朱骥伦的博客

计算摄像学之光场的空域重聚焦光场相机与传统相机原理缺点重聚焦双平面法光场相机与传统相机我们知道传统相机在拍摄时需要对焦，如果不对焦就会失焦，但在拍摄动态目标时，传统相机就难以在短时间内对焦到目标上。光场相机在拍摄时，相机捕捉大量光线资料并选定焦点，这样在拍摄结束后我们可以根据需要弹性选择结果。原理一般相机用主镜头捕捉光线，聚焦在镜头后的胶片或感光器上，光场相机通过在主镜头焦距处加微透镜阵列实现记录光线，再通过光场成像定理变焦。光线通过主镜头后，打到微透镜阵列上再次成像，在微透镜阵列之后的像素

opencv&c++使用haar级联实现人脸跟踪haar级联实现haar级联级联分类器是什么？级联分类器是一个把弱分类器串联成强分类器的过程。弱分类器是性能受限的分类器，没法正确的区分所有事物，如果你的问题很简单，他的输出结果会在可接受的范围内。强分类器可以正确的对数据进行分类提取haar特征，需要计算图像中封闭矩形区域的像素值总和，为了避免计算冗余，我们建立图像的积分图，通过提供矩形区域四角坐标，来得到这部分区域的像素和。在实际计算中，提取图像的haar特征需要计算多个尺度矩形的和，在实

黑暗图像局部和全局增强方法在图像增强中的应用局部增强全局增强实验结果论文地址：https://ieeexplore.ieee.org/document/8071892局部增强局部增强用于获取图像细节，根据图像的梯度增强局部细节，处理了被全局方法忽略的像素，这里使用的局部方法是unsharp masking,在这个方法中，图像的锐化是通过减去一个非锐化的图像来实现的，具体步骤如下：1.模糊图像2.mask = 原图 - 模糊图3.将mask添加到原图，即锐化图像 = 原图 + w*mask，其中w

基于透射率修正的湍流模型与动态调整retinex的水下图像增强先验知识lab空间瑞利分布暗通道先验理论湍流模型维纳滤波导向滤波retinex增强MSR颜色恢复本文流程匀光预处理改进的湍流模型retinex水下图像增强实验结果先验知识lab空间瑞利分布暗通道先验理论湍流模型维纳滤波导向滤波retinex增强MSR颜色恢复本文流程属下图像增强方法现在大多数存在自适应差、鲁棒性差的问题。该文章提出的算法优点在于考虑图像增强的偏色情况，抑制图像噪声，且改善了其他模型参数简单的问题，具有良好的通

水下图像增强中的颜色平衡与融合简介正文水下光传播过去相关工作水下白平衡简介文中介绍了一种有效的技术，以做到水下捕获的图像的增强并且减少了介质散射和吸收。方法是在一个单一的图像方法，不需要专门的硬件或水下条件或场景结构的知识。它建立在两幅图像的混合上，这两幅图像是直接从原始退化图像的彩色补偿和白平衡版本得到的。定义了要融合的两幅图像及其相关的权值映射，以促进边缘和颜色对比度对输出图像的转移。为了避免剧烈的权值变换在重建图像的低频分量中产生伪影，我们还采用了多尺度融合策略。我们广泛的定性和定量评估显示，增强

自然图像的卷积去模糊前言论文地址：自然图像的卷积去模糊前言

自动色阶第一步，分别统计各通道（红/绿/蓝）的直方图。第二步，分别计算各通道按照给定的参数所确定的上下限值。什么意思呢，比如对于蓝色通道，我们从色阶0开始向上累加统计直方图，当累加值大于LowCut所有像素数时，以此时的色阶值计为BMin。然后从色阶255开始向下累计直方图，如果累加值大于HighCut所有像素时，以此时的色阶值计为BMax。第三步，按照我们刚刚计算出的MinBlue/MaxBlue构建一个隐射表，隐射表的规则是，对于小于MinBlue的值，则隐射为0（实际上这句话也不对，隐射为多少是

暗通道先验理论的图像去雾通常彩色图像都包括三个通道，即RGB三通道，也可以理解而成一张图片又三层同样大小的RGB（光学三原色：红绿蓝）三色堆叠而成，而图片实质上是由一个个像素组成的，对应于RGB三色来说，每一种颜色都是由这三原色组合而成，比如红色为（255，0，0），绿色为（0，255，0），粉红为（255，192，203），也就是说一张彩色图片中的每个像素都是以这种形式来表示的。那么我们通常所说的暗通道，即清晰无雾的图片中除天空区域（因为天空区域或者白色区域和雾的特征较为接近）外的任一局部区域像素至少

