YUAN1125的专栏

Gamma 校正问题：什么是Gamma曲线矫正？Gamma曲线矫正是什么意思？       Gamma曲线是一种特殊的色调曲线，当Gamma值等于1的时候，曲线为与坐标轴成45°的直线，这个时候表示输入和输出密度相同。高于1的Gamma值将会造成输出亮化，低于1的Gamma值将会造成输出暗化。总之，我们的要求是输入和输出比率尽可能地接近于1。在显示器、扫描仪、打印机等输入、输出设备中这是一个相当常见并且比较重要的概念。在计算机系统中，由于显卡或者显示器的原因会出现实际输出的图像在亮度上有偏差，而Gamma曲

Jie Pro 在进行特征描述时，讲的非常详细。但未对三线性插值进行阐述。我也是花了好久的时间才慢慢搞懂。有错之处，请指出。1. 首先需要的几个已知量包括：     将关键点附近的邻域划分为d*d(Lowe建议d=4)个子区域，每个子区域做为一个种子点，每个种子点有8个方向。每个子区域的大小与关键点方向分配时相同，即每个区域有个子像素。（1）（2）

二维高斯函数，形如A是幅值，x。y。是中心点坐标，σx σy是方差，图示如下，A = 1, xo = 0, yo = 0, σx = σy = 1对于学图像专业的人来说，对图像进行高斯滤波应该不会陌生，本质上就是将图像与高斯核进行卷积。但是高斯核是如何生成的呢。matlab中有函数能自动生成高斯卷积核： gs=fspecial('gaussian

高斯模糊的算法（高斯卷积 高斯核）通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。"模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布（又名"高斯分布"）用于图像处理。本文介绍"高斯模糊"的算法，你会看到这是一个非常简单易懂的算法。本质上，它是一种数据平滑技术（data smoothing），适用于多

http://blog.youkuaiyun.com/hujingshuang/article/details/47292721简介：局部二值模式（Local Binary Pattern, LBP）是一种有效的纹理描述算子，它具有旋转不变性和灰度不变性的显著的有点。已经广泛的应用于纹理分类、纹理分割、人脸图像分析等领域。本文就LBP算法做简单的讲解，并在OpenCV中加以实现。基本的LB

1.算法简介　　LBP是一种简单，有效的纹理分类的特征提取算法。LBP算子是由Ojala等人于1996年提出的，主要的论文是"Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", pami, vol 24, no.7, July 2002。L

LBP（Local binary pattern）是一个易理解且有效的局部图像特征，应用很广泛。在网上可以搜到一大把的LBP介绍，所以本博文就忽略了对其的介绍。直接附上代码，代码不难，只是希望对大家有用！如有错误和补充，欢迎提出，大家共同进步哈！注意：下面代码仅为示例便利，牺牲了一些效率！一）一般的LBP，256维[cpp] view plaincopy

先上个简单的示例,看MATLAB中拉普拉斯滤波器是如何实现的：令原图f=magic(3)f =     8     1     6     3     5     7     4     9     2掩膜采用标准Laplacian掩膜：w=fspecial('laplacian',0)w =     0     1     0     1    -4    

SIFT简介Scale Invariant Feature Transform，尺度不变特征变换匹配算法，是由David G. Lowe在1999年（《Object Recognition from Local Scale-Invariant Features》）提出的高效区域检测算法，在2004年（《Distinctive Image Features from Scale-Inva

《SIFT原理与源码分析》系列文章索引：http://blog.youkuaiyun.com/xiaowei_cqu/article/details/8069548尺度空间理论自然界中的物体随着观测尺度不同有不同的表现形态。例如我们形容建筑物用“米”，观测分子、原子等用“纳米”。更形象的例子比如Google地图，滑动鼠标轮可以改变观测地图的尺度，看到的地图绘制也不同；还有电影中的拉伸镜头等等…

1、SIFT综述尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪

void ImgRotate(cv::Mat imgIn, float theta, cv::Mat& imgOut)  {      int oldWidth = imgIn.cols;      int oldHeight = imgIn.rows;        // 源图四个角的坐标（以图像中心为坐标系原点）      float fSrcX1,fSrcY1,fSr

