Число правок участника (user_editcount) | null |
Имя учётной записи (user_name) | '217.23.187.207' |
Возраст учётной записи (user_age) | 0 |
Группы (включая неявные) в которых состоит участник (user_groups) | [
0 => '*'
] |
Редактирует ли пользователь через мобильное приложение (user_app) | false |
Редактирует ли участник через мобильный интерфейс (user_mobile) | false |
ID страницы (page_id) | 0 |
Пространство имён страницы (page_namespace) | 0 |
Название страницы (без пространства имён) (page_title) | 'Разность гауссианов' |
Полное название страницы (page_prefixedtitle) | 'Разность гауссианов' |
Возраст страницы (в секундах) (page_age) | 0 |
Действие (action) | 'edit' |
Описание правки/причина (summary) | 'Взял информацию из https://ru.qwe.wiki/wiki/Difference_of_Gaussians' |
Старая модель содержимого (old_content_model) | '' |
Новая модель содержимого (new_content_model) | 'wikitext' |
Вики-текст старой страницы до правки (old_wikitext) | '' |
Вики-текст новой страницы после правки (new_wikitext) | 'В науке формирования изображения , '''разность гауссианов''' (DOG) является особенностью алгоритма усиления , который включает вычитание одного размытой версии оригинального изображения от другого, менее размытой версии оригинала. В простом случае черно - белого изображения , размытые изображения получаются свертка оригинальных черно - белых изображений с гауссовыми ядрами , имеющими различные стандартные отклонениями. Размытие изображения с помощью Gaussian ядра подавляет только высокочастотное пространственную информацию. Вычитание одно изображение от другого сохраняет пространственную информацию , которая лежит между диапазоне частот, которые сохраняются в двух смазанных изображений. Таким образом, разница гауссиан является полосовым фильтром , который отбрасывает все , кроме нескольких пространственных частот, которые присутствуют в исходном черно - белом изображении.
== Математика разности гауссианов ==
Сравнение разности гауссового с мексиканским шляпе вейвлетом
Учитывая, м-каналы, п-мерное изображение
Разность гауссиан (DOG) изображений является функцией
полученный путем вычитания изображения свертки с гауссовой дисперсией с изображения , свернутым с гауссовым более узкой дисперсией , с . В одном измерении, определяется следующим образом:
и для центрированного двумерного случая:
который формально эквивалентно:
которая представляет собой изображение , свернутый к разности двух гауссовых, что аппроксимирует мексиканской Hat функции.
Связь между разностью оператора гауссиан и лапласианом гауссовского оператора ( мексиканская шляпой вейвлет ) объясняется в приложении А в Линдеберге (2015).
Пример перед тем различием гауссианов
После того, как разность фильтрации гауссианов в черно-белом
Как особенность алгоритм улучшения, то разность гауссиан может быть использована для повышения видимости кромок и других детали , присутствующими в цифровом изображении. Широкий выбор альтернативных заточки фильтров краев действует путем повышения частоты высокой детализации, но из - за случайным шум также имеет высокую пространственную частоту, многие из этих фильтров , как правило , повышения резкости для повышения шума, что может быть нежелательным артефактом. Отличие алгоритма гауссиан удаляет деталь высокой частоты , который часто включает в себя случайный шум, что делает этот подход один из наиболее подходящих для обработки изображений с высокой степенью шума. Основной недостаток применения алгоритма является неотъемлемым уменьшением общего контраста изображения , полученного с помощью операции.
При их использовании для улучшения изображения, разница алгоритма гауссианов обычно применяется , когда отношение размера ядра (2) ядра (1) составляет 4: 1 или 5: 1. В примерах изображений справа, размеры гауссовых ядер , используемых для сглаживания изображения образца были 10 пикселей и 5 пикселей. Алгоритм также может быть использован для получения аппроксимации лапласиана гауссовых , когда отношение размера от 2 до размера 1 примерно равен 1,6. Лапласиане Gaussian полезно для обнаружения края , которые появляются в различных масштабах изображения или степени фокусировки изображения. Точные значения размеров двух ядер, которые используются для аппроксимации лапласиана гауссовского будет определять масштаб изображения разности, которые могут появиться размытыми в результате.
