作者： 阮一峰日期： 2011年8月13日几周前，我介绍了相似图片搜索。这是利用数学算法，进行高难度图像处理的一个例子。事实上，图像处理的数学算法，已经发展到令人叹为观止的地步。Scriptol列出了几种神奇的图像处理算法，让我们一起来看一下。一、像素图生成向量图的算法数字时代早期的图片，分辨率很低。尤其是一些电子游戏的图片，放大后就

Google、百度、搜狗相继推出了识图搜索服务，能够以图片找图片，终于比基于文字的图片检索前进了一大步。以前一直认为在信息检索领域基于内容的图片检索大多数只停留在表面，直到这样的应用大量出现后才真正开始关注起基于内容的图片检索（CBR）。找了一些文章后发现，CBR在十年前已经研究得很丰富了，相关的理论框架也比较完善。原来工业界总是会落后于学术界，科研还是工业技术的排头兵啊。大致总结一下吧，也加深自

Speed-Up Robust Features(SURF) SURF 是一种尺度，旋转不变的detector和descriptor.最大的特点是快！在快的基础上保证性能（repeatability,distinctiveness 和robustness）。SURF采用有效策略的主要有：1）积分图（用于对图像卷积）2）detector是基于Hessian矩阵，des

基于内容的图像检索技（CBIR）术相术介绍kezunhai@gmail.comhttp://blog.youkuaiyun.com/kezunhai            近20年来，计算机与信号处理领域如火如荼地发展着，随着普通计算机的性能不断地提高，人们对计算机处理信息的能力及要求不断地提高。传统的基于文本检索技术已经难以满足人们的需求，图片作为人们对周围世界的感知媒介

///////////////////推荐博客//////////////////////////////////////xdyang的图像视觉小屋图像处理与计算机视觉经典论文(6)图像处理与分析(10)计算机视觉(8)模式识别和机器学习(12)[置顶] 图像处理与计算机视觉：基础，经典以及最近发展//////////////////

1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。2.再用k-means算法对图像库中的特征点进行训练，生成类心。3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型---------------------------------------------------------------------------        

转载：http://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.html记得刚读研究生的时候，学习的第一个算法就是meanshift算法，所以一直记忆犹新，今天和大家分享一下Meanshift算法，如有错误，请在线交流。Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型---------------------------------------------------------------------------        

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型--------------------------------------------------------------------------- 前言

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型--------------------------------------------------------------------------- 前言

对数极坐标几何（Log-Polar Geometry）是为了仿真生物视网膜，比如人眼中央小凹，的成像原理而产生的，它具有数据压缩的特性。对 数极坐标系是一个二维坐标系，一个点的坐标由一个实数对 (ρ，θ) 决定，ρ 是该点到某一特定点（原点origin）的距离的对数，θ是过该点与原点的直线和某个参考直线（如x轴）所张的角度。一个类似于人眼的传感器阵列如左图所示，它由64层同心圆

转载：http://blog.163.com/huai_jing@126/blog/static/1718619832011101463943869/文献1：Combined Object Categorization and Segmentation with an Implicit Shape Model，ECCV 04 Workshop。内容简介：用隐形状模型（Impli

文献： Object Detection using a Max-Margin Hough Transform, CVPR 2009.用最大化margin的方法学习出参与投票的部分的权重, 用优化工具CVX求解。流程图如下： 文献：  Recognition using Regions, CVPR 09.内容简介：提出了一个用区域来做物体检测、分割和分类的统一框架。具体地：

这里讨论利用输入图像中像素的小邻域来产生输出图像的方法，在信号处理中这种方法称为滤波（filtering）。其中，最常用的是线性滤波：输出像素是输入邻域像素的加权和。 1.相关算子（Correlation Operator)       定义：,  即 ，其中ｈ称为相关核(Kernel).　　　　　　　　　　步骤：        1）滑动核，使其中心

