《数字图像处理——应用篇》是由谷口庆治编著的一本深入探讨图像处理技术的专业书籍，这本书在图像处理领域具有很高的权威性。
全书完整PDF版本是唯一可获取的全面资源，对于学习和研究图像处理技术的读者来说，无疑是一份宝贵的资料。
图像处理是计算机科学中的一个重要分支，它涉及了将模拟图像转换为数字形式，以及对数字图像进行各种操作以改善质量或提取有用信息。
在《数字图像处理——应用篇》中，作者谷口庆治详细阐述了这一领域的关键概念和技术，包括图像获取、颜色模型、图像增强、图像复原、图像分割、特征提取以及模式识别等核心主题。
1.**图像获取**：这部分介绍了图像传感器的工作原理，如CCD和CMOS，以及扫描仪和相机的成像过程。
同时，还涵盖了像素的概念、采样理论和量化过程。
2.**颜色模型**：书中详细讨论了RGB、CMYK、HSV、YCbCr等常见颜色模型，以及它们在不同应用场景下的选择和转换方法。
3.**图像增强**：通过滤波器、直方图均衡化等手段改善图像的视觉效果，提升图像质量，这部分包括线性和非线性滤波、对比度增强等技术。
4.**图像复原**：针对图像退化问题，如噪声、模糊等，提出了一系列恢复技术，如Wiener滤波、反卷积等。
5.**图像分割**：这是图像分析的关键步骤，包括阈值分割、区域生长、边缘检测等方法，用于将图像划分为有意义的部分。
6.**特征提取**：为了识别和理解图像，需要从图像中提取有意义的特征，如角点、边缘、纹理和形状，这些特征可用于后续的模式识别和对象识别。
7.**模式识别**：利用机器学习算法，如支持向量机、神经网络、决策树等，对图像中的模式进行分类和识别，是图像处理领域的高阶应用，广泛应用于OCR文字识别、人脸识别、医学影像分析等领域。
8.**OCR文字识别**：光学字符识别技术是模式识别的一个实例，通过识别图像中的文字并转化为可编辑文本，该技术在文档自动化处理、图书数字化等方面有着广泛的应用。
压缩包中的文件名表明资源分为了三个部分：`数字图像处理——应用篇.part1.rar`、`数字图像处理——应用篇.part2.rar`和`数字图像处理——应用篇.part3.rar`。
通常，这种分卷压缩格式是为了便于大文件的传输和存储，用户需要下载所有部分并使用合适的解压工具（如WinRAR或7-Zip）合并解压，才能获得完整的PDF文件。
《数字图像处理——应用篇》是一本涵盖广泛、深度适中的教材，适合计算机视觉、图像处理、模式识别等相关领域的学生和研究人员。
通过学习本书，读者不仅可以掌握基本的图像处理技术，还能了解其在实际应用中的策略和方法，为进入这个领域的深入研究打下坚实基础。

大学时候上《计算机视觉与模式识别》课程的时候，一个人脸morphing作业的源代码，可直接在VS2015上运行。

在计算机视觉领域，相机标定是一项至关重要的任务，它能够帮助我们校正图像畸变，获取相机的内在参数，从而实现精确的三维重建和物体定位。
Tsai的标定方法是一种早期提出的、广泛应用于相机标定的经典算法，由Richard Tsai在1987年提出。
本篇文章将深入探讨Tsai的相机标定方法及其在Matlab环境下的实现。
我们来理解Tsai的相机标定理论基础。
该方法基于多视图几何，通过一组已知坐标点（通常是在平面棋盘格上的特征点）在图像中的投影，来求解相机的内在参数矩阵和外在参数矩阵。
内在参数包括焦距、主点坐标和径向畸变系数，而外在参数则表示相机相对于标定板的位姿。
Tsai的标定流程主要包括以下几个步骤：1. 数据采集：拍摄多张包含标定板的图片，确保标定板在不同角度和位置出现，以获取丰富的视图信息。
2. 特征检测：在每张图片中检测并提取标定板的角点，常用的方法有角点检测算法，如Harris角点检测或Shi-Tomasi角点检测。
3. 建立世界坐标与像素坐标的对应关系：将标定板角点在世界坐标系中的位置与在图像中的像素坐标对应起来。
4. 线性化问题：通过极几何约束，将非线性问题线性化，可以使用高斯-牛顿法或Levenberg-Marquardt法进行迭代优化。
5. 求解参数：求解内在参数矩阵K和外在参数矩阵R、t，其中R表示旋转矩阵，t表示平移向量。
6. 校正与验证：利用求得的参数对图像进行畸变校正，并通过重投影误差来评估标定结果的准确性。
在Matlab环境下实现Tsai的标定方法，可以充分利用其强大的数学计算能力和可视化功能。
需要编写代码来完成上述的数据采集和特征检测。
然后，利用内置的优化工具箱进行参数估计。
可以绘制图像和标定板的重投影误差，以直观地查看标定效果。
在提供的压缩包文件e19bb35c303d499aa5c2568a73f0a35f中，可能包含了实现上述过程的Matlab源代码。
代码可能分为几个部分，包括角点检测、标定板坐标匹配、线性化优化以及参数解算等模块。
用户可以通过阅读和运行这些代码，理解Tsai标定方法的工作原理，并将其应用到自己的项目中。
Tsai的相机标定方法是计算机视觉中的一个经典算法，它通过解决非线性优化问题，实现了相机参数的有效估计。
在Matlab环境下，我们可以方便地实现这一算法，对相机进行标定，为后续的视觉应用提供准确的先验信息。
对于初学者来说，理解和实践这个方法，不仅可以加深对计算机视觉原理的理解，也能提高编程和调试能力。

