帝欣飘逸的博客

最近一直在回顾深度学习的知识，打算对之前学习的知识做一个梳理，首先准备从keras提供的mnist数据集中提取出mnist图片；mnist识别问题被认为是机器学习的“hello world”，算是一个入门级的实验，这里我用的keras是基于tensorflow 1.14.0的2.3.0版本，差别应该不大；当然，实际中并不需要提取mnist图片，我这样做的原因是因为一般的自定义的图片分类任务...

很久很久以前，笔者曾经研究学习过welsh算法，并用c++实现过，见链接welsh颜色迁移算法实现过程；后来心血来潮想再看看效果，却发现opencv的版本已经更迭变化太快了，且有学友也想复现一下实验效果，因此决定用再用python实现一次改算法。welsh的流程如下：1.将目标图像和样本图像转换到Lab空间；2.对目标图像和样本图像进行亮度重映射，保证后续的像素匹配正确进行；3....

原文见这里：Why does OpenCV use BGR color format文中作者在一个大会上问了OpenCV的作者为什么使用BGR格式而不是使用RGB。他得到的答案总结起来就是由于历史的原因。文中还用了一个很搞笑的故事来说明这个事实：为什么美国的标准铁路轨距为4英尺8.5英寸。对这个故事有兴趣的可以看原博文。那么这个历史原因是什么：早期开发者使用BGR作为颜色的空间的原因在...

前一段时间实现了Reinhard颜色迁移算法，感觉挺有意思的，然后在代码上随意做了一些更改，有了一些发现，把Lab通道的a通道值改为127左右，可以将绿色改为黄色，而对其他颜色的改动非常小，因此可以将春天的场景变换到秋天去，通过颜色直方图统计发现：很多秋天场景中的元素的A通道的像素值都聚集在127附近。这里是核心代码：# -*- coding: utf-8 -*-import cv2i...

最近做了一些验证码识别的工作，现在总结一下。本文将介绍几种类型的验证码识别任务，只针对包含英文字母和数字的简单型OCR识别。开始的时候，研究了很多关于验证码识别的相关资料，现在准确率较高的一般都是基于机器学习的，其大概可以分为两种，一种是将整个验证码图片作为分类器的输入，将相应输出作为标签，比如这篇博客：tensorflow-深度学习破解验证码。另外一种则是先分割再识别。比较这两种验证码识别方法，...

上一节整理了最简单的验证码识别问题，这一节将介绍稍微复杂一些的，比如这样的：，可以看出，这类的验证码中的每个元素并没有固定的位置，单纯的靠位置来提取可能会获得较差的分割结果，因此，我们考虑使用一些图形学的方法来提取每个元素的区域。这里可以总结一下验证码识别的规律：先找到提取每个元素的方法，然后建立分类器进行识别。当然，对于特定网站的验证码，其元素的提取都可以找到一些规律，这可能需要自己去观察发现。...

人脸相似度检测主要是检测两张图片中人脸的相似度，从而判断这两张图片的对象是不是一个人。在上一篇文章中，使用CNN提取人脸特征，然后利用提取的特征进行分类。而在人脸相似度检测的工作中，我们也可以利用卷积神经网络先提取特征，然后对提取的特征进行利用。我们取fc7提取的4096维特征，然后对两个向量进行pairwise相似度检测，即可得到人脸相似度，然后设定一个阈值，判断是否维同一个人。

很久之前做的东西了，最近做了一个人脸相似度检测，里面用到了这里的一个模型，所以抽个空把人脸年龄检测的思路总结一下。与其他CNN分类问题类似，人脸年龄预测无非就是将人脸分为多个类别，然后训练卷积神经网络，最后利用训练好的卷积神经网络进行分类即可。但是在人脸年龄分类方面，有几个比较重要的问题，第一，人脸数据集不好获取，第二，人脸对偏移，光照敏感度很高。第三，特征不容易提取。在数据集方面，我

最近在学习神经网络的相关知识，特在此做一个笔记。python语言的功能很强大，可以使用很少的代码实现很多功能，因此大家如果想研究深度学习的话，一定要懂得python语言。这篇笔记记录我的第一次使用python编写神经网络代码的过程，其中代码基本是借鉴neural networks and deep learning上的知识，这本书对神经网络学习有很大帮助，浅显易懂的深入了CNN的知识，初学

最近研究了一下color transfer的相关内容，自从实现了Reinhard经典颜色迁移算法后，便思考着能编写代码实现第二个经典算法：welsh算法，本人在编写调试大概一周才终于实现了出来。welsh算法基本思想：1.将目标图像和样本图像转换到Lab空间；2.对目标图像和样本图像进行亮度重映射，保证后续的像素匹配正确进行；3.从参考图片中选择一部分样本点，将这些样本点的