年轻即出发，

成功的人生在于追求「完整」而不是「完美」 ----乔丹·皮特森算法思路：1、求取源图I的平均灰度，并记录rows和cols；2、按照一定大小，分为N*M个方块，求出每块的平均值，得到子块的亮度矩阵D；3、用矩阵D的每个元素减去源图的平均灰度，得到子块的亮度差值矩阵E；4、通过插值算法，将矩阵E差值成与源图一样大小的亮度分布矩阵R；5、得到矫正后的图像result=I-R；应用场景：光照不均匀的整体色泽一样的物体，比如工业零件，ocr场景。代码...

reinhard算法：Color Transfer between Images，作者Erik Reinhardwelsh算法：Transferring Color to Greyscale Images，作者Tomihisa Welsh应用场景：人像图换肤色，风景图颜色迁移出发点：RGB三通道有很强的关联性，而做颜色的改变同时恰当地改变三通道比较困难。 需要寻找三通道互不相关的也就是正交的颜色空间，作者想到了Ruderman等人提出的lαβ颜色空间。三个轴向正交意味...

出自论文Spatial Transformer NetworksInsight：文章提出的STN的作用类似于传统的矫正的作用。比如人脸识别中，需要先对检测的图片进行关键点检测，然后使用关键点来进行对齐操作。但是这样的一个过程是需要额外进行处理的。但是有了STN后，检测完的人脸，直接就可以做对齐操作。关键的一点就是这个矫正过程是可以进行梯度传导的。想象一下，人脸检测完了，直接使用R

论文：Image Warping with Scattered Image Warping with Scattered Data Interpolation算法思路：算法优缺点：优点：实现简单，cpu实现，gpu实现都友好缺点：速度与点的个数，图片长，宽，这3个指标成正比，点个数越多，速度越慢，图片越大速度越慢。如果点太少，形变会不平滑。应用场景：大脸，瘦脸，大眼，等任何形变场景基本实现：好处，更容易结合公式看清原理，缺点，速度很慢。class IDW(o

论文：Interactive Image Warping（1993年Andreas Gustafsson）算法思路：假设当前点为（x,y）,手动指定变形区域的中心点为C(cx,cy)，变形区域半径为r，手动调整变形终点（从中心点到某个位置M）为M（mx,my），变形程度为strength，当前点对应变形后的目标位置为U。变形规律如下，圆内所有像素均沿着变形向量的方向发生偏移 距离圆心越近，变形程度越大 距离圆周越近，变形程度越小，当像素点位于圆周时，该像素不.

论文：Interactive Image Warping（1993年Andreas Gustafsson）算法思路：以眼睛中心为中心点，对眼睛区域向外放大，就实现了大眼的效果。大眼的基本公式如下，假设眼睛中心点为O(x,y)，大眼区域半径为Radius，当前点位为A(x1,y1)，对其进行改进，加入大眼程度控制变量Intensity，其中Intensity的取值范围为0～100。其中，dis表示AO的欧式距离，k表示缩放比例因子，k0表示大眼程度，xd,yd表示A点经过大..

1.RGB空间肤色在RGB模型下的范围基本满足以下约束：在均匀光照下应满足以下判别式：R>95 AND G>40 B>20 AND MAX(R,G,B)-MIN(R,G,B)>15 AND ABS(R-G)>15 AND R>G AND R>B在侧光拍摄环境下：R>220 AND G>210 AND B>170 AND ABS(R-G)<=15 AND R>B AND G>B代码：def skin