cvErode()腐蚀后cvDilate()膨胀，叫作开操作，那些离散点或游丝线、毛刺就被过滤， cvDilate()膨胀后cvErode()腐蚀，叫作闭操作，那些断裂处就被缝合。而膨胀就是求局部最大值的操作，核B与图形卷积，即计算核B覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。如下图所示，这就是膨胀操作的初衷。膨胀的数学表达式：膨胀效果
MariaDB源码编译安装
一、源码编译安装gcc-5.1.01、下载gcc源码包Download (HTTP): http://ftpmirror.gnu.org/gcc/gcc-5.2.0/gcc-5.2.0.tar.bz2Download (FTP): ftp://ftp.gnu.org/gnu/gcc/gcc-5.2.0/gc
互联网下一个热潮：增强现实
互联网下一个热潮：Augmented Reality（增强现实）
互联网的下一个热潮 随着互联网的不断发展，各种需求不断的被发现和改善，Yahoo、Google、Youtube，Facebook、Twitter等的出现掀起一次又一次的热潮。那么下一个热潮将会是什么呢？ 个人认为，下
8.2 小波族小波分析的目的是要将信号分解为小波分量，每个分量都属于一个小波族。每个小波都是由父小波 导出的尺度函数和从母小波 导出的小波函数组合而成。母小波定义了基尺度（s=1），其它尺度都是它的缩放。由于2的幂运算效率高，因此尺度选择一般依据 ，j是整数1）尺度每减少一半，小波就被压缩成原宽度的一半；增加一倍，小波就扩展为原宽度的两倍2）由于小波族中所有小波的贡献
对于Cockos Reaper中可用的“回放重采样模式”选项，特别是Medium（64pt Sinc）、Good（192pt Sinc）和Better（384pt Sinc） 模式之间的差异，我表示不理解。此外，默认轨道混合位深度为'64-bit 浮点数'。我想这是因为大多数CPU现在都是64位引擎来工作，但这个设置与我们的外置ADDA转换器（或是声卡）有什么关系吗，因为外置ADDA和声卡都是最高
车道检测模型简介未来十年，自动驾驶将彻底改变人们的出行方式。目前，自动驾驶应用程序目前正在测试各种案例，包括客车，机器人出租车，自动商业运输卡车，智能叉车以及用于农业的自动拖拉机。自动驾驶需要计算机视觉感知模块来识别和导航环境。此感知模块的作用是：车道检测检测环境中的其他物体：车辆，行人，动物跟踪检测到的对象预测他们可能的运动一个好的感知系统应该能够在各种驾驶条件下（白天/晚上、夏天/冬天、下雨/
浅谈当用户端配置了工作流转码，并且打水印的情况下为什么没有生效？我们需要知道打水印是要对文件进行修改产生的一个效果，那么用户端先要知道水印是转码的一部分。了解水印添加水印模板可分为如下三个步骤：1）调用CreateUploadAttachedMedia接口获取文件上传的路径以及临时授权。2）使用OSS上传指定的水印文件，详细参见 OSS文件上传。3）调用 添加水印 接口，添加水印信息。更多水印管理
写在前面由于涉及到公司的一些内容，本文仅做方法和思路记录，请见谅。用途9点法标定是工业上使用广泛的二维手眼标定，所谓二维，即工作平面限制在一个平面上，常用于从固定平面抓取对象进行装配等操作，这种应用场景可以满足大多数的工业应用场景。使用过程和一般的手眼标定一样的是，9点法标定也分eye_in_hand和eye_to_hand两种，标定的结果分别是相机坐标系与工具坐标系的转换矩阵（4*4），以及相机
将各种类型的数据构造成字符串时，sprintf 的强大功能很少会让你失望。由于sprintf 跟printf 在用法上几乎一样，只是打印的目的地不同而已，前者打印到字符串中，后者则直接在命令行上输出。这也导致sprintf 比printf 有用得多。sprintf 是个变参函数，定义如下：int sprintf( char *buffer, const char *format [, argum
