hjimce的专栏

1、自动调色板颜色选择算法这一部分，paper的创新点在如何对图像像素点进行快速聚类?通过一种改进的k均值算法，进行聚类，paper默认选择k值为5，每个聚类中心颜色就是调色板颜色Ci。这个就像grab cut算法中，默认选择的图像颜色的聚类个数也是5。估计是5是一个比较好的经验值吧。然而paper说到，如果直接使用k均值算法，进行图像像素点的聚类，那么每次迭代计算，对于一个大的图片来说，

可能很多人会把图像分割和抠图混在一起。我的观点是图像分割和图像抠图的算法是完全不同的，图像抠图算法比较复杂，需要涉及到α值得求取问题，也就是还有alpha通道，当然抠出来的精度也远远高于图像分割算法。图像抠图的英文单词又称之为：Matting。在图像里面前景色和背景色经过alpha融合后，得到一张图片： 其中F表示前景颜色值，B表示背景的颜色值。而C就是最后合成的结果。因此图像抠图就是

写这篇博文是应为目前为止我看到了好多领域里的经典paper算法都有涉及到移动最小二乘（MLS）。可见这个算法非常重要，先来看一下它的相关经典应用：1、图像变形。在图像处理领域paper：《Image Deformation Using Moving Least Squares》利用移动最小二乘的原理实现了图像的相关变形，而且这篇paper的引用率非常高，可以说是图像变形算法的经典算法，Siggraph上面的paper。

对于人物头像风格转换，2014年siggraph上面出了一篇比较不错的paper：《Style Transfer for Headshot Portraits》 ，这篇文献涉及到的算法非常多，可以说，如果要把这篇paper的代码从头到尾写过一遍，相当复杂。即使是paper作者本人，也只是通过代码拼凑实现的。因为这篇文章涉及到十几篇paper的算法。我这边主要讲解这篇文献的总流程，如果你打算把这篇文献完全看懂，那么对于图像融合、抠图、sift、图像变形等这些基础算法都要非常熟悉，因为这篇paper就是通过这些

本篇博文主要讲解2004年Siggraph的经典paper：《Poisson Image Editing》，在图像融合领域，融合效果最牛逼的paper。讲这个算法，我没打算讲太多理论的公式，理论的东西，对于大部分数学比较差的人来说看了就头晕。什么散度、拉普拉斯算子、梯度场、泊松方程、泊松方程第一类边界条件(Dirichlet boundary)、泊松方程第二类边界条件(Neumann boundary)，如果把这些公式贴上来，估计很多人还没看到算法是怎么实现的，就已经看不下去了。因此我将直接给出离散形式实现

这边只介绍缩小算法，且是图像宽度缩小的算法，对于图像高度缩小，只需对图像转置处理。该过程是通过迭代实现的，每次只能移除一列，迭代直到宽度满足要求。下面介绍寻找移除能量线的方法，需要注意的是，每次移除一列，都要重新计算能量图，也就是说，梯度图要重新计算，才能进行下一轮的移除工作。算法第一步：计算图像能量图 能量图一般是图像像素的梯度模值，为了简化计算可先转换成灰度图像，然后直接采用如下公

最近发现，看过的文章，没几天就忘了，于是开始写点东西记录一下，所学习过的算法。废话不多说，今天看了这篇文献“Rectangling Panoramic Images via Warping”，所以做一下记录。这篇文献算法分为两步：1、第一步需要通过计算图像最小能量线，对图像进行预变性。看懂这篇文章首先要看懂Seam Carving，这个算法作者有源码，可以下载下来好好解读一下算

导向滤波磨皮的对应文献为：Guided Image Filtering，这个算法速度极其之快，比其他的保边缘磨皮算法都快，甚至快上好几倍。这个算法最初来自于何明凯的图像去雾算法中，现在已然被应用封装与matlab图像处理函数库中，可见算法堪称经典。看以下算法的伪代码：然后把代码写一写：然后把结果测一测，松松搞定：

递归双边滤波是双边滤波的一种加速算法，加速比非常大，就像高斯模糊快速算法一样，加速起来，速度跟原算法相比，提高了十几倍。双边滤波的加速算法很多，文献都比较老旧，我这边主要讲一下比较新的算法：递归双边滤波，对应的paper为：《Recursive Bilateral Filtering》这个算法比我另外一篇博文将的双指数滤波快一点，两篇文献的基本思想一样：递归公式跟双指数的递归公式基

