Ricardo的博客

今天忽然想做一个图像识别的APP，但是在两张图片相似度的问题上产生了问题，感知哈希算法并不能解决这个问题，只是我在试着解决问题的过程中学到的一点知识。这里的关键技术叫做”感知哈希算法”（Perceptual hash algorithm），它的作用是对每张图片生成一个”指纹”（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。下面是一个最简单的实现：第一步，缩小

空间域和频率域为我们提供了不同的视角． 在空域中． 函数的自变量（x, y）被视为二维空间中的一点， 数字图像J(x, y）即为一个定义在二维空间中的矩形区域上的离散函数：换一个角度， 如果将j(x, y）视为幅值变化的二维信号， 则可以通过某些变换手段（如傅立叶变 换、离散余弦变换、沃尔什变换和小波变换等〉在频域下对它进行分析．本文主要包括以下内容 傅立叶变换的数学基础快速傅立叶变换

图像是指能在人的视觉系统中产生视觉印象的客观对象，包括自然景物、拍摄到的图片、用数学方法描述的图形.图像的要素有儿何要素〈刻画对象的轮廓、 形状等〉和非几何要素（刻画对象的颜色、 材质等〉。什么是数字图像 简单地说， 数字图像就是能够在计算机上显示和处理的图像， 根据其特性可分为两大类一一位图和矢量圈。 位图通常使用数字阵列来表示， 常见格式有BMP、 1町、 GlF等：矢量图由矢量数据库表示，

本文主要包括以下内容 频率域图像增强高通滤波器和低通滤波器本章的典型案例分析 利用频域滤波消除周期噪声频域滤波基础频域滤波与空域滤波的关系 傅立叶变换可以将图像从空域变换到频域，而傅立叶反变换则可以将图像的频谱逆变换为空域图像，即人可以直接识别的图像。这样一来，我们可以利用空域图像与频谱之间的对应关系，尝试将空域卷积滤波变换为频域滤波，然后再将频域滤波处理后的图像反变换回空间域，

本文主要包括以下内容 模式与模式识别的基本概念过度拟合最小距离分类器基于相关的模板匹配本章的典型案例分析 基于最小距离分类器的鸾尾属植物分类基于相关技术的图像模式匹配模式识别概述模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起， 人们当然 也希望能用计

彩色基础什么是彩色 彩色是物体的一种属性，就像纹理、形状、重量一样． 通常， 它依赖于3个方面的因素： 光源一一照射光的谱性质或谱能量分布．物体－一被照射物体的反射性质．成像接收器（眼睛或成像传感器）一一光谱能量吸收性质其中，光特性是颜色科学的核心。假如光没有颜色（捎色的，如观察者看到的黑白电视的光），那么它的属性仅仅是亮度或者数值。可以用灰度值来描述亮度， 光的范围从黑到灰．最后到白

图像的矩阵表示 类和图像类型 虽然使用的是整数坐标， 但 MATLAB 中的像素值（亮度）并未限制为整数。 表 1-1 列出了 MATLAB 和图像处理工具箱为描述像素值而支持的各种类。 表中的前 8 项是数值型的数据类，第 9 项称为字符类， 最后一项称为逻辑类。 uint8 和 logical 类广泛用于图像处理， 当以 TIFF 或 JPEG 图像文件格式读取图像时，会用到这两个类

svm推广到多类情况一对多的最大响应策略(one against all) 假设有A 、B、C.. D四类样本需要划分。在抽取训练集的时候，分别按照如下4种方式划分。 A. 所对应的样本特征向量作为正集（类标签为+1), B、C、D所对应的样本特征向量作为负集（类标签为-1). B所对应的样本特征向量作为正集，A. C. D所对应的样本特征向量作为负集 C所

对于一个数字图像处理系统来说， 一般可以将处理流程分为3个阶段。在获取原始图像 后， 首先是图像预处理阶段， 其次是特征抽取阶段，最后才是识别分析阶段。预处理阶段尤 为重要， 这个阶段处理不好则直接导致后面的工作无法展开。 点运算指的是对图像中的每个像素依次进行同样的灰度变换运算。设r和s分别是输入 图像f(x,y）和输出图像g(x,y）在任一点(x，y）的灰度值，则点运算可以使用下式定义

形态学，即数学形态学(mathematical Morphology），是图像处理中应用最为广泛的技术之一，主要用于从图像中提取对表达和描绘区域形状有意义的图像分量，使后续的识别工作能够抓住目标对象最为本质〈最具区分能力－most discriminative）的形状特征，如边界和连通区域等。同时像细化、像素化和修剪毛刺等技术也常应用于图像的预处理和后处理中，成为图像增强技术的有力补充。本文主要包括

本文主要包括以下内容 中值滤波及其改进算法图像锐化， 包括梯度算子、拉普拉斯算子、高提升滤波和高斯-拉普拉斯变换本章的典型囊例分析 对椒盐噪声的平滑效果比较Laplacian与LoG算子的锐化效果比较中值滤波中值滤波本质上是一种统计排序滤波器． 对于原图像中某点（i,j)， 中值滤波以该点为中 心的邻域内的所有像素的统计排序中值作为（i, j） 点的响应． 中值不同于均值，

