<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ChuanjieZhu]]></title><description><![CDATA[第一点：通俗易懂；第二点：准确深刻；第三点：贯彻以上两点。DJI大疆创新，招聘官网https://we.dji.com/，需要内推的同学请联系chuanjiezhu@qq.com。]]></description><link>https://blog.csdn.net/u014485485</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; u014485485]]></copyright><item><title><![CDATA[关于踩内存]]></title><link>https://blog.csdn.net/u014485485/article/details/104714934</link><guid>https://blog.csdn.net/u014485485/article/details/104714934</guid><author>u014485485</author><pubDate>Sat, 07 Mar 2020 15:55:53 +0800</pubDate><description><![CDATA[1.什么是踩内存

访问了不合法的地址 。通俗一点就是访问了不属于自己的地址。如果这块地址分配给了另一个变量使用，就会破坏别人的数据。从而导致程序运行异常，挂死，输出图像破图等。



2.踩内存的可能的情形

1）内存访问越界

a)数组访问越界；

b)字符串操作越界；

2）非法指针

a）使用了空指针；

b)使用了释放掉的指针；

c)指针类型转换错误；

3）栈溢出；

4）多线程读...]]></description><category></category></item><item><title><![CDATA[数字图像处理（4）图像压缩]]></title><link>https://blog.csdn.net/u014485485/article/details/103649923</link><guid>https://blog.csdn.net/u014485485/article/details/103649923</guid><author>u014485485</author><pubDate>Sun, 22 Dec 2019 00:07:23 +0800</pubDate><description><![CDATA[内容来自于刘定生老师的数字图像处理课和课件，如有侵权，联系删除。





首先理解信息的概念。



在计算机领域，数据是信息的载体，数据是未加工的信息。

大多数信息的表达都存在着一定的冗余度（相关性），通过采用一定的模型和编码方法，可以降低这种冗余度



编码冗余：如果一个图像的灰度级编码， 使用了多于实际需要的编码符号， 就称该图像包含了编码冗余。



像素冗余：任何给定位置...]]></description><category></category></item><item><title><![CDATA[数字图像处理（3）图像增强（下）]]></title><link>https://blog.csdn.net/u014485485/article/details/103649594</link><guid>https://blog.csdn.net/u014485485/article/details/103649594</guid><author>u014485485</author><pubDate>Sat, 21 Dec 2019 23:11:10 +0800</pubDate><description><![CDATA[内容来自于刘定生老师的数字图像处理课和课件，如有侵权，联系删除。



频域滤波增强

空域图象增强的基础理论——线性系统滤波

g(x,y) = h(x,y) ∗ f(x,y)

由傅里叶变换中卷积定理，上述线性系统可模型化为：

G(u,v)=H(u,v)·F(u,v)





频谱的直流低频分量对应于图像的平滑区域
	频谱的高频分量对应于图像的边沿或变化剧烈区域
	外界叠加噪声对应于...]]></description><category></category></item><item><title><![CDATA[数字图像处理（3）图像增强（上）]]></title><link>https://blog.csdn.net/u014485485/article/details/103554996</link><guid>https://blog.csdn.net/u014485485/article/details/103554996</guid><author>u014485485</author><pubDate>Sun, 15 Dec 2019 22:52:45 +0800</pubDate><description><![CDATA[内容来自于刘定生老师的数字图像处理课和课件，如有侵权，联系删除。



图像增强目的是改善图像质量。

造成图像质量损坏的因素：

1.图像传输时,由于信道带宽限制造成的图像模糊；

2.噪声干扰：加性噪声、乘性噪声、量化噪声、椒盐噪声、入射光的不均匀性造成的畸变

3.信号减弱，对比度下降

4.成像条件的欠缺，获取图像的清晰度降低



归纳为：对比度问题（主要是下降）、噪声干扰、清晰度问...]]></description><category></category></item><item><title><![CDATA[数字图像处理（2）正交变换]]></title><link>https://blog.csdn.net/u014485485/article/details/103002930</link><guid>https://blog.csdn.net/u014485485/article/details/103002930</guid><author>u014485485</author><pubDate>Sun, 10 Nov 2019 22:08:09 +0800</pubDate><description><![CDATA[内容来自于刘定生老师的数字图像处理课和课件，如有侵权，联系删除。



