vola的专栏

基于这篇博客，对tesseract官方版本（3.0.5）在macOS上的安装进行了汇总。步骤如下：1.安装官网tesseract, 并安装训练工具brew install --with-training-tools tesseract2.将tesseract添加到系统路径brew link tesseract (添加到路径）如果系统之前安装过tesseract,可能需要...

office 2016 只提供了click to run的安装方法, 大多数用户估计只需要安装其中的word, power point, excel, onenote这些工具. 具体操作方法如下: 1. 下载office 2016部署工具. 点击click here. 勾选 click here to accept:, 点击continue 会释放一个压缩包, 选择存放路径:

python parallel的时候一下子弄出了60多个pythonw.exe进程，明明已经把程序kill

今晚在查资料的时候突然纠结到了一个问题：ip地址是32位的，那么所有可能的ip地址一共有2**32=4G个。那么问题来了，这所有的ip地址存储起来到底是多大的空间呢？一开始忽略了这个问题，直接认为是4G的空间，仔细想了想，不对啊，每一个ip地址是32位=4byte,那么4G种变化x4byte=16GB空间啊。这应该才是正解。于是第二个问题来了：32位寻址地址的操作系统内存应该是多大

自然光的定义：　　普通光源中，单个原子发出的光波列是偏振的，大量原子独立发出的光波列的振动方向毫无规则，并且随时间迅速变化，这种光叫自然光，又称“天然光”。自然光中，光振动沿光传播方向对称分布，不直接显示偏振现象的光。天然光源和一般人造光源直接发出的光都是自然光。它包括了垂直于光波传播方向的所有可能的振动方向，所以不显示出偏振性。(http://physics.seu.edu.cn/phy

原文网址：http://blog.youkuaiyun.com/lionxiao/article/details/5934146我最欣赏的一组图像。

原文地址：http://www.ruanyifeng.com/blog/2008/07/color_theory.html制作网页的过程中，我一直不知道应该如何配色。我的意思是，我不知道应该选择哪些颜色放在一起，完全凭感觉。于是昨天，我在网上找了一些资料，希望找到理论指导。结果很失望。颜色理论研究的都是颜色的本质，至于颜色搭配，最终靠的还是个人感觉。说到底，Choosing color

原文地址：http://blog.youkuaiyun.com/kobesdu/article/details/8276970颜色不变性定义：室外光线的彩色成分变化非常大，但人却能正确的感知场景中物体的颜色，并且在大部分情况下不依赖于环境照明的颜色，这种现象叫彩色不变性 成像设备在获取并记录图像时，只能获得场景或物体在不同光源下所呈现的颜色，而不是物体的固有颜色。而人类的视觉系统却

地图坐标系目前包括:地球坐标 (WGS84)WGS84:World Geodetic System 1984，是为GPS全球定位系统使用而建立的坐标系统。国际标准，从 GPS 设备中取出的数据的坐标系国际地图提供商使用的坐标系火星坐标 (GCJ-02)也叫国测局坐标系GCJ-02是由中国国家测绘局（G表示Guojia国家，C表示Cehui测绘，J表示Ju局）制订的...

今天想尝试一下加速的快感，于是就尝试着安装了一下

如果安装包内有makefile.win 。则cmd到当前文件夹，执行 nmake -f makefile.win 即可安装。

CV_32FC2：代表的是32位浮点型，2

转载地址：http://blog.youkuaiyun.com/lionxiao/article/details/62839331、Visio画图时，两根直线交叉时，总是默认会出现一个跨线的标志，很不和谐，去除方法：选中线条，然后菜单的格式->行为->连接线->跨线->添加->从不，即可。 2、增加连接点。在连接线的按钮旁边有下拉按钮，选择那个叉叉符号，就是连接点的命令了，选中需要增加的框图，按住ctrl

Please make sure the TESSDATA_PREFIX environment variable is set to your “tessdata” directory

macOS with Homebrew 安装tesseract 4.0 安装依赖项brew install automake autoconf libtoolbrew install pkgconfigbrew install icu4cbrew install leptonicabrew install gcc训练工具的依赖项brew install pango编译 ...