一、Scan ContextScan Context是这篇论文最关键的部分，个人感觉它实际上是一个点云的组织形式，根据论文提出的方法对点云做处理可以得到的一种点云的描述方法。根据论文的描述，首先会根据激光雷达的位置，构建一个坐标系。这个坐标系黄色和绿色各代表一个轴，黄色衡量了角度，而绿色衡量了距离，采用这种方法划定一个网格区域，区域是二维的，将三维的点云向二维的网格投影，也就是根据xy坐标划分到网
OpenCV各模块函数使用实例（4）F、主要滤波函数（Image Filtering）此处描述的函数和类是用于在2D图像上(表示为Mat)执行线性和非线性滤波操作的。意思是，对源图像（正常情况下是矩形）的每一个像素位置 (x,y)，其邻域是被关注的焦点并且对该邻域计算其结果。对线性滤波器，它是一个像素值的权重和。对形态操作，它是最小或最大值等。计算结果存储在目标图像的某个位置(x,y)。
文章目录理论讲解使用前提理论概括公式推导1. 用均值和方差描述物体状态2. 状态转移矩阵 表示系统预测3. 引入外部控制变量
5. 用测量值( )来修正预测值6. 融合高斯分布公式7. 将所有公式整合起来调整参数应用CA模型代码例程（matlab）代码例程1（python）代码例程2（python）应用CV模型matlab代码python代码参考链接
1 扩展库简介OpenCV（Open Source Computer Vision Library）是一个致力于实时处理计算机视觉问题的开源库。它最初由Intel公司开发，以GPL许可协议发布，后来由Willow Garage基金会负责开发和维护，以BSD许可协议发布，至今已有超过250万的用户。其用途非常广泛，涵盖从图像处理，计算机视觉
你可以使用 IplImage 或 CvMat 操作符来转换 Mat 对象。在C接口中，你习惯于使用指针，但此处将不再需要。在C++接口中，我们大多数情况下都是用 Mat 对象。此对象可通过简单的赋值操作转换为 IplImage 和 CvMat 。示例如下： Mat I;
IplImage pI = I;
CvMat mI = I; 现在，如果你想获取指针，转换就变得麻烦一点。编译器将不能
继续讨论Photoshop(PS)“图像(Image)>调整(Adjust)”菜单的功能。阅读本文之前需要先了解一下《直方图》。http://dbis.nankai.edu.cn/multimedia/color/f9784916187e374a20a4e984.html色调均化(Equalize)关键词：直方图修正;直方图均衡化;直方图均匀化;灰度直方图均衡化Photoshop菜单：图像&
转载一篇ARM做视觉的文章，入门看看
硬件:
核心mcu arm9 s3c2410嵌入式的应该知道这款吧 板子外围接口都有，USB，串口，网口，sd卡槽等 web camera (USB接口) nand Flash 64M 软件版本: boot: uboot1.2 Linux kernel:2.6.26 文件系统:ya
拉普拉斯金字塔融合 图像金字塔方法的原理是：将参加融合的的每幅图像分解为多尺度的金字塔图像序列，将低分辨率的图像在上层，高分辨率的图像在下层，上层图像的大小为前一层图像大小的1/4。层数为0,1,2……N。将所有图像的金字塔在相应层上以一定的规则融合，就可得到合成金字塔，再将该合成金字塔按照金字塔生成的逆过程进行重构，得到融合金字塔。这个总的思路就是一下所有基于金字塔融合的算法过程，不同点就在于
前言 在本文中，作者提出了一种基于高斯感受野的标签分配（RFLA）策略用于微小目标检测。并提出了一种新的感受野距离（RFD）来直接测量高斯感受野和地面真值之间的相似性，而不是使用IoU或中心采样策略分配样本。考虑到基于IoU阈值和中心采样策略对大对象的倾斜，作者进一步设计了基于RFD的分层标签分配（HLA）模块，以实现小对象的平衡学习。在四个数据集上的大量实验证明了所提方法的有效性。&n
今天再次回顾了一下“语义分割中的弱监督学习”，参见。我的目的就是使用弱监督学习方法解决图像语义分割问题。算法，网络，所用技术，比如AE（Adversarial erasing）、PSL（prohibitive segmentation learning）等等，可以自己看看链接内容，最后关注到了作者说未来会集中于两个方面的研究：1）同时的弱监督物体检测和语义分割，这两个任务可能会相互促进
