爱学习爱运动的专栏

论文：Model-ContrastiveFederatedLearning相关链接：本文主要是将SimCLR对比学习的思想迁移到联邦学习中，关于SimCLR的介绍见。

论文笔记：A Simple Framework for Contrastive Learning of Visual Representations

Document image dewarping using text-lines and line Segments学习笔记

Document Dewarping with Control Points学习笔记

文本图形处理(扭曲变形、增强等)的源代码列表-2

Exploiting Vector Fields for Geometric Rectification of Distorted Document Images学习笔记

Learning From Documents in the Wild to Improve Document Unwarping论文学习笔记

Robust Document Image Dewarping Method Using Text-Lines and Line Segments论文学习笔记

文本图形处理(扭曲变形、增强等)的源代码列表

FDRNet: Fourier Document Restoration for Robust Document Dewarping and Recognition学习笔记

TextBPN：Adaptive Boundary Proposal Network for Arbitrary Shape Text Detection学习笔记

文本图像增强文献调研

文本图像增强及opencv应用实例

1 例子假设：原始数据为8位，纠错码为6位，原始信息由原始数据+纠错码。在传输过程中，由于信息干扰等原因，导致原始信息被污染，被污染后有两位数据被修改。说明编码原始信息001010011011100被污染后的信息0011000110111002 构建码字多项式根据接收到被污染后的信息转化为码字多项式：R(x)=x12+x11+x7+x6+x4+x3+x2(1)R(x) = x^{12} +x^{11} + x^{7} + x^{6} + x^{4} + x^

1 总体思路第一步，寻找二维码的三个角的定位角点，需要对图片进行平滑滤波，二值化，寻找轮廓，筛选轮廓中有两个子轮廓的特征，从筛选后的轮廓中找到面积最接近的3个即是二维码的定位角点。第二步：判断3个角点处于什么位置，主要用来对图片进行透视校正（相机拍到的图片）或者仿射校正（对网站上生成的图片进行缩放拉伸旋转等操作后得到的图片）。需要判断三个角点围成的三角形的最大的角就是二维码右上角的点。然后根据这个角的两个边的角度差确定另外两个角点的右下和左上位置。第三步，根据这些特征识别二维码的范围。2 zbar

下面进一步介绍二维码纠错相关的编码矩阵1 范德蒙德（Vandermonde）矩阵在线性代数中有一种矩阵称为范德蒙德矩阵，它的任意的子方阵均为可逆方阵。一个mmm行nnn列的范德蒙德矩阵定义如下，其中aia_iai​ 均不相同，且不为0。[111…1a11a21a21…an1a12a22a22…an2⋮⋮⋮⋱⋮a1m−1a2m−1a2m−1…anm−1]\left[ \begin{matrix} 1 &1 & 1 &\dots & 1 \\

本文将通过例子来说明两个方面的内容：（1）如何构建纠错码？（2）有了纠错码之后如何纠错？1 如何构建纠错码直接上例子，“hello world” 利用二维码的编码原理，转换成十进制数字为“32, 91, 11, 120, 209, 114, 220, 77, 67, 64, 236, 17, 236, 17, 236, 17”，因此这个语句的消息多项式为：32x15+91x14+11x13+120x12+209x11+114x10+220x9+77x8+67x7+64x6+236x5+17x4+2

二维码

目录1 传统方案https://blog.csdn.net/caomin1hao/article/details/81092134?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7Eessearch%7Evector-7.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7Eessearch%7Evect

https://zhuanlan.zhihu.com/p/101771429

1 简介本文是对发表于计算机视觉和模式识别领域的顶级会议 ICCV 2021 的论文“ Orthogonal Jacobian Regularization for Unsupervised Disentanglement in Image Generation（用于无监督图像生成解耦的正交雅可比正则化）”的解读。该论文由哈尔滨工业大学与好未来合作，针对图像生成中无监督解耦问题，提出了一种正交雅可比正则化（Orthogonal Jacobian Regularization, OroJaR）用于学习解耦

APIcv.wechat_qrcode_WeChatQRCodecv.wechat_qrcode_WeChatQRCode(detector_prototxt_path, detector_caffe_model_path, super_resolution_prototxt_path, super_resolution_caffe_model_path) -> <wechat_qrcode_WeChatQRCode object>初始化微信 QR 码检测模块，包括两个基于 CN.

