XiaoMi-AI文件搜索系统
World File Search System彩色图像
使用数码摄影向学生讲授白平衡和色彩校正
传统上，很难向图形通信专业的学生解释光源对彩色图像的影响，因为必须先冲洗胶片才能获得反馈。然而，数码相机的出现使人们不仅可以用照片捕捉正确的颜色，还可以故意捕捉不正确的颜色。此外，几乎可以立即向学生提供反馈。由于原始照片的质量和准确性会影响所有后续过程，本文将描述一个演示活动，教学生为什么以及如何捕捉与原始场景非常接近的图像、校准显示器的重要性以及如何使用图像编辑软件来纠正错误捕捉的图像。
已接受文章预览
图 1. 钙钛矿 CsPbBr 3 QDs 的形态和光学特性：TEM 图像、UV-vis 吸收光谱和 PL 光谱，以及 (a)、(e)、(i) Cs 2 CO 3 - 40 ℃ 、(b)、(f)、(j) Cs 2 CO 3 -100 ℃ 、(c)、(g)、(k) CsOAc-40 ℃ 和 (d)、(h)、(l) CsOAc-100 ℃ QDs 的 TA 伪彩色图像。插图显示相应的尺寸分布直方图、FFT 和 IFFT 图像。 (m) Cs 2 CO 3 -40 ℃ 、Cs 2 CO 3 -100 ℃ 、CsOAc-40 ℃ 和 CsOAc-100 ℃ QDs 的 TA 漂白动力学曲线和 (n) 时间分辨 PL 衰减光谱。基于 50 多个批次的不同 QDs 的 (o) FWHM 和 (p) 峰值波长的误差线图。
使用深度学习进行肿瘤大小估计和 3D 模型查看
在花费大量时间尝试所有可能的格式后，作者选择了 TIFF（标签图像文件格式）格式。在 TIFF 格式中，图像和与图像相关的数据信息都存储在文件中。将 DICOM 扫描转换为 TIFF 格式后，进行了规范化，将像素阵列规范化为 256 个交叉 256 个图像，因为每个受试者的每幅图像在受试者和位置之间各不相同。对图像进行规范化后，将彩色图像从 RGB 格式转换为灰度格式，因为这可以减少计算要求。处理 RGB 格式的图像比处理灰度需要更多的 GPU 计算能力和资源。除了规范化和灰度转换之外，作者还尝试
新加坡南洋理工大学的科学家开发出一种可回收的花粉......
新闻稿 新加坡，2022 年 4 月 5 日 新加坡南洋理工大学科学家开发出一种可回收的花粉纸，可重复打印和“取消打印” 新加坡南洋理工大学 (NTU Singapore) 的科学家开发出了一种以花粉为基础的“纸”，在打印后可以“擦除”并重复使用多次，而不会损坏纸张。 在 4 月 5 日《先进材料》杂志在线发表的一篇研究论文中，新加坡南洋理工大学的科学家演示了如何使用激光打印机在非过敏性花粉纸上打印高分辨率彩色图像，然后使用碱性溶液“取消打印”——即在不损坏纸张的情况下完全去除碳粉（见下方编者注中的图片 1）。 他们证明这个过程可以重复至少八次。 这种创新的、可立即打印的花粉纸可以成为传统纸张的环保替代品，传统纸张经过多步骤工艺制成，对环境有显著的负面影响，由 Subra Suresh 和 Cho Nam-Joon 教授领导的 NTU 团队表示。它还可以帮助减少与传统纸张回收相关的碳排放和能源使用，这涉及再制浆、脱色（去除打印机墨粉）和重建。 这个全 NTU 研究团队的其他成员包括研究员 Ze Zhao 博士、研究生 Jingyu Deng 和 Hyunhyuk Tae 以及前研究生 Mohammed Shahrudin Ibrahim。 NTU 校长兼该论文的资深作者 Subra Suresh 教授说：“通过这项研究，我们展示了我们可以在由天然植物材料制成的纸张上打印高分辨率彩色图像，这种材料通过我们最近开发的一种工艺变得不致敏。 我们进一步证明了在不破坏纸张的情况下反复这样做的可行性，使这种材料成为传统木质纸张的可行环保替代品。 这是一种纸张回收的新方法——不仅以更可持续的方式造纸，而且还通过
使用卷积进行泌尿科图像的深度学习...