给定两个点p1与p2的坐标，确定这两点所构成的直线，要求对于输入的任意点p3，都可以判断它是否在该直线上。初中解析几何知识告诉我们，判断一个点在直线上，只需其与直线上任意两点点斜率都相同即可。实际操作当中，往往会先根据已知的两点算出直线的表达式（点斜式、截距式等等），然后通过向量计算即可方便地判断p3是否在该直线上。 生产实践中的数据往往会有一定的偏差。例如我们知道两个变量X与Y之间呈线性

Ransac算法项目主页https://github.com/libing64/RansacLine1、算法简介随机抽样一致算法(RANdom SAmple Consensus,RANSAC)。它是一种迭代的方法，用来在一组包含离群的被观测数据中估算出数学模型的参数。 RANSAC是一个非确定性算法，在某种意义上说，它会产生一个在一定概率下合理的结果，其允许使用更多次的迭代

前言：最近由于工作的关系，接触到了很多篇以前都没有听说过的经典文章，在感叹这些文章伟大的同时，也顿感自己视野的狭小。  想在网上找找计算机视觉界的经典文章汇总，一直没有找到。失望之余，我决定自己总结一篇，希望对 CV 领域的童鞋们有所帮助。由于自己的视野比较狭窄，肯定也有很多疏漏，权当抛砖引玉了，如果你觉得哪篇文章是非常经典的，也可以把相关信息连带你的昵称发给我，我好补上。我的信箱 xdyang.

图像的缩放很好理解,就是图像的放大和缩小。传统的绘画工具中,有一种叫做“放大尺”的绘画工具，画家常用它来放大图画。当然，在计算机上，我们不再需要用放大尺去放大或缩小图像了，把这个工作交给程序来完成就可以了。下面就来讲讲计算机怎么来放大缩小图象；在本文中，我们所说的图像都是指点阵图，也就是用一个像素矩阵来描述图像的方法，对于另一种图像：用函数来描述图像的矢量图，不在本文讨论之列。越是简单的模型越

轉載：http://www.bfcat.com/index.php/2012/10/deblur/今天看到新浪微博上面转发的一个应用叫做 Enhance！， 这个应用可以在很大程度上消除相机拍摄图像的抖动模糊。效果图如下：              效果虽然不算完美，但是也很令人惊讶。一直以来对这个领域了解不是很多，今天看到这个，就在网上搜索了一下这方面的资

转载：http://www.cnblogs.com/tingshuo/archive/2011/05/16/2047797.html灰度图是指用灰度表示的图像，灰度是在白色和黑色之间分的若干个等级，其中最常用的是256级，也就是256级灰度图。灰度图在医学、航天等领域有着广泛的应用。那么如何将一幅彩色图像转换为灰度图呢？根据人眼对红绿蓝三色的敏感程度，可以使用以下比例式进行转换

轉載；http://www.bfcat.com/index.php/2012/03/svd-tutorial/SVD分解（奇异值分解），本应是本科生就掌握的方法，然而却经常被忽视。实际上，SVD分解不但很直观，而且极其有用。SVD分解提供了一种方法将一个矩阵拆分成简单的，并且有意义的几块。它的几何解释可以看做将一个空间进行旋转，尺度拉伸，再旋转三步过程。首先来看一个对角矩阵，

这是《小波变换和motion信号处理》系列的第一篇，基础普及。第二篇我准备写深入小波的东西，第三篇讲解应用。记得我还在大四的时候，在申请出国和保研中犹豫了好一阵，骨子里的保守最后让我选择了先保研。当然后来也退学了，不过这是后话。当时保研就要找老板，实验室，自己运气还不错，进了一个在本校很牛逼的实验室干活路。我们实验室主要是搞图像的，实力在全国也是很强的，进去后和师兄师姐聊，大家都在搞什么小

这是《小波变换和motion信号处理》系列的第二篇，深入小波。第一篇我进行了基础知识的铺垫，第三篇主要讲解应用。在上一篇中讲到，每个小波变换都会有一个mother wavelet，我们称之为母小波，同时还有一个father wavelet，就是scaling function。而该小波的basis函数其实就是对这个母小波和父小波缩放和平移形成的。缩放倍数都是2的级数，平移的大小和当前其缩放

