问题标签 [laplacian]

我已经使用金字塔实现了图像混合。如果我调整第一张图像的大小，它会很好，但如果我调整它的大小，我不会得到我想要的。因此，我需要在不调整大小的情况下进行混合以获得正确的结果。我的代码是：

如果我不调整大小，我会收到以下错误。

以下代码在大多数情况下会在一组图像中找到最佳焦点图像，但在某些图像中，它会为图像返回更高的值，这对我的眼睛来说更加模糊。

我在 Linux 和/或 Mac 上使用 OpenCV 3.4.2。

这是两张使用相同照明（荧光，DAPI）的图像，从显微镜载玻片下方拍摄，同时尝试自动聚焦在载玻片顶部表面的涂层/掩模上。

我希望有人可以向我解释为什么我的算法无法检测到不太模糊的图像。谢谢！

我想在 C++ 中使用 OpenCV 计算图像的标准偏差。但是，我得到了非常奇怪的结果。我的代码：

它总是输出：

等等。问题出在哪里？

我已将拉普拉斯滤波器应用于图像以检测图像中的边缘。

我需要使用从上面代码中获得的输出来重建原始图像。

我不确定“filters.inverse”是否有效，或者是否有任何其他方法可用。

我正在尝试使用 Python 中的归一化（随机游走）拉普拉斯矩阵来实现一个简单版本的谱聚类。在使用玩具数据集测试我的函数后，我发现我的拉普拉斯矩阵具有负特征值。这是我的光谱聚类代码：

这是我的测试代码：

该函数成功识别集群：

真正的聚类 光谱聚类

但是，拉普拉斯矩阵具有负特征值：

我很确定我的问题出在 nlapl 中，因为如果我使用未归一化的拉普拉斯 D - W，则特征值为[-4.96328563e-15 5.94245930e-03 1.15181852e-02 1.51614560e-01]. 但是，我无法弄清楚我的计算错误的地方。我错过了一些明显的东西吗？提前感谢您的任何建议。

编辑：由于我的玩具数据集有 4 个分离良好的集群，因此 L 的零特征值的理论重数应该是 4。但是，对于未归一化的拉普拉斯算子，显然零重数是 1。诚然，一些紫色数据点（在 True集群）非常接近其他集群，所以这可能不是完全出乎意料吗？

我正在尝试学习python，但遇到了一些令我困惑的事情。作为一个健全的检查，我想确保我可以从它的特征向量和特征值重建一个图拉普拉斯矩阵。在 R 中，这可以按预期工作，但在 python 中却不行。python 重建的矩阵相距甚远 - 范数（拉普拉斯 - 估计）~ 0.99，而在 R 中它是~1e-16。我希望有人可以向我解释这里发生了什么。我在下面发布了两种语言的代码：

在 R 中：

在 Python 中：

谢谢！

保罗

我正在尝试建立一个机器学习模型来对带有随机噪声的直线进行去噪。这里有一些例子。红点是标签，蓝点是训练数据。每个时间序列数据的长度为 100。

我使用如下模型拟合数据。

该模型可以去除大量噪声，但输出不如直线平滑，因此我正在考虑将 1D 拉普拉斯运算应用于最后一个密集层以对其输出进行正则化。这是我写的。

然后我将它用作最后一个密集层的活动正则化器。但是，经过几个小批量后，损失总是变成nan 。如果我的代码有问题或者 keras/tensorflow 不支持这种正则化，我不会这样做，因为拉普拉斯算子涉及多个输出，而不仅仅是一个。谁能解释这里发生了什么？

我正在处理阴影去除。首先，我必须从图像的两个方向计算梯度。g(x,y) = -2*f(x,y) + f(x+1,y) + f(x,y+1)。之后，我对梯度进行了一些计算并稍作修改。

当我必须从修改后的梯度计算拉普拉斯算子（二阶导数）时，问题就来了。

我知道拉普拉斯滤波器有一个矩阵： [0,1,0: 1,-4,1; 0,1,0]。但问题是如何从梯度计算拉普拉斯算子，如果单元格已经被修改？

梯度计算：

谢谢！

我正在尝试将我的灰度图像与各种过滤器进行卷积。我用过

和

但结果不同。

有人可以详细说明为什么我会得到不同的结果吗？

我试图找出在 skimage.filters 的 laplace 函数中使用的内核。我知道拉普拉斯滤波器基于矩阵卷积，但我似乎无法理解 skimage.filters 的拉普拉斯函数产生的值。

这是一个例子：

如果 skimage.filters 的 laplace 函数使用内核/运算符

然后根据矩阵卷积，它应该已经产生了输出

代替

我对内核/运算符 skimage.filters 的 laplace 函数使用什么使几乎每个输出值都接近于零感到非常困惑，例如 -9.75781955e-19。老实说，我不认为任何合理的内核/运算符可以产生这个输出，所以也许我只是不理解 Python 的 skimage.filters 的 laplace 函数是如何工作的......

对此问题的任何帮助/评论/建议/见解将不胜感激。谢谢你。