频域变换意义：滤波，增强，去相关

图像处理主要看做线性系统

若x1(t)--&gt;y1(t)

x2(t)--&gt;y2(t)

当且仅当

x1(t)+x2(t)--&gt;y1(t)+y2(t)



卷积、相关的概念

正交性：基轴正交

完备性：（个人认为不需要花过多时间在这个性质的证明上）



正交变...]]></description><category></category></item><item><title><![CDATA[数字图像处理（1）基本运算]]></title><link>https://blog.csdn.net/u014485485/article/details/99706344</link><guid>https://blog.csdn.net/u014485485/article/details/99706344</guid><author>u014485485</author><pubDate>Sun, 18 Aug 2019 16:48:44 +0800</pubDate><description><![CDATA[内容来自于刘定生老师的数字图像处理课和课件，如有侵权，联系删除。



灰度级：图像中不同灰度的最大数量

对比度：反映图像灰度方差大小



线性：

Iout = a*Iin + b

a&gt;1:增加对比度

a&lt;1:减小对比度

b&gt;0:增加亮度

b&lt;0:减小亮度



非线性：



C&gt;0:增强中间部分

C&lt;0:减弱中间部分

（类似于log曲...]]></description><category></category></item><item><title><![CDATA[对于YUV420sp格式图像的copy and paste]]></title><link>https://blog.csdn.net/u014485485/article/details/89854716</link><guid>https://blog.csdn.net/u014485485/article/details/89854716</guid><author>u014485485</author><pubDate>Sun, 05 May 2019 22:35:45 +0800</pubDate><description><![CDATA[重点在于计算好y、u、v分量的位置。

yuv420sp存储格式详解：RGB 与YUV颜色模型及存储格式

rgb转yuv420sp：RGB、YUV420p、YUV420sp之间的互相转换（C++）（代码中的showImage()，encodeYUV420sp()函数在此）



OpenCV中如果是单通道或者三通道一样的大的图像，直接使用copyTo函数即可。对于yuv420的图像则不是适用。...]]></description><category></category></item><item><title><![CDATA[RGB、YUV420p、YUV420sp之间的互相转换（C++）]]></title><link>https://blog.csdn.net/u014485485/article/details/89709798</link><guid>https://blog.csdn.net/u014485485/article/details/89709798</guid><author>u014485485</author><pubDate>Tue, 30 Apr 2019 15:17:41 +0800</pubDate><description><![CDATA[关于RGB、YUV介绍可以参考 RGB 与YUV颜色模型及存储格式

1.covert RGB to NV21


void encodeYUV420sp(unsigned  char* yuv420sp, unsigned char* rgb, int width, int height)
{
	if (yuv420sp == NULL || rgb == NULL)
		return;
	in...]]></description><category></category></item><item><title><![CDATA[Windows本地快速搭建cs231n作业环境]]></title><link>https://blog.csdn.net/u014485485/article/details/89607483</link><guid>https://blog.csdn.net/u014485485/article/details/89607483</guid><author>u014485485</author><pubDate>Sat, 27 Apr 2019 21:16:31 +0800</pubDate><description><![CDATA[之前写过一个关于斯坦福cs321n课程的作业环境搭建教程，cs231n_assignment1_配置作业环境+kNN，不过好像很多人还是在搭建过程中遇到一些问题，导致做不了作业。自己动手实践是学习最快的方法，看公开课独立完成作业非常重要。在邮件中不好详细回复，今天回忆了一下当时的搭建步骤在这里另开一文做一个作业环境搭建的图文详细版，希望能帮助到更多的人。



