shirley的专栏

做的一个项目由于系统是8位的，对于24位的DIB位图使用BitBlt函数的时候非常慢，在debug下测试对于2500*2500的图像，BitBlt函数用了大概4000-5000ms,非常的受不了，这里主要是由于系统是8位的，你创建的是24位的DIB,这时候用BitBlt函数的时候系统会做很多转换工作，所以速度就非常慢，解决办法就是直接创建8位的DIB来显示，和显示24位DIB最大的不同就是要把调色

K-means算法一般情况，聚类算法可以划分为以下几类：划分方法（partitioning method）、层次方法（hierarchical methods）、基于密度的方法（density-based methods）、基于网格的方法（grid-based methods）、基于模型的方法（model-based methods）.k-means算法属于划分方法中的一种。K-mea

聚类分析中如何度量两个对象之间的相似性呢？一般有两种方法，一种是对所有对象作特征投影，另一种则是距离计算。前者主要从直观的图像上反应对象之间的相似度关系，而后者则是通过衡量对象之间的差异度来反应对象之间的相似度关系。          如图（1）所示：假设X坐标轴为时间，Y坐标轴为繁殖率，则可以看出三种不同的物种在不同时间段的繁殖情况，由于分别在10,40,80三个数值附近，因此根据繁殖率

1  什么是OPTICS算法在前面介绍的DBSCAN算法中，有两个初始参数E（邻域半径）和minPts(E邻域最小点数)需要用户手动设置输入，并且聚类的类簇结果对这两个参数的取值非常敏感，不同的取值将产生不同的聚类结果，其实这也是大多数其他需要初始化参数聚类算法的弊端。为了克服DBSCAN算法这一缺点，提出了OPTICS算法（Ordering Points to identify th

背景引言在博文差分近似图像导数算子之Laplace算子中，我们提到Laplace算子对通过图像进行操作实现边缘检测的时，对离散点和噪声比较敏感。于是，首先对图像进行高斯暖卷积滤波进行降噪处理，再采用Laplace算子进行边缘检测，就可以提高算子对噪声和离散点的Robust, 这一个过程中Laplacian of Gaussian(LOG)算子就诞生了。本节主要介绍LOG算子基本理论数学

K中心点算法（K-medoids）前面介绍了k-means算法，并列举了该算法的缺点。而K中心点算法（K-medoids）正好能解决k-means算法中的 “噪声”敏感这个问题。如何解决的呢？首先，我们得介绍下k-means算法为什么会对“噪声”敏感。还记得K-means寻找质点的过程吗？对某类簇中所有的样本点维度求平均值，即获得该类簇质点的维度。当聚类的样本点中有“噪声”

一  什么是基于密度的聚类算法由于层次聚类算法和划分式聚类算往往只能发现凸形的聚类簇。为了弥补这一缺陷，发现各种任意形状的聚类簇，开发出基于密度的聚类算法。这类算法认为，在整个样本空间点中，各目标类簇是由一群的稠密样本点组成的，而这些稠密样本点被低密度区域（噪声）分割，而算法的目的就是要过滤低密度区域，发现稠密样本点。二  DBSCAN（Density-based Spatial

读研的时候写过一篇文本定位相关的论文，当时有一个处理步骤是对断裂的边缘进行连接，当时的程序已经不知道扔哪儿去了，最近又要用到这个程序，把论文翻出来，把程序写了一遍。这个边缘连接的方法我也不知道叫什么名字，随便写写吧。对所有的端点（该点八临域内有且只有一个前景点）查找其更外层的16个点，若有前景点，则将该端点和前景点之间的点也改为前景点(图1)。边缘连接的结果表明该方法能把相邻的前景

1.Canny边缘检测基本原理     (1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。     (2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。     (3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。     2.Canny边缘检测算法：     ste

转自：http://blog.youkuaiyun.com/zouxy09/article/details/7929348作者：zouxy09 目标检测的图像特征提取之（一）HOG特征1、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过

图像缩放算法是数字图像处理算法中经常遇到的问题。我们经常会将某种尺寸的图像转换为其他尺寸的图像，如放大或者缩小图像。OpenCV中的Resize() 函数非常方便而且效率非常高。下面是OPENCV提供的cvResize函数原型。/*****************************************************************************

下载及安装CMake3.0.1     要自己编译OpenCV2.4.9的源码，首先，必须下载编译工具，使用的比较多的编译工具是CMake。下面摘录一段关于CMake的介绍：      CMake是一个跨平台的安装(编译)工具,可以用简单的语句来描述所有平台的安装(编译过程)。他能够输出各种各样的makefile或者project文件,能测试编译器所支持的C

由于车牌号码多为垂直数字，而车身引入的干扰在水平方向，进行垂直边缘检测，即可去除水平方向上颜色区别较大的干扰。该算法核心之处在于利用了车牌号码与车身干扰正好垂直的特点，仅在垂直方向检测边缘，而对水平的边缘则不予理会。垂直边缘检测，可用roberts算子、sobel算子、prewitt算子，但这些算子在这里使用效果都不好。于是作者[1]提出了采用改进后的边缘检测算子，其实也很简单，实现起来也不复杂，

