my_share的专栏

你好。我叫毛华望。 微信15889765314。 必定图像处理也是我的工作内容之一。少不了对图像处理的了解和编成。这里对细节增强做详细说明。其实我也不太想写这篇文章。因为按照目前的视频处理器，或者电脑软件来说。细节增强已经不算是啥特别的技术了。只不过其他人已经用烂的技术，对于并没有图像处理基础的人来说还是需要些文章来了解。就随便写写。有需要的人，就提供些帮助。 目前市面产品和细节增强介绍： 在网络上，细节增强 和锐化 边界增强 高...

你好，我是毛华望，微信15889765314。今天在这里介绍我最新完成的内容。智能美图 或者是HDR。 网络上HDR情况的介绍： 在我们的网络上经常会有关于HDR的新闻和消息。但是HDR的概念却十分的混杂。这里我做一个基本介绍。真HDR，是由3张不同亮度的照片合成的。而且是必要条件。这才是真HDR应该有的样子。而且HDR是10bit图像。我们的显示器通常都是8bit，是无法显示10bit图像 的。所以，在我们能接触到的HDR图也好...

前言：训练程序。只是负责验证只有3层的情况下卷积神经网络算法效果如何。想要了解计算过程的细节，还需要增加很多的程序进行调试和分析。权重参数处理：1，模型的参数需要保存下来。添加save。2，需要把参数打印并保存下来。方便串口发送。3，软件对参数的处理。置换和量化。调试添加：1，控制输入图片。2，显示计算过程和过程中的结果。备注：调试过程是帮助了解卷积，全连接等每个层的计算过程。可能有必要的话，还需要对conv2d等函数进行细节...

前言：FPGA最核心的部分就是计算单元，卷积神经网络算法就是在这个模块里面完成的。其他模块无难度。虽然说是测试卷积神经网络算法的可行性和量化后的精度2大内容。但是结构上还是要有通用性和可移植性。重点：FPGA程序上优化算法结构，提高FPGA计算效率，这里不考虑。为了提高效率，数据调度难度会非常大，所以，测试的话这一块先放一下。算法分析：1，卷积神经网络分了3层。 卷积层+卷积层+全连接层。那么整个流程可以分为3个大流程。2，卷积层里面分为卷积，系数。激活函数，最大池化。又分4个流程。

程序采用的是《21个项目玩转深度学习》 网址：https://github.com/ewenwan/deep-learning-21-examples第一章就是我们需要的mnist 机器学习入门。# coding: utf-8import tensorflow as tfimport input_datadef weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return t

前言：熟悉了深度学习卷积神经网络后，发现FPGA完成卷积神经网络是有可能的。现在我们就要整体开始设计如何一步一步实现卷积神经网络。并且方便做到通用性，也要控制成本。不能为了实现卷积神经网络而实现。要贴近我们降低成本和提高算力的目的。考虑：1，图像来源和权重参数的来源。实际使用中，输入图像可能有2种，1，摄像头的图像直接输入 也就是HDMI等。 2，USB， 网口等视频流接口。 权重参数的发送也可能是2种。1，用通用接口，比如说：串口，网口。 2，如果参数由ARM发出，可能是自定义接口。为

这里全部内容都是由这个网址转载过来的。https://tech.youmi.net/2016/07/163347168.html解说：关于算法的完成。需要看很多的文章和视频才能有更好的理解和领悟。这里就随便点一下。1，FPGA作为部署终端，只执行前向传导任务。并不执行反向传导。2，前向传导，只有乘法和加法。z(2)=w(2)a(1)+b(2)z(2)=w(2)a(1)+b(2) 。3，最常用的层有卷积层，全连接层，激活函数，正则化等。 目前来说卷积层和全连接层问题不大。主要是激活函数

网络上已经有很多的文章来描述，FPGA在实现深度学习的优势和劣势。当然描述有对有错。如果你说是完全的劣势。那么旷视，商汤等公司还在使用FPGA完成深度学习，而没有转向GPU呢？我在这里就简明扼要的去描述FPGA在深度学习上的优势和劣势。优势：（终端部署）1，FPGA和CPU没有啥好比较的，在深度学习终端部署，CPU完全不能考虑，tensorflow lite 虽然能压缩模型到一个很小的范围。但是依旧是实时性不够好。FPGA相对于GPU来说，相同算力情况下，有成本优势。在很多的网络上标示FPGA的

我手上的电视，索尼42寸，最大支持1080p。摄像机是高清。1080p图像看起来边界过度还可以，说明电视没有对摄像机的图像边界做处理，可能摄像机质量不够。1080i比1080p边界过度还生硬，估计也没有做任何的处理。720p放大才能全屏幕，所以边界棱角突变效果明显。

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 or (zddhub@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。如果你学习SIFI得目的是为了做检索，也许OpenSSE更适合你，欢迎使用。

SIFT（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特征点匹配，获得了良好效果，详细解析如下：算法描述SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮

关于FPGA图像处理，完成多画面显示。

FPGA实现图像处理画中画PIP

这里简单的描述了，数字检测出来的方法。FPGA车牌识别的一部分。

FPGA的技术层面上来完成图像上光点 的数量。

这里我就做了一些简单的描述，因为从整体来说，资料比较全面的。