qq_26460507的博客

本博客主要翻译了Yuri Boykov and Vladimir Kolmogorov在2004年发表的改进最大流最小割算法用于计算机视觉的论文：An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision1. 最大流/最小割 背景介绍最大流/最小割（M

1、已知二叉树的前序遍历和中序遍历，则可以确定一棵二叉树已知二叉树的中序遍历和后序遍历，则可以确定一个二叉树。但是已知二叉树的前序和后序遍历无法确定一棵二叉树。2、下面是编程实现由前序遍历结果+中序遍历结果，计算后序遍历结果。一道HULU的笔试题(How I wish yesterday once more)假设有棵树，长下面这个样子，它的前序遍历，中序遍历

两年前从网上看到一道面试题：用两个栈（Stack）实现一个队列（Queue）。觉得不错，就经常拿来面试，几年下来，做此题的应该有几十人了。通过对面试者的表现和反应，有一些统计和感受，在此做个小结。 用C++描述，题目大致是这样的： 已知下面Stack类及其3个方法Push、Pop和 Count，请用2个Stack实现Queue类的入队(Enqueue)出队(Dequeue)方法。

/* P为模式串，下标从0开始 */void GetNext(string P, int next[]) ///优化前next计算结果{ int p_len = P.size(); int i = 0; //P的下标 int j = -1; next[0] = -1; while (i < p_len) { if (j =

#include #include #include #include #include #include #include #include ///Debug mode#if 0 ///strcpy字符串赋值函数实现///法1/*char my_strcpy(char *dest, const char *src) { assert(dest!=NULL &

图的遍历的关键是确定每个顶点的邻接顶点，也即是确定由顶点组成的邻接矩阵。这里参考网上的一篇基于C++的邻接矩阵的实现过程图类的实现：#include#includeusing namespace std;//最大权值#define MAXWEIGHT 100//用邻接矩阵实现图class Graph{private: //是否带权 bool isWeighted;

1、科学网 http://meeting.sciencenet.cn/2、ICSIP 信号与图像处理国际会议 http://www.icsip.org/chinese.html3、VS 下载资源   MSDN http://www.itellyou.cn/

1、N. Goyette, P.-M. Jodoin, F. Porikli, J. Konrad, and P. Ishwar, changedetection.net: A new change detection benchmark dataset, in Proc. IEEE Workshop on Change Detection (CDW-2012) at CVPR-201

1. Bayesian Matting, Chuang, CVPR 2001.http://grail.cs.washington.edu/projects/digital-matting/papers/cvpr2001.pdf  论文下载http://grail.cs.washington.edu/projects/digital-matting/image-matting/项目网址

《Saliency Detection: A Spectral Residual Approach》是上交高材生侯晓迪在07年的CVPR上发表的一篇论文。这篇文章提出了一个图像视觉显著性的简单计算模型。有关算法原理可以参见此篇论文以及作者主页：http://www.klab.caltech.edu/~xhou/projects/spectralResidual/spectralresidual.h

显著性检测FT算法来自文献：《Frequency-tuned Salient Region Detection》FT算法由Achanta等提出，利用颜色特征的中央-周边算子来得到显著图。其求解过程非常简单：S(x,y)=||Iu-Iwhc(x,y)||;Iu是图像像素的算术平均值，Iwhc(x,y)是对原图像进行的高斯模糊。此算法使用Lab空间，||-||为欧式

最近看了些图像和网格的显著性检测(Saliency Detection)的文章, 并且实现了其中的一些算法. 关于显著性检测的文章虽然很多, 但是大致可以分为两类. 一类是从局部的特征描述出发, 计算它和背景平均值的差异, 如果差异大, 或者出现的频率小, 则说明它比较显著. 另一类从上层的认知信息出发, 比如人脸识别, 广一点的就是特定物体的识别. 还有一类比较特别, 用了eye track

3.1　各彩色空间中肤色[1]的聚类情况    好的肤色模型要求选择一个恰当的彩色空间，在此空间中肤色能团簇、聚合在一起，并且与非肤色的重叠部分要尽可能少。通过各色度空间中肤色聚类的结果比较发现，肤色在各空间中的聚类情况如下：在RGB彩色空间中，肤色与非肤色的重叠部分较多。因此RGB空间不适合构造肤色模型；在rgb彩色空间中的分布情况（用r，g表征）。由于色饱和度没有被分离出来，rgb

图像图区显著性信息目前比较perfect的两篇文章分别是:1、http://cg.cs.tsinghua.edu.cn/people/~cmm/saliency/ 通过图像分割和区域颜色，距离等信息计算得到显著信息。       主要步骤依次为颜色聚类，图像分割，对每个分割区域分别计算颜色直方图，然后计算每个区域的显著性信息，计算时，每两个区域的距离用颜色直方图距离衡量

背景知识：经典图形理论认为，一个象素可以有三原色构成，即红色，绿色，蓝色，即RGB。对于24位深度的图形系统，RGB各占8个BIT。一个象素占24个BIT。Alpha通道：Alpha通道是用来处理透明色的一种方法。在每个象素中保存一个Alpha值，用来表示这个象素的透明程度。这样可以实现如游戏中透明的光影效果。比如，我们可以定义一个矩形，然后矩形边缘部分可以设为全透明的，而中间任何部分

这个算法是交互式图像分割算法的改进，方法原理和上一篇写的很像，也需要用户标记出一些背景和前景的像素点种子，最大的改进之处在于它建图是的顶点不再是基于像素，而是基于一个个小的区域，我们可以采用分水岭算法和k-meas算法等方法先对图像进行预处理，将图像分割成很多的小区域，然后以这些小区域为顶点，相邻区域建立边，构建一个图，再采用s/t算法进行分割。这篇论文提出的方法主要分为两步：1、对象标记；2、边

一、基本概念每个结点最多有两棵子树，左子树和右子树，次序不可以颠倒。性质：1、非空二叉树的第n层上至多有2^(n-1)个元素。2、深度为h的二叉树至多有2^h-1个结点。满二叉树：所有终端都在同一层次，且非终端结点的度数为2。在满二叉树中若其深度为h，则其所包含的结点数必为2^h-1。完全二叉树：除了最大的层次即成为一颗满二叉树且层次最大那层所有的结点均向左靠齐，即集中在左面的位置上，不能有空位置