其他

　　關於這個meanshift，一來可以用來作為目標跟蹤，二來可以用來進行映像聚類。我這裡只實現了映像聚類，當然，是按自己的理解編寫的程式。至於目標跟蹤將來一定也是要實現的，因為我最初看這個演算法的原因就是想用他來跟蹤目標的。　　meanshift的基本原理我就不介紹了，比起我的介紹，網上有不少牛人們比我解釋的好，最後我會列出我參考的文章。我這裡說一下我是怎麼理解meanshift映像聚類的。這裡的聚類也像過去的濾波一樣，需要一個模板矩陣，不過這個模板不是事先設定好的矩陣，而是在當前處理的像素周

　　關於表面模糊的文章我是搜遍互連網只找到下面這兩篇：　　1.http://bbs.redocn.com/viewthread.php?tid=274838&extra=&page=1　　2.http://blog.csdn.net/maozefa/article/details/7710321　　第一篇原理比較清楚，不過沒有代碼；第二篇原理就不太清楚了，不過有代碼，就看各位能不能看懂彙編了。　　關於表面模糊，和其他模糊不同的是，其他模糊一般整個映像只用一個模板矩陣，而表面模糊對

mmx指令：movq:移動8個位元組。paddb:每1個位元組作為一個整體單元相加。emms:mmx指令結束標誌。#include <iostream>#include <windows.h>#include <gdiplus.h>　　　　//為將來使用GDI+處理映像做準備#pragma comment(lib, "gdiplus.lib")using namespace Gdiplus;using namespace std;typedef union{

這個是為上一篇文章做結尾用的。這裡我只把基本的資料提取出來了，沒有進行下一步處理，資料提取出來，後面怎麼應用就看具體情況了。#include <iostream>#include <fstream>using namespace std;struct wav_struct{ unsigned long file_size; //檔案大小 unsigned short channel; //通道數 unsigned

映像地區分裂可以將映像中相似的地區歸為一個子領域，否則這個地區分裂。分裂的步驟還是很好理解的。對一個映像而言，首先確定一個分裂準則，如果當前映像地區中有像素沒有滿足這個準則，那麼本地區繼續分裂，否則分裂停止。我這裡用的準則就是當前像素灰階是否和本地區平均灰階差距過大，如果相差很大則繼續分裂，否則分裂停止並將本地區賦值為本地區平均值。分裂具體步驟：1.輸入映像作為初始地區。2.判斷本地區是否有像素灰階與本地區平均灰階差距過大。若有，則本地區分解為四部分，對每部分繼續執行步驟2；若無，結束。（顯然的

目標內邊界的像素全都在目標裡面，目標外邊界的像素全都不在目標上，是包圍著目標的。二值映像內外邊界的計算都是有兩種方法的，所以一共是4種演算法，不過實際用到跟蹤的只有一個而已。 首先是內邊界跟蹤：第一種方法不是跟蹤方法。步驟是先對原映像腐蝕，然後用原映像減去腐蝕後的映像就得到邊界了。第二種方法是跟蹤方法。步驟如下：1.遍曆映像。2.標記第一個遇見像素塊的前景像素（i,j）。3.對這個像素周圍八鄰域逆時針搜尋，如果搜尋到周圍有前景像素，那麼更新座標（i,j）為（i',j'），並標記。4.不斷執行第3

　　這裡所謂的方框模糊呢，其實就是以前自己很熟悉的均值濾波。原理就是將當前像素為中心，以半徑r四周的(2*r+1)^2個像素求平均再賦值給當前像素就可以啦。這個實在是沒什麼可解釋的了，都是很簡單的東西。下面是代碼：clear all;close all;clc;r=5;img=imread('lena.jpg');img=double(img);[m

主要用來學習多媒體指令的，要不我也不會這麼麻煩的用win32 sdk編程。果然要只學習映像演算法，還是推薦matlab。這裡主要用了pcmpgtb指令格式 pcmpgtb mm0,mm1; 解釋：當 mm0 中對應位元組大於 mm1對應位元組時，mm0相應位置置0xff，否則置0x00。當然，相關還有pcmpgtw等。詳見這裡//本程式算是一個簡單的架構了，可以用來處理映像//主要是用來學習多媒體指令mmx/sse相關的。#include <windows.h>#include

又被國內論文坑了，話說寫論文要有良心。今天在看局部熵方面的內容，看論文中介紹的內容感覺局部熵挺容易了，於是就有了實現的想法，結果效果非常糟糕。得到的幾乎是一張空白的圖片，就像下面一樣：究其原因是各種論文上都寫了這樣一個公式：這裡f(i,j)就是在m*n這個局部的像素，這個沒問題，不過這裡的p是什麼東西，按這裡的定義p是當前像素灰階佔局部總灰階的機率，而p原本應該是局部長條圖，也就是當前像素灰階個數佔局部像素總個數的機率，所以這裡的意義我也不明白了，結果按公式計算就得到了，和各種論文中的圖都不一樣

