Go 言語でアニメーション GIF を作成する
Golang でアニメーション GIF を作る手順を 3 通り紹介します。 フレームごとの画像から生成 ビデオから生成 Go 言語で最初から生成 フレームごとの画像から生成 こんな GIF 画像があったとします (ここ より拝借)。 変換結果はこんな感じ。 生成するためのコードはこんな感じ。 package main import "image" import "image/gif" import "os" func main() { files := []string{"g1.gif", "g2.gif","g3.gif", "g2.gif"} // 各フレームの画像を GIF で読み込んで outGif を構築する outGif := &gif.GIF{} for _, name := range files { f, _ := os.Open(name) inGif, _ := gi
OCR前処理としてのOpenCV超解像 - OPTiM TECH BLOG
R&D チームの徳田（@dakuton）です。 最近は画像とテキストの狭間にいます。 今回記事のまとめ 簡単にまとめると以下のとおりです。 いくつかの超解像(高解像度化)モデルがOpenCV extra modules(opencv_contrib)インストール + コード数行記述で導入可能 超解像に限らず、文字が一定サイズ以上になるような前処理 -> OCR解析 を実施すると、OCR精度改善につながることがある 超解像による見た目の滑らかさに比例して、OCR精度改善につながるわけではない 低計算コストな画像拡大から超解像に変更する恩恵は発生しにくい テスト条件を変えた場合、違った結果になる可能性あり(用いるOCRエンジン、画像の劣化条件、OpenCV未提供の後発モデル利用など) 実験内容 利用するOCRエンジンの実行条件は変えずに、前処理部分のみ変更した場合のOCR精度・速度変化を調べま
絵を読む技術 Pythonによるイラスト解析
PyCon JP 2021 (2021/10/16) @Hirosaji @Hirosaji_draw https://2021.pycon.jp/time-table/?id=273843 ※表示画面が小さいと感じる場合は、次のSpeakerDeckをご覧ください。 https://speakerdeck.com/hirosaji/the-art-of-reading-illustrations ===== Title (English): The Art of Reading Pictures: Illustration Analysis in PythonRead less
ChainerでDeep Learningをしない（SfMからSLAMまで） - Qiita
Chainer Advent Calendar 2017の7日目です。 はじめに みなさん、Deep Learningしてますか？正直Deep Learningって疲れますよね。パラメータチューニングの毎日、下がらないLoss、過学習するモデル、スタープラチナに殴られたようなGANで生成された大量の顔。 そんな鬱憤を晴らすべく、今日はChainerでDeep Learningをしない、という記事を書きます。 Computer Visionの多くの問題は、何らかの最小化問題として定式化されます。最小化する際は、殆どの場合は式を立て、微分し、最適なパラメータを求めます。そこには大きな問題があります。 微分めんどい 微分が複雑・・・式が複雑だと計算間違える・・・手法を変更するたびに微分しなくてはいけない。そんな問題を解決する凄いライブラリがあるのです。そう、Chainerです。Chainerでは
第2回 IkaLogの基本的なしくみ | gihyo.jp
今回は、IkaLogの開発をふりかえりながら、IkaLogの画像処理の基本的な考え方、そしてその背景などについて説明します。 はじめての画面認識の検討 第1回で紹介したとおり、まずはゲームの画像に対してどのような処理をすれば画像認識を達成できるかを検討し始めました。 最初に、スプラトゥーンのプレイ動画を録画してみて、録画を何度か眺めてみました。幸いなことに、スプラトゥーンのゲーム中では、多くのメッセージはたいてい白色で、いつも画面上の同じ位置に表示されます。このため、白色の部分だけを抜き出して、OpenCVのテンプレートマッチング機能を利用して表示内容を検出すればいいのではないかと考えました。 スプラトゥーンのシステムメッセージが真っ白な色で表示されるということは、256階調のグレースケール画像として処理したときに、文字に近いところは255に近い値であり、つまりは非常に高いスレッショルド（
画像処理入門講座 : OpenCVとPythonで始める画像処理 | POSTD
この記事を書くに至ったきっかけ Recruse Centerでは、私は、画像処理の勉強に時間を費やしていました。独学をし始めた頃は、何をするものなのか全く理解しておらず、ただ、文字や輪郭、模様などを識別するのに役立ち、これらで面白いことができる、ということくらいの知識しかありませんでした。 私の情報源は、主にWikipediaや書籍、公開されている大学の講義ノートです。これらの資料に慣れ親しんでくるにつれ、画像処理の世界における基礎を伝えられる「入門向け画像処理」を望むようになりました。 これが、この記事を書こうと思ったきっかけです。 前提条件 この記事は、Pythonが扱えるということを前提に書いています。その他の事前知識は必要ありませんが、NumPyや行列計算に慣れていると理解しやすいでしょう。 初めに 使用するのは、Python版OpenCV、Python 2.7 ^(1) 、iPy