《Gradient Domain High Dynamic Range Compression》学习笔记原文地址：作者：hjimce一、相关理论本篇博文主要讲解基于梯度域编辑的HDR，也是HDR的经典之作：《Gradient Domain High Dynamic Range Compression》，效果很牛逼。这篇文献其实只要学过图片泊松融合，那么就会发现学习这篇文献非常简单。开始前，先啰嗦一

hjimce算法类博文目录个人博客：http://blog.youkuaiyun.com/hjimce个人qq：1393852684知乎：https://www.zhihu.com/people/huang-jin-chi-28/activities一、深度学习深度学习(七十三)pytorch学习笔记深度学习(七十二)tensorflow 集群训练深度学习（七十一）3D CNN时空特征学习深度学习（七十）da...

《基于数据驱动的卡通动画生成》是由腾讯优图团队发表的一篇paper，英文名为：《Data-Driven Face Cartoon Stylization 》，是2014年Siggraph Asia 上的一篇paper，其实现了人像卡通动画的生成，也就是用户输入一张图片，然后根据算法，它会自动生成用户对应的卡通动画图。看起来是不是高大上的样子，看了paper的效果图是不是感觉很牛逼的样子，然而其实我这篇paper算法的鲁棒性很差，这篇文章能够被Siggraph Asia录用，唯一的亮点是因为它提出来了一个五官

图像变形可以说是很多图像、动画领域的一个非常常见的功能，就说ps、天天P图、美图秀秀、可牛等这些每个软件，有好多个功能都要用到图像变形，比如瘦脸眼睛放大、图像方向校正、图像全景等，在我的另外一篇博文全景矩形还原，就要用到图像变形算法。可以说ps中的一些图像扭曲都是通过变形方法实现的，比如这篇paper:《As-Rigid-As-Possible Image Registration for H

水平集(level set)的基本思想是将界面看成高一维空间中某一函数ψ（称为水平集函数）的零水平集，同时界面的演化也扩充到高一维的空间中。我们将水平集函数按照它所满足的发展方程进行演化或迭代，由于水平集函数不断进行演化，所以对应的零水平集也在不断变化，当水平集演化趋于平稳时，演化停止，得到界面形状。

参考文献：《Geodesic Matting： A Framework for Fast Interactive Image》算法原理：基于测地距离的图像分割属于一种图论的分割算法。图论分割算法：即把图像上的每个像素点当做图的顶点，图的每个顶点有四个邻接顶点（每个像素点有四个邻接像素点，除边界点），每两个邻接像素点用相应的边连接，边的长度与两个像素点间的相似度有关（测地距离），而非采用简单的欧

这里要跟大家分享的paper为基于特征线的图像 morphing，对应的英文文献为《Feature-Based Image Metamorphosis》，是1992年SIGGRAPH 上的一篇paper，比较老的一篇paper，然而这篇paper引用率非常高，用于图像变形效果还是挺不错的，这个算法一般用于图像的morphing。因为这篇paper算法原理简单，易于实现，所以不用怕学习这个算法需要多长的时间。

基于随机游走的图像分割算法1、随机游走理论算法开始前，先简单描述一下随机游走的理论一维随机游走问题：设一个质点（随机游走者）沿着一条直线运动，单位时间内只能运动一个单位长度，且只能停留在该直线上的整数点，假设在时刻t，该质点位于直线上的点i，那么在时刻t +1，该质点的位置有三种可能：①以p 的概率跳到整数点i-1，②或以q的概率跳到点i+1，③或以r=1-p-q的概率继续停留在点i

Grab cut算法是2004年才有的算法，自从这个算法出来，在交互是图像分割领域影响极其深刻，目前文献《“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts》的引用率真不是一般的高，于是图论分割的算法就有很多新算法出现了，还有什么Normarlized Cut 、One cut，但是大体的思路大同小异。

持续更新原文地址：http://blog.youkuaiyun.com/hjimce/article/details/45421595作者：hjimce一、学习清单1、综合类(1)收集了各种最新最经典的文献，神经网络的资源列表：https://github.com/robertsdionne/neural-network-papers  里面包含了深度学习领域经典、以及最新最牛逼的算法，如果把这个列表学过一遍...