Различия гауссианов также были использованы для обнаружения больших двоичных объектов в масштабно-инвариантной функции преобразования . На самом деле, собака как разность два многомерных нормального распределения всегда имеет общую сумму нулевой , и его свертка с равномерным сигналом не генерирует никакого ответа. Это хорошо аппроксимирует второй производной от гауссовой ( лапласовский гауссовых ) с K ~ 1.6 и рецептивных полей ганглиозных клеток в сетчатке с K ~ 5. Это может быть легко использовано в рекурсивных схемах и используется как оператор в алгоритмах в реальном масштабе времени для обнаружения двоичных объектов и автоматического выбора масштаба.
== Дополнительная информация ==
В своей работе, разница алгоритма гауссиан, как полагают, имитирует, как нейронная обработка в сетчатке глаза извлекает информацию из изображений, предназначенных для передачи в мозг.' |
Унифицированная разница изменений правки (edit_diff) | '@@ -1,0 +1,28 @@
+В науке формирования изображения , '''разность гауссианов''' (DOG) является особенностью алгоритма усиления , который включает вычитание одного размытой версии оригинального изображения от другого, менее размытой версии оригинала. В простом случае черно - белого изображения , размытые изображения получаются свертка оригинальных черно - белых изображений с гауссовыми ядрами , имеющими различные стандартные отклонениями. Размытие изображения с помощью Gaussian ядра подавляет только высокочастотное пространственную информацию. Вычитание одно изображение от другого сохраняет пространственную информацию , которая лежит между диапазоне частот, которые сохраняются в двух смазанных изображений. Таким образом, разница гауссиан является полосовым фильтром , который отбрасывает все , кроме нескольких пространственных частот, которые присутствуют в исходном черно - белом изображении.
+
+== Математика разности гауссианов ==
+Сравнение разности гауссового с мексиканским шляпе вейвлетом
+Учитывая, м-каналы, п-мерное изображение
+
+Разность гауссиан (DOG) изображений является функцией
+
+полученный путем вычитания изображения свертки с гауссовой дисперсией с изображения , свернутым с гауссовым более узкой дисперсией , с . В одном измерении, определяется следующим образом:
+
+и для центрированного двумерного случая:
+
+который формально эквивалентно:
+
+которая представляет собой изображение , свернутый к разности двух гауссовых, что аппроксимирует мексиканской Hat функции.
+
+Связь между разностью оператора гауссиан и лапласианом гауссовского оператора ( мексиканская шляпой вейвлет ) объясняется в приложении А в Линдеберге (2015).
+Пример перед тем различием гауссианов
+После того, как разность фильтрации гауссианов в черно-белом
+
+Как особенность алгоритм улучшения, то разность гауссиан может быть использована для повышения видимости кромок и других детали , присутствующими в цифровом изображении. Широкий выбор альтернативных заточки фильтров краев действует путем повышения частоты высокой детализации, но из - за случайным шум также имеет высокую пространственную частоту, многие из этих фильтров , как правило , повышения резкости для повышения шума, что может быть нежелательным артефактом. Отличие алгоритма гауссиан удаляет деталь высокой частоты , который часто включает в себя случайный шум, что делает этот подход один из наиболее подходящих для обработки изображений с высокой степенью шума. Основной недостаток применения алгоритма является неотъемлемым уменьшением общего контраста изображения , полученного с помощью операции.
+
+При их использовании для улучшения изображения, разница алгоритма гауссианов обычно применяется , когда отношение размера ядра (2) ядра (1) составляет 4: 1 или 5: 1. В примерах изображений справа, размеры гауссовых ядер , используемых для сглаживания изображения образца были 10 пикселей и 5 пикселей. Алгоритм также может быть использован для получения аппроксимации лапласиана гауссовых , когда отношение размера от 2 до размера 1 примерно равен 1,6. Лапласиане Gaussian полезно для обнаружения края , которые появляются в различных масштабах изображения или степени фокусировки изображения. Точные значения размеров двух ядер, которые используются для аппроксимации лапласиана гауссовского будет определять масштаб изображения разности, которые могут появиться размытыми в результате.