图像增强是数字图像处理相对简单却最具艺术性的领域之一，增强的目的是消除噪声， 显现那些被模糊了的细节或简单突出一幅图像中我们感兴趣的特征。一个简单例子是增强图 像的对比度， 使其看起来更加一目了然。增强是图像处理中非常主观的领域， 它以怎样构成 好的增强效果这种人为主观偏好为基础， 也正是这一点为其赋予了艺术性。这与图像复原技 术刚好相反， 图像复原也是改进图像外貌的一个处理领域， 但它是客

从本节开始， 我们将逐步从数字图像处理向图像识别过渡。 严格地说， 图像特征提取属于图像分析的范畴， 是数字图像处理的高级阶段， 同时也是图像识别的开始。本文主要包括以下内容 常用的基本统计特征， 如周长、面积、均值等区域描绘子， 以及直方图和灰度共现矩阵等纹理描绘子主成份分析(PCA, PrincipaJ Component Analysis)局部二进制模式(LBP, LocaJ

效果图原理大概介绍一下实现原理。首先你得有一张图（废话~）,接下来就是把这张图的轮廓提取出来，轮廓提取算法有很多，本人不是搞图像处理的，对图像处理感兴趣的童鞋可以查

layout: post title: postgres与osm初步使用 date: 2016-9-20 categories: blog tags: [地图开发]description:地图开发本文主要包括以下内容 postgreSQL数据库，用来存放地图原始数据osm2pgsql 用来将osm地图数据导入到postgreSQL  OSM数据OpenStreetMap（简称

本文主要包括以下内容 TileMill生成Tile影像金字塔（.mbtiles压缩文件）Mbutil(https://github.com/mapbox/mbutil)解压缩Apache HTTP Server(或tomcat) 建立web瓦片服务客户端调用（ http://www.arcgis.com/home）测试首先将数据导入postgres数据库中 osm2pgsql -s

主要工具 QGIS建立拓扑关系 Postgres存储数据表 Geoserver发布相关服务 QGIS建立拓扑关系使用v.clean运行，并用DBManager即可以建立拓扑关系并导入数据库。 注意 QGIS2.16有数据溢出问题，使用QGIS2.14可以解决这个问题 Postgr

本文主要包括以下内容分段线性变换两种实用的直方图修正技术:直方图均衡化和直方图规定化本章的典型案例分析 基于直方图均衡化的图像灰度归一化直方图匹配分段线性变换分段线性变换有很多种， 包括灰度拉伸、 灰度窗口变换等， 本节仅讲述最为常用的灰度拉伸． 利用分段线性变换函数来增强图像对比度的方法实际是增强原图各部分的反差，即增强输入图像中感兴趣的灰度区域，相对抑制那些不感兴趣的灰度区

图像分割是指将图像中具有特殊意义的不同区域划分开来， 这些区域互不相交，每个区域满足灰度、纹理、彩色等特征的某种相似性准则。图像分割是图像分析过程中最重要的步骤之一，分割出的区域可以作为后续特征提取的目标对象。本文主要包括以下内容 基于梯度的Sobel、Prewitt和Roberts算子的边缘检测LoG边缘检测算法Canny边缘检测算法Hough变换和直线检测阙值分割技术基于区域的

本文主要包括以下内容 阈值分割技术基于区域的图像分割技术本章的典型案例 基于LoG和Canny算子的精确边缘检测基于Hough变换的直线检测图像的四叉树分解阈值分割我们曾在3.5节学习过灰度阈值变换的相关知识， 利用灰度阈值变换分割图像就称为阈值分割， 它是一种基本的图像分割方法。 阙值分割的基本思想是确定一个阈值， 然后把每个像素点的灰度值和阈值相比较，根据比较的结果把该像素

包含相同内容的两幅图像可能由于成像角度、透视关系乃至镜头自身原因所造成的几何失 真而呈现出截然不同的外观，这就给观测者或是图像识别程序带来了困扰。通过适当的几何变 换可以最大程度地消除这些几何失真所产生的负面影响，有利于我们在后续的处理和识别工作 中将注意力集中子图像内容本身，更确切地说是图像中的对象，而不是该对象的角度和位置等。 因此， 几何变换常常作为其他图像处理应用的预处理步骤， 是图

我们将应用PCA技术来抽取人脸特征。一幅人脸照片往往由比较多的像素构成，如果以每个像素作为1维特征，将得到一个维数非常高的特征向量， 计算将十分困难；而且这些像素之间通常具有相关性。这样，利用PCA技术在降低维数的同时在一定程度上去除原始特征各维之间的相关性自然成为了一个比较理想的方案。 数据集简介 本案例采用的数据集来自著名的ORL人脸库。首先对该人脸库做一个简单的介绍： ORL数

本文主要包括以下内容 二值形态学的经典应用， 细化和像素化， 以及凸壳灰度图像的形态学运算， 包括灰度腐蚀、灰度膨胀、灰度开和灰度闭本章的典型案例分析 在人脸局部图像中定位嘴的中心显微镜下图像的细菌计数利用顶帽变换（top-hat）技术解决光照不均问题 细化算法“骨架”是指一副图像的骨髓部分，它描述物体的几何形状和拓扑结构，是重要的图像描绘子之一，计算骨架的过程一般称为“细化”