Python で画像処理をやってみよう！ - SIFT 第4回 - (MPS 文京 第45回ミーティング)
MPS 概要 MPSは、「みんなでわいわいソフトウェア作りながら技術を磨いて実績を作ろう！」をコンセプトに活動しております。プログラミング玄人とも初心者もみんなで協力して作品作りを行い、できあがった作品は共同制作のオープンソース・ソフトウェアとして、世の中に出します。 現在は、下記の3つのプロジェクトを行っています。 エジソンまたはラズベリーパイと画像処理を用いた（半）自立走行をするミニチュア車を作成 ライブ配信に関わるプロジェクト MPS の HP 大改修 今回の企画は最初の2つのための基礎知識をつける勉強会になります。 勉強会の後はみんなでご飯を食べにいきます！ 今回の予定 Python で画像処理をやってみよう！（第13回）（プレゼンター金子） 前回までで、構築した Scale space をベースに SIFT 特徴量を記述するキーポイント候補の抽出を行い、その位置の精度向上を行い、
TensorFlowで食神の定食画像を分類する実験 - #daiizメモ
昨日に引き続き，機械学習のお話． TensorFlowのチュートリアルで紹介されていた画像をクラス分けするConvolutional Neural Networksの例題（CIFAR-10）のデータセットだけを差し替えて実験してみた． 今回の実験の目的は 写真を収集するためのツールの開発 TensorFlowで書いたプログラムに自前で用意した写真を与える練習 少しのデータでどれくらいの分類精度が出せるのか試す といった感じ． 分類対象は，電通生なら誰でも知っている有名な中華料理店食神の590円定食メニュー．1番〜8番まであるけれど，今回は訓練データ数の都合上半分の1, 3, 4, 5番をターゲットとした*1． まず，写真を集めるツールについて． ウェブブラウザで画像の収集と欲しい部分を切り抜くためのツールが欲しかったので作ってみた． しかし少し解決できない問題があって，ブラウザで触るアプリ
[OpenCV] いまさら局所特徴量で物体検出！？ - Qiita
１．はじめに OpenCVには，様々な処理が用意されています。画像処理，映像解析，カメラキャリブレーション，特徴点抽出，物体検出，機械学習，コンピュテーショナルフォトグラフィ，3D可視化などが基本モジュールで用意されています。さらに，エクストラモジュールを追加することで，より豊富うな処理が利用できます。[1] OpenCV 3.x系を中心に話をします。 今回は，OpenCVの局所特徴量がどの程度簡単に使えるのか興味があり，局所特徴量を利用した物体検出を作成しました。 最近世間では，ディープな物体認識で盛り上がっていますが。 特徴点抽出に関する詳しい説明は，検索すれば多数ありますので，ここでは割愛します。 藤吉先生 (中部大学)のスライド「画像局所特徴量SIFTとそれ以降のアプローチ」は，とてもわかり易く説明されています。 ２．特徴点検出と特徴量記述 特徴点検出と特徴量記述は，feature
![[OpenCV] いまさら局所特徴量で物体検出！？ - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/9c2ed04665b2f1e67c804d0329e7d234b880edd1/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCT3BlbkNWJTVEJTIwJUUzJTgxJTg0JUUzJTgxJUJFJUUzJTgxJTk1JUUzJTgyJTg5JUU1JUIxJTgwJUU2JTg5JTgwJUU3JTg5JUI5JUU1JUJFJUI0JUU5JTg3JThGJUUzJTgxJUE3JUU3JTg5JUE5JUU0JUJEJTkzJUU2JUE0JTlDJUU1JTg3JUJBJUVGJUJDJTgxJUVGJUJDJTlGJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1mYzY0NzQ2YTllYjBkZTU4YzIyYTc3NTFmNWM5YjkwYg%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBobWljaHUmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWZlYThlNmIxMGVjYjBkMzJhM2NhZGFmZjk3ZDhjYmIz%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Db8341c2ef67a7639a633c9ccf3b2a2e3)
機械学習でつかう画像を集める作業を少しラクにするツールをつくりました - #daiizメモ
