'lena_scale_4x.jpg'等等;最后实现了灰度分辨率图,并存储为'lena_gray_1bits.jpg'、'lena_gray_2bits.jpg'等等。
阅读全文

相关推荐

zip

在unet模型中,我的imgs是三个波段的真彩色rgb遥感影像,masks是分了5个等级的lst栅格图像。出现报错,ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\4743.tif and data/masks\4743_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\6452.tif and data/masks\6452_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\3449.tif and data/masks\3449_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\6266.tif and data/masks\6266_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\5923.tif and data/masks\5923_mask.tif ERROR:root:Error processing files: data/imgs\4737.tif and data/masks\4737_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\3448.tif and data/masks\3448_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\6265.tif and data/masks\6265_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\5918.tif and data/masks\5918_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\6453.tif and data/masks\6453_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\3449.tif and data/masks\3449_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\6266.tif and data/masks\6266_mask.tif ERROR:root:Error processing files: data/imgs\1382.tif and data/masks\1382_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\6451.tif and data/masks\6451_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\1381.tif and data/masks\1381_mask.tif ERROR:root:maximum recursion depth exceeded in comparison ERROR:root:Error processing files: data/imgs\3443.tif and data/masks\3443_mask.tif ERROR:root:maximum recursion depth exceeded in comparison

def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = './archive_test.zip' infer_dst_path = './archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyDNN") model = MyDNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='./archive_test/alexandrite_18.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为:{},真实标签为:{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束")根据这一段代码续写一段利用这个模型进行宝石预测的GUI界面

def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = '/home/aistudio/data/data55032/archive_test.zip' infer_dst_path = '/home/aistudio/data/archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyCNN") model = MyCNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='data/archive_test/alexandrite_6.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为:{},真实标签为:{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束") 以上代码进行DNN预测,根据这些写GUI页面,实现输入图片并安装CNN训练结果进行对比识别,最终输出识别结果

def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = '/home/aistudio/data/data55032/archive_test.zip' infer_dst_path = '/home/aistudio/data/archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyCNN") model = MyCNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='data/archive_test/alexandrite_6.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为:{},真实标签为:{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束") 以上代码进行DNN预测,根据这段代码写一段续写一段利用这个模型进行宝石预测的GUI界面,其中包含预测结果是否正确的判断功能

最新推荐

recommend-type

微信小程序实现图片上传、删除和预览功能的方法

微信小程序实现图片上传、删除和预览功能的方法 微信小程序实现图片上传、删除和预览功能的方法是小程序开发中非常重要的一部分。本文将详细介绍微信小程序实现图片上传、删除和预览功能的方法,涉及微信小程序界面...
recommend-type

pytorch 实现将自己的图片数据处理成可以训练的图片类型

在PyTorch中,训练深度学习模型通常需要将图片数据转换为特定的格式,以便模型能够有效处理。本文将详细讲解如何使用PyTorch将个人的图片数据转换为适合训练的格式。 首先,我们需要理解PyTorch的数据加载机制。...
recommend-type

js实现按钮加背景图片常用方法

本文将详细介绍三种使用JavaScript实现按钮添加背景图片的方法。 **方法一:利用onMouseOver事件改变样式** 这种方法是通过JavaScript的事件处理来实现的。`onMouseOver` 是一个鼠标移入事件,当鼠标指针移动到...
recommend-type

C#遍历文件夹及子目录下所有图片

本文将详细讲解如何使用C#实现这一功能,并结合JavaScript展示这些图片。 首先,我们需要用到C#的`System.IO`命名空间,其中的`Directory`类提供了遍历文件夹和子目录的方法。在提供的代码片段中,`Directory....
recommend-type