经过经验总结和反复的trials and errors, 终于搞清楚了opencv中的 rotation angle角度问题。具体来讲，rotation angle 范围为[-90, 0), 具体角度测算方法可以分为两个步骤(如下图）： 1. x轴逆时针旋转到最近邻近边，该旋转角即为angle 2. 邻近x轴的边即为矩形的宽，另一边为height 原理图如下图：...

步骤cd 到 repro根目录运行touch .gitignore将需要屏蔽的文件或文件夹路径写入即可

将本地某文件夹处理为一个git repro 适用情景：需要将本地某个文件夹设定为一个git repro 方法/步骤在web端/online仓库中新建一个和待处理文件夹一样名称的仓库cd到该文件夹下，git initgit add .git commit -m “comments”git remote add origin 相应的.gitgit pu...

转载地址：http://www.sigvc.org/bbs/thread-728-1-1.html距上一次邀请中国科学院的樊彬老师为我们撰写图像特征描述符方面的综述（http://www.sigvc.org/bbs/thread-165-1-1.html）之后，这次我们荣幸地邀请到美国麻省理工学院（MIT）博士林达华老师为我们撰写“概率模型与计算机视觉”的最新综述。这次我们特别增设了一个问答环

提示：转载请出处：blog.youkuaiyun.com/carson2005经常碰到朋友问我国内从事计算机视觉（CV）领域的公司的发展情况，产品情况，甚至找工作等问题，这里，我给出自己收集的国内从事CV相关领域的公司网址及其主要产品，有兴趣的朋友可以去看看。另外，资料整理的不是很完善，后续我会继续更新和添加，并及时在我博客进行更新（blog.youkuaiyun.com/carson2005）。（1） 北京北方

http://www.cnblogs.com/hrlnw/archive/2013/08/06/2826651.htmlHistogram of Oriented Gridients，缩写为HOG，是目前计算机视觉、模式识别领域很常用的一种描述图像局部纹理的特征。这个特征名字起的也很直白，就是说先计算图片某一区域中不同方向上梯度的值，然后进行累积，得到直方图，这个直方图呢，就可以代表这

转载地址：http://www.360doc.com/content/12/0819/22/2036337_231217907.shtml摄像机标定技术一、 概述计算机视觉的基本任务之一是从摄像机获取的图像信息出发计算三维空间中物体的几何信息，并由此重建和识别物体，而空间物体表面某点的三维几何位置与其在图像中对应点

雾是悬浮在贴近地面的大气中的大量微小细水滴（或冰晶）的集合。雾和云的区别仅仅在于是否接触地面。雾使水平能见度显著降低。按国际气象组织规定，使能见度降低到1km以下的称为雾，能见度在1-10km的称为轻雾。由于这样的分档不能满足气象服务的需求，因此气象部门在服务工作中，可根据雾天对交通运输等人类活动的影响程度，将雾分为轻雾、雾、大雾、浓雾及强浓雾等几个等级。一般将水平能见度在1km以上的叫轻

转载地址：http://blog.youkuaiyun.com/carson2005/article/details/6979806尽管之前写过一篇关于OpenCV的介绍（http://blog.youkuaiyun.com/carson2005/article/details/5822149），但依然有朋友对其不甚了解。所以，经常能碰到有人问我诸如以下一些问题：OpenCV能不能实现人脸识别？OpenCV有没有车辆

视频压缩中，每帧代表一幅静止的图像。而在实际压缩时，会采取各种算法减少数据的容量，其中IPB就是最常见的。  简单地说，I帧是关键帧，属于帧内压缩。就是和AVI的压缩是一样的。 P是向前搜索的意思。B是双向搜索。他们都是基于I帧来压缩数据。  I帧表示关键帧，你可以理解为这一帧画面的完整保留；解码时只需要本帧数据就可以完成（因为包含完整画面）P帧

原文地址：http://blog.youkuaiyun.com/abcjennifer/article/details/7616663双边滤波器是什么？双边滤波（Bilateral filter）是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。可以与其相比较的两个filter

