豆腐车

在网上找到了一个小样本首先列显示这些样本文件并重定向道data1.txt：ls -1 >> data1.txt然后修改后缀名：cat data1.txt | sed 's/\.bmp/\.bmp 1 0 0 60 17/'在文件前面加上路径前缀：cat data2.txt | sed 's/^/\/home\/test\/桌面\/

先实践一下何为前景提取： 原始图像。 如果画面中有移动的物体，会以白色表现出来。 我理解的前景提取就是把画面中移动的物体提取出来。 这是opencv中给的示意图，来简单看看opencv代码：// Global variablesMat frame; //current frameMat fgMaskMOG2; //fg mask fg mask generated

很多关于SIFT算法都会写到极值点的定位，这篇文章也离不开这以问题，然而这篇文章的重点是发现在定位的过程中用到的知识，这也是我写SIFT的目的，我究竟学会了哪些知识，上一篇我初步领略了尺度空间这一全新概念，这一篇我将学到子像素差值或者叫做亚像素差值。 下面这个文章写的不错，但是我们还是重新自己学习一下。已知函数,求函数在[0,4]间的最大值。 如果函数是离散的，那么最大值是5，但是函数是连续的，

之前我从没听说过SIFT，真的是从零开始，而且是一个人自学。看了很多文章，下面这篇不错：        http://www.cnblogs.com/JiePro/p/sift_1.html        有些理论看多了也还是似懂非懂，真正自己用代码试着去实现，就能发现算法的一些细节问题，然后能更好理解算法。        我尝试用c++描述SIFT的尺度空间。 const

时间过去了大约一个月，成长之路已经写到第11篇，前面的10篇使我得到了锻炼，初步体验了数字图像处理的趣味，同时提高了自己的一些不足。比如数学知识有所巩固加强。在编程的过程中，我只是把原理初步的用c++描述出来，当运行程序后，发现效率总不令人满意，这也在提醒我，优化算法与代码的重要性，但在优化的过程中还要尽量不牺牲程序的可读性。程序的界面用的是QT写的，随着界面功能的增多，提高代码复用并减少对封装的破坏也是我关注的一个问题。

#简介什么是图像的轮廓？在这里不去深入研究它的定义，简单的理解，当人站在太阳下，产生的影子的边界就是轮廓。大致是这样子吧。#轮廓提取的原理做为一个初学者，试想如果提取轮廓？我首先想到的是沿着轮廓边界搜索。很显然，每个点有8个相邻点也就是8个方向，只要对每个点的8个方向做递归判断就可以了吧。这是我初次接触轮廓提取时的第一想法。当然，轮廓提取应该有很多算法，我是个学习者，并没有充足的时间去把每

前一阶段主要学习的是关于图片的算法，接下来开始学习关于视频的算法。在开始之前先要把视频显示出来，继续我之前的QT程序，看看如何把如何用QT显示摄像头中的数据。 mopencv->videoInit();//初始化摄像头 while (waitKey(5) < 0)//等待5毫秒，因为调用摄像头属于驱动范围，数据从驱动层到用户曾比较复杂，操作也会比较费时，我们给他5毫秒的反映时间，以待数

霍夫线变换

简介边缘检测是图像处理中使用频率很高的方法，在进行更复杂的图像处理之前，我们常常先对图像进行边缘检测，以去除图像一些无用的部分，并保留一些对我们有用的部分。原理边缘检测意在检测出图像的边缘，那何为边缘？简单的理解是，边缘是图像中明暗变化剧烈的地方。如果从图像的x轴方向抽出一列数据，绘出它的图像，并假设是连续的曲线，则曲线陡升或陡降出就代表边缘。从数学角度看，陡升或陡降意味着该处的斜率比较大。反过来说

滤波1.中值滤波2.平均值滤波3.高斯滤波4双边滤波1.中值滤波这是一种简单的滤波方法，顾名思义，中值就是在参与计算的点中，通过排序，找到中间值。 比如上面的3x3图象矩阵，绿色的点是原图象上的