+
+Различия гауссианов также были использованы для обнаружения больших двоичных объектов в масштабно-инвариантной функции преобразования . На самом деле, собака как разность два многомерных нормального распределения всегда имеет общую сумму нулевой , и его свертка с равномерным сигналом не генерирует никакого ответа. Это хорошо аппроксимирует второй производной от гауссовой ( лапласовский гауссовых ) с K ~ 1.6 и рецептивных полей ганглиозных клеток в сетчатке с K ~ 5. Это может быть легко использовано в рекурсивных схемах и используется как оператор в алгоритмах в реальном масштабе времени для обнаружения двоичных объектов и автоматического выбора масштаба.
+
+== Дополнительная информация ==
+В своей работе, разница алгоритма гауссиан, как полагают, имитирует, как нейронная обработка в сетчатке глаза извлекает информацию из изображений, предназначенных для передачи в мозг.
' |
Новый размер страницы (new_size) | 7709 |
Старый размер страницы (old_size) | 0 |
Изменение размера в правке (edit_delta) | 7709 |
Добавленные в правке строки (added_lines) | [
0 => 'В науке формирования изображения , '''разность гауссианов''' (DOG) является особенностью алгоритма усиления , который включает вычитание одного размытой версии оригинального изображения от другого, менее размытой версии оригинала. В простом случае черно - белого изображения , размытые изображения получаются свертка оригинальных черно - белых изображений с гауссовыми ядрами , имеющими различные стандартные отклонениями. Размытие изображения с помощью Gaussian ядра подавляет только высокочастотное пространственную информацию. Вычитание одно изображение от другого сохраняет пространственную информацию , которая лежит между диапазоне частот, которые сохраняются в двух смазанных изображений. Таким образом, разница гауссиан является полосовым фильтром , который отбрасывает все , кроме нескольких пространственных частот, которые присутствуют в исходном черно - белом изображении.',
1 => '',
2 => '== Математика разности гауссианов ==',
3 => 'Сравнение разности гауссового с мексиканским шляпе вейвлетом',
4 => 'Учитывая, м-каналы, п-мерное изображение',
5 => '',
6 => 'Разность гауссиан (DOG) изображений является функцией ',
7 => '',
8 => 'полученный путем вычитания изображения свертки с гауссовой дисперсией с изображения , свернутым с гауссовым более узкой дисперсией , с . В одном измерении, определяется следующим образом: ',
9 => '',
10 => 'и для центрированного двумерного случая:',
11 => '',
12 => 'который формально эквивалентно:',
13 => '',
14 => 'которая представляет собой изображение , свернутый к разности двух гауссовых, что аппроксимирует мексиканской Hat функции.',
15 => '',
16 => 'Связь между разностью оператора гауссиан и лапласианом гауссовского оператора ( мексиканская шляпой вейвлет ) объясняется в приложении А в Линдеберге (2015).',
17 => 'Пример перед тем различием гауссианов',
18 => 'После того, как разность фильтрации гауссианов в черно-белом',
19 => '',
20 => 'Как особенность алгоритм улучшения, то разность гауссиан может быть использована для повышения видимости кромок и других детали , присутствующими в цифровом изображении. Широкий выбор альтернативных заточки фильтров краев действует путем повышения частоты высокой детализации, но из - за случайным шум также имеет высокую пространственную частоту, многие из этих фильтров , как правило , повышения резкости для повышения шума, что может быть нежелательным артефактом. Отличие алгоритма гауссиан удаляет деталь высокой частоты , который часто включает в себя случайный шум, что делает этот подход один из наиболее подходящих для обработки изображений с высокой степенью шума. Основной недостаток применения алгоритма является неотъемлемым уменьшением общего контраста изображения , полученного с помощью операции.',
21 => '',
