15 条“高斯泼溅-2” 相关内容
- scikit-image特征 | featurefeature
feature
使用高斯差分（DoG）方法[R166]找到斑点。对于找到的每个blob，该方法返回其坐标以及检测到blob的高斯内核的标准偏差。
- C++数字 | Numericsstd::normal_distribution
std::normal_distribution
性病：正常[医]分布 [表格] 根据正态%28或高斯%29随机数分布定义为：F%28x；μ，σ%29= 一 *。 σⅩ2π EXP 二次 二次 -1 *。 二 二次 二次 二次 X-μ *。
- scikit-image 过滤器 | filtersfilters
filters
skimage.filters.gabor_kernel（频率，...）返回复杂的2DGabor滤波器内核。skimage.filters.gaussian（图片，西格玛，...）多维高斯滤波器。
- scikit-image恢复 | restorationrestoration
restoration
（高斯）噪声标准差的鲁棒小波估计。skimage.restoration.inpaint_biharmonic（img，mask）用双调和方程对图像进行蒙版。
- scikit-image转换 | transformtransform
transform
skimage.transform.pyramid_gaussian（image，...）由输入图像形成的高斯金字塔的产量图像。
- scikit-image分割 | segmentationsegmentation
segmentation
sigma是高斯核的直径，用于在分割之前平滑图像。 生产环节的数量及其规模只能通过scale间接控制。根据局部对比度不同，图像中的分段大小可能会有很大差异。
- Python数字与数学 | Numeric & Mathematicalrandom
random
在实际情况中，有函数可以计算均匀，正态（高斯），对数正态，负指数，伽玛和贝塔分布。为了产生角度分布，冯·米塞斯分布是可用的。
- C++数字 | NumericsPseudo-random number generation
Pseudo-random number generation
- C++标准库头文件 | Standard library header filesrandom
random
- TensorFlow教程 | TutorialsImproving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
Improving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
作为一个例子，下面的代码构建了一个LinearClassifier估计器，该估计器使用遵循正则化领导者（FTRL）优化策略，具有特定的学习速率和L2正则化。
- CSS滤镜效果 | Filter Effects过滤器 | filter
过滤器 | filter
filter:url(resources.svg#c1) blur() 将高斯模糊应用于输入图像。“半径”的值定义了高斯函数的标准偏差值，或者屏幕上有多少像素相互混合，所以较大的值会产生更多的模糊。
- scikit-image测量 | measuremeasure
measure
gaussian_weights：bool，可选如果为True，则每个补丁均具有由宽度为sigma=1.5的归一化高斯内核进行空间加权的均值和方差。
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号