昨日の記事 の冒頭で紹介した，機械学習用の画像データを収集する作業を手助けするツール『tfPhotoPalette』をChromeウェブストアで公開しました．TensorBoardに傚ってオレンジ系統の配色にしてみました． Chromebookでも使えます！！ 画像の表示 画面上部の長いボックスに画像のURLを入力して，その隣の「Load」ボタンを押すと画像が表示されます．一番左に大きく表示された画像がオリジナルなものです．画像の中に用意されている半透明な領域の大きさや位置を変更して，任意の箇所を切り抜くことができます．切り抜かれた領域は，オリジナル画像のすぐ右隣に表示されます． 画像の切り抜きと縮小 機械学習で学習／評価用に与える画像のサイズは，かなり縮小しておく必要があります．TensorFlowのチュートリアルで紹介されていた画像分類の話や，昨日の例では入力画像は32 x 32 px
結婚式で余興を頼まれた時の画像処理をPythonでやってみる - Qiita
モチベーション 画像処理は色々なところで使える技術です。 そうたとえ結婚式の余興であってもです。 20代後半になると周りが結婚しているので、いやでも意識してしまう（汗 結婚式・ウェディングのテーブルセット そして結婚式といえば余興 時間がない中でもクオリティを上げたい・・・ そんなニーズに応えてくれます。 そう画像処理ならね。 本記事で扱う範囲としては、「画像間の写像」を対象とします(実践 コンピュータビジョンの3章に相当)。なお、上級画像処理者の方は誤りなどあれば指摘していただければ幸いです。 画像間の写像に必要な処理 余興用の写真を用意するときに必要になるのが写真の合成です。 写真の合成も単純に行うと違和感のある写真になってしまいます。 そこで必要になってくる処理は下記になります。 ・画像の変形 ・画像中に上手く画像を埋め込む ・位置合わせ ・パノラマ用の位置合わせ 各処理に必要な画像
画像処理の数式を見て石になった時のための、金の針 - Qiita
画像処理は難しい。 Instagramのキレイなフィルタ、GoogleのPhoto Sphere、そうしたサービスを見て画像は面白そうだ！と心躍らせて開いた画像処理の本。そこに山と羅列される数式を前に石化せざるを得なかった俺たちが、耳にささやかれる「難しいことはOpenCVがやってくれるわ。そうでしょ？」という声に身をゆだねる以外に何ができただろう。 本稿は石化せざるを得なかったあの頃を克服し、OpenCVを使いながらも基礎的な理論を理解したいと願う方へ、その道筋(アイテム的には金の針)を示すものになればと思います。 扱う範囲としては、あらゆる処理の基礎となる「画像の特徴点検出」を対象とします(実践 コンピュータビジョンの2章に相当)。なお、本記事自体、初心者である私が理解しながら書いているため、上級画像処理冒険者の方は誤りなどあれば指摘していただければ幸いです。 画像の特徴点とは 人間が
画像処理を導入するときに検討すべき10の手法 - LIFULL Creators Blog
あけましておめでとうございます。 おうちハッカー@リッテルラボラトリーの石田です。 画像から何かを検出したい、ユーザーの動きに連動して何か作りたい、なんて思うことがあると思います。 そんなときに、どんな技術を使えばよいのか迷うと思うのですが、そんなときに検討すべきライブラリ、API、デバイスを紹介したいと思います。 画像処理といったらlennaさん オープンライブラリ系 こちらはソースが公開されている画像処理ライブラリで、自分で組み合わせて適切な処理を作成します。 ライブラリによって得手不得手があるので、単独というより、組み合わせて使うことが多いと思います。言語はC++, Pythonがメインになります。 OpenCV OpenCV | OpenCV 画像処理といったらこれ！という定番ライブラリです。 動かせるプラットフォームも、windows,mac,Linux,Android, iOS
画像処理入門
画像処理入門 はじめにお読み下さい Qtの機能とその使用法 Gnuplotの機能とその使用法 サンプルのダウンロード ソースコード SIDBAの標準画像(グレー) SIDBAの標準画像(カラー) コンテンツ 画像処理の世界への招待(第1章) 画像処理を体験する(第2章) 物体を抜き出す(第3章) 輪郭を抜き出す(第4章) 雑音を除く(第5章) 見やすい画像を作る(第6章) 特徴を調べる(第7章) 色を変える(第8章) 色で抜き出す(第9章) 形を変える(第10章) 周波数で処理する(第11章) copyright © 2005 Hashimoto Lab All Rights Reserved
画像処理でのPythonの利用
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です． 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています．巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました． 主に以下のような強化学習の概念やアルゴリズムの紹介をしています． ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN（Deep Q-Network） ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Nois
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
ルールベース画像処理のススメ
PCL(Point Cloud Library)の基本と「なぜ点群処理か？」
Python - 基本的な画像処理(gaussian filter(ぼかし)) | Kamimura's blog
JavaScriptで任意のテキストをバイト列からラスタ画像化する、またはその逆 - moriyoshiの日記