计算机视觉
文章平均质量分 54
没有头像的宝宝
这个作者很懒,什么都没留下…
展开
-
文章标题
source: http://blog.sciencenet.cn/blog-261330-558507.html 1、概述: 矩函数在图像分析中有着广泛的应用,如模式识别、目标分类、目标识别与方位估计、图像编码与重构等。一个从一幅数字图形中计算出来的矩集,通常描述了该图像形状的全局特征,并提供了大量的关于该图像不同类型的几何特性信息,比如大小、位置、方向及形状等。图像矩的这种特性描述能力被广泛转载 2016-06-24 14:48:39 · 232 阅读 · 0 评论 -
Recursive drivable road detection with shadows based on two-camera systems
对这篇文章中关于图像阴影去除的部分做简单介绍。目前网上没找到相关代码,已向作者发出邮件要了,不知道会不会给我应答。该方法也是基于图像的成像原理: 这里边比我之前看到的貌似多了两个参数,g为场景的几何因素(geometric factor),l为光照亮度,实际上对应于之前公式里的I。把该公式中的W(λ)和l相乘,即等价与前面的E(λ)。 该论文中又考虑到了相机在处理数据的时候加入了伽马校正,即原创 2017-08-17 15:56:36 · 258 阅读 · 0 评论 -
双目视觉相关学习
一、视差 1.视差的定义:两幅图像重叠时共轭对之间的位置差。共轭对:对应的特征点。 b是两个相机之间的距离,又称为基线距离。2.双目视觉(立体视觉)测距步骤: 1)确定摄像机的相对几何位置和有关参数,即摄像机的标定(calibration); 2)寻找在两幅图像中都便于区分的特征,或用于匹配的基元; 3)把左右两幅图像中的有关特征进行匹配,即解决特征匹配的方法问题; 4)根据视差计算原创 2017-07-25 11:11:18 · 1537 阅读 · 3 评论 -
Learning to remove soft shadows
本文假定,soft shadow(柔和阴影)是可以被分割的,因此是可以被编辑的。通过图像碎片学习出一个映射函数,能够产生阴影matte。本算法需要用户指定需要处理的阴影区域,通过训练好的有监督的回归算法,就能够自动生成无阴影的图像效果。本文提出的算法为数据驱动的,线下预训练好,然后就可以处理多变的阴影情况。和前人的许多工作不同,本文提出的算法对于阴影不需要假设一个特定的模型,在一个统一的框架下对整个翻译 2017-08-24 16:41:14 · 647 阅读 · 0 评论 -
Shadow removal using bilateral filtering
原文: 【Yang Q, Tan K H, Ahuja N. Shadow removal using bilateral filtering[J]. IEEE Transactions on Image processing, 2012, 21(10): 4361-4368.】 本文中,使用的光照模型,虽然也是来自于文献[1]中,但是对于图像的形成原理的解释完全不一样。目前我还没找到文献[1]原创 2017-08-21 20:42:33 · 846 阅读 · 2 评论 -
illumination invariant image之恢复到彩色图像
原文:【Finlayson G D, Drew M S, Lu C. Entropy Minimization for Shadow Removal[J]. International Journal of Computer Vision, 2009, 85(1):35-57.】 【Finlayson G D, Drew M S, Lu C. Intrinsic Images by Entropy原创 2017-06-14 22:21:58 · 1540 阅读 · 4 评论 -
Pixel-wise orthogonal decomposition for color illumination invariant and shadow-free image
原文:【Qu L, Tian J, Han Z, et al. Pixel-wise orthogonal decomposition for color illumination invariant and shadow-free image[J]. Optics express, 2015, 23(3): 2220-2239.】Abstract: 本文提出的shadow removal方法,基翻译 2017-08-23 21:10:25 · 565 阅读 · 1 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第一周)
第一周为深度学习概论,教授了一些基础概念。 2017.8.31 1.3 用神经网络进行监督学习 对于一般的数据,比如说房价问题,使用标准的神经网络。 对于图像领域中的一些数据处理,经常使用CNN(卷积神经网络) 对于序列数据,比如音频文件,和时间有关系,是一维时间序列,经常使用RNN(循环神经网络)。还有单词等逐个出现的数据。 对于一些复杂的数据,比如说道路检测中图像加雷达,原创 2017-08-31 22:16:12 · 1369 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
第二周主要内容为:神经网络基础。2.1 二分分类 一些默认规则: 训练集的大小:m_train 测试集的大小:m_test 在定义特征矩阵的时候,对于输入数据(x,y),x代表特征,x \in R <>y代表label原创 2017-08-31 22:33:53 · 402 阅读 · 0 评论 -
华盛顿大学机器学习课程(个案研究法)
本课程主要是从应用入手,来解释一些机器学习中的模型。案例一:regression, linear regression(回归、线性回归)这个是一个经典的预测房价的案例。假设我们有一组房子的数据,包括房子面积,房间数目,卫生间个数,以及出售价格等属性,那么如何通过这些已知数据,来预测一个房子的出售价格呢?利用的方法就是统计学中常用的数据分析方法——线性回归。利用该方法找到最合适的模型,来对新的数据进行原创 2017-09-18 21:51:25 · 1384 阅读 · 0 评论 -
opencv编程函数
