其他

前言：在前面一篇文章中，我們在反轉長度不等的兩塊連續記憶體塊的演算法的基礎上推匯出了反轉長度不等的兩塊不連續記憶體塊的演算法。在本文中，我將使用前文分析的演算法去解決一個更複雜的問題：反轉字串中的單詞。引子話說有這樣一道演算法題：PROBLEM:Reverse WordsCOMMENT:Write a function that reverses the order of the words in a string.For instance,your function should

下面代碼實現了基於Laplacian運算元的映像邊緣增強 。演算法：邊緣增強映像 = 源映像 + 邊緣映像// 基於Laplacian運算元的映像邊緣增強 // Author： www.icvpr.com // Blog： http://blog.csdn.net/icvpr #include <iostream>#include <vector>#include <opencv2/opencv.hpp>void

OpenCV的feature2d module中提供了從局部映像特徵（Local image feature）的檢測、特徵向量（feature vector）的提取，到特徵匹配的實現。其中的局部映像特徵包括了常用的幾種局部映像特徵檢測與描述運算元，如FAST、SURF、SIFT、以及ORB。對於高維特徵向量之間的匹配，OpenCV主要有兩種方式：1）BruteForce窮舉法；2）FLANN近似K近鄰演算法（包含了多種高維特徵向量匹配的演算法，例如隨機森林等）。feature2d module：

OpenGL中有兩種方法為頂點(Vertex)指定紋理座標：1.由人工給每個頂點分配座標。可以通過函數glTexCord*()來完成。2.由OpenGL自動為每個頂點分配座標。這個任務由函數glTexGen*()來完成。一開始，我對glTexGen*()這個函數並不是十分的理解，不知道OpenGL到底是怎樣自動產生紋理座標的。查閱了相關的資料，才開始有一點明白：要完成自動紋理座標的產生，首先要指定以什麼樣的模式（既什麼樣的演算法）來產生紋理座標。在OpenGL1.1中，可以指定三種紋理座標產生模

1.原理在瞭解了MeanShift演算法以後，我們將MeanShift演算法擴充到連續映像序列（一般都是指視頻映像序列），這樣就形成了CamShift演算法。CamShift演算法的全稱是"Continuously Apaptive Mean-SHIFT"，它的基本思想是視頻映像的所有幀作MeanShift運算，並將上一幀的結果（即Search Window的中心和大小）作為下一幀MeanShift演算法的Search

    前面提到，非參數估計和參數估計（即，監督參數估計和非監督參數估計）共同構成了機率密度估計方法。非參數估計也有人將其稱之為無參密度估計，它是一種對先驗知識要求最少，完全依靠訓練資料進行估計，而且可以用於任意形狀密度估計的方法。常見的非參數估計方法有以下幾種：度曲線的光滑程度，k越大越光滑。

CVonlinehttp://homepages.inf.ed.ac.uk/rbf/CVonlinehttp://homepages.inf.ed.ac.uk/rbf/CVonline/unfolded.htmhttp://homepages.inf.ed.ac.uk/rbf/CVonline/CVentry.htm 李子青的大作：Markov Random Field Modeling in Computer Visionhttp://www.cbsr.ia.ac.cn/users/szli/

我使用了手寫數字資料庫MNIST的一個子集，並做了多種處理程式中附有資料庫，完整的資料庫在這兒下載，程式在這兒下載 實現的演算法有：模板匹配類中心歐式距離貝葉斯分類演算法夾角餘弦距離獎懲演算法增量校正演算法LMSE演算法 特徵提取方法：映像分割為若干小塊，計算筆畫像素佔小塊總像素數的比例每一個演算法都在獨立的cpp檔案中，我直接使用來源資料庫而未作處理，最初使用映像的5x5分割，為了提高精度，後來又使用7x7分割，下載程式中已經有這兩種分割的特徵資料 主程式使用函數指標調用測試各個演算法的實現，

這裡來到了CamShift演算法，OpenCV實現的第二部分，這一次重點討論Mean Shift演算法。在討論Mean Shift演算法之前，首先討論在2D機率分布圖像中，如何計算某個地區的重心(Mass Center)的問題，重心可以通過以下公式來計算：1.計算地區內0階矩for(int i=0;i<height;i++)  for(int j=0;j<width;j++)     M00+=I(i,j)2.地區內1階矩：for(int i=0;i<height;i++) 

引言：近日CSDN的"C/C++語言"版的一個問題引起了我的注意:"請問虛函數表放在哪裡?"。我也曾經思考過這個問題，零零散散也有一定的收穫，這次正好趁這個機會把我對這一部分的理解整理一下。

meanShift,均值漂移，在聚類、映像平滑、分割、跟蹤等方面有著廣泛的應用。meanShift這個概念最早是由Fukunage在1975年提出的，其最初的含義正如其名：位移的均值向量；但隨著理論的發展，meanShift的含義已經發生了很多變化。如今，我們說的meanShift演算法，一般是指一個迭代的步驟，即先算出當前點的位移均值，然後以此為新的起始點，繼續移動，直到滿足一定的結束條件。在很長一段時間內，meanShift演算法都沒有得到足夠的重視，直到1995年另一篇重要論文的發表。該論