机器学习 (ML) 算法已应用于医学成像，其在医学领域的使用日益增多。尤其是深度学习 (DL)，已证明在图像评估和处理方面更为有效。深度学习算法可能有助于并简化其在泌尿科成像中的使用。本文介绍了如何创建用于泌尿科图像分析的卷积神经网络 (CNN) 算法。深度学习是 ML 的一个分支，包括多层神经网络。卷积神经网络已广泛应用于图像分类和数据处理。1 它首先由 Krizhevsky 等人应用于图像分类。2 他们在 2012 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中凭借名为 AlexNet 的深度 CNN 赢得了比赛，该比赛由 120 万张日常彩色图像组成。3 在另一个 CNN 模型中，Lakhani 等人 4 证明他们
Ghostshot：用电磁干扰操纵CCD摄像机的图像
摘要 - CCCD摄像机在需要高质量图像数据的专业和专业应用中至关重要，并且捕获的图像的可靠性构成了信托计算机视觉系统的基础。先前的工作显示了使用故意电磁干扰（IEMI）将不明显的图像变化为CCD摄像机的可行性。在这项工作中，我们设计了增强功能，Ghostshot的攻击，可以在正常的光条件下使用IEMI注入任何灰度或彩色图像。我们对IEMI效应对注射图像的形状，亮度和颜色的因果关系进行了示意性分析，并通过振幅相位调制实现了对注射模式的有效控制。我们设计了端到端攻击工作流程，并成功验证了对15个商用CCD摄像机的攻击。我们证明了Ghostshot对医学诊断，火灾检测，QR码扫描和对象检测的潜在影响，并发现伪造的图像可以成功地误导计算机视觉系统，甚至是人眼。
热红外单幅图像去雾及盲图像质量评价
图像去雾是一种减少图像中雾霾、灰尘或雾气影响的方法，以便清晰地查看观察到的场景。文献中存在大量传统和基于机器学习的方法。然而，这些方法大多考虑可见光光谱中的彩色图像。显然，由于热红外光谱的波长较长，受雾霾的影响要小得多。但远距离观测期间的大气扰动也会导致热红外 (TIR) 光谱中的图像质量下降。在本文中，我们提出了一种为 TIR 图像生成合成雾的方法。然后，我们分析了现有的盲图像质量评估措施雾感知密度评估器 (FADE) 对 TIR 光谱的适用性。我们进一步全面概述了当前图像去雾的最新技术，并通过经验表明，许多最初为可见光图像设计的方法在应用于 TIR 光谱时表现得出奇的好。这在最近发布的 M3FD 数据集上进行的实验中得到了证实。
研究文章 边缘人工智能：使用 Jetson Nano 进行心肌梗死生命体征识别的实时无创技术
医学史表明，心肌梗塞是人类死亡的重要原因之一。自主技术的快速发展、计算机视觉和边缘计算的兴起为医疗监测系统提供了令人着迷的可能性。这项工作的主要动机是通过环境智能下的自动紧急识别系统提高心脏骤停期间的存活率。我们提出了一种基于胸痛和跌倒姿势的生命体征检测的新方法，使用智能监控摄像头来应对心肌梗塞期间的紧急情况。使用最先进的卷积神经网络实现了来自“边缘 AI”的实时嵌入式解决方案：单次检测器 Inception V2、单次检测器 MobileNet V2 和物联网嵌入式 GPU 平台 NVIDIA 的 Jetson Nano。深度学习算法针对 3000 个室内彩色图像数据集实施：南洋理工大学红蓝绿和深度、NTU RGB + D 数据集和私有 RMS 数据集。研究主要围绕创建和训练 CNN 模型以检测生命体征并评估其性能指标的两个关键因素。我们提出了一种经济高效且功耗低的心肌梗死生命体征机载检测模型，并评估了指标，平均准确率为 76.4%，平均召回率为 80%。
用眼睛绘画的机器人体系结构的性能评估
基于非遗迹技术和视觉反馈。Song等人给出了进一步的例子。[6]，他为任意表面设计了一种艺术笔绘图系统，并由Karimov等人设计。[7]，他实施了一个笛卡尔机器人，能够用类似人类的运动学创建全彩色图像。最新的艺术机器人示例包括[8]中显示的交互式绘画系统，[9]中介绍的喷枪机器人建筑，采用移动机器人作为艺术绘画的采用，如[10,11]中，以及[12]中描述的调色刀绘画技术的自动化。在大多数情况下，机器人系统与人类艺术家之间的相互作用仅限于软件和硬件参数的选择，并且绘画过程主要由算法和基于启动输入图像处理。在文献中只能找到由人类遥控控制的机器人绘画系统的示例。这些主要与机器人远程注射有关，例如在[13]中，基于功能 - 基于力的vision界面允许操作员制作远程机器人绘制。此外，在[14]中，基于脑部计算机界面和用于神经机构绘画的机器人结构开发了人机界面。系统测量用户的大脑活动，并将记录的大脑信号关联到操纵器的简化运动中。更多
摄影测量和地面激光扫描
摄影测量和地面激光扫描：波佐维贾尼教堂 3D 模型的度量精度评估 Alberto GUARNIERI、Antonio VETTORE（意大利）和 Fabio REMONDINO（瑞士） 关键词：光束法平差、重建、激光扫描仪、配准 摘要 到目前为止，在利用激光扫描进行文化遗产调查的大量研究中，可以注意到一些几何相关问题尚未解决。大部分精力都花在实现视觉上美观的 3D 模型（主要用于 VR 应用），但只有少数研究涉及生成的 3D 模型的度量和几何精度。基于此，本文报告了对位于意大利帕多瓦周边的波佐维贾尼古教堂外部调查的数字摄影测量和激光扫描技术进行比较的结果。为此，工作分为三个不同的阶段进行。首先进行经典的地形/摄影测量调查：使用专业数码相机获取数字彩色图像，然后使用摄影测量光束法调整和商业软件（PhotoModeler）进行后期处理。在第二阶段，使用地面激光扫描仪 Mensi GS100 对教堂进行了全面测量，并使用 Polyworks 作为建模软件生成了相应的模型。然后，在第三阶段，通过 comp 评估了两个 3D 模型的度量精度