在计算机视觉领域，图像配准是一项关键任务，它涉及到将多张图像对齐，以便进行比较、融合或分析。
OpenCV（开源计算机视觉库）提供了一系列工具和算法来执行这项工作，其中包括相位相关法。
本文将深入探讨如何利用OpenCV实现相位相关图像配准，并详细介绍相关知识点。
相位相关是一种非像素级对齐技术，它通过计算两个图像的频域相位差异来确定它们之间的位移。
这种方法基于傅里叶变换理论，傅里叶变换可以将图像从空间域转换到频率域，其中图像的高频成分对应于图像的边缘和细节，低频成分则对应于图像的整体结构。
我们需要理解OpenCV中的傅里叶变换过程。
在OpenCV中，可以使用`cv::dft`函数对图像进行离散傅里叶变换。
这个函数将输入的图像转换为频率域表示，结果是一个复数矩阵，包含了图像的所有频率成分。
然后，为了进行相位相关，我们需要计算两个图像的互相关。
这可以通过将一个图像的傅里叶变换与另一个图像的共轭傅里叶变换相乘，然后进行逆傅里叶变换得到。
在OpenCV中，可以使用`cv::mulSpectrums`函数来完成这个步骤，它实现了复数乘法，并且可以指定是否进行对位相加，这是计算互相关的必要条件。
接下来，我们获得的互相关图在中心位置有一个峰值，该峰值的位置对应于两幅图像的最佳位移。
通过找到这个峰值，我们可以确定图像的位移量。
通常，这可以通过寻找最大值或最小二乘解来实现。
OpenCV提供了`cv::minMaxLoc`函数，可以帮助找到这个峰值。
在实际应用中，可能会遇到噪声和图像不完全匹配的情况。
为了提高配准的准确性，可以采用滤波器（如高斯滤波器）预处理图像，降低噪声影响。
此外，还可以通过迭代或金字塔方法逐步细化位移估计，以实现亚像素级别的精度。
在实现过程中，需要注意以下几点：1.图像尺寸：为了进行傅里叶变换，通常需要将图像尺寸调整为2的幂，OpenCV的`cv::getOptimalDFTSize`函数可以帮助完成这一操作。
2.零填充：如果图像尺寸不是2的幂，OpenCV会在边缘添加零，以确保傅里叶变换的效率。
3.归一化：为了使相位相关结果更具可比性，通常需要对傅里叶变换结果进行归一化。
一旦得到配准参数，可以使用`cv::warpAffine`或`cv::remap`函数将一幅图像变换到另一幅图像的空间中，实现精确对齐。
总结来说，OpenCV提供的相位相关方法是图像配准的一种高效工具，尤其适用于寻找微小的位移。
通过理解和运用上述步骤，开发者可以在自己的项目中实现高质量的图像配准功能。

利用opencv3.0详细实现sift算子（未调用opencv3.0和sift相关的函数），该文档自带两张图片可以测试。
本人亲测效果很好。
还有一个生成的exe文件可以直接使用验证。

ComputerVision,AModernApproach(中文版)计算机视觉的现代方法！

中国计算机视觉人才调研报告2020年

BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219

AnyHand是编写一个视觉工具箱时的副产品，将其中的手势识别部分抽取出来做成了这个简单的手势识别库。
通过手势与计算机交互是计算机视觉交互的一个重要领域，这个库可以帮助具有一定编程能力，但没有计算机视觉背景的开发者快速地生成一个手势交互系统。
其中提供的API可以被用于图形用户界面应用程序。
只需要选取一个合适的手势模板，无需大量的模板训练就可就可以进行手势识别。
识别过程中将会实时返回您需要的手势名称、手势位置以及手势包围盒等信息，方便应用系统的调用。
在应用前请先仔细阅读系统的《安装与配置文档》、《应用文档》和《API描述文档》。

视觉跟踪技术作为计算机视觉领域的热门课题之一，是对连续的图像序列进行运动目标检测、提取特征、分类识别、跟踪滤波、行为识别，以获得目标准确的运动信息参数（如位置、速度等），并对其进行相应的处理分析，实现对目标的行为理解。
视觉跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如位置、速度、加速度和运动轨迹等，从而进行下一步的处理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。