Webdiy.net新闻系统v1.0企业版发布:功能强大、易操作

标题中提到的"Webdiy.net新闻系统 v1.0 企业版"是一个针对企业级应用开发的新闻内容管理系统,是基于.NET框架构建的。从描述中我们可以提炼出以下知识点: 1. **系统特性**: - **易用性**:系统设计简单,方便企业用户快速上手和操作。 - **可定制性**:用户可以轻松修改网站的外观和基本信息,例如网页标题、页面颜色、页眉和页脚等,以符合企业的品牌形象。 2. **数据库支持**: - **Access数据库**:作为轻量级数据库,Access对于小型项目和需要快速部署的场景非常合适。 - **Sql Server数据库**:适用于需要强大数据处理能力和高并发支持的企业级应用。 3. **性能优化**: - 系统针对Access和Sql Server数据库进行了特定的性能优化,意味着它能够提供更为流畅的用户体验和更快的数据响应速度。 4. **编辑器功能**: - **所见即所得编辑器**:类似于Microsoft Word,允许用户进行图文混排编辑,这样的功能对于非技术人员来说非常友好,因为他们可以直观地编辑内容而无需深入了解HTML或CSS代码。 5. **图片管理**: - 新闻系统中包含在线图片上传、浏览和删除的功能,这对于新闻编辑来说是非常必要的,可以快速地为新闻内容添加相关图片,并且方便地进行管理和更新。 6. **内容发布流程**: - **审核机制**:后台发布新闻后,需经过审核才能显示到网站上,这样可以保证发布的内容质量,减少错误和不当信息的传播。 7. **内容排序与类别管理**: - 用户可以按照不同的显示字段对新闻内容进行排序,这样可以突出显示最新或最受欢迎的内容。 - 新闻类别的动态管理及自定义显示顺序,可以灵活地对新闻内容进行分类,方便用户浏览和查找。 8. **前端展示**: - 系统支持Javascript前端页面调用,这允许开发者将系统内容嵌入到其他网页或系统中。 - 支持iframe调用,通过这种HTML元素可以将系统内容嵌入到网页中,实现了内容的跨域展示。 9. **安全性**: - 提供了默认的管理账号和密码(webdiy / webdiy.net),对于企业应用来说,这些默认的凭证需要被替换,以保证系统的安全性。 10. **文件结构**: - 压缩包文件名称为"webdiynetnews",这可能是系统的根目录名称或主要安装文件。 11. **技术栈**: - 系统基于ASP.NET技术构建,这表明它使用.NET框架开发,并且可以利用.NET生态中的各种库和工具来实现功能的扩展和维护。 在实施和部署这样的系统时,企业可能还需要考虑以下方面: - **可扩展性**:随着业务的增长,系统应该能容易地扩展,以支持更多的用户和内容。 - **安全性**:除了更改为安全的管理员凭证外,还需考虑防止SQL注入、XSS攻击等网络安全问题。 - **备份和恢复**:定期备份数据库和内容是很重要的,以防数据丢失或需要恢复到先前的状态。 - **多用户和权限管理**:企业环境可能需要多级用户权限设置,以适应不同的团队和角色。 - **SEO优化**:系统应支持良好的搜索引擎优化实践,以便于内容在搜索引擎中的排名和发现。 - **移动适应性**:由于移动设备的广泛使用,系统应具备良好的响应式设计,以提供良好的移动用户体验。 根据描述,该系统似乎是一个成熟的解决方案,适用于需要快速搭建新闻网站的企业用户,但同时也应该注意定期的维护和更新,以确保系统的稳定性和安全性。
recommend-type

【Windows 11用户的福音】:一步到位解决GX Works2安装问题,让兼容性不再是问题!

# 1. GX Works2简介与Windows 11兼容性问题 ## 简介GX Works2 GX Works2是由三菱电机开发的一款针对其PLC(可编程逻辑控制器)产品的编程和调试软件。该软件以其直观的用户界面和强大的编程功能闻名于工业自动化领域,支持从简单的逻辑控制到复杂的系统集成项目。随着Windows操作系统的迭代升级,尤其是新推
recommend-type

电磁加热双边谐振和单边谐振的区别

<think>我们正在处理关于电磁加热技术中双边谐振与单边谐振的工作原理及区别的问题。 首先,需要明确用户意图是了解这两种谐振方式的区别以及它们的工作原理。 我们将通过以下步骤进行: 1. 调用网络搜索工具,检索关于电磁加热中双边谐振和单边谐振的信息。 2. 整合检索到的内容,按照要求生成回答,包括工作原理和区别,并组织成多个方法或步骤(但避免使用步骤词汇,用换行分隔)。 3. 在回答中,如果有公式或代码,按照指定格式处理。 4. 最后,添加相关问题部分。 注意:避免使用第一人称,避免步骤词汇,引用内容不集中末尾,而是融入回答中。 根据搜索,电磁加热中的谐振通常指的是感应加
recommend-type

