蓝羽飞鸟的博客

SAM+微调mask

plt figure event

cv.addWeighted操作np.array

betterFlow 链接betterflow算法里面包含了运动补偿部分，运动补偿效果如下图所示左上(a) 是补偿前的event count image，可以看到运动模糊左下© 是补偿后的，可见去除了运动模糊右边(b) (d) 是对应的光流表示对于event, 是按平均时间面表示的这点实现的时候可截取一个时间窗，窗口内在每个位置处叠加timestamp, 然后除每个位置event的个数while ((TD.ts(j) < t2) && (j<Tmax))

LK光流法可用来跟踪特征点的位置。比如在img1中的特征点，由于相机或物体的运动，在img2中来到了不同的位置。后面会称img1为Template（T），img2为I。光流法有个假设：灰度不变假设：同一个空间点的像素灰度值，在各图像中是不变的，也就是说T中特征点处的灰度，到了I中仍然是一样的灰度。这就要求光照恒定，物体反射恒定，是个很强的假设。现在要估计的是运动偏移量[dx, dy]，也就是光流。仅用一个点无法解，一般会取一个窗口内的像素，考虑它们具有相同的运动。用最小二乘法来解像素的运动如下：

计算一个整型数字中有多少个bit被置1，一般会想到按位循环遍历的方法。这里有一个并行计算的方法如下：先上代码v = v - ((v >> 1) & 0x55555555); // reuse input as temporaryv = (v & 0x33333333) + ((v >> 2) & 0x33333333); // tempc = ((v + (v >> 4) & 0xF0

FAST (Features from Accelerated Segment Test) 算法用来实时提取角点特征，详细原理见paper：“Machine learning for high-speed corner detection” in 2006 (Later revised it in 2010).先说下FAST特征的原理吧。在图像中选择一点p，它的像素值为Ip然后把Ip和它周围16个点的像素值作比较，取阈值t，如果这16个点中连续n个点的像素值都 > Ip + t, 或者 &

ORB特征由key points和descriptor两部分组成，也就是找出代表性的点，而且给出一个向量来表示点周围像素的信息。它的keypoint称为"Oriented FAST"，是一种改进的FAST角点（FAST不在这里介绍）它的descriptor称为BRIFF，是一种二进制的描述方式，在后面的代码里有体现。ORB特征提取有以下2步：FAST角点提取，相比于原版FAST，它加入了特征点的主方向，也就是方向信息，为BRIFF描述子提供了旋转不变性。BRIFF描述子，就是在前一步key po

Eigen是开源的C++线性代数库，常用在计算机图形学中。有份英文的Eigen使用手册，简要整理一下#include <Eigen/Core>创建新矩阵的时候如下Matrix3f A;Matrix4d B;这里的命名有一个便利性，比如A的类型是Matrix3f，就表示A是3x3 float型矩阵，同理B是4x4 double型矩阵。但并不是所有组合都work的，比如Matrix5s就会报错（虽然想的是5x5 short）；也不是必须是正方形的矩阵。那如果想用5x5 shor

用labelme标注之后，导出的是json文件，我们可用labelme自带的json_to_datase.py来把json转为png图片假如我的json文件名为event_172.json转成的是一个文件夹文件夹有如下文件，其中label.png是我想要的mask图片现在想批量把json文件夹下所有的json文件都统一转为对应名称的png（比如172.json转为172.png），并保存到我指定的输出文件夹下步骤如下：找到 labelme自带的json_to_dataset.py可用co

卡尔曼滤波广泛应用于智能导航与跟踪算法中，本文根据参考paper详解卡尔曼滤波原理，并结合matlab源码更好地理解paper前期概念：信号可以如下表示：y是观测信号，a是增益，x是信息，n是noise目标是估计x，估计值和真实值之间的误差为如果用平方误差，则估计一段时间的误差则是求期望值用最大似然推导，即是最大化估计x时y的概率：假设加性噪声是高斯分布，则：K是归一化常数，则最大似然函数(期望值)为取log卡尔曼滤波推导：state空间：在过程中的状态：xk

参考资料图像在rescale时中间会出现空洞，没有值。可用双线性插值补上这个空洞的值。如下图，如果想在P点插值，只需要找到它的最近4个邻域的点。先横方向插值R1，R2到Q11,Q21和Q12, Q22中间再在R1和R2之间纵向插值得到P的值具体举个例子计算过程为，先横向插值再纵向插值...

matlab里有个confusionmat函数接口是这样的M = confusionmat(true_label,predict_label)M计算出来是下面这样比如第一个class airplane吧，923意思是true class是airplane, 而我们预测的label也是airplane的个数而第一行第二列的4就表示true class是airplane, 而我们预测的label是automobile的个数是4那么就相当于对角线上蓝色背景的都是预测对的如果是2分类的情况，tru

function threshold = Otsu(normalizedHist)%normalizedHist为归一化直方图%threshold为自动分割的阈值wk = 0;uk = 0;L = length(normalizedHist);uT = sum((0:L-1).*normalizedHist');maximum = 0;for k=1:L wk = wk + normalizedHist(k); %到阈值k处的累加直方图分量 uk = uk + (k-1)

matlab中有conv2函数可以计算图像卷积比如F矩阵size为m1×n1m1 \times n1m1×n1, G矩阵size为m2×n2m2 \times n2m2×n2那么卷积结果的size就是(m1+m2−1)×(n1+n2−1)(m1+m2-1) \times (n1+n2-1)(m1+m2−1)×(n1+n2−1)如何计算：比如F=[1234]\left[\begin{arr...

论文 https://arxiv.org/abs/1905.07177主要针对图像滤波中边缘模糊的问题提出改进论文中认为edge两边极值不同且edge处不可导g(x−ϵ,y)≠g(x+ϵ,y)g(x - \epsilon, y) \neq g(x + \epsilon, y)g(x−ϵ,y)̸​=g(x+ϵ,y)g′(x−ϵ,y)≠g′(x+ϵ,y)g&#x27;(x - \eps...

刚开始按照brew install opencv然后在Xcode中Create New Group等方法做了以后https://www.cnblogs.com/hongyang/p/6644775.html在Xcode中 #include <opencv2/opencv.hpp> #include <opencv2/core/core.hpp> ...

论文 [Gatys et al., 2015. A Neural Algorithm of Artistic Style]给出一张content image(比如照片），再给出一个style image,可以把照片画风转换成style image的风格主要原理是取一个在content image和style image间的balance用一张白噪声图像不断学习，生成兼顾content和sty...