飞龙马的专栏

1、对于小的模板2*2或3*3，可以使用查找表的方法进行处理，一般采用以下两种形式的模板：4182

这本书的第一版在2002年出来时轰动一时，是一本不可多得计算机视觉的教材。计算机视觉领域发展非常快，10年前的书在现在看来多少有些过时。当然偏理论的除外，比如《Multiple View Geometry in Computer Vision》。前一段时间我还在憧憬这本书什么时候可以出第二版。后来在浏览David Forsyth的个人主页时，兴奋得发现我的愿望实现了。更兴奋的是在iask上可以下到

本章主要讨论图像处理与分析。虽然后面计算机视觉部分的有些内容比如特征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己所用，或者从中得到灵感，这就够了。本章的下载地址在：http://iask.sina.com.cn/u/22

这一章是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。本章的下载地址：http://iask.sina.com.cn/u/2252291285/ish?folderid=868772

自己视野狭小，不敢说全部，只是把自己熟悉的方向中的部分经典文章列出来了。经典的论文，读得怎么透都不过分。有人说关于配准的文章太多了，其实我也不太关注这方面，不过由于它们引用率都比较高，就都列出来了，不过在zip包里一篇都没有。不关注这方面的可以无视之。文档和论文下载地址：http://iask.sina.com.cn/u/2252291285/ish?folderid=775855

历时一个多月，终于用业余时间把这些资料整理出来了。以后可能会有些小修小补，但不会有太大的变化了。万里长征走完了第一步，剩下的就是理解和消化了。借新浪ishare共享出来，希望能够对你的科研也有一定的帮助。现在已经把所有的文章打包，分成了16个子文件，欢迎整体下载。图像处理与计算机视觉：基础，经典以及最近发展（1）序图像处理与计算机视觉：基础，经典以及最近发展（2）图像处理与计算机视

最近在看多核编程。简单来说，由于现在电脑CPU一般都有两个核，4核与8核的CPU也逐渐走入了寻常百姓家，传统的单线程编程方式难以发挥多核CPU的强大功能，于是多核编程应运而生。按照我的理解，多核编程可以认为是对多线程编程做了一定程度的抽象，提供一些简单的API，使得用户不必花费太多精力来了解多线程的底层知识，从而提高编程效率。这两天关注的多核编程的工具包括openMP和TBB。按照目前网上的讨论，

说明：电类专业的同学，请务必认真读完，FFT必将对你以后的工作和研究起到深远的意义！（此贴转载整理于网络 ）写在最前面：本文是我阅读了多篇相关文章后对它们进行分析重组整合而得，绝大部分内容非我所原创。在此向多位原创作者致敬！！！一、傅立叶变换的由来 关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是

我保证这篇文章和你以前看过的所有文章都不同，这是12年还在果壳的时候写的，但是当时没有来得及写完就出国了……于是拖了两年，嗯，我是拖延症患者……这篇文章的核心思想就是：要让读者在不看任何数学公式的情况下理解傅里叶分析。傅里叶分析不仅仅是一个数学工具，更是一种可以彻底颠覆一个人以前世界观的思维模式。但不幸的是，傅里叶分析的公式看起来太复杂了，所以很多大一新生上来就懵圈并从此对

上一篇文章发出来之后，为了掐死我，大家真是很下工夫啊，有拿给姐姐看的，有拿给妹妹看的，还有拿给女朋友看的，就是为了听到一句“完全看不懂啊”。幸亏我留了个心眼，不然就真的像标题配图那样了。我的文章题目是，如果看了这篇文章你“还”不懂就过来掐死我，潜台词就是在你学了，但是没学明白的情况下看了还是不懂，才过来掐死我。另外，想跟很多人抱歉，因为评论太多了，时间有限，不能给每个人回复，还望大家谅解。但是

