![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
image processing
淡淡的生活
计算机视觉菜鸟
展开
-
傅里叶变换与数字图像处理
转自: http://blog.sina.com.cn/s/blog_8df0c75501015vuw.html傅里叶变换是将时域信号分解为不同频率的正弦和/余弦和的形式。傅里叶变换是数字图像处理技术的基础,其通过在时域和频域来回切换图像,对图像的信息特征进行提取和分析。一维傅里叶变换及其反变换单变量连续函数,f(x)的傅里叶变换F(u)定义为等式: u=0,1,转载 2013-04-18 10:31:05 · 8115 阅读 · 0 评论 -
Single Image Haze Removal Using Dark Channel Prior翻译
这段时间在回顾去雾算法,把何凯明基于dark channel的这篇论文翻译了一下,欢迎交流。翻译 2013-12-12 12:00:03 · 7797 阅读 · 1 评论 -
稀疏表示(Sparse Representation)
稀疏表达是近年来SP, ML, PR, CV领域中的一大热点,文章可谓是普天盖地,令人目不暇给。老板某门课程的课程需要大纲,我顺道给扩展了下,就有了这个上中下三篇介绍性质的东西。遗憾的是,我在绝大多数情况下实在不算是一个勤快的人,这玩意可能充满bug,更新也可能断断续续,尽请诸位看官见谅了。顺道一提,ICCV09有一个相关的 tutorial 。据传博文里公式数量和其人气是成反比例关系的,转载 2013-09-04 16:30:01 · 11731 阅读 · 5 评论 -
稀疏表示(step by step)
稀疏表示step by step(1)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)中转载 2013-09-04 10:42:14 · 4811 阅读 · 0 评论 -
2013 CVPR 录取文章
118Robust Multi-Resolution Pedestrian Detection in Traffic ScenesJunjie Yan, Xucong Zhang, Zhen Lei, Dong Yi, Shengcai Liao, Stan Li119Megastereo: Constructing High-Resolution Stereo Panor转载 2013-08-26 13:41:31 · 10335 阅读 · 0 评论 -
计算机视觉、机器学习相关领域论文和源代码大集合
计算机视觉、机器学习相关领域论文和源代码大集合--持续更新……zouxy09@qq.comhttp://blog.csdn.net/zouxy09 注:下面有project网站的大部分都有paper和相应的code。Code一般是C/C++或者Matlab代码。最近一次更新:2013-3-17一、特征提取Feature Extractio转载 2013-08-22 17:13:43 · 1588 阅读 · 0 评论 -
Recursive implementation of the Gaussian filter
摘要这篇论文,我们提出来高斯滤波的递归实现方法。这个实现产生了一个无限脉冲响应滤波器(infinite impulse response filter),它每个维度有六个MADDs(multiplications and additions)独立于高斯核的sigma值。与Deriche 实现相比,递归滤波器的系数值更容易根据要求的Gaussian sigma值计算。通常来说,该算法比 直接用二翻译 2013-08-21 16:47:33 · 4803 阅读 · 0 评论 -
Retinex processing for automatic image enhancement 翻译
Retinex processing for automatic image enhancement摘要:最近六七年来,人们从新燃起了对Retinex computation的兴趣,特别是在它对图像增强的应用方面。在上次发布的Retinex computation观念中,Land引入了一个中央/围绕空间形态(原文:center/surround spatial form),这是受到神经翻译 2013-07-26 11:34:55 · 2066 阅读 · 0 评论 -
带色彩恢复的多尺度视网膜增强算法(MSRCR)的原理、实现及应用
Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex) 两个词组合构成的。Retinex理论主要包含了两个方面的内容:物体的颜色是由物体对长波、 中波和短波光线的反射能力决定的,而不是由反射光强度的绝对值决定的;物体的色彩不受光照 非均匀性的影响,具有一致性 。 根据Retinex理论,人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射,其数学表达式为:转载 2013-07-24 16:48:16 · 3522 阅读 · 0 评论 -
图像增强算法四种,图示与源码,包括retinex(ssr、msr、msrcr)和一种混合算法
两组图像:左边较暗,右边较亮第一行是原图像,他们下面是用四种算法处理的结果依次为:1.一种混合算法2.msr,multi-scale retinex3.msrcr,multi-scale retinex with color restoration4.ssr,single scale retinex转载 2013-07-24 16:46:40 · 4886 阅读 · 0 评论 -
图像分割_区域分裂合并
转自:http://blog.csdn.net/cay22/article/details/5666109区域分裂合并算法的基本思想是先确定一个分裂合并的准则,即区域特征一致性的测度,当图像中某个区域的特征不一致时就将该区域分裂成4 个相等的子区域,当相邻的子区域满足一致性特征时则将它们合成一个大区域,直至所有区域不再满足分裂合并的条件为止. 当分裂到不能再分的情况时,分裂结束,然后它转载 2013-06-26 16:08:18 · 10954 阅读 · 0 评论 -
图像分割_区域生长
区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 区域增长方法是一种比较普遍的方法,在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的图象转载 2013-06-26 16:09:41 · 2231 阅读 · 0 评论