运动检测（前景检测）之（一）ViBezouxy09@qq.comhttp://blog.youkuaiyun.com/zouxy09        因为监控发展的需求，目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些：       帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏

ViBe算法：ViBe - a powerful technique for background detection and subtraction in video sequences算法官网：http://www2.ulg.ac.be/telecom/research/vibe/描述：ViBe是一种像素级视频背景建模或前景检测的算法，效果优于所熟知的几种算法，对硬

import mathimport skimagefrom matplotlib import pyplot as pltfrom skimage import iofrom numpy import *def img_rotate(img, angle): w, h, channels = img.shape anglePi = angle * math.pi / 1

简介        HOG（Histogram of Oriented Gridients的简写）特征检测算法，最早是由法国研究员Dalal等在CVPR-2005上提出来的，一种解决人体目标检测的图像描述子，是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。其主要思想是：在边缘具体位置未知的情况下，边缘方向的分布也可以很好的表示行人目标的外形轮廓。        Dal

简介        在局部特征点检测快速发展的时候，人们对于特征的认识也越来越深入，近几年来许多学者提出了许许多多的特征检测算法及其改进算法，在众多的特征提取算法中，不乏涌现出佼佼者。        从最早期的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF算法，可以说特征提取算法层出不穷。各种改进算法PCA-SIFT、ICA-SIFT、P-ASURF、

图像梯度介绍一下图像梯度的含义：上图中，标量场是黑白的，黑色表示大的数值，而相应的梯度用红色箭头表示。可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导：图像梯度: G(x,y) = dx i + dy j;dx(i,j) = I(i+1,j) - I(i,j);dy(i,j) = I(i,j+1) - I(i,j);其中，I是图像像素的值(

Mean Shift 聚类算法原文地址：http://blog.youkuaiyun.com/hjimce/article/details/45718593 作者：hjimce一、mean shift 算法理论Mean shift 算法是基于核密度估计的爬山算法，可用于聚类、图像分割、跟踪等，因为最近搞一个项目，涉及到这个算法的图像聚类实现，因此这里做下笔记。(1)均值漂移的基本形式

1. 格式/制式<br />格式是指表达、记录图像信息的方式，如视频标准中最基本的参数是扫描格式，规定了每行像素数、每帧行数、每秒场数和帧数。录像机的记录方式也称为格式，如D1、D5格式，DVCAM格式，DVCPRO及Digital-S格式等。<br /> 2. 模拟电视存在的缺点<br />模拟电视存在着许多难以克服的缺陷：多次传输或复制后会形成噪声积累，信号的线性、非线性失真，亮色互扰，行间闪烁，爬行，微分相位和微分增益失真等等，致使图像质量不断下降。但这些缺陷大多可通过将模拟信号转变为数字信号进行处理

直方图均衡化的作用是图像增强。有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条

这几天研究了下三帧差法做物体检测。      三帧差法的具体算法如下。      提取连续的三帧图像，I(k-1),I(k),I(k+1) 。(1)  d(k,k-1) [x,y] = | I(k)[x,y] - I(k-1)[x,y] |;      d(k,k+1)[x,y] = | I(k+1)[x,y] - I(k)[x,y] |;

D、帧内预测模式的选择：　　亮度和色度的帧内预测，都有多种预测策略，因此实际应用中要选择最优的帧内预测策略。　　对于色度块预测，只能采用8x8的分块大小，只需要比较4种模式的代价（用RDO模型），选择代价最小的模式即可。　　对于亮度块预测，可以采用16x16和4x4的块大小，所以需要先后计算出9种4x4预测模式的最小代价（RDO模型）和4种16x16预测模式的最小代价（SA

先区分几个概念：16色和16位色一样吗？不一样！颜色位数，即是用多少位字节表示的值，每一位可以表示0和1两值。通常图片的颜色深度，简称色深，就是用位数来表示的，所以，我通常会看到8位色，16位色，24位色和32位色。而我们在其它地方看到的又是16色，256色，16777216色等等，这些怎么一回事呢？ 16色即代表16种颜色，256色即256种颜色，8位色就是用8个位来表示