22 => 'При их использовании для улучшения изображения, разница алгоритма гауссианов обычно применяется , когда отношение размера ядра (2) ядра (1) составляет 4: 1 или 5: 1. В примерах изображений справа, размеры гауссовых ядер , используемых для сглаживания изображения образца были 10 пикселей и 5 пикселей. Алгоритм также может быть использован для получения аппроксимации лапласиана гауссовых , когда отношение размера от 2 до размера 1 примерно равен 1,6. Лапласиане Gaussian полезно для обнаружения края , которые появляются в различных масштабах изображения или степени фокусировки изображения. Точные значения размеров двух ядер, которые используются для аппроксимации лапласиана гауссовского будет определять масштаб изображения разности, которые могут появиться размытыми в результате.',
23 => '',
24 => 'Различия гауссианов также были использованы для обнаружения больших двоичных объектов в масштабно-инвариантной функции преобразования . На самом деле, собака как разность два многомерных нормального распределения всегда имеет общую сумму нулевой , и его свертка с равномерным сигналом не генерирует никакого ответа. Это хорошо аппроксимирует второй производной от гауссовой ( лапласовский гауссовых ) с K ~ 1.6 и рецептивных полей ганглиозных клеток в сетчатке с K ~ 5. Это может быть легко использовано в рекурсивных схемах и используется как оператор в алгоритмах в реальном масштабе времени для обнаружения двоичных объектов и автоматического выбора масштаба.',
25 => '',
26 => '== Дополнительная информация ==',
27 => 'В своей работе, разница алгоритма гауссиан, как полагают, имитирует, как нейронная обработка в сетчатке глаза извлекает информацию из изображений, предназначенных для передачи в мозг.'
] |
Удалённые в правке строки (removed_lines) | [] |
Все внешние ссылки, добавленные в правке (added_links) | [] |
Новый текст страницы, очищенный от разметки (new_text) | 'В науке формирования изображения , разность гауссианов (DOG) является особенностью алгоритма усиления , который включает вычитание одного размытой версии оригинального изображения от другого, менее размытой версии оригинала. В простом случае черно - белого изображения , размытые изображения получаются свертка оригинальных черно - белых изображений с гауссовыми ядрами , имеющими различные стандартные отклонениями. Размытие изображения с помощью Gaussian ядра подавляет только высокочастотное пространственную информацию. Вычитание одно изображение от другого сохраняет пространственную информацию , которая лежит между диапазоне частот, которые сохраняются в двух смазанных изображений. Таким образом, разница гауссиан является полосовым фильтром , который отбрасывает все , кроме нескольких пространственных частот, которые присутствуют в исходном черно - белом изображении.
Математика разности гауссианов[править | править код]
Сравнение разности гауссового с мексиканским шляпе вейвлетом
Учитывая, м-каналы, п-мерное изображение
Разность гауссиан (DOG) изображений является функцией
полученный путем вычитания изображения свертки с гауссовой дисперсией с изображения , свернутым с гауссовым более узкой дисперсией , с . В одном измерении, определяется следующим образом:  
и для центрированного двумерного случая:
который формально эквивалентно:
которая представляет собой изображение , свернутый к разности двух гауссовых, что аппроксимирует мексиканской Hat функции.
Связь между разностью оператора гауссиан и лапласианом гауссовского оператора ( мексиканская шляпой вейвлет ) объясняется в приложении А в Линдеберге (2015).
Пример перед тем различием гауссианов
После того, как разность фильтрации гауссианов в черно-белом
Как особенность алгоритм улучшения, то разность гауссиан может быть использована для повышения видимости кромок и других детали , присутствующими в цифровом изображении. Широкий выбор альтернативных заточки фильтров краев действует путем повышения частоты высокой детализации, но из - за случайным шум также имеет высокую пространственную частоту, многие из этих фильтров , как правило , повышения резкости для повышения шума, что может быть нежелательным артефактом. Отличие алгоритма гауссиан удаляет деталь высокой частоты , который часто включает в себя случайный шум, что делает этот подход один из наиболее подходящих для обработки изображений с высокой степенью шума. Основной недостаток применения алгоритма является неотъемлемым уменьшением общего контраста изображения , полученного с помощью операции.