什么是图像分类？观察下面这张图：你会立刻意识到这是一辆（豪华的）汽车。后退一步，分析你是如何得出这个结论的——你看到了一张图片并对它的所属类别进行了分类（本例中是一辆车）。简言之，这就是关于图像分类的一切。对给定的图像进行分类，图像中可能有n个类别。手动检查和分类图像是一个非常繁琐的过程。当我们面对大量的图片，比如10000张甚至100000张时，这个任务几乎不可能完成。&nbs
基本流程：1. 收集样本数据 – 包括正负样本 以人脸检测为例 –公开的数据库有 (可以去下载，但是不精确) 正向样本数目 (可以在视频中采集人脸) 负样本数目 (也可以在不出现人脸的视频中采集，负样本最好包罗万象)&n
我在做人脸检测试验的时候，发现了问题，别人的二分类器（判别是不是人脸）的阈值很高，大于90%点概率，而我的阈值要设置的很低10%点概率即认为是脸，经过观察，我的负样本数数量上比正样本数多的太多了，导致网络对负样本的判别有信心，对正样本判别能力微弱，猜测正负样本分布对阈值有影响，故上网找了这篇文章这篇博文是作者的一个实验笔记，研究一个”飞机-背景“二分类器在不同样本比例下精度，召回率的规律。1. 问
文 @ 000007号外号外：awesome-vit 上新啦，欢迎大家 Star Star Star ~https://github.com/open-mmlab/awesome-vitgithub.com/open-mmlab/awesome-vit 0 前言 随着 Vision Transformer 不断刷新各个领域的 SOTA，其优异的性能和广阔的发展前景使其得到了越来越多的关注。前段时间
写在前面tmux是个很方便快捷的终端管理工具，最大的功能是支持窗格划分和后台运行。在多个服务器多任务的场景非常高效。但它也有个很大的缺点就是复制操作很繁琐。这里分享出两种个人认为最方便的tmux复制方法。tmux效果展示开启鼠标这里分享的两种方法都要依赖鼠标操作，毕竟复制需要选中内容，如果不用鼠标则得学会vim的一些快捷键，对很多人来说又是一个极大的门槛。所以这里建议大家采用最方便的方法：开启鼠标
©作者 | 徐超单位 | 微软亚洲研究院研究方向 | 文本相关性、多语言扩展机器学习尤其是深度学习将 NLP 推向了前所未有的高度，近几年出现的预训练模型更是绽放异彩。在训练机器学习模型时一般假设训练数据与测试数据（或者目标领域中的数据）的分布一致，然而这种假设经常不成立。这时候我们就面临着 dataset shift 的问题，在 NLP 中经常被称为 d
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达常听技术大佬侃侃而谈AI模型开发，却不知从何开始？自动驾驶车辆分割、智慧农业小麦计数、智能硬件垃圾分拣、智慧城市交通流量、结构化文字识别模型定制，这些在视觉、机器学习、OCR等领域具备广泛应用前景的热门项目，零基础也能上手实践开发吗？从开始学习到能够真正完成一个AI模型的开发，通常需要从基础技术概念，到海量论文苦读，再到建模环境搭
行业背景概述：
在轨道交通领域，动车的安全稳定运行至关重要，而动车轮对作为动车的关键行走部件，其性能的优劣直接关系到列车行驶的安全性、平稳性和舒适性。随着动车运行速度的提升以及运行里程的增加，轮对承受着巨大的压力和磨损，定期对其进行高精度检测成为保障动车运行安全的必要措施。
需求描述：
测量动车轮对的轮径、轮缘高度、轮缘厚度、轮辋宽度、轮对内侧距、QR值等。行业痛点
传统的动车轮对检测方法，通常是
您了解苹果Logo的轮廓度控制有多严吗？苹果Logo的曲线由多段不同半径的圆弧精密相切构成，需确保全球所有产品上的Logo形态完全统一。当轮廓度大于0.1mm时用户手指可感知毛刺或台阶，而大于0.05mm的轮廓偏差，就可能破坏圆弧过渡的流畅性，削弱“被咬一口”的辨识度。
因此苹果在制造过程中对其Logo的轮廓特征实施严苛检测，通过数据化检测将感性美学转化为可量产的精密工业逻辑，实现其设计美学、品
掌握一款庞大的引擎，要一下子掌握真的很难，慢慢地从Editor，Script，各个模块细节，再到源码，一步一个脚印必须扎实，还有，必须学会温故而知新，有很多东西一开始一阅而过，以为简单，实则不然，今天，就不想从最基本的CodeOrientation中学到了很多~ 下面就总结一下