今天做图像旋转练习的时候，要根据鼠标的移动轨迹来确定转过的角度，于是就很自然的想到通过三个点来确定这个转过的角度：图像的中心，鼠标按下的点，鼠标拖到的点。想到使用斜率来计算角度，于是联想到数学公式中的arctan反正切函数，通过搜索得知在math.h函数库中有2个函数：atan与atan2都可以求到角度，我最初使用的是atan函数，可是在使用的过程中，出现了很大的问题。1.atan()接受

声明：本人属于绝对的新手，刚刚接触“稀疏表示”这个领域。之所以写下以下的若干个连载，是鼓励自己不要急功近利，而要步步为赢！所以下文肯定有所纰漏，敬请指出，我们共同进步！踏入“稀疏表达”（Sparse Representation）这个领域，纯属偶然中的必然。之前一直在研究压缩感知（Compressed Sensing）中的重构问题。照常理来讲，首先会找一维的稀疏信号（如下图）来验证CS

双边滤波就是在对像素进行卷积时，不单单用位置（定义域）信息，还要用到值域信息。你看看高斯卷积的模板，就能明白什么是位置信息。值域信息就是当前像素与邻域像素的差别，差别越大（也就是边界位置），权重越小，这个小权重施加到高斯模板上，就会让高斯权重变小，模糊变弱，也就起到了在边界处弱化高斯模糊的作用，双边滤波的保边作用就是这样实现的。而在平坦区域，值域与领域像素差别小，几乎为零（指数函数用到了），那么权

源图像1 源图像2 源图像3 源图像4 融合结果图像算法思想：针对过饱和和欠饱和图像造成的视觉缺失，过饱和部分细节丢失，欠饱和部分细节也丢失，针对相同角度的多张图片（过饱和和欠饱和同时存在），通过图像融合的方法，即在多张图像中，把有细节的部分保留到结果图像中，没有细节部分舍去则会生成曝光均匀的图像。

以下是用自已实现的去雾算法实现的效果图，效果不太好，但也说得过去。

以下是computer vision：algorithm and application计算机视觉算法与应用这本书中附录里的关于计算机视觉的一些测试数据集和源码站点，我整理了下，加了点中文注解。ComputerVision:Algorithms and ApplicationsRichard Szeliski  在本书的最好附录中，我总结了一些对学生

建立一个18X5的二维数组，每行第一个单元格依序10度间隔斜率值，如tg(10/pi)、tg(20/pi)...，第二、三、四、五单元格存储不规则凸形点斜率垂直和平行的点，每间隔10度计算一个点，也就是计算的点作为向量时，间隔是10度。如果不规则形以原点为中心，简单做法是从0点向不规则形起点引一条直线，使直线间隔10度逆时针转动一次，与边界的交点就是要计算的点。没有中心的，以相同距离间隔找18个点

IplImage* pPreFrame=NULL;IplImage* pCurrFrame=NULL;IplImage* pDiffImg=NULL;int nFrameNum=0;for(;;){  pCurrFrame=cvQueryFrame(pCapture))  if(!pCurrFrame) break;  nFrameNum++;  if(nFra

1.最近也注意一些图像拼接方面的文章，很多很多，尤其是全景图拼接的，实际上类似佳能相机附加的软件，好多具备全景图拼接，多幅图像自动软件实现拼接，构成（合成）一幅全景图像（风景）。Sift算法，我略知一二，无法仔细描述（刚也贴了2个最近的资料）。    当就尺度空间（scale space),我想，其在计算机视觉（Computer Vision)\图像的多分辨率分析（尤其近年来小波的多分辨率

这是转过来的算法，没看懂，也不知道对不对，希望高手解释下。先做标记，扫描一遍就可以了，然后在计算各个块的重心，矩，方差。 1.初始化：int   mrk=0;   int*   pMark   =   new   int[h*w];//pMark也可设置成二维数组，与图像等宽高。 2.逐像素扫描图像，当像素灰度为1（或者255）时，把这个像素的坐标放进一个空队列，并设置这个像素的灰