При их использовании для улучшения изображения, разница алгоритма гауссианов обычно применяется , когда отношение размера ядра (2) ядра (1) составляет 4: 1 или 5: 1. В примерах изображений справа, размеры гауссовых ядер , используемых для сглаживания изображения образца были 10 пикселей и 5 пикселей. Алгоритм также может быть использован для получения аппроксимации лапласиана гауссовых , когда отношение размера от 2 до размера 1 примерно равен 1,6. Лапласиане Gaussian полезно для обнаружения края , которые появляются в различных масштабах изображения или степени фокусировки изображения. Точные значения размеров двух ядер, которые используются для аппроксимации лапласиана гауссовского будет определять масштаб изображения разности, которые могут появиться размытыми в результате.
Различия гауссианов также были использованы для обнаружения больших двоичных объектов в масштабно-инвариантной функции преобразования . На самом деле, собака как разность два многомерных нормального распределения всегда имеет общую сумму нулевой , и его свертка с равномерным сигналом не генерирует никакого ответа. Это хорошо аппроксимирует второй производной от гауссовой ( лапласовский гауссовых ) с K ~ 1.6 и рецептивных полей ганглиозных клеток в сетчатке с K ~ 5. Это может быть легко использовано в рекурсивных схемах и используется как оператор в алгоритмах в реальном масштабе времени для обнаружения двоичных объектов и автоматического выбора масштаба.
Дополнительная информация[править | править код]
В своей работе, разница алгоритма гауссиан, как полагают, имитирует, как нейронная обработка в сетчатке глаза извлекает информацию из изображений, предназначенных для передачи в мозг.' |
Все внешние ссылки в новом тексте (all_links) | [] |
Ссылки на странице до правки (old_links) | [] |
Разобранный HTML-код новой версии (new_html) | '<div class="mw-parser-output"><p>В науке формирования изображения , <b>разность гауссианов</b> (DOG) является особенностью алгоритма усиления , который включает вычитание одного размытой версии оригинального изображения от другого, менее размытой версии оригинала. В простом случае черно - белого изображения , размытые изображения получаются свертка оригинальных черно - белых изображений с гауссовыми ядрами , имеющими различные стандартные отклонениями. Размытие изображения с помощью Gaussian ядра подавляет только высокочастотное пространственную информацию. Вычитание одно изображение от другого сохраняет пространственную информацию , которая лежит между диапазоне частот, которые сохраняются в двух смазанных изображений. Таким образом, разница гауссиан является полосовым фильтром , который отбрасывает все , кроме нескольких пространственных частот, которые присутствуют в исходном черно - белом изображении.
</p>
<h2><span id=".D0.9C.D0.B0.D1.82.D0.B5.D0.BC.D0.B0.D1.82.D0.B8.D0.BA.D0.B0_.D1.80.D0.B0.D0.B7.D0.BD.D0.BE.D1.81.D1.82.D0.B8_.D0.B3.D0.B0.D1.83.D1.81.D1.81.D0.B8.D0.B0.D0.BD.D0.BE.D0.B2"></span><span class="mw-headline" id="Математика_разности_гауссианов">Математика разности гауссианов</span><span class="mw-editsection"><span class="mw-editsection-bracket">[</span><a href="/w/index.php?title=%D0%A0%D0%B0%D0%B7%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%B3%D0%B0%D1%83%D1%81%D1%81%D0%B8%D0%B0%D0%BD%D0%BE%D0%B2&veaction=edit&section=1" class="mw-editsection-visualeditor" title="Редактировать раздел «Математика разности гауссианов»">править</a><span class="mw-editsection-divider"> | </span><a href="/w/index.php?title=%D0%A0%D0%B0%D0%B7%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%B3%D0%B0%D1%83%D1%81%D1%81%D0%B8%D0%B0%D0%BD%D0%BE%D0%B2&action=edit&section=1" title="Редактировать раздел «Математика разности гауссианов»">править код</a><span class="mw-editsection-bracket">]</span></span></h2>
<p>Сравнение разности гауссового с мексиканским шляпе вейвлетом
Учитывая, м-каналы, п-мерное изображение
</p><p>Разность гауссиан (DOG) изображений является функцией
</p><p>полученный путем вычитания изображения свертки с гауссовой дисперсией с изображения , свернутым с гауссовым более узкой дисперсией , с . В одном измерении, определяется следующим образом:  
</p><p>и для центрированного двумерного случая:
</p><p>который формально эквивалентно:
</p><p>которая представляет собой изображение , свернутый к разности двух гауссовых, что аппроксимирует мексиканской Hat функции.
