zdaiot

404NotFound

发表于 更新于 分类于 ，
本文字数： 947 阅读时长 ≈ 1 分钟

安装Python版本

for Python2:

1
2
sudo apt-get install libopencv-dev
sudo apt-get install python-opencv

for Python3:

1
sudo pip3 install opencv-python

启动摄像头失败

Opencv启动摄像头出现：

1
2
3
4
5
libv4l2: error setting pixformat: Device or resource busy
HIGHGUI ERROR: libv4l unable to ioctl S_FMT
libv4l2: error setting pixformat: Device or resource busy
libv4l1: error setting pixformat: Device or resource busy
HIGHGUI ERROR: libv4l unable to ioctl VIDIOCSPICT

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 9k 阅读时长 ≈ 8 分钟

0. 实验环境

本教程大多是在VS2010、Opencv2.4.8的环境下进行的，但是笔者亲自实验，发现过程大多大同小异，只是VS对应的OpenCV版本可能不同，这在4.工程库（lib）目录的配置中有详细介绍。

1.下载和安装OpenCV SDK

VS2010不用说，肯定都安装了吧。来说说当前最新的OpenCV版本2.4.8（2014年2月24日），2.4.9 （2014年4月）的下载和安装。与其说是安装，不如叫解压更加合适，因为我们下载的exe安装文件就是一个自解压程序而已。

在官网：http://opencv.org/上找到OpenCV windows版下载下来。

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 5.3k 阅读时长 ≈ 5 分钟

IO模式

Moderr+ww+aa+
Read++++
Write+++++
Create++++
Cover++
Point in the beginning++++
Point in the end++

img

读取文件样例

例如读取以下文档中的数据：

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 6.7k 阅读时长 ≈ 6 分钟

最大似然估计（Maximum likelihood estimation, 简称MLE）和最大后验概率估计（Maximum a posteriori estimation, 简称MAP）是很常用的两种参数估计方法，如果不理解这两种方法的思路，很容易弄混它们。下文将详细说明MLE和MAP的思路与区别。

但别急，我们先从概率和统计的区别讲起。

概率和统计是一个东西吗？

概率（probabilty）和统计（statistics）看似两个相近的概念，其实研究的问题刚好相反。

概率研究的问题是，已知一个模型和参数，怎么去预测这个模型产生的结果的特性（例如均值，方差，协方差等等）。 举个例子，我想研究怎么养猪（模型是猪），我选好了想养的品种、喂养方式、猪棚的设计等等（选择参数），我想知道我养出来的猪大概能有多肥，肉质怎么样（预测结果）。

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 330 阅读时长 ≈ 1 分钟

介绍已有工作

  • who uses … to
  • who applies … to
  • in […], the author proposes
  • who investigates …
  • a/an … algorithm has been proposed
  • As explored in […],
  • Works such as […]–[…] have demonstrated that … can then be used as

缺点后的转折

  • For this reason
  • Although these proposed algorithms achieve better performance of than …, the drawbacks are still obvious

介绍自我工作

发表于 更新于 分类于
本文字数： 5.9k 阅读时长 ≈ 5 分钟

图片模型

模糊图B、潜在图L与模糊核K的关系为：

其中，⊗代表卷积（非周期边界条件），N表示每个像素上的传感器噪声。

我们假设图像的像素值与传感器的辐照度线性相关。潜在图像L代表我们的目标图像；我们的目标是从B中恢复L，而没有对K的具体知识。

自然图像在梯度上满足重尾分布。下图显示了一幅自然图像及其梯度大小的直方图。分布表明，图像主要包含小的或零的梯度，但少数梯度有较大的幅度。我们用零均值高斯混合模型表示梯度的分布。之所以选择这种表示方式，是因为它可以很好地逼近经验分布，同时允许对我们的算法进行易于处理的估计。

阅读全文 »

发表于 更新于 分类于
本文字数： 855 阅读时长 ≈ 1 分钟

图像函数$f(x,y)$在点$(x,y)$的梯度是一个具有大小和方向的矢量，设为$G_x$和$G_y$分别表示$x$方向和$y$方向的梯度，这个梯度的矢量可以表示为：

这个矢量的幅度为

方向角为

对于数字图像而言，相当于对二维离散函数求梯度，如下：

数字图像中，更多的是用差分来近似函数，最简单的梯度近似表达式为：

阅读全文 »

发表于 更新于 分类于
本文字数： 3.2k 阅读时长 ≈ 3 分钟

什么是Gamma变换

Gamma变换是对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系：

这个指数即为Gamma。

注意这个$V_{in}$的取值范围为0～1，因此需要先进行归一化，然后取指数。

1
2
3
4
5
6
7
void GetGammaTransLUT(uchar *pLUT, float Gamma, int iLUTLen)
{
    for(int i=0;i<iLUTLen;i++)
    {
        pLUT[i]=(uchar)(pow((float)i/255,Gamma)*255);
    }
}

或者：

1
2
3
4
5
6
if (GAMMA_CORRECTION~=1)
  %%% gamma correct actual image
  obs_im = (double(obs_im).^(GAMMA_CORRECTION))/(256^(GAMMA_CORRECTION-1));
else
  obs_im = double(obs_im);
end

阅读全文 »