从前两篇发布到现在，过去一年多了。当初承诺的主要讲解应用的第三篇迟迟没能出炉的原因主要是这个方法用到了我们组的一篇论文中，所以在论文发表之前，不大方便发出来。倒不是说这个方法有多原创创新，只是这是团队工作，我单独提前发出来不大好。现在这篇论文已经录取发表，所以可以不用顾虑放上来了。我本来想讲的东西都在论文中，我也比较懒，就不再翻译一遍了。各位感兴趣的可以从这里下载。因为篇幅原因，和小波相关

转载：http://blog.youkuaiyun.com/lichengyu/article/details/8457425参考：[1]http://www.cambridgeincolour.com/tutorials/gamma-correction.htm[2]http://en.wikipedia.org/wiki/Gamma_correction 一、什么是Gamm

转载：http://blog.youkuaiyun.com/v_july_v/article/details/8203674 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法前言    前两日，在微博上说：“到今天为止，我至少亏欠了3篇文章待写：1、KD树；2、神经网络；3、编程艺术第28章。你看到，blog内的文章与你于别处所见的任何都不同。于是，等啊等，等一台

目标本教程中我们将涉及:有哪些特征？它们有什么用？使用函数 cornerHarris 通过 Harris-Stephens方法检测角点.理论有哪些特征?在计算机视觉中，我们通常需要寻找两张图上的匹配关键点。为什么？因为一旦我们知道了两张图是相关联的，我们就可以使用 *both 图像来提取它们中的信息。是指匹配关键点 是指在场景

转载：http://blog.youkuaiyun.com/abcjennifer/article/details/7639681SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像

转载：http://blog.youkuaiyun.com/abcjennifer/article/details/7616663双边滤波器是什么？双边滤波（Bilateral filter）是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。可以与其相比较的两个filter：高斯低通滤

尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd  zddmail@gmail.com对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。1、SIFT综述尺度不变特征转换(Scale-invariant feature trans

DoG (Difference of Gaussian)是灰度图像增强和角点检测的方法，其做法较简单，证明较复杂，具体讲解如下:Difference of Gaussian(DOG)是高斯函数的差分。我们已经知道可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果，即去噪过程，这里的Gaussian和高斯低通滤波器的高斯一样，是一个函数，即为正态分布函数。那么di

今天看3D（时空域） Harris角点的检测，发现网上关于此的中文内容很少，所以决定写两篇文章，分享一下自己的心得。第一篇是关于在空域上的Harris角点检测。 在我们解决问题时，往往希望找到特征点，“特征”顾名思义，指能描述物体本质的东西，还有一种解释就是这个特征微小的变化都会对物体的某一属性产生重大的影响。而角点就是这样的特征。观察日常生活中的“角落”就会发现，“角落”

角点特征检测与匹配是Computer Vision 应用总重要的一部分，这需要寻找图像之间的特征建立对应关系。点，也就是图像中的特殊位置，是很常用的一类特征，点的局部特征也可以叫做“关键特征点”(keypoint feature)，或“兴趣点”(interest point)，或“角点”(conrner)。关于角点的具体描述可以有几种：一阶导数(即灰度的梯度)的局部最大所对

转载：http://www.cnblogs.com/xpvincent/archive/2013/03/15/2961448.html最近用到插值算法，使用三次样条插值时仿真速度太慢，于是采用算法简单的线性插值。本篇主要介绍一下双线性插值的实现方法。1. 线性插值已知坐标 (x0, y0) 与 (x1, y1)，要得到 [x0, x1] 区间内某一位置 x 在直线上

信息检索概述信息检索是当前应用十分广泛的一种技术，论文检索、搜索引擎都属于信息检索的范畴。通常，人们把信息检索问题抽象为：在文档集合D上，对于由关键词w[1] … w[k]组成的查询串q，返回一个按查询q和文档d匹配度relevance(q, d)排序的相关文档列表D’。对于这一问题，先后出现了布尔模型、向量模型等各种经典的信息检索模型，它们从不同的角度提出了自己的一套解决方案。布