协方差的定义 对于一般的分布，直接代入E(X)之类的就可以计算出来了，但真给你一个具体数值的分布，要计算协方差矩阵，根据这个公式来计算，还真不容易反应过来。网上值得参考的资料也不多，这里用一个例子说明协方差矩阵是怎么计算出来的吧。记住，X、Y是一个列向量，它表示了每种情况下每个样本可能出现的数。比如给定则X表示x轴可能出现的数，Y表示y轴可能出现的。注意这里是关键，给定了4

遗传算法的手工模拟计算示例为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各    个主要执行步骤。       例：求下述二元函数的最大值：    (1) 个体编码           遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种       符号串。本题中，用无符号二进制整数来表示。          

From:http://blog.sina.com.cn/s/blog_8bdd25f80101900h.html

其主要功能是：在给定的滑动窗口大小下，对每个窗口内的像素值进行快速相加求和在模式识别领域，Haar特征是大家非常熟悉的一种图像特征了，它可以应用于许多目标检测的算法中。与Haar相似，图像的局部矩形内像素的和、平方和、均值、方差等特征也可以用类似Haar特征的计算方法来计算。这些特征有时会频繁的在某些算法中使用，因此对它的优化势在必行。Boxfilter就是这样一种优化方法，它可以

图像处理算法工程师(索贝公司)一、填空：1、常用的插值方法有：最近邻插值、双线性插值、立方卷积插值。2、常用的边缘检测算子有：一阶: Roberts Cross算子, Prewitt算子, Sobel算子, Canny算子， 罗盘算子二阶: Marr-Hildreth。3、能够表征一副图像的基本特征有：灰度值、纹理、形状4、FIR滤波器设计中常用的窗函数：三角形（Bar

前一段时间研究了一下图像增强算法，发现Retinex理论在彩色图像增强、图像去雾、彩色图像恢复方面拥有很好的效果，下面介绍一下我对该算法的理解。Retinex理论Retinex理论始于Land和McCann于20世纪60年代作出的一系列贡献,其基本思想是人感知到某点的颜色和亮度并不仅仅取决于该点进入人眼的绝对光线，还和其周围的颜色和亮度有关。Retinex这个词是由视网膜(Reti

最近做一些图像处理，需要将图像中的一些像素过滤一下，有网友给提了个名词：腐蚀算法。我不是学图像学的，乍一听，觉得很神奇。后来从网上收集了一些VC代码，研究了一下，发现其它也就是那么回事。尤其是腐蚀算法，我在以前的验证码图片去噪声的文章中提到过，只是那是我不知叫什么名词，就从用途出发，叫做“根据周边点数去噪”。腐蚀的原理也一样，就是根据当前点的周边点数（如3X3的，周边就有8个点）来修改当前点的状态

http://hi.baidu.com/conglingks/blog/item/1ee6aade65d2015dcdbf1a22.html细化算法的分类：         依据是否使用迭代运算可以分为两类：第一类是非迭代算法，一次即产生骨架，如基于距离变换的方法。游程长度编码细化等。第二类是迭代算法，即重复删除图像 边缘满足一定条件的像素，最终得到单像素宽带骨架。迭代方法

其主要功能是：在给定的滑动窗口大小下，对每个窗口内的像素值进行快速相加求和在模式识别领域，Haar特征是大家非常熟悉的一种图像特征了，它可以应用于许多目标检测的算法中。与Haar相似，图像的局部矩形内像素的和、平方和、均值、方差等特征也可以用类似Haar特征的计算方法来计算。这些特征有时会频繁的在某些算法中使用，因此对它的优化势在必行。Boxfilter就是这样一种优化方法，它可以使复

DCT变换的基本思路是将图像分解为8×8的子块或16×16的子块，并对每一个子块进行单独的DCT变换，然后对变换结果进行量化、编码。随着子块尺寸的增加，算法的复杂度急剧上升，因此，实用中通常采用8×8的子块进行变换，但采用较大的子块可以明显减少图像分块效应。在图像压缩中，一般把图像分解为8×8的子块，然后对每一个子块进行DCT变换、量化，并对量化后的数据进行Huffman编码。DCT变换可

转载：http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html由于工作需要，我开始研究人脸检测部分的算法，这期间断断续续地学习Haar分类器的训练以及检测过程，在这里根据各种论文、网络资源的查阅和对代码的理解做一个简单的总结。我试图概括性的给出算法的起源、全貌以及细节的来龙去脉，但是水平有限，只能解其大概，希望对初学者起到帮助，

最近在学习OpenGL，过程中需要使用CUDA进行并行计算。因此，需要解决OpenGL与CUDA的交互问题。学习记录如下：Step1. 共享数据区想到交互，不难想到通信，数据共享等词语。这里使用的是共享数据的方式来完成OpenGL与CUDA的交互。而OpenGL与CUDA都有着自己独特的类型定义。因此，对于共享的数据区，我们需要给它起两个不同的名字，分别为OpenGL以及C

最近一段时间作者开始进行运动目标识别定位系统设计，本文以及后续的几篇文章都是从一个图像处理初学者的角度来总结目标检测定位过程中所应用到的各种常见的算法，尤其是解决算法实现过程中由于粗心大意或者C编程基本功不扎实所引起的各种问题。本文主要对彩色图片灰度化的方法及其实现过程进行总结，最终给出实现的C代码。     在进行视频流目标识别与跟踪时，通常第一个步骤就是对采集到的彩色图像进行灰度化，这

转自：http://blog.youkuaiyun.com/fioletfly/article/details/8158886