今天制作YUV对比视频库，在http://media.xiph.org/video/derf/

转载地址：http://blog.chinaunix.net/uid-7271021-id-2980030.html所谓GOP，意思是画面组，MPEG格中的帧序列，分为Ｉ、Ｐ、Ｂ三种，如排成IBBPBBPBBPBBPBBP...样式，这种连续的帧图片组合即为GOP（画面群，GROUP OF PICTURE），是MPEG将来存取的最本基本的单位，它的排列顺序将会一直重复到影像结束

ref http://blog.youkuaiyun.com/chjjunking/article/details/5933105让我们从头说起，首先AUC是一种用来度量分类模型好坏的一个标准。这样的标准其实有很多，例如：大约10年前在machine learning文献中一统天下的标准：分类精度；在信息检索(IR)领域中常用的recall和precision，等等。其实，度量反应了人们对” 好”的分

作者： 阮一峰日期： 2013年3月15日这个标题看上去好像很复杂，其实我要谈的是一个很简单的问题。有一篇很长的文章，我要用计算机提取它的关键词（Automatic Keyphrase extraction），完全不加以人工干预，请问怎样才能正确做到？这个问题涉及到数据挖掘、文本处理、信息检索等很多计算机前沿领域，但是出乎意料的是，有一个非常简单的经典算法，可以给出令人

原文地址：http://blog.youkuaiyun.com/ybdesire/article/details/6270328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

1判别模型与生成模型上篇报告中提到的回归模型是判别模型，也就是根据特征值来求结果的概率。形式化表示为，在参数确定的情况下，求解条件概率。通俗的解释为在给定特征后预测结果出现的概率。 比如说要确定一只羊是山羊还是绵羊，用判别模型的方法是先从历史数据中学习到模型，然后通过提取这只羊的特征来预测出这只羊是山羊的概率，是绵羊的概率。换一种思路，我们可以根据山羊的特征首先学习出一个山羊模型，

申明：本文非笔者原创，原文转载自：https://yongyuan-workbench.rhcloud.com/%E4%BF%A1%E6%81%AF%E6%A3%80%E7%B4%A2ir%E7%9A%84%E8%AF%84%E4%BB%B7%E6%8C%87%E6%A0%87%E4%BB%8B%E7%BB%8D-%E5%87%86%E7%A1%AE%E7%8E%87%E3%80%81%E5%8F

calcOpticalFlowFarnebackComputes a dense optical flow using the Gunnar Farneback’s algorithm.double pyrScale, int levels, int winsize, int iterations, int polyN, double polySigma, int flag

原文地址：两者相同的地方，就是在机器学习中都可以用来计算相似度，但是两者的含义有很大差别，以我的理解就是：前者是看成坐标系中两个点，来计算两点之间的距离；后者是看成坐标系中两个向量，来计算两向量之间的夹角。前者因为是点，所以一般指位置上的差别，即距离；后者因为是向量，所以一般指方向上的差别，即所成夹角。如下

Refrence :        Dynamic Programming Algorithm (DPA) for Edit-Distance编辑距离       关于两个字符串s1,s2的差别，可以通过计算他们的最小编辑距离来决定。       所谓的编辑距离:  让s1和s2变成相同字符串需要下面操作的最小次数。1.         把某个字符ch1变成ch22.     

今天看了 Larry Wasserman写的 All of Statistics中的第一章，第一章主要讲概率，其中最主要的就是贝叶斯公式。要了解贝叶斯公式，就得知道全概率公式：通俗的讲，先验概率就是事情尚未发生前，我们对该事发生概率的估计，例如全概率公式中P(B)就是先验概率，求解方法有很多种，全概率公式是一种，也可以根据经验等，例如抛一枚硬币头向上的概率为0.5。后验概率

原文地址：http://blog.youkuaiyun.com/lichengyu/article/details/20840135 图2中左图为原图，中图为gamma = 1/2.2在校正结果，原图中左半侧的灰度值较高，右半侧的灰度值较低，经过gamma = 1/2.2校正后(中图)，左侧的对比度降低(见胡须)，右侧在对比度提高(明显可以看清面容)，同时图像在的整体灰度值提高

# -*- coding: cp936 -*-import os import sysimport repattern = re.compile(r'[0-9]{2,4}')# find the successive 2~4 num.DataSet_264='C:/Users/Dell/Desktop/264DataSet/' #destination folder for s

import cv2import numpy as npimport Imageimport cv2.cv as cvdef image_joint(image_list,opt):#opt= vertical ,horizon image_num=len(image_list) image_size=image_list[0].size height=imag