说明：本文适用于希望在Window...]]></description><category></category></item><item><title><![CDATA[图像融合之多波段融合（Multiband Blending）/拉普拉斯金字塔融合（Laplacian Pyramid Blending）]]></title><link>https://blog.csdn.net/u014485485/article/details/89516028</link><guid>https://blog.csdn.net/u014485485/article/details/89516028</guid><author>u014485485</author><pubDate>Thu, 25 Apr 2019 15:08:59 +0800</pubDate><description><![CDATA[多波段融合又叫拉普拉斯金字塔融合。

多波段融合的思想是对待融合的图像分别构建拉普拉斯金字塔，（拉普拉斯算子可以提取出图像的高频信息，在拉普拉斯金字塔中，越往上层的图像越高频）然后对同一层图像按照某种规则融合，一般是Alpha blending/Feathering；对于不同层图像（不同频率段的图像）进行不同规则的融合，高频部分blend slowly，低频部分blend quickly；对融合后...]]></description><category></category></item><item><title><![CDATA[网络资源备份]]></title><link>https://blog.csdn.net/u014485485/article/details/89492298</link><guid>https://blog.csdn.net/u014485485/article/details/89492298</guid><author>u014485485</author><pubDate>Wed, 24 Apr 2019 14:43:31 +0800</pubDate><description><![CDATA[Image ProcessBasic Knowledge







Image Match/Image Registration



Image Stitching/Panoramic Mosaic



Image Fusion/Image Blending

Image Pyramids and Blending：卡耐基梅隆大学，2005，计算摄影课的一节

Computer...]]></description><category></category></item><item><title><![CDATA[图像融合之泊松融合（Poisson Blending）]]></title><link>https://blog.csdn.net/u014485485/article/details/89481501</link><guid>https://blog.csdn.net/u014485485/article/details/89481501</guid><author>u014485485</author><pubDate>Tue, 23 Apr 2019 21:21:35 +0800</pubDate><description><![CDATA[论文为2003Patrick P´erez 《Poisson Image Editing》，Microsoft Research UK

译作，泊松图像编辑，因为此算法的功能有很多：

1.Insertion



2. Feature exchange



3. Inserting objects with holes



4. Texture flattening





5.Loc...]]></description><category></category></item><item><title><![CDATA[RGB 与YUV颜色模型及存储格式]]></title><link>https://blog.csdn.net/u014485485/article/details/89474332</link><guid>https://blog.csdn.net/u014485485/article/details/89474332</guid><author>u014485485</author><pubDate>Tue, 23 Apr 2019 15:51:58 +0800</pubDate><description><![CDATA[RGB与YUV

色彩空间（Color Space）[1]：is a specific organization of colors. In combination with physical device profiling, it allows for reproducible representations of color, in both analog and digital repre...]]></description><category></category></item><item><title><![CDATA[to do list——待填坑记录]]></title><link>https://blog.csdn.net/u014485485/article/details/87934561</link><guid>https://blog.csdn.net/u014485485/article/details/87934561</guid><author>u014485485</author><pubDate>Tue, 26 Feb 2019 14:38:11 +0800</pubDate><description><![CDATA[由于最近去实习，博客的更新停止。3月份将回学校准备论文和毕设答辩。这个时间也将开始更新博客。

待填的坑：

1.cs231n课程及作业

2.cmu1521课程

3.ncnn神经网络加速库

 

自我检讨：

1.有惰性，实习期间本可以继续更新博客，回到公寓后不想动笔。

2.合理规划时间：每天的安排，往后1~3个月的安排。...]]></description><category></category></item><item><title><![CDATA[MFC杂记]]></title><link>https://blog.csdn.net/u014485485/article/details/83351501</link><guid>https://blog.csdn.net/u014485485/article/details/83351501</guid><author>u014485485</author><pubDate>Wed, 24 Oct 2018 21:50:57 +0800</pubDate><description><![CDATA[Microsoft Foundation Classes，微软基础类库，以C++类的形式封装了Windows API，并且包含一个（也是微软产品的唯一一个）应用程序框架，以减少应用程序开发人员的工作量。

 