相邻块的运动矢量通常有很高的相关性，因而每个运动矢量可以用其相邻的预先编码的矢量进行预测。一个预测矢量MVp建立于先前运动矢量MV的计算，并且一般只有MVD(当前运动矢量MV与MVp的差值)被编码和传输。这种方法建立基于运动预测矢量与运动补偿分割和附近矢量的可用性的相关性上。 帧间预测简要说明：       首先根据当前帧和参考帧的搜索算法求出宏块（或者子块）的MV,MV本来足够说

B_Skip类型宏块（200503版标准，表7-14最后一行）： 无像素残差，无运动矢量残差（MVD）。解码时，通过Direct预测模式（时间或空间）计算出前、后向MV后，直接利用前、后向MV得到像素预测值。像素重构值=像素预测值。              P_Skip类型宏块（200503版标准，表7-13最后一行）：也就是COPY宏块。无像素残差，无运动矢量残差（MVD）。直

h.264直接预测直接预测是B帧上一种独有的预测方式，其中直接预测又分为两种模式： 时域直接模式（temporal direct）、空域直接模式（spatial direct）。在分析这两种模式之前，有一个前提概念需要了解：共同位置4x4子宏块分割块（co-located 4x4 sub-macroblock partitions），下面简称为co-located。

otsu法（最大类间方差法，有时也称之为大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别 来划分。  所以 可以在二值化的时候 采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此,使类间方差最大的分

H.264 ProfilesH.264有四种profile,每个profile支持一组特定的编码功能，并支持一类特定的应用,分别是BP、EP、MP、HP：1、BP-Baseline Profile：       a、I/P slices       b、Multiple reference frames (–refs , >1 in the x264

高斯模糊的算法作者： 阮一峰日期： 2012年11月14日通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。"模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布（又名"高斯分布"）用于图像处理。本文介绍"高斯模糊"的算法，你会看到这是一个非

一：基本原理图像卷积处理实现锐化有一种常用的算法叫做Unsharpen Mask方法，这种锐化的方法就是对原图像先做一个高斯模糊，然后用原来的图像减去一个系数乘以高斯模糊之后的图像，然后再把值Scale到0～255的RGB像素值范围之内。基于USM锐化的方法可以去除一些细小的干扰细节和噪声，比一般直接使用卷积锐化算子得到的图像锐化结果更加真实可信。USM锐化公式表示如下：（源图像–

(数字图像处理)腐蚀/膨胀/开运算/闭运算腐蚀：是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。膨胀：是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。开运算：先腐蚀后膨胀的过程开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。开运算通常是在需要去除小颗粒噪声，以及断开目标物

1. 利用工具查看: SPS中的bit_depth_luma_minus和bit_depth_chroma_minus字段。如图: YUV420 8bit2. h264 profile:              High 只支持8bit             High10 才支持10bit

OpenCV——肤色检测一、RGB color space检测代码如下：void SkinRGB(IplImage* src,IplImage* dst){ //RGB颜色空间 //均匀照明：R>95,G>40,B>20,R-B>15,R-G>15,R>B%R //侧向照明:R>200,G>210,B>170,R-BB,G>B

在图像中，角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点,是一个重要的局部特征，它决定了图像中关键区域的形状，体现了图像中重要的特征信息，所以在目标识别、图像匹配、图像重构方面角点具有十分重要的意义。角点检测的方法多种多样, 但大致上可以分为4类: 基于边缘特征的角点检测、基于灰度图像的角点检测、基于二值图像的角点检测和数学形态学。其中 Harris 角点检测算法是基于灰度图像的

ORB特征是目前最优秀的特征提取与匹配算法之一，下面具体讲解一下： 特征点的检测图像的特征点可以简单的理解为图像中比较显著显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。ORB采用FAST（features from accelerated segment test）算法来检测特征点。这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周