摘要由于目标对象的尺度不同，超高分辨率 (UHR) 图像中的对象检测长期以来一直是计算机视觉中的一个具有挑战性的问题。在条码检测方面，将 UHR 输入图像调整为更小的尺寸通常会导致相关信息的丢失，而直接处理它们的效率很高且计算成本很高。在本文中，我们建议使用语义分割来快速准确地检测 UHR 图像中各种尺度的条形码。我们的管道涉及大小大于 10k×10k 的图像上的修改后的区域提议网络 (RPN) 和新提出的 Y-Net 分割网络，然后是用于在每个分割的条形码掩码周围拟合边界框的后处理工作流程。端到端系统的

这两个二维码其实是一样的，也就是二维码码制在设计的时候，其实不需要那么大的黑点，只需要中心一小部分即可我们在优化二维码的过程中，能否考虑优化边缘部分，让边缘缩小，然后更清晰呢我觉得二维码优化中，对比度（图像过暗），模糊处理（摄像头拍摄的不清晰），超分辨率重构（二维码在整张图片中占比过小），是优化的重点另外阴影影响也是一个问题就比如这种图像被阴影影响的效果这个是我们用传统的直方均衡算法提升对比度的效果提升对比度有两种不同的方向，一个是目前基于深度学习，另一个方向就是利用传统的图形图像处理方..

简介（1）论文名称：DeepLPF: Deep Local Parametric Filters for Image Enhancement CVPR 2020（2）论文链接：https://arxiv.org/abs/2003.13985（3）源代码：https://github.com/sjmoran/deep_local_parametric_filters主要idea本篇文章提出一种新颖的方法，它可以采用学习到的三种类型（椭圆滤波器、渐变滤波器以及多项式滤波器）的空间局部滤波器进行图

简介（1）论文2：Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Dataset（2）论文链接：https://arxiv.org/pdf/1908.00682v3.pdf（3）源代码链接：https://github.com/Lvfeifan/MBLLEN主要idea弱光图像增强具有一定的挑战性，因为它不仅需要考虑亮度恢复，还需要考虑颜色失真和噪声等复杂问题，这些问题通

简介（1）论文（包括期刊和发表时间）：A Low-Complexity Algorithm for ContrastEnhancement of Digital Images（2）论文链接：http://www.mecs-press.net/ijigsp/ijigsp-v10-n2/IJIGSP-V10-N2-7.pdf（3）源代码链接：https://github.com/qi-zohair/Low-Complexity-Algorithm-for-Contrast-Enhancement主

简介论文 （期刊和发表时间）Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 会议 2020)论文链接https://openaccess.thecvf.com/content_CVPR_2020/html/Guo_Zero-Reference_Deep_Curve_Estimation_for_Low-Light_Image_Enhancement_CVPR_2020_paper.html源代码

简介(1) 论文 （期刊和发表时间）Fast Image Processing with Fully-Convolutional Networks (ICCV 会议 2017)(2) 论文链接https://openaccess.thecvf.com/content_iccv_2017/html/Chen_Fast_Image_Processing_ICCV_2017_paper.html(3) 源代码链接https://github.com/CQFIO/FastImageProcessing

简介（1） 论文（包括期刊和发表时间）：Real Image Denoising with Feature Attention（ICCV 2019）（2） 论文链接：https://arxiv.org/pdf/1904.07396.pdf（3）源代码链接：https://gitee.com/wangmingMY/RIDNet/tree/master/TestCode/code主要idea深度卷积神经网络在含有空间不变噪声(合成噪声)的图像上表现更好;然而，它们的性能在真实的噪声照片上存在局限