消息循环：微软视窗操作系统是以事件驱动做为程序设计的基础。程序的线程会从操作系统获取消息。应用程序会不断循环调用GetMessage函数（或是PeekMessage函数）来接收这些消息，这...]]></description><category></category></item><item><title><![CDATA[CMU15213_Lecture_07_Machine Level Programming III：Switch Statements and IA32 Procedures]]></title><link>https://blog.csdn.net/u014485485/article/details/83305378</link><guid>https://blog.csdn.net/u014485485/article/details/83305378</guid><author>u014485485</author><pubDate>Tue, 23 Oct 2018 13:23:19 +0800</pubDate><description><![CDATA[试图还原老师讲课的思路。

 

Switch statements

一个例子：



很多人会认为switch是decision trees，实际上二者不一样，决策树是一个一个case判断执行；switch当条件不满足时就不会执行，直到遇到一个满足条件的case就开始顺序往下执行，即使不匹配的case也会被执行。

也有人认为switch和if是等价的，其实不然。case后面是只能跟常量（co...]]></description><category></category></item><item><title><![CDATA[CMU15213_Lecture_06_Machine Level Programming II： Arithmetic & Control]]></title><link>https://blog.csdn.net/u014485485/article/details/83183982</link><guid>https://blog.csdn.net/u014485485/article/details/83183982</guid><author>u014485485</author><pubDate>Fri, 19 Oct 2018 16:09:30 +0800</pubDate><description><![CDATA[试图还原老师讲课的思路。

 

这节课就是讲汇编的。

Complete addressing mode, address computation

Complete Memory Addressing Modes：

D(Rb,Ri,S)    Mem[Reg[Rb]+S*Reg[Ri]+ D]

举个例子，

(%edx,%ecx,4)  0xf000 + 4*0x100  0xf400

...]]></description><category></category></item><item><title><![CDATA[算法移植优化基础]]></title><link>https://blog.csdn.net/u014485485/article/details/82850736</link><guid>https://blog.csdn.net/u014485485/article/details/82850736</guid><author>u014485485</author><pubDate>Wed, 26 Sep 2018 11:20:41 +0800</pubDate><description><![CDATA[PS：为了面试准备的，总结的有点粗糙。



ARM：Advanced RISC Machines，ARM架构是面向低预算市场设计的第一款RISC微处理器，基本是32位单片机的行业标准，它提供一系列内核、体系扩展、微处理器和系统芯片方案，四个功能模块可供生产厂商根据不同用户的要求来配置生产。由于所有产品均采用一个通用的软件体系，所以相同的软件可在所有产品中运行。



DSP：Digital ...]]></description><category></category></item><item><title><![CDATA[C++及图像算法基础知识（二）]]></title><link>https://blog.csdn.net/u014485485/article/details/82850463</link><guid>https://blog.csdn.net/u014485485/article/details/82850463</guid><author>u014485485</author><pubDate>Wed, 26 Sep 2018 11:04:11 +0800</pubDate><description><![CDATA[PS：为了面试准备的，总结的有点粗糙。

 

1.使用了未初始化的局部变量

错误：



 



 

正确：



 



 

2.指针与指向指针的指针

Pointer to an integer value

int* i

 

Pointer to a pointer to an integer value

int** i

 

3.i++ 与++i的区别

use ++i...]]></description><category></category></item><item><title><![CDATA[C++及图像算法基础知识（一）]]></title><link>https://blog.csdn.net/u014485485/article/details/82850390</link><guid>https://blog.csdn.net/u014485485/article/details/82850390</guid><author>u014485485</author><pubDate>Wed, 26 Sep 2018 11:02:37 +0800</pubDate><description><![CDATA[PS：为了面试准备的，总结的有点粗糙。

 

1.receptive field：感受野

在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野



 

左图：如果只看特征图，我们无法得知特征的位置（即感受野的中心位置）和区域大小（即感受野的大小）

右图：CNN特征图的大小固定，其特征位置即感受野的中心位置。各个特征（可以理解为图像中的像素点）的位置在...]]></description><category></category></item></channel></rss>