</p><p>Связь между разностью оператора гауссиан и лапласианом гауссовского оператора ( мексиканская шляпой вейвлет ) объясняется в приложении А в Линдеберге (2015).
Пример перед тем различием гауссианов
После того, как разность фильтрации гауссианов в черно-белом
</p><p>Как особенность алгоритм улучшения, то разность гауссиан может быть использована для повышения видимости кромок и других детали , присутствующими в цифровом изображении. Широкий выбор альтернативных заточки фильтров краев действует путем повышения частоты высокой детализации, но из - за случайным шум также имеет высокую пространственную частоту, многие из этих фильтров , как правило , повышения резкости для повышения шума, что может быть нежелательным артефактом. Отличие алгоритма гауссиан удаляет деталь высокой частоты , который часто включает в себя случайный шум, что делает этот подход один из наиболее подходящих для обработки изображений с высокой степенью шума. Основной недостаток применения алгоритма является неотъемлемым уменьшением общего контраста изображения , полученного с помощью операции.
</p><p>При их использовании для улучшения изображения, разница алгоритма гауссианов обычно применяется , когда отношение размера ядра (2) ядра (1) составляет 4: 1 или 5: 1. В примерах изображений справа, размеры гауссовых ядер , используемых для сглаживания изображения образца были 10 пикселей и 5 пикселей. Алгоритм также может быть использован для получения аппроксимации лапласиана гауссовых , когда отношение размера от 2 до размера 1 примерно равен 1,6. Лапласиане Gaussian полезно для обнаружения края , которые появляются в различных масштабах изображения или степени фокусировки изображения. Точные значения размеров двух ядер, которые используются для аппроксимации лапласиана гауссовского будет определять масштаб изображения разности, которые могут появиться размытыми в результате.
</p><p>Различия гауссианов также были использованы для обнаружения больших двоичных объектов в масштабно-инвариантной функции преобразования . На самом деле, собака как разность два многомерных нормального распределения всегда имеет общую сумму нулевой , и его свертка с равномерным сигналом не генерирует никакого ответа. Это хорошо аппроксимирует второй производной от гауссовой ( лапласовский гауссовых ) с K ~ 1.6 и рецептивных полей ганглиозных клеток в сетчатке с K ~ 5. Это может быть легко использовано в рекурсивных схемах и используется как оператор в алгоритмах в реальном масштабе времени для обнаружения двоичных объектов и автоматического выбора масштаба.
</p>
<h2><span id=".D0.94.D0.BE.D0.BF.D0.BE.D0.BB.D0.BD.D0.B8.D1.82.D0.B5.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D0.B8.D0.BD.D1.84.D0.BE.D1.80.D0.BC.D0.B0.D1.86.D0.B8.D1.8F"></span><span class="mw-headline" id="Дополнительная_информация">Дополнительная информация</span><span class="mw-editsection"><span class="mw-editsection-bracket">[</span><a href="/w/index.php?title=%D0%A0%D0%B0%D0%B7%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%B3%D0%B0%D1%83%D1%81%D1%81%D0%B8%D0%B0%D0%BD%D0%BE%D0%B2&veaction=edit&section=2" class="mw-editsection-visualeditor" title="Редактировать раздел «Дополнительная информация»">править</a><span class="mw-editsection-divider"> | </span><a href="/w/index.php?title=%D0%A0%D0%B0%D0%B7%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%B3%D0%B0%D1%83%D1%81%D1%81%D0%B8%D0%B0%D0%BD%D0%BE%D0%B2&action=edit&section=2" title="Редактировать раздел «Дополнительная информация»">править код</a><span class="mw-editsection-bracket">]</span></span></h2>
<p>В своей работе, разница алгоритма гауссиан, как полагают, имитирует, как нейронная обработка в сетчатке глаза извлекает информацию из изображений, предназначенных для передачи в мозг.
</p>
' |
Была ли правка сделана через выходной узел сети Tor (tor_exit_node) | false |
Unix-время изменения (timestamp) | 1594292154 |