1 按照OpenCV官方的教程，在windows下的eclipse安装，还是没有问题的，

不管是图像处理还是计算机视觉，都越来越需要机器学习做特征集的训练了。但是feature engineer或者说图像本身各种关键特征的提取也是很关键的。今天在pysearch上看到了这句话也正是一样， A clever use of contour properties can save you from training complicated machine learning models.

直方图均衡化的主要思想就是，让出现频率较高的像素值，在直方图均衡化后，拥有较高的像素值。也就是高频像素值，最经常出现的，信息量最多的，是最亮的。反之，低频像素值，最不经常出现的，信息量最少的，是最暗的RGB彩色图像，可以分别对RGB三个波段进行直方图均衡化处理；也可以转换到HSV空间，对V分量进行处理。最后就是把灰度的频率信息，转化成，像素亮度信息。详细例子wi

用meanshift的时候，看到能够在视频里面识别某个物体还画个框。细看了下OpenCV里面meanshift方法是这样用的。cv2.meanShift(dst, track_window, term_crit)其实meanshift识别和这个track_window真没什么直接关系，meanshift识别的就是密度最大的那个点，找到那个点再加个框就行了，我原来觉得尺寸人家都能自己算出

我第一次遇到BackProjection这个词觉得很学术，我也不知道为什么要用，直到我遇到一个例子，这个在此链接有讲，但是我把它讲的再细化一下。首先是这个例子。我们有一个梅西的图片，现在我们要把草皮绿色的地方提取出来，那么怎么做呢？ 最简单你可以用颜色为绿色的一段阈值进行提取，现在我们用BackProjection这个方式进行提取。首先我把梅西那张图里面的其中一块草

灰度共生矩阵有非常多的纹理特征维度。熵就是其中之一，可以表示图像分布聚集的程度。如果图像分布比较均匀，熵就比较小，就越有可能是噪声；反正，可能是真正有用的图像。计算公式就是 - sum(P(i,j)*log(P(i,j))其中有个bug就是灰度共生矩阵有可能有0的现象出现，log(0)是没有意义的对于这个问题，我在网上找的答案是计算的时候把这个0的时候剔除掉，不计算在内

给加高斯噪声的意思，就是在原图像矩阵上面加一个符合高斯或者叫正态分布特征的矩阵。生成随机噪声的三个方法,如果我们的目标矩阵是一个r*c的矩阵，要生成一个均值是mean，标准差sigma的随机噪声矩阵，那么是这样sigma*np.random.randn(r,c)+mean, #输入是两个参数，一个mean，一个sigma。sigma*np.random.standard_n

转自 http://blog.youkuaiyun.com/ivan_ljf/article/details/8569130加载一位图，可以使用LoadImage：HANDLE LoadImage（HINSTANCE hinst，LPCTSTR lpszName，UINT uType，int cxDesired，int CyDesired，UINT fuLoad）；LoadIm

这个问题对我来讲主要是由于视频中的音频数据bit率很高造成的。那我来说，如果我转码的时候设置是 -vcodec libx264 -acodec copy 音频自动copy原始数据的话，我转的影像的bit率会与一万多但是如果我只设定了-vcodec libx264 不管音频acodec编码的话，ffmpeg会自动调整降低码率的，1080p或者720p的每一帧bit率也只有2000左右，同时这

主要的资料来源是happynear的教程(英文github，中文csdn博客)，但是里面对python接口是分散讲的，而且有个地方有遗漏，摸索一天才发现怎么弄，所以这里针对python的部分单独讲讲。 我用的是VS2013，CPU模式，因为我的笔记本的N卡太弱了，所以我后来还是用CPU模式了。 第一步  下载所需2个包一个happynear的github的包，另一个他的3rdp