qq_26460507的博客

对智能视频监控来说，摄像机处于静止情况。假设视频图像中背景像素点的特征在一段时间内变化不大，则可以认为在这一段时间内，背景像素点服从高斯分布。但是在实际情况中，存在树枝晃动、水波等干扰，背景像素点会呈现出双峰或者多峰的现象，因此必须采用多个高斯分布的方式来描述背景像素点的特征，以降低干扰。混合高斯模型的原理：根据Stauffer和Grimson的假设，到第t时刻。像素点(x0,

Gabor变换属于加窗傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。Gabor 滤波器的频率和方向类似于人类的视觉系统，所以常用于纹理识别。在空间域，二维Gabor滤波器是一个高斯核函数和正弦平面波的乘积，具体的：复数：实部：虚部：公式中：λ：正弦函数波长；θ：Gabor核函数的方向 ψ：相位偏移σ：

非局部均值去噪是空域滤波的一个重大突破，它利用自然图像的冗余，基本思想是：当前像素点的灰度值与图像中所有与其结构相似的像素点加权平均得到。如何衡量结构相似的像素点，也即如何确定权值系数？其做法是：对于每一个像素点的权值，采用以该像素点为中心的图像子块（7*7）或（9*9）与当前像素点为中心的子块之间的高斯加权欧氏距离来计算。参考：    http://www.ceremade.da

function DeNimg = Non_Local_Means(Nimg,PSH,WSH,Sigma)% Non_Local_Means滤波器%函数输入: %         Nimg:  输入的图像矩阵 + 带噪声的%         PSH:  扩展窗尺寸大小%         WSH: 窗尺寸大小%         Sigma：方差%函数输出: %    

一、要深厚功底，包括数学理论、图像算法理论、编程能力、阅读提炼文献、英文水平二、结合工作实践提高算法实用性，包括准确度、实时性等三、需要跟上学术前沿的脚步，不能吃老本，理论知识体系需要更新、兴趣四、研究方向工作领域要专和精，才是生产力五、需要结合硬件资源做研究，比如Opencl六、研究开源库，分享和贡献七、运动、休息和美食（不是乱吃）八、技术