ninver2007的专栏

业务模型读、写、删的比例大致是7:3:1，至少要支持500w条缓存，平均每条缓存6k，要求设计一套性能比较好的缓存算法。算法分析不考虑MemCached，Velocity等现成的key-value缓存方案，也不考虑脱离.net gc自己管理内存,不考虑随机读取数据及顺序读取数据的场景，目前想到的有如下几种LRU方案算法分析

#define EXTRA_NAME "@hormirror."#include "loadbmp.h"void HorzMirror(){ int x,y; BYTE *lpTemp=new BYTE[nByteWidth*nHeight]; for(y=0;y {  for(x=0;x  {   lpTemp[x*3+y*nByteWidth]=lpBi

#define EXTRA_NAME "@fouriertransform."#include "loadbmp.h"#define Point(x,y) lpPoints[(x)+(y)*nWidth]void FFT(COMPLEX * TD, COMPLEX * FD, int power){ int count; int i,j,k,bfsize,p; doub

void convert_yuv420p_to_yuv422_my(unsigned char *src,\    unsigned char *dst, int width,int height) {  int i, j;  unsigned char *pY420_0 = src; unsigned char *pY420_1 = src +width; unsigne

void scale_D1_to_cif(unsigned char  *src, unsigned char *dst){ int i, j; long long *restrict pUYVY0_0 = (long long*)(src+8); long long *restrict pUYVY0_1 = (long long*)(src + (720*2)*2+8); u

#define EXTRA_NAME "@nocolor."#include "loadbmp.h"void NoColor(){ if (lpBitmap==0) return; int x,y,p; BYTE Point; for(y=0;y  for(x=0;x  {   p=x*3+y*nByteWidth;   Point=(BYTE)(0.2

#if ! defined (_LOADBMP_H)#define _LOADBMP_H#if ! defined (EXTRA_NAME)#define EXTRA_NAME "~EX."#endif#include #include #include #include #define pi (double)3.14159265359int nWidth;

#define EXTRA_NAME "@dcttransform."#include "loadbmp.h"#define Point(x,y) lpPoints[(x)+(y)*nWidth]void FFT(COMPLEX * TD, COMPLEX * FD, int power){ int count; int i,j,k,bfsize,p; double a

#define EXTRA_NAME "@gausssmooth."#include "loadbmp.h"#define In(x,y) lpInput[(x)+(y)*nWidth]#define Out(x,y) lpOutput[(x)+(y)*nWidth]#define Mediate(x,y) lpMediate[(x)+(y)*nWidth]#define Po

一直研究车牌识别算法，主要关注车牌定位和字符识别。我想分享一下我对车牌定位的看法。      从根本上讲，车牌定位的算法分为三类，一类是基于边缘的，一类是基于颜色的，一类是基于机器学习的，这三种方法我都做过实验，基于边缘的最简单也最有效，如果对于收费站和小区的应用，做到99%以上的检测率不是件难事，但如果场景复杂一点，误检会比较多，但并不会漏掉真正的车牌，只是虚警率高点，可以通过先验知识、颜色

前在实际中应用的人脸检测方法多为基于Adaboost学习算法的方法，这种检测方法最初由剑桥大学的两位大牛Paul Viola和Michael Jones[ViolaJones01]提出，并由另一位大牛英特尔公司的Rainer Lienhart[Lienhart02]对这一方法进行了改善。这里，我先介绍ViolaJones的人脸检测方法，然后再介绍Lienhart的人脸检测算法。我们

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用

emcv是OpenCV针对C6000系列DSP的移植版本，目前只完成了我们工作中用到的部分。下面对如何使用emcv做个简单的介绍：1. 找到一个可用的demo我们使用的是video_loopback例子，这个程序中DSP只是简单地将摄像头采集到的图像显示出来。显示的过程是将采集帧缓冲的数据复制到显示帧缓冲中。2. 将demo工程改为C++工程简单的说，就是将

下面的代码,实现将一幅YUV422的双通道图片(640x480大小)，取中间区域(560x400大小)使用插值的办法放大至(640x480)。这个算法可以用来实现将图片外围区域截掉。#define X_RATIO (8)#define Y_RATIO (6)PUBLIC void YUVScale(JINF_YUV_CHN_T *const yuv_ptr,const uint

ECC简介　　由于NAND Flash的工艺不能保证NAND的Memory Array在其生命周期中保持性能的可靠，因此，在NAND的生产中及使用过程中会产生坏块。为了检测数据的可靠性，在应用NAND Flash的系统中一般都会采用一定的坏区管理策略，而管理坏区的前提是能比较可靠的进行坏区检测。　　如果操作时序和电路稳定性不存在问题的话，NAND Flash出错的时候一般不会造成整个Blo

视频YUV4:2:2转4:2:0的TI DSP源代码网络上有很多有关YUV4:2:2转YUV4:2:0的描述，但大多数都是讲解原理，没有实际性的做法，本文把自己在TI DAVINCI DM6446 端的测试过的代码奉献出来，供大家参考和学习，同时抛砖引玉，希望得到大家的指点。本方法适合TI DM642,DM643x,DM644x等DSP系列，前段图像采集格式一般都是YCbCr 4:

从技术上角度区分，颜色空间可考虑分成如下三类： Ø    RGB型颜色空间/计算机图形颜色空间：这类模型主要用于电视机和计算机的颜色显示系统。例如，RGB，HSI, HSL和HSV等颜色空间。Ø    XYZ型颜色空间/CIE颜色空间：这类颜色空间是由国际照明委员会定义的颜色空间，通常作为国际性的颜色空间标准，用作颜色的基本度量方法。例如，CIE 1931 XYZ，L*a*b，L*