1.利用mask对原图进行处理cv::Mat testmask(376, 1241, CV_8UC1, cv::Scalar(0));cv::Rect RoI(100, 100, 100, 100);testmask(RoI).setTo(255);//上面为生成一个mask,下面是如果利用mask抠出想要的兴趣域cv::Mat testRoI;oriImage.copyTo(testRo原创 2017-09-02 11:48:02 · 258 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
第二周:神经网络基础2.1二分分类训练数据集大小:m_train 测试数据集大小:m_test对于一个训练数据(x,y),x代表特征,x∈Rn,n表示数据维度,y代表label,y∈{0,1}。 对于一组训练数据,既包含特征信息,也包含标签信息。‘ 对于一个容量为m的训练数据集:(x(1),y(1)),(x(2),y(2)),……,(x(m),y(m))定义特征矩阵X(一般每个数据作为一列,列原创 2017-09-01 20:47:46 · 1025 阅读 · 0 评论 -
C++和Matlab混合编程——MATLAB调用c++函数(以svmlight为例)
遇到这个问题是因为在使用别人的代码包的时候,人家编写好的是mexw32,而我的系统是64位。当时没有注意到人家把c++源码给了,只要在对应路径下mex a.cpp 即可得到a.mexw64。最近由于在看svm的相关内容,用到了svmlight的包,涉及到了MATLAB和c++的混合编程。对于mex的一些东西,浪费了好几天时间来调试,今天稍微整理一下。 这是下载好的svm_mex包中的c源文件的内原创 2017-07-19 15:04:38 · 667 阅读 · 0 评论 -
华盛顿大学机器学习基础:案例研究week2
利用Python学习简单的数据操作import graphlabsales = graphlab.SFrame('home_data.gl/')#exploring the data for housing salesgraphlab.canvas.set_target('ipynb')sales.show(view="Scatter Plot",x="sqft_living",y="pri原创 2017-10-21 21:03:48 · 876 阅读 · 0 评论 -
语义分割一个review
翻译自【http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review】大多数对于语义分割的研究,都是基于自然的或者真实世界的图像数据集。尽管这些结果并不能直接应用于医学图像,但是我仍然对这些文献进行了学习,因为这些研究远比医学图像领域内的要成熟。本报告组织如下: 首先,我解释了什么叫做语义分割;然后,对于现有的方法进行了一翻译 2017-11-02 16:34:16 · 2839 阅读 · 0 评论 -
Single-image shadow detection and removal using paired regions学习解读
本文[1]实现了阴影的检测和去除。一、摘要 与其他基于像素和边缘的方法不同,该方法是基于区域的。1.对于分割出来的不同区域,预测其之间的相对光照条件,并进行按对分类;2.分类结果之后用于构建各部分之间的图,然后利用graph-cut来标记阴影区域和非阴影区域;3.通过image matting对于检测结果进行处理,基于光照模型,点亮阴影区域。二、主要介绍 对于所建的图,节点对应着区域特征,稀疏边翻译 2017-08-16 10:47:08 · 2020 阅读 · 1 评论 -
J-linkage算法学习
原文: 【http://xueshu.baidu.com/s?wd=paperuri%3A%285cf06460732097a0248dce05c12126b0%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwww.springerlink.com%2Fcontent%2Ff0310906x67884原创 2017-07-19 15:00:51 · 3672 阅读 · 4 评论 -
颜色空间——log空间和线性空间
原网页【http://www.qvolabs.com/Digital_Images_ColorSpace_Log_vs_Linear.html】图像在存储之前,为了更好的利用其位深信息,可能会采用一类色彩编码技术。如此编码的图像被称为是被存储在“非线性颜色空间”或“对数颜色空间”,通常使用于特定的电影文件形式。原创 2017-05-31 10:52:28 · 2328 阅读 · 0 评论 -
opencv报错
OpenCV报错: warning: Error opening file (../../modules/highgui/src/cap_ffmpeg_impl.hpp:529) capture device failed to open!解决:更改输入video文件的路径,确定正确后即运行成功。转载 2016-07-06 19:49:54 · 365 阅读 · 0 评论 -
Tracking学习之mean-shift——Scale and Orientation Adaptive Mean Shift Tracking
原文地址: 【http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=6135448&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D6135448】本文的主要思想依然是mean-shift,但是在对于下一帧图像的目标进行检测与定位时,加入了尺度和原创 2016-08-03 16:28:39 · 1271 阅读 · 0 评论 -
Tracking算法学习之mean-shift——Robust Scale-Adaptive Mean-Shift for Tracking
原文地址:【http://www.sciencedirect.com/science/article/pii/S0167865514001056】 一、传统的Mean-Shift 原文地址:【http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1195991&tag=1】 个人理解(可能存在偏差,会不断改进): Mean-Shif原创 2016-07-20 17:07:25 · 4573 阅读 · 1 评论 -