图像处理之基于直方图均衡化的图像增强图像直方图直方图均衡化参考代码实验结果图像直方图图像直方图是以0-255作为横坐标，以图中对应像素值出现的次数作为纵坐标的图像统计图，利用图像直方图可以比较直观的看到图像的统计信息直方图均衡化直方图均衡是根据变换函数计算的得到的，可以理解为在任意间隔内的灰度密度等于灰度间隔除以总灰度级，那么这个灰度分布就是均衡的。参考代码void HistogramEqualize(BYTE *pImg, int width, int height){ BYTE *p

图像处理之路行道线检测实验思路实验代码总结实验思路通过将垂直投影与一维滤波相减与一阈值比较来记录LR，找到LR的中点即为可能存在于行道线上的点，将这些点进行霍夫变换，得到一条落点最多的极坐标曲线，即为行道线所在的线。实验代码计算投影：void CalProj(BYTE *pImg, int width, int height,int *projOrg){int realHeight = height / 15;int x, y; BYTE *pRow, *pCol; memset(p

图像处理之基于链码跟踪的大米数量检测// TestProjects.cpp : Defines the entry point for the console application.//#include <windows.h>#include <stdio.h>#include <stdlib.h>#include <string.h>#include <math.h>#include <time.h>#includ

图像处理之otsuotsu大米分离道路检测otsu大米分离原图与在ps中获得最小值滤波与高斯模糊后的图像：用原图减去处理后的图像，用otsu算出该图像的分割阈值，进行二值化即可查表法进行图像相减的代码如下： void imgSub(BYTE *pImgA, BYTE *pImgB, int width, int height) { int LUT[256]; BYTE *pA, *pB; BYTE *pEndA = pImgA + width * height, *pEndB =

LUT表的使用查表法的应用比较普通算法与查LUT表法计算伽马变换和图像灰度化的快慢程度均值方差规定化计算图像的均值方差用查表法计算两图像相减的绝对值；除法的快速计算查表法的应用比较普通算法与查LUT表法计算伽马变换和图像灰度化的快慢程度伽马变换：void GryImageGamaCorrect_Slow(BYTE *pGryImg,double gama,int nSize){ for(int i=0;i<nSize;i++) { *(pGryImg+i) = min(25

图像处理之目标边缘检测实验分析sobel算子进行边缘检测结果实验分析将图像中的数字部分通过sobel算子边缘检测、转化为积分图后找出目标区域。我的想法是在边缘检测后进行简单的二值化，凸显出数字部分，再在积分图中将目标区域凸显出来，找到数字区域左上角的坐标，从左上至右下画矩形。sobel算子进行边缘检测用Soble算子边缘检测利用的是SobelGrayImage这个函数；因为我发现数字旁边会有比较浅的白点，所以之后进行一次简单的二值化： void bin(BYTE *pSrc, int wid

图像平滑之快速滤波快速中值滤波快速均值滤波快速积分图滤波快速中值滤波在中值滤波中，需要计算每一块小的直方图的中值，如果每次都算一个新的直方图就会很麻烦，但是像素点每右移一个单位，直方图实际上只改变了最左侧一列和最右侧一列，其余的数据可以继续使用，并且这个中值的改变也不会太大，用这种方法避免了重复访问和重复运算。代码如下：int calMidValue(int hist[], int midLocation){ int sum = 0; for (int i = 0; i < 256; +

图像处理之目标检测目标检测的基本思路遇到的问题鹿人鹰花狗总结附录目标检测的基本思路对于轮廓清晰的图片，可以先检测出他的轮廓，此时会有背景的轮廓也被添加进来，可以通过先填洞，再腐蚀和膨胀来消除多余的边缘来找到目标的轮廓。对于轮廓不清晰或者背景很复杂的图片，可以通过图像二值化，用特定的阈值将需要的目标筛选出来，或是将图像分块处理，再进行形态学操作使轮廓更为具体。遇到的问题鹿对于彩色图像想要提取某一特定颜色阈值比较难选取，图像中目标的颜色不是唯一的，有彩色和黑色和白色，可以通过将rgb空间转换为ycbc