今天学习affine transformation，这个变换充分体现了数学之美，怪不得有那么一句话，“科学中的皇后是数学”。这个变换包含旋转，错切，翻转等，这里只通过学习旋转，来了解其中的共性。不同的变换只是核矩阵不同。我们只来看看旋转，旋转是如何实现的，网上有关于旋转矩阵核的推导，很简单。 如： http://ask.csdn.net/questions/218260至于旋转的原理或者公式，网

这几天一直学习傅立叶变换，看了很多国内外资料，网上讲原理的很多，到了程序实现这块大多是Matlab，opencv等，这些软件的api对于我们理解DFT在计算机中的实现并没有多大帮助。于是想用C/C++实现DFT，经过不断的阅读与编程实验，最终程序有了还算满意的结果。“关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生

虽说opencv给我们提供了很多函数，但有时对于图像处理，我们会用自己的算法，而算法中一定会对图像的像素进行操作， 所以对图像像素的操作十分重要。比如，我遇到了一个问题，opencv的sobel算子例子中，需要先把彩色图片转变为灰度图，然后进行sobel边缘检测。 得到的是黑白图像的边缘。我的问题是如果省略灰度转换这一步，直接利用sobel算法，得到的是彩色的边缘图吗？于是我打算通过操作像素，自

在opencv中，我们常常这样用，cv::Mat image; 下面让我们看看mat的内部。 打印image.channels，得到的会是几呢？答案是1，看来默认的Mat是1通道的，也就是灰度图。 好处是： 1节省了内存 2节省了图像处理的时间那么调用image = imread (“./test.jpeg”); 打印image.channels，得到的会是几呢？ 答案是3，也就是RG

最近开始自学数字图像处理，学习了一段时间后也写了几个心得，从直方图均衡到边缘检测，接下来想学习特征检测，知识有些跳跃。要想在短时间了解一个知识的全貌，需要跳跃的学习，而要想巩固基础，需要细致研究。这就好象远看一座山，和走进一座山的区别。从今天起，打算从头细致的学习数字图像处理，尽量的不放过任何一个知识点。Look up table 简称LUT 计算机里出现的表，在我的理解来看，大多和加速有关。

0基础自学数字图像处理中的边缘检测，用了几天时间，大部分用在了学数学上。要想完成边缘检测，在程序上用不了多少代码，而恰恰是这简单代码的背后，存在着存在着诸多数学原理。为此我重学了一部分数学，在这段时间里，对数学的态度也发生了改变，由过去的觉得它枯燥，抽象，无法理解，到现在的觉得数学精巧，甚至有点习喜欢上数学。下面就把我这几点学习的过程描述一下：边缘检测中存在的一个重要概念是梯度。 强烈推荐一个外文

什么是卷积？有很多官方和非官方的解释，看了这些解释后我还是没有弄懂卷积的各个细节，经过一段时间学习后说说我理解的卷积。首先我们先看看卷积公式(离散型)： 上面各项的含义是什么？在信号与系统中，x(i)代表一个输入，或者一个刺激，h(n)代表一个系统对单位输入信号或刺激的响应，y(n)代表在多次x 的输入下，该系统的整体响应。以一个单细胞细菌为例(如草履虫)，我们用针扎一下该细菌，这相当于x输入，

直方图均衡化是一种数字图像处理技术，先来看看一张图片。 这张图片我们称为原图，该图下面区域有些曝光不足，看上去比较暗。 再来看另一张图。 这张图片我们称之为目标图，比原图显得清晰，黑白较均匀，让人眼更容易接受。这张比较清晰的目标图是原图经过直方图均衡化处理后得到的。

在linux下用qt做了个界面，集成了opencv库，想完成一些图像处理功能,今天只是简单写写，日后会完善。 主要想说说直方图均衡化。 原图 原图的概率分布和累积分布函数(cdf)图均衡化后的图。