opencv之waitkey()
不知道什么原因,这段代码中加上了waitkey()就会崩掉,暂时保留问题。#include<iostream>#include<vector>#include<opencv2/core/core.hpp>#include<opencv2/highgui/highgui.hpp>using namespace std;using namespace cv;vector<Point> iniPo原创 2016-08-09 10:15:21 · 416 阅读 · 0 评论 -
opencv之fillpoly
pt1 = Point(x, y); iniPoint.push_back(pt1); pt2 = iniPoint[0]; line(copyImage, pt1, pt2, Scalar(0, 255, 0)); vector<vector<Point>> PPoint; PPoint.push_back(原创 2016-08-09 14:40:54 · 3644 阅读 · 0 评论 -
2017年看的tracking论文
1。【Structure Preserving Object Tracking】 (可结合该翻译看http://blog.csdn.net/conghengcz/article/details/50815783) 该论文主要针对多目标追踪提出的方法,说是可以用于单目标追踪,但是我看了代码,还不知道怎么改。 该方法有以下几个要点: 1.对于目标,采用HOG算子进行描述,并使用SVM训练分类器;原创 2017-01-17 19:46:55 · 775 阅读 · 1 评论 -
A tracking survey
原文:【Visual Tracking: An Experimental Survey】 首先将tracking的方法分为五大类: 一、利用模板匹配进行tracking(tracking using matching)算法主要思想对应论文NCC(Normalized Cross-Correlation)1.以初始目标框中的像素亮度值作为模板。2.后续帧从前一帧目标的周围位置中选出一些候选原创 2017-01-19 09:59:05 · 790 阅读 · 0 评论 -
深度学习Tracking(1)——Learning to Track at 100 FPS with Deep Regression Networks(代码理解)
工程地址:【http://davheld.github.io/GOTURN/GOTURN.html】第一次看深度学习网络实现的工程代码,有很多内容和结构不理解,并且在Linux下跑网络工程代码没有IDE,无法调试,我也不知道在查看函数的时候如何跳转,因此看整个工程文件十分麻烦。因此自己也是边看边查边学。下面开始解析该工程代码,可能存在一些偏差和错误,将会不断学习和修正。一、工程结构工程主目录下有6个原创 2017-03-01 10:47:47 · 3607 阅读 · 1 评论 -
深度学习Tracking(1)——Learning to Track at 100 FPS with Deep Regression Networks
发生了一些很奇葩的事情,因此我可能要开始学习深度学习了。研究生开始这么久了才开始做深度学习,我真的要担心自己的毕业问题了。好的吧,加油吧。虽然不懂,现在开始吧。原文地址:【http://davheld.github.io/GOTURN/GOTURN.pdf】 项目地址:【http://davheld.github.io/GOTURN/GOTURN.html】本文介绍的算法利用深度回归网络,输入为视原创 2017-02-21 21:14:47 · 2300 阅读 · 0 评论 -
Tracking算法学习之Compressive Tracking——Real-Time Compressive Tracking
原文地址:【http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm】部分理解借鉴于【http://blog.csdn.net/zouxy09/article/details/8118360】本文的主要思想是:首先利用符合压缩感知RIP条件的随机感知矩阵对多尺度图像特征进行降维,然后再降维的特征上采用简单的朴素贝叶斯分类器进行分类。主要思路如下: (1)在翻译 2016-08-02 19:25:51 · 816 阅读 · 0 评论 -
caffe test
占坑原创 2017-03-03 15:49:43 · 440 阅读 · 0 评论 -
图像分割算法——Graph Cuts
因为后面要学习Grab cuts,所以先将Graph Cuts的方法学习一下。1. 由图像构建一个图。G=(V,E) 由上图可以看到图中分别有两种顶点和两种边。 第一种顶点:普通顶点,对应于图像中的每个像素; 第一种边:每两个邻域顶点(即图像中的邻域像素)的连接构成的边,称为“n-links”; 第二种顶点:两个终端顶点,s(source terminal)和t(sink te原创 2017-05-25 20:13:06 · 6323 阅读 · 3 评论 -
图像分割算法——Grab Cuts
占坑先原创 2017-05-26 09:30:46 · 417 阅读 · 0 评论 -
阴影中的一些小光学知识
1.hard shadow 和 soft shadow 在论文中经常会看到hard shadow和soft shadow的概念。 通常情况下,大多数的阴影都是hard的(有着清晰的、锐利的边缘,如下图,多数都是由点光源照射产生)。 soft shadow则相对来说不那么明显,边缘处渐隐,光线呈现更加真实的状态,如下图: 2.umbra 和 penumbra umbra:本影,阴影中最深原创 2017-05-27 10:53:44 · 505 阅读 · 0 评论 -
用pytorch实现一个神经网络(一)
对于图像数据的resize问题: pytorch里有几种resize数据的方法: 1.torchvision.transforms.Resize:这个我始终没用成,好像是服务器上安装的anaconda包里的函数不太对。这个函数是对于PIL图像进行操作的。 2.对于numpy.ndarray的数据resize,函数为o=np.resize(i,newSize) 这个函数我试了,输出的结果再保存原创 2017-12-21 22:19:14 · 2638 阅读 · 0 评论