这幅图是做的文字浮雕和雕刻效果，特效的高度和深度通过设置参数可以进行调整。图片文字从上到下依此变高和加深。

比如：5X6，实际上对5进行了f=6x的变换，实际意义可能是长度上延长6倍，速度上加快6倍等。再明显一些的，y=aCOSx，如果是在直角中，是把斜边转换为临边，x表示转过的角度。在图像的几何变换中，正是利用这样的变换实现了图像的移位。变换可以使某些问题简单化，比如最简单的log()对数运算，实际是把乘方运算变换到另一种简单的形式，然后再变回去，傅立叶变换，小波变换复杂些，在图像处理中起着重要的作用

1. Method description在计算机视觉和计算机图形中，下述方程所描述的雾图形成模型被广泛使用:I（x）= J(x)t(x) + A(1 − t(x))I是指观测到的图像的强度，J是景物光线的强度，A是全球大气光成分，t用来描述光线通过媒介透射到照相机过程中没有被散射的部分，去雾的目标就是从I中复原J,A,t。Dark Channel是通过对户外无雾图

原文：http://wenku.baidu.com/view/b29d9148852458fb770b564a.html#摘要：正所谓学以致用，在长期以来的学习过程中，我们真正能够将所学到的知识运用到生活中的能有多少，我们对课本上那些枯燥的公式虽牢记于心，却不知道它的实际用途。在学习了矩阵论以来，虽然知道很多问题的求法，就如矩阵特征值和特征向量，它们有何意义我们却一点不知。我想纯粹的理知识已经

关于颜色通道 关于颜色通道和位深度的处理知识是理解 Photoshop 如何存储和显示图像中的颜色信息的关键。 每个 Photoshop 图像都有一个或多个通道，每个通道中都存储了关于图像色素的信息。 图像中的默认颜色通道数取决于图像的颜色模式。 例如，一个 CMYK 图像至少有四个通道，分别代表青色、洋红、黄色和黑色信息。 可将通道看成类似于印刷过程中的印版，即一个印版对应相应的颜色图层。

int Move_detect::Regional_growth(IplImage* src,CvPoint start,int region_color,int change_color)//函数功能：对于二值图像src求连通阈{ uchar* srcdata=(uchar*)src->imageData; //8领域 int Region8_x[]={-1,0,1,1,1,0,

int Region8_x[]={-1,0,1,1,1,0,-1,-1};int Region8_y[]={-1,-1,-1,0,1,1,1,0};

图像处理网络资源作图像处理方面的研究工作，最重要的两个问题：其一是要把握住国际上最前沿的内容；其二是所作工作要具备很高的实用背景。解决第一个问题的办法就是找出这个方向公认最牛的几个超级大拿(看看他们都在作什么)和最权威的出版物(阅读上面最新的文献)，解决第二个问题的办法是你最好能够找到一个实际应用的项目，边做边写文章。 做好这几点的途径之一就是充分利用网络资源，特别是权威网站和大拿们的个人

平均亮度的计算由下面的公式给出：    上式中，δ是一个较小的常数，用于防止求对数的计算结果趋于负无穷的情况。如δ可取0.0001。这个式子的意义是，对于原始图像每个像素，计算出该像素的亮度值Lum(x,y)，然后求出该亮度值的自然对数。接着对所有像素亮度值的对数求平均值，再求平均值的自然指数值。至于为什么这样算出的值能够合理地表示图像的平均亮度，这里就不再详细说明了，有兴趣可以参

首先看以下两组数，A=[86,73,124,111,90,38]，B=[84,71,103,85,90,89]，C=[229,77,59,95,70,88]，三组的平均数MA=87,MB=87,MC=103，C组2位数成员有5个，平均数却超过100，这是不合适的，C组的平均数就不能正常应该这组数据的平均水平。所以引入了中位数，C组从小到大排序得C1=[59,70,77,88,95,229]，数组个