 轉自：http://hi.baidu.com/0xeb/blog/item/6cbff9f88a8aff5f242df23c.html -最佳化-  /O1 最小化空間 minimize space /Op[-] 改善浮點數一致性 improve floating-pt consistency /O2 最大化速度 maximize speed /Os   優選代碼空間   favor code space /Oa 假設沒有別名 assume no aliasing /Ot 優選代碼速度

CamShift演算法，即"Continuously Apative Mean-Shift"演算法，是一種動作追蹤演算法。它主要通過視頻映像中運動物體的顏色資訊來達到跟蹤的目的。我把這個演算法分解成三個部分，便於理解：1) Back Projection計算2) Mean Shift演算法3) CamShift演算法在這裡主要討論Back Projection,在隨後的文章中繼續討論後面兩個演算法。Back Projection計算Back Projection的步驟是這樣的：1.

在對映像進行處理過程中，我們經常需要對映像的某個或多個感興趣地區進行處理。在OpenCV中我們能夠非常方便地擷取指定ROI地區的子映像。下面這段代碼就示範了怎樣擷取指定單個ROI或多個ROI映像地區。// 複製一個或多個ROI映像地區// Author: www.icvpr.com // Blog： http://blog.csdn.net/icvpr #include <iostream>#include <vector>#include

 google了一下沒找到像樣的（實現太複雜，太低效），自己寫一個發出來。以後還是要多貼些東西吧，不然部落格很空！ 下面的如果有可以改進的地方，表忘了告訴我。自底向上的歸併排序，舉個例子吧還是：現在要把下面的數組按遞增順序排列9 8 7 6 5 4 3 2 1    step1:(len=1) 8 9    6 7    4 5    2 3    1step2:(len=2) 6 7 8 9    2 3 4 5    1step3:(len=4) 2 3 4 5 6 7 8 9   

      最近要做映像特徵提取，可能要用下HOG特徵，所以研究了下OpenCV的HOG描述子。OpenCV中的HOG特徵提取功能使用了HOGDescriptor這個類來進行封裝，其中也有現成的行人檢測的介面。然而，無論是OpenCV官方說明文檔還是各個中英文網站目前都沒有這個類的使用說明，所以在這裡把研究的部分心得分享一下。      首先我們進入HOGDescriptor所在的標頭檔，看看它的建構函式需要哪些參數。  CV_WRAP HOGDescriptor() : winSize(

 meanShift演算法用於視頻目標跟蹤時，採用目標的顏色長條圖作為搜尋特徵，通過不斷迭代meanShift向量使得演算法收斂於目標的真實位置，從而達到跟蹤的目的。傳統的meanShift演算法在跟蹤中有幾個優勢：（1）演算法計算量不大，在目的地區域已知的情況下完全可以做到即時跟蹤；（2）採用核函數長條圖模型，對邊緣遮擋、目標旋轉、變形和背景運動不敏感。同時，meanShift演算法也存在著以下一些缺點：（1）缺乏必要的模板更新；（2）跟蹤過程中由於視窗寬度大小保持不變，當目尺規度有所變化時，

% author: zhangduokun% 2012-12-18clc;clear;clear all;close all;I = imread('house.png');y = im2double(I);randn('seed', 0);sigma = 10;z = y + (sigma/255)*randn(size(I));% Denoise 'z'. The denoised image is 'y_est', and 'NA = 1' because%  the true

很多來自網路觀點，覺得有道理，就抄過來了，原創說不上吧1. Qt官方編譯版本大其中有超過4萬多個檔案，很多情況下並不需要查看那麼多原始碼 2. Qt dll太大動輒幾個M，怎麼發布程式。如果僅是簡單程式或者不考慮跨平台，完全不需要用Qt這種各方面都很完善的超大型類庫，純C或者VC6的MFC/WTL完全勝任，編譯出來的檔案也小，Windows系統還都能運行 3.Qt有前途嗎賣來賣去，變來變去，國內用的公司也少，確實讓人懷疑。不過考慮到已經有那麼多成功的應用案例，是否可以期待一下。另外，Maya20

   支援向量機SVM是從線性可分情況下的最優分類面提出的。所謂最優分類，就是要求分類線不但能夠將兩類無錯誤的分開，而且兩類之間的分類間隔最大，前者是保證經驗風險最小（為0），而通過後面的討論我們看到，使分類間隔最大實際上就是使得推廣性中的置信範圍最小。推廣到高維空間，最優分類線就成為最優分類面。