徐福记456

OpenCV除了使用光流算法与普通插值实现图像视频超分，还提供AI深度学习实现视频超分。算法模型包括：edsr、espcn、fsrcnn、lapsrn，实现超分的倍数有2、3、4、8。通过AI实现的视频超分比传统算法的效果更好，图像更清晰。在opencv_contrib外置库的dnn_superres模块，就是用AI实现的图像/视频超分。接下来，我们对比AI算法、双三次插值、最近邻插值、LANCZOS插值的超分效果。通过计算图像的PSNR、SSIM来评估超分质量。

​在OpenCV4.0以后，视频图像超分模块已经迁移到opencv_contrib独立仓库。在视频超分有两种形式：结合光流算法实现超分、使用CNN卷积神经网络实现超分。在这里主要探索光流算法实现视频超分，然后进一步分析源码实现。

​​使用增强级联的弱分类器包括两个主要阶段：训练和检测阶段。对象检测教程中有描述使用基于 HAAR 或 LBP 模型的检测阶段。这里主要介绍训练增强分类器级联所需的功能，包括：准备训练数据、执行实际模型训练、可视化训练。

我们常见的图像位深一般是8bit，颜色范围[0, 255]，称为标准动态范围SDR(Standard Dynamic Range)。SDR的颜色值有限，如果要图像色彩更鲜艳，那么就需要10bit，甚至12bit，称为高动态范围HDR(High Dynamic Range)。OpenCV有提供SDR转HDR的方法，而逆转换是通过Tone mapping实现。

车牌识别的应用场景随处可见：高速公路上超速抓拍、小区门口关卡、车库入口关卡，甚至出现在车载设备上。它的工作原理大致这样：使用摄像头充当“眼睛”，使用openCV与深度学习充当“大脑”。实时车牌识别工作步骤：摄像头抓拍—>openCV初步定位车牌位置—>二次确认车牌位置的左右上下边界—>车牌倾斜校正—>车牌字符切割—>车牌字符识别。其中，车牌检测是车牌识......

最近一直在捣腾openCV，看到美颜相机的眼睛放大觉得很好玩。本篇文章主要讨论：使用openCV做人脸检测、眼睛检测，然后实现人脸和眼睛的局部放大。当然这不仅局限于人脸于眼睛放大，可以做图片的任意区域的局部放大。1、使用openCV时，先进行初始化： /** * 初始化openCV */ private void initOpenCV(){

最近一直在捣腾openCV，看到别人朋友圈总喜欢给图片打一点马赛克，充满神秘感。准备用openCV来实现打码，其实足够模糊就能实现马赛克效果。查看API发现ImgProc模块提供四种模糊方法：高斯模糊、均值模糊、中值模糊、双边滤波。在这里主要比较高斯模糊、均值模糊以及自定义覆盖层的实现效果。首先，各种初始化：openCV库、模糊线程、人脸检测器。 /** * 初始化op

现在，汽车的踪影无处不在，公路上疾驰，大街边临停，小区中停靠，车库里停泊。管理监控如此庞大数量的汽车是个头疼的问题。精明的人们把目光放在车牌上，因为车牌是汽车的“身份证”。所以车牌识别成为了焦点，而车牌检测是车牌识别的基础和前提。本篇文章，主要讨论使用openCV实现车牌检测。...