荪荪的博客

摘要：本篇文章将以一个工程的方式，记录下需要考虑的技术问题以及处理的问题，是一个整的思路与实现流程一、获取图片的MD5值每个图片，改了名字，但不会改变图片的MD5，MD5值不区分大小写：# 计算单张图片的md5值,由于MD5不区分大小写，所统一转为小写def getImgMd5(img): # bmp, jpg, png,img为图片的路径 hash = md5() with open(Img, "rb") as img: hash.update(img.read

双线性插值         假设源图像大小为mxn，目标图像为axb。那么两幅图像的边长比分别为：m/a和n/b。注意，通常这个比例不是整数，编程存储的时候要用浮点型。目标图像的第（i,j）个像素点（i行j列）可以通过边长比对应回源图像。其对应坐标为（i*m/a,j*n/b）。显然，这个对应坐标一般来说不是整数，而非整数的坐标是无法在图像这种离散数据上使用的。双线性插值通过寻找距离这个对应坐标

透视变换在两幅图像中进行对应非常有用，看下面的两幅图第一幅图是源图像，图中有五个点，分别是四个顶点和中间的一个点（对应目标图中的中心点） 第二幅图是目标图，包括与源图像中的五个点对应的五个点下面就要用Matlab根据四个顶点求透视变换矩阵，然后将源图像中中间的那个点对应到目标图像中去。源图像中的点的坐标矩阵为：B =     1 

有时候，我们处理好图像后，为了标识出图像的目标区域来，需要利用plot函数或者rectangle函数，这样标识目标后，就保存图像。一般的保存图像可以利用figure中的edit菜单中的copy figure，这样可以完成，但是保存后的图像外围多了一片区域，这是figure的区域，效果如下： 外部的白色区域不是我们想要的……于是我们想办法，利用imwrite函数可以保存图像，

zouxy09博客原创性博文导航 - zouxy09的专栏 - 博客频道 - youkuaiyun.com http://blog.youkuaiyun.com/zouxy09/article/details/14222605

一、引言数字图像处理的对象因其涉及到社会的各个领域，倍受到越来越多的关注，而图像缩放作为数字图像处理中的基本操作尤为重要，在社会的很多领域都需要对图像进行放大和缩小。利用VC++的MFC类库中的StretchBlt函数可以很容易的实现图像放大和缩小，但是当放大或缩小的比率比较大时就容易出现失真现象，因此必须进行改进。本文提出了一种双线性插值算法，用以改进图像的缩放质量。二、空间变换

python图像http://www.cnblogs.com/denny402/p/5096001.html

simplenn就是很简单的链式cnn 它里面的一些变量，输入输出都没有名字！dagnn是一个复杂的CNN，通过dagnn.DagNN.fromSimpleNN可以将simplenn转换为Dagnn。switch lower(opts.networkType) % 选择网络结构 case 'simplenn' % done case 'dagnn' ...

双线性插值较为常用，原理参考http://www.cnblogs.com/linkr/p/3630902.html下面给出代码：[cpp] view plain copyvoid ImgResize_BiLinear()  {      cv::Mat imgSrc, imgDst1, imgDst2;

引用：很有用的cv牛人的网址和主要贡献 - - 博客频道 - youkuaiyun.com http://blog.youkuaiyun.com/huixingshao/article/details/44591511CV人物1：Jianbo Shi史建波毕业于UC Berkeley，导师是Jitendra Malik。其最有影响力的研究成果：图像分割。其于2000年在PAMI上多人合作发表"Noramlized c

原文地址：http://blog.sina.com.cn/s/blog_80e381d101015fza.html    1概述本文显示二类分类器的表现可以通过未标记数据结构化的处理过程来提升，也就是说，如果知道一个样本的标记对其他样本的标记有限制，那么认为数据是结构化的。本文提出P-N learning 用已标记和未标记的样本来训练二类分类器，训练的过程通过用来限

引用：http://www.cnblogs.com/easymind223/archive/2012/11/13/2768680.html        这个项目大概是在2年前了，因为要用嵌入式编程，所以无法用opencv的库函数，一切算法纯靠手写（是不是很坑爹？），其中一部分程序需要计算Haar特征，于是就有了下面的故事：　　在模式识别领域，Haar特征是大家非常熟悉的一种图

引用：http://www.cnblogs.com/okaimee/archive/2010/08/18/1802585.html      摘 要：插值算法在图像缩放处理中是一项基本且重要的问题。插值算法有多种，最常用的有最近邻插值、双线性插值以及立方卷积插值。本文对三种插值算法进行简单分析并对它们的处理结果加以比较，最后总结了三种算法各自的优缺点。　　关键词：图像处理；最近邻插值；双线

引用：http://www.cnblogs.com/okaimee/archive/2010/08/18/1802583.html      图像的缩放很好理解,就是图像的放大和缩小。传统的绘画工具中,有一种叫做“放大尺”的绘画工具，画家常用它来放大图画。当然，在计算机上，我们不再需要用放大尺去放大或缩小图像了，把这个工作交给程序来完成就可以了。下面就来讲讲计算机怎么来放大缩小图象；在本文

引用：http://www.cnblogs.com/okaimee/archive/2010/08/18/1802573.html什么是双线性插值简单比方 原来的数值序列：0，10，20，30，40 线性插值一次为：0，5，10，15，20，25，30，35，40 即认为其变化（增减）是线形的，可以在坐标图上画出一条直线 在数码相机技术中，这些数值可以代表组成一张照

引用：http://blog.sina.com.cn/s/blog_72ecd9f101017fgx.html一、基础 　　对于彩色转灰度，有一个很著名的心理学公式：Gray = R*0.299 + G*0.587 + B*0.114二、整数算法　　而实际应用时，希望避免低速的浮点运算，所以需要整数算法。　　注意到系数都是3位精度的没有，我们可以将它们缩放100

OpenCV 之 HaarTraining 算法剖析1.引言 通过前段时间阅读 OpenCV 的 HaarTraining 代码，基本掌握了 HaarTraining 算法。现将其中的算法作一梳理，同时对 HaarTraining 的使用方法做一简要说明。  HaarTraining 算法总体上以 Friedman, J. H 等人的“Additive Logistic Reg

个人接触机器视觉的时间不长，对于机器学习在目标检测的大体的框架和过程有了一个初步的了解，不知道对不对，如有错误，请各位大牛不吝指点。 目标的检测大体框架：目标检测分为以下几个步骤：1、训练分类器所需训练样本的创建：       训练样本包括正样本和负样本；其中正例样本是指待检目标样本(例如人脸或汽车等)，负样本指其它不包含目标的任意图片（如背

原文地址：http://blog.sina.com.cn/s/blog_5eeed69d01018wdq.html          作者：扁豆笑了点击打开链接再看了好多对tld研究的文章之后我总算把文章的全貌弄懂了。至于代码我还没有完全弄懂由于自己的matlab基础比较薄弱，matlab与C++混合编程不是特别精通，所以，在别人理解的基础之上，看了好多遍原文，总算能清