EnvMan源代码压缩包内容及功能解析

根据给定文件信息,我们需要生成关于“EnvMan-source.zip”这一压缩包的知识点。首先,由于提供的信息有限,我们无法直接得知EnvMan-source.zip的具体内容和功能,但可以通过标题、描述和标签中的信息进行推断。文件名称列表只有一个“EnvMan”,这暗示了压缩包可能包含一个名为EnvMan的软件或项目源代码。以下是一些可能的知识点: ### EnvMan软件/项目概览 EnvMan可能是一个用于环境管理的工具或框架,其源代码被打包并以“EnvMan-source.zip”的形式进行分发。通常,环境管理相关的软件用于构建、配置、管理和维护应用程序的运行时环境,这可能包括各种操作系统、服务器、中间件、数据库等组件的安装、配置和版本控制。 ### 源代码文件说明 由于只有一个名称“EnvMan”出现在文件列表中,我们可以推测这个压缩包可能只包含一个与EnvMan相关的源代码文件夹。源代码文件夹可能包含以下几个部分: - **项目结构**:展示EnvMan项目的基本目录结构,通常包括源代码文件(.c, .cpp, .java等)、头文件(.h, .hpp等)、资源文件(图片、配置文件等)、文档(说明文件、开发者指南等)、构建脚本(Makefile, build.gradle等)。 - **开发文档**:可能包含README文件、开发者指南或者项目wiki,用于说明EnvMan的功能、安装、配置、使用方法以及可能的API说明或开发者贡献指南。 - **版本信息**:在描述中提到了版本号“-1101”,这表明我们所见的源代码包是EnvMan的1101版本。通常版本信息会详细记录在版本控制文件(如ChangeLog或RELEASE_NOTES)中,说明了本次更新包含的新特性、修复的问题、已知的问题等。 ### 压缩包的特点 - **命名规范**:标题、描述和标签中的一致性表明这是一个正式发布的软件包。通常,源代码包的命名会遵循一定的规范,如“项目名称-版本号-类型”,在这里类型是“source”。 - **分发形式**:以.zip格式的压缩包进行分发,是一种常见的软件源代码分发方式。虽然较现代的版本控制系统(如Git、Mercurial)通常支持直接从仓库克隆源代码,但打包成zip文件依然是一种便于存储和传输的手段。 ### 可能的应用场景 - **开发环境配置**:EnvMan可能是用于创建、配置和管理开发环境的工具,这种工具在开发人员设置新的开发机或新的项目环境时非常有用。 - **自动化部署**:EnvMan可能包含自动化部署环境的脚本或命令,使得部署流程变得快捷且高效。 - **监控与维护**:作为环境管理工具,EnvMan可能还支持对环境的监控功能,包括系统资源监控、服务状态检查等,以保证生产环境的稳定性。 ### 总结 尽管以上知识点是基于有限的信息进行的假设性推论,但EnvMan-source.zip包可能是一个用于环境管理的软件或项目的源代码包。该软件或项目可能包含构建和部署自动化环境的能力,以及对运行时环境的监控和维护。文件命名的一致性暗示这是一个正式的版本发布。如果要深入了解EnvMan的功能与用法,建议直接查看压缩包中的文档或源代码注释。同时,考虑到源代码的开发,我们还应该探究该项目所使用的技术栈、编程语言以及版本控制工具等,这将有助于进一步了解EnvMan的技术细节。
recommend-type

【Windows 11终极解决方案】:彻底攻克GX Works2安装中难缠的.Net Framework 3.5障碍!

# 1. Windows 11与GX Works2简介 ## 1.1 Windows 11操作系统概览 Windows 11,作为微软最新的操作系统,不仅仅提供了一种现代的用户体验,而且加强了在企业环境中的安全性与生产力工具。其引入了全新的界面设计、改进的多任务处理以及对Android应用的支持,使它成为IT专业人
recommend-type

贝叶斯gmm

<think>首先,用户的问题是关于贝叶斯高斯混合模型(Bayesian Gaussian Mixture Model, BGMM)的原理和应用。我需要根据系统指令来构建回答。 系统指令包括: - 所有行内数学表达式使用 `$...$` 格式。 - 独立公式使用 `$$...$$` 格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 在回答中引用的段落末尾自然地添加引用标识,如 `[^1]`。 - 回答结构清晰,帮助用户逐步解决问题。 - 保证回答真实可靠。 参考提供的引用: - 引用[1]:讨论了高斯混合模型在机器学习中的应用,包括其优点和挑战。 -