cv

【图像处理基石】如何在图像中实现光晕的星芒效果？在摄影和图像美化中，星芒效果能让灯光、太阳等光晕区域呈现出放射状的“星光”纹理，让画面更具氛围感。但你知道吗？这种效果无需依赖摄影器材，用算法也能实现——核心是定位图像中的高光区域，再沿特定方向生成放射状线条，配合抗锯齿和融合策略，就能还原自然的星芒质感。

【图像处理基石】老照片修复入门：用技术唤醒沉睡的回忆在抽屉深处，总有几张泛黄的老照片：可能是爷爷年轻时的军装照，可能是父母的结婚照，也可能是你小时候的周岁留影。这些照片承载着最珍贵的情感，但岁月总会留下痕迹——划痕、褪色、折痕、甚至边角缺失，让回忆变得模糊。

【图像处理基石】图像滤镜的算法原理：从基础到进阶的技术解析在图像处理领域，滤镜是实现图像风格化、增强或修复的核心工具。无论是手机修图软件的“复古”效果，还是工业检测中的“边缘提取”，其背后都离不开特定的算法逻辑。本文将从基础像素操作到复杂卷积运算，拆解主流图像滤镜的算法原理，并结合Python+OpenCV代码示例，帮助开发者理解并实现自己的滤镜效果。

【图像处理基石】图像形态学处理：从基础运算到工业级应用实践在计算机视觉领域，图像形态学处理是一种基于形状分析的核心技术。它通过一系列简单的集合运算（如膨胀、腐蚀），实现对图像中目标的分割、降噪、边缘提取等操作，广泛应用于工业检测、医学影像、安防监控等场景。本文将从实际应用出发，拆解形态学处理的核心场景与实现代码，帮你快速掌握这一实用技术。

【图像处理基石】图像对比度增强入门：从概念到实战（Python+OpenCV）处理照片时总遇到一个问题：逆光拍的风景照人脸漆黑、背景过亮，老照片更是灰蒙蒙的看不清细节。这都是「对比度不足」惹的祸，而「图像对比度增强」就是解决这类问题的核心技术。

【图像处理基石】遥感图像高度信息提取：Python实战全流程+常用库汇总在地形测绘、灾害监测、生态评估等场景中，从遥感图像提取高度信息（高程数据）是核心需求。本文将从技术原理出发，用Python实现完整的高度提取流程，并汇总遥感处理中常用的工具库，帮你快速上手遥感数据处理。

【图像处理基石】暗光增强算法入门：从原理到实战（Python+OpenCV）大家好！最近很多朋友问我“夜间拍照模糊看不清怎么办”“监控画面太暗怎么调亮”，其实这些问题都能通过「暗光增强算法」解决。今天就带大家从0入门，搞懂暗光增强的核心逻辑，还会手把手教你用Python实战，新手也能跟着做～

【图像处理基石】GIS图像处理入门：4个核心算法与Python实现（附完整代码）最近在项目里需要处理遥感影像、电子地图这类GIS数据，踩了不少“入门坑”后，整理了这篇偏向实操的入门博客——从工具搭建到核心算法实现，全程用Python代码落地，适合快速上手。

NeurIPS 2025 | 北大等提出C²Prompt：解耦类内与类间知识，攻克FCL遗忘难题！在联邦持续学习场景中，模型需同时应对跨任务的时间遗忘和跨客户端数据异构性引发的空间遗忘。现有的基于提示学习的FCL方法虽表现优异，但普遍忽视了客户端之间提示（prompt）的类感知知识一致性问题。具体而言，这包括客户端间的“类内分布差异”和提示间的“跨类知识混淆”。这种不一致性在提示通信（聚合）过程中会加剧新旧知识的冲突，从而激化遗忘问题。

人脸图像识别实战：使用 LFW 数据集对比四种机器学习模型（SVM、逻辑回归、随机森林、MLP）本文将带你使用 Labeled Faces in the Wild (LFW) 公开数据集，通过四种经典机器学习模型（SVM、逻辑回归、随机森林、多层感知机）进行人脸图像分类，并对比它们的性能表现。

【目标检测】metrice_curve和loss_curve对比图可视化代码如下：可视化结果展示

【图像处理基石】图像压缩有哪些经典算法？图像压缩是减少图像数据量的技术，主要分为无损压缩（不丢失信息）和有损压缩（允许一定信息损失以换取更高压缩率）。以下是几种经典算法及其Python实现：

【图像处理基石】图像处理中的边缘检测算法及应用场景边缘检测是图像处理中的关键技术，用于识别图像中亮度变化剧烈的区域，这些区域通常对应物体的边界。以下是几种经典的边缘检测算法及其应用场景：

【图像处理基石】图像预处理方面有哪些经典的算法？图像预处理是计算机视觉任务（如目标检测、图像分割、人脸识别）的基础步骤，核心目的是消除图像中的噪声、提升对比度、修正几何畸变等，为后续高阶处理提供高质量输入。以下先系统梳理经典算法，再通过Python实现2个高频应用算法（直方图均衡化、中值滤波）。

程序员之电工基础-CV程序解决目标检测兴趣爱好来了，决定研发一个产品。涉及到电工和机械等知识，所以记录一下相关的基础知识。今天的内容又回到了我的主营板块！！哈哈！！为后续整体集成做准备，先测试目标检测部分的能力。

【图像处理基石】什么是小波变换？在图像处理领域，小波变换是一种多分辨率分析工具，其核心思想是将图像分解为不同频率和方向的子带。与傅里叶变换相比，小波变换在时域和频域都有良好的局部化特性，能够有效捕捉图像中的局部特征，像边缘、纹理等。它通过让一个被称为"小波"的函数不断平移和缩放来实现对信号的分析。在处理图像时，二维离散小波变换（DWT）会把图像分解成四个子带：LL（低频近似）、LH（水平方向高频）、HL（垂直方向高频）和HH（对角方向高频）。其中，LL子带还能进一步分解，从而形成多层小波分解结构。

计算机视觉（Computer Vision, CV）目录一、核心任务二、常见应用场景三、主流技术框架与工具四、热门算法简述五、发展趋势六、计算机视觉学习路线图（从入门到实战）

【目标检测】检测网络中neck的核心作用1. neck最主要的作用就是特征融合，融合就是将具有不同大小感受野的特征图进行了耦合，从而增强了特征图的表达能力。

【目标检测】backbone究竟有何关键作用？backbone的核心在于能为检测提供若干种感受野大小和中心步长的组合，以满足对不同尺度和类别的目标检测。

Python实现自动物体识别---基于深度学习的AI应用实战在AI和CV领域，自动物体识别是一个非常热门且实用的任务，通过深度学习，我们可以让计算机自动识别图片或视频中的各种物体，比如人、车、动物等。现在我将带你一步步用Python和PyTorch实现一个简单的自动物体识别系统，助你快速上手AI项目实战，赶紧行动起来吧。。。😎