小编Aru*_*iRC的帖子

如何使用OpenCV锐化图像？有许多平滑或模糊的方法,但没有我能看到的锐化.

例如,当我们调用say,一个递归函数时,连续调用存储在堆栈中.但是,由于错误无效,因此错误是"分段错误"(如GCC所示).

它不应该是'堆栈溢出'吗？那两者之间的基本区别是什么？

顺便说一句,解释比维基百科链接更有帮助(经历过这一点,但没有特定查询的答案).

我正在寻找一种可以使用OpenCV轻松实现的快速细化算法.提到这个库是因为有些东西可以用,例如Mathematica或MATLAB,这需要在OpenCV + C中使用手工编码.

该算法必须满足1像素厚度和连通性标准.

有没有人有过实施大量可用算法的经验？ - 谷歌抛出的绝对数量的论文真的被宠坏了.任何正确方向的指针都可以.

量化图像某一部分纹理的方法有哪些？我正在尝试检测图像中纹理相似的区域,这类似于"它们的相似程度如何？"

所以问题是关于图像的信息(边缘,像素值,梯度等)可以被视为包含其纹理信息.

请注意,这不是基于模板匹配.

维基百科没有提供有关实际实施任何纹理分析的详细信息.

使用detectMSERFeatures从Matlab中的图像中找到最大稳定的极值区域(MSER).

是否有任何补丁或方法可以从Matlab 获取分层MSER组件树？

当Matlab计算区域时,无论如何都会生成此树 - 它只返回每个区域树中最"稳定"的组件.由于这个树已经存在,我正在寻找从Matlab库中向用户代码公开的方法,这样可以隐藏这个部分,并且只提供最终的"最大稳定"区域.

任何事情都是可以接受的 - 修改Matlab内置代码,补丁,黑客等等.(我意识到OpenCV有这样的补丁,但是我试图避免移植到OpenCV,因为大多数其他程序都是用Matlab编写的).

编辑:(从原来的分层MSER论文)

Detected MSERs(左), MSER Tree(右)

OpenCV的是工作在褪色/低对比度的图像大的方便cvEqualizeHist()函数.然而,当给出已经高对比度的图像时,结果是低对比度的图像.我明白了 - 直方图是均匀分布的.

问题是 - 如何了解低对比度图像和高对比度图像之间的差异？

我正在操作灰度图像并正确设置它们的对比度,以便对它们进行阈值处理不会删除我应该提取的文本(这是一个不同的故事).建议欢迎 - 尤其是如何查看图像中的大多数像素是否为浅灰色(这意味着要执行均衡hist)请帮忙!

编辑:感谢大家提供了许多有益的答案.但标准偏差计算足以满足我的要求,因此我将其作为我查询的答案.

该cvLine()函数可以给出两个点P1(x1,y1)和P2(x2,y2)的直线.我坚持的是获得这条线上的点而不是直接画出它.

假设我绘制一条线(绿色)AB和另一条线AC.如果我跟随AB线上的所有像素,我会遇到一个点,在我到达B之前,我会遇到黑色像素(包围A的圆的边界).

再次沿着AC上的像素行进时,将会遇到两次黑色像素.

基本上我试图得到(绿色)线上的点,但cvLine()似乎没有返回任何点序列结构.有没有办法使用OpenCV获得这些积分？

一个相当愚蠢的方法是cvLine()在单独的图像上绘制线条,然后在其上找到轮廓,然后遍历点的轮廓CvSeq*(绘制的线条).划痕图像和原始图像具有相同的大小,我们将得到点的位置.就像我说的那样,有点愚蠢.任何开明的方法都会很棒!

我正在尝试基于像素值分离greylevel图像:假设一个bin中的0到60的像素,另一个bin中的60-120,120-180 ......等等到255.范围大致等于此案件.但是,通过使用K-means聚类,可以更准确地衡量我的像素值范围应该是多少？试图获得相似的像素,而不是浪费在存在较低像素浓度的区域.

编辑(包括获得的结果):

k-表示没有簇= 5

假设给出了一个级别顺序遍历输出.如何从填充了正确位置的数据构建二叉树？

请注意,我不是试图从给定的遍历输出中绘制树,而是从数组中读取遍历数据,然后通过C中的实际编码填充二叉树.

例如:

设a [] = {A,B,C,D,E,F,G}; //数组中的遍历输出

所以级别顺序树看起来像这样:

            A
           / \ 
          B   C
        / \  / \
       D   E F  G

假设有一个树节点结构,如下所示:

typedef struct node
{
    char data;
    struct node* left;
    struct node* right;
}tree;

现在我正在尝试读取[]值并对此树进行编码,使其看起来像图.有许多级别顺序遍历的例子,但是在二叉树构造的实际编码中找不到任何相关的东西.这有点像"遍历的逆转".

另请注意,这不是功课,但如果有更多人注意到这一点我没有标记问题.:)

场景:

在封闭式人脸识别中,如果我们在一个图库集中有10个人,那么查询图像将来自这10个人中.因此,每个查询将分配给10个人中的一个.

在开放式人脸识别中,查询人脸可能来自画廊中10人以外的人.这些额外的人被称为" 干扰者 ".可以在IJB-A挑战中找到示例任务.

题:

假设我为10个身份中的每一个训练了一个SVM(一个对所有人).我如何在开放式方案中报告准确性？如果查询图像X进来,我的模型将始终将其识别为我的图库中的10个人中的一个,尽管如果该人不在图库中的10个人中,则得分较低.因此,当将精度报告为%时,每个干扰物查询图像将给出0准确度,从而降低使用其正确标识标记每个查询图像的总体准确性.

这是在开放式协议上报告识别准确性的正确方法吗？或者是否有一种标准方法来设置分类分数的阈值,并说"查询图像X对于Gallery中的每个身份都有低分,因此我们知道它是一个干扰图像,我们在计算识别时不会考虑这个准确性"

最后,需要注意的是:这特别针对生物识别和人脸识别.然而,SO提供了最一致的答案,并且极有可能在SO处找到活跃于视觉和图像处理标签的生物识别人员,这就是我在这里问这个问题的原因.