將彩色映像RGB三色分離出來是一個很有意義的操作。用到void split(const Mat& mtx,vector<Mat>&  mv),void merge(const vector<Mat>& mv,Mat& dst)這兩個函數。#include "cv.h"#include "highgui.h"#include <iostream>#include <vector>using namespace std;

本來自己寫了一個，不過效能竟然和memcpy一樣，一點提升都沒有，所以有就去網上找了一個效能好的。下面的程式是對100MB資料進行記憶體拷貝.我測試了一下。直接調用memcpy時間為100ms左右，而asm中的程式能把時間能縮短到80ms左右。效能提高的還是很明顯的。#include <iostream>#include <ctime>#define N 100*1024*256using namespace std;int main(int argc, char*

老物了，網上的例子多的數不過來。不過我還是有必要練習一下的。之所以看這個演算法是因為最近在看顏色彙總向量時，有的論文用到了最小產生樹，因此我就拿來熟悉一下。Kruskal演算法類似於連通分支演算法，感覺和過去實現過的連通地區標記演算法非常像。步驟：1.對於一個圖，將圖的每條邊提取出來從小到大進行排序。2.將已排序的邊依次加入到新圖中，如果新圖中出現了環，那麼就捨棄這條邊。3.不斷重複第二步。下面兩個圖就是kruskal演算法前後的樣子。代碼如下：main.mclear all;close

　　這個過去也實現過，不過現在回頭看，當時寫的還真是糟糕，所以現在決定用matlab重寫了。而且當時的方法現在來看還真是不怎麼樣呢。　　這裡用的方法是《特徵提取與影像處理》3.3.4裡的。　　下面是代碼：function main img=imread('lena.jpg'); imshow(img); img=double(img); [m n]=size(img); Hist=zeros(1,256); for i=1:m for

四種經典濾波演算法，在opencv文檔中都能找到的，熟悉一下調用規範。#include "cv.h"#include "highgui.h"#include <iostream>using namespace std;using namespace cv;int main(int argc, char* argv[]){ Mat src = imread("misaka.jpg"); Mat dst; //參數是按順序寫的 //

權當練手了，效果不好，cpu沒有提供pmulluw這樣一個無符號字相乘指令。處理的效果和matlab明顯不同，尤其是背景，我實在找不出問題在哪裡，最可能就在寄存器符號上。灰階公式是：Gray = (R*76 + G*150 + B*30) >>

　　我真是弱爆了，我原來以為邊界處理用我上一篇的方法就能很好的處理了，結果效果並不好。我只是和標準的imfilter函數進行了比較，其實imfilter函數還有一些參數我沒用上，比如‘replicate’,'symmetric'等，如果加上這些參數，我的效果就比不上matlab的效果了，所以這次不用上一篇的方法了，就用邊界擴充好了。　　邊界擴充是把原圖的四周都加上r個像素，並且把這r個像素的值用原圖最外圍的r個像素來替代，然後再對新映像濾波，取原圖的大小就行了。這種方法雖然在時間與空間複雜度上比

映像的基本形態學操作。#include "cv.h"#include "highgui.h"using namespace cv;int main(int argc, char* argv[]){ Mat src = imread("misaka.jpg"); Mat dst; //輸入映像 //輸出映像 //單元大小，這裡是5*5的8位單元 //腐蝕位置，為負值取核中心

三種常見的邊緣檢測運算元。#include "cv.h"#include "highgui.h"using namespace cv;int main(int argc, char* argv[]){ Mat src = imread("misaka.jpg"); Mat dst; //輸入映像 //輸出映像 //輸入映像色彩通道數 //x方向階數 //y方向階數 Sobel(

聚類演算法，不是分類演算法。分類演算法是給一個資料，然後判斷這個資料屬於已分好的類中的具體哪一類。聚類演算法是給一大堆未經處理資料，然後通過演算法將其中具有相似特徵的資料聚為一類。這裡的k-means聚類，是事先給出未經處理資料所含的類數，然後將含有相似特徵的資料聚為一個類中。所有資料中還是Andrew

如果不是處理的灰階映像，那麼最大值也就沒什麼意思了。彩色圖也可以轉成灰階圖嘛。雖然用了彙編，不過沒有使用多媒體指令。灰階映像的RGB都一樣，沒必要使用mmx寄存器了，直接對單個位元組處理就行了。獲得最小值和獲得最大值原理一樣，只需改一個指令，把ja改為jna就行了。Pix asmGetMaxGrayPix(BitmapData *data){ //處理的是灰階映像，所以RGB值都一樣 //這裡不需要用mmx指令也可以 UINT Height=data->Height;