小公子

转载申明：以下的小技巧，均为OpenCV2.4.2下验证过的，但并不保证其它版本依然奏效（1）利用数组来构建cv::Mat   示例代码如下所示：[cpp] view plain copyvoid ArrayToMat()    {        double m[3][3];        for (in

1.  RGB颜色空间    RGB即是代表红、绿、蓝三个通道的颜色，强度值为0-2552. LAD颜色空间      L*a*b颜色空间用于计算机色调调整和彩色校正。它独立于设备的彩色模型实现。这一方法用来把设备映射到模型及模型本社的彩色分布质量变化。   Lab色彩模型是由亮度（L）和有关色彩的a, b三个要素组成。L表示亮度（Luminosity），a表示从洋

前景检测算法_4(opencv自带GMM)　　前面已经有3篇博文介绍了背景减图方面相关知识(见下面的链接)，在第3篇博文中自己也实现了gmm简单算法，但效果不是很好，下面来体验下opencv自带2个gmm算法。　　opencv实现背景减图法1(codebook和平均背景法)　　http://www.cnblogs.com/tornadomeet/archive/2012/04/08

四种比较简单的图像显著性区域特征提取方法原理及实现-----> AC/HC/LC/FT。laviewpbt  2014.8.4 编辑Email：laviewpbt@sina.com   QQ：33184777 　　最近闲来蛋痛，看了一些显著性检测的文章，只是简单的看看，并没有深入的研究，以下将研究的一些收获和经验共享。     先从最简单的最容易实现的算法说起吧：　

十三种基于直方图的图像全局二值化算法原理、实现、代码及效果。      图像二值化的目的是最大限度的将图象中感兴趣的部分保留下来，在很多情况下，也是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果。  

1.给每一个像素点赋值M.create(4,4, CV_8UC3);for(int i=0;i){for (int j=0;j){M.at(i,j)[0]=0;M.at(i,j)[1]=0;M.at(i,j)[2]=255;}}cout "M = "" " 2.代码时间测试double t =

一、meanshift 分割算法原理; 参考论文：Mean shift: A robust approach toward feature space analysis , PAMI, 2002mean shift认为中心是概率密度（ probalility density function  ）的 极大值点 ，沿着梯度方向，自适应调整步长（越靠近极值点步长越小），迭代搜索

1.  语法错误 : 标识符“_TCHAR”添加一条 #include 即可成功编译

1.先明白位深和色深的概念  位深：即在某一分辨率下，每一个像素点可以有多少种色彩来描述，单位为“bit”(位)。典型的色深是8-bit、16-bit、24-bit和32-bit。深度数值越高，可以获得更多的色彩。图像深度是指存储每个象素所用的位数,也用于量度图像的色彩分辨率.图像深度确定彩色图像的每个象素可能有的颜色数,或者确定灰度图像的每个象素可能有的灰度级数.它决定了彩色图像中可

算法的原理参见papaer：“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cutsgrabcut函数选定一个四边形框，把框中的图像作为grabcut的一个输入参数，表示该框中的像素可能属于前景，但框外的部分一定属于背景。在opencv 中grabcut 原函数的定义：//! se

1.k-means聚类算法原理 K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。K-means聚类的目的就是，在给定分类组数k（k ≤ n）值的条件下，将原始数据分成k类 S = {S1, S2, …, Sk}，在数值模型上，即对以下表达式求最小值：

//此文为转载，原文地址为 点击打开链接[cpp] view plain copy"font-size:18px;">#include   #include   #include "opencv2\opencv.hpp"  using namespace cv;  using namespace std;    int

本文主要讲centerloss 的原理，及其创新点。然后用caffe 跑自己的数据（CASIA-WebFace | MsCelebV1-Faces-Aligned） Reference paper：A Discriminative Feature Learning Approach for Deep Face Recognition ECCV:2016 github:https://git