threshold

计算机视觉（1）关于cvThreshold二值化函数 opencv中文说明中是这样说的： Threshold 对数组元素进行固定阈值操作 void cvThreshold( const CvArr* src, CvArr* dst, double threshold, double max_value, int threshold_type ); src：原始 数组 (单通道 , 8-bit of 32-bit 浮点数)。 dst：输出数组，必须与 src 的类型一致，或者为 8-bit。 threshold：阈值 max_value：使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值。 threshold_type：阈值类型 threshold_type=CV_THRESH_BINARY:如果 src(x,y)>threshold ,dst(x,y) = max_value; 否则,dst（x,y）=0; threshold_type=CV_THRESH_BINARY_INV:如果 src(x,y)>threshold,dst(x,y) = 0; 否则,dst(x,y) = max_value. threshold_type=CV_THRESH_TRUNC:如果 src(x,y)>threshold，dst(x,y) = max

参考：Opencv官方教程 1、简单阀值 cv2.threshold , cv2.adaptiveThreshold 当像素值高于阀值时，我们给这个像素赋予一个新值（可能是白色），否则我们给它赋予另外一种颜色（也许是黑色）。这个函数就是cv2.threshold()。这个函数的第一个参数就是原图像，原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阀值，第三个参数就是当像素值高于（或者小于）阀值时，应该被赋予新的像素值。OpenCV提供了多种不同的阀值方法，这是有第四个参数来决定的。方法包括： cv2.THRESH_BINARY cv2.THRESH_BINARY_INV cv2.THRESH_TRUNC cv2.THRESH_TOZERO cv2.THRESH_TOZERO_INV import cv2 import numpy as np import matplotlib as mlp mlp.use('TkAgg') from matplotlib import pyplot as plt img = cv2.imread('./opencv_learn/image2.jpg',0) ret, thresh1 = cv2.threshold(img, 127,255,cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(img

1 import numpy as np 2 3 def non_max_suppress(predicts_dict, threshold=0.2): 4 """ 5 implement non-maximum supression on predict bounding boxes. 6 Args: 7 predicts_dict: {"stick": [[x1, y1, x2, y2, scores1], [...]]}. 8 threshhold: iou threshold 9 Return: 10 predicts_dict processed by non-maximum suppression 11 """ 12 for object_name, bbox in predicts_dict.items(): #对每一个类别的目标分别进行NMS 13 bbox_array = np.array(bbox, dtype=np.float) 14 15 ## 获取当前目标类别下所有矩形框（bounding box,下面简称bbx）的坐标和confidence,并计算所有bbx的面积 16 x1, y1, x2, y2, scores = bbox_array[:,0], bbox_array[:,1], bbox_array[:,2], bbox_array[:,3],

ArrayList、Vector、LinkedList的存储性能和特性 ArrayList 和Vector都是使用数组方式存储数据 ，此数组元素数大于实际存储的数据以便增加和插入元素，它们都允许直接按序号索引元素，但是插入元素要涉及数组元素移动等内存操作，所以索引数据快而插入数据慢，Vector中的方法由于添加了synchronized修饰，因此Vector是线程安全的容器，但性能上较ArrayList差，因此已经是Java中的遗留容器。 LinkedList使用 双向链表 实现存储（将内存中零散的内存单元通过附加的引用关联起来，形成一个可以按序号索引的线性结构，这种链式存储方式与数组的连续存储方式相比，内存的利用率更高）， 按序号索引数据需要进行前向或后向遍历 ，但是插入数据时只需要记录本项的前后项即可，所以插入速度较快。 TreeMap的底层实现 TreeMap 的实现就是红黑树数据结构，也就说是一棵自平衡的排序二叉树，这样就可以保证当需要快速检索指定节点。 红黑树的插入、删除、遍历时间复杂度都为O(lgN)，所以性能上低于哈希表。但是哈希表无法提供键值对的有序输出，红黑树因为是排序插入的，可以按照键的值的大小有序输出。红黑树性质： 性质1：每个节点要么是红色，要么是黑色。 性质2：根节点永远是黑色的。 性质3：所有的叶节点都是空节点（即 null），并且是黑色的。 性质4

glibc下的内存管理 几周前我曾提到，我被项目组分配去做了一些探究linux下内存管理机制的活儿。因为我们的产品遇到了一些与之相关的“诡异”问题。这些问题以及相关情况可以概括如下： 先介绍一下相关的背景。由于我们是3D软件，所以用户经常会有“导入/导出”各种geometry的需求。而一个存储这些数据的文件，可能含有不止一个geometry，而且每个geometry中也可能存在着成千上万个面片/多边形等各种基本元素。这些元素本身都不大，但数量很多。 第一次导入geometry时，会占据大量内存（比如说吧，有1.5G）以上；在不关闭软件而进行各种“清理”操作后，内存却基本不释放；接着再次导入相同的geometry时，内存也没有明显增加；然而如果再进行一次导入操作的话，内存又会被大量占用（约1G以上）。 将以上试验，换成先导入geometry1, 然后清理场景, 再导入geometry2，此时geometry2的内存占用量，要比单独首次导入geometry2时所占用的内存量要小。 valgrind是一款在linux下经常使用检查各种内存管理问题的工具集合。我们用valgrind的memcheck组件进行过专门的内存泄露测试，并未发现明显的泄露情况。 我们的产品在mac平台上也有相应的版本。拿到mac os x上做实验，发现同样的代码，表现并不相同。其中每次清理场景后，都会有可观的内存

一.小波去噪的原理 信号产生的小波系数含有信号的重要信息，将信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于信号的小波系数，通过选取一个合适的阀值，大于阀值的小波系数被认为是有信号产生的，应予以保留，小于阀值的则认为是噪声产生的，置为零从而达到去噪的目的。 小波阀值去噪的基本问题包括三个方面：小波基的选择，阀值的选择，阀值函数的选择。 (1) 小波基的选择：通常我们希望所选取的小波满足以下条件：正交性、高消失矩、紧支性、对称性或反对称性。但事实上具有上述性质的小波是不可能存在的，因为小波是对称或反对称的只有Haar小波，并且高消失矩与紧支性是一对矛盾，所以在应用的时候一般选取具有紧支的小波以及根据信号的特征来选取较为合适的小波。 (2) 阀值的选择：直接影响去噪效果的一个重要因素就是阀值的选取，不同的阀值选取将有不同的去噪效果。目前主要有通用阀值（VisuShrink）、SureShrink阀值、Minimax阀值、BayesShrink阀值等。 (3) 阀值函数的选择：阀值函数是修正小波系数的规则，不同的反之函数体现了不同的处理小波系数的策略。最常用的阀值函数有两种：一种是硬阀值函数，另一种是软阀值函数。还有一种介于软、硬阀值函数之间的Garrote函数。 另外，对于去噪效果好坏的评价，常用信号的信噪比（SNR）与估计信号同原始信号的均方根误差（RMSE

HoughLinesP原函数： 功能：将输入图像按照给出参数要求提取线段，放在lines中。 lines:是一个vector<Vec4i>,Vec4i是一个包含4个int数据类型的结构体，[x1,y1,x2,y2],可以表示一个线段。 rho:就是一个半径的分辨率。 theta:角度分辨率。 threshold:判断直线点数的阈值。 minLineLength：线段长度阈值。 minLineGap:线段上最近两点之间的阈值。 实例操作 1、源代码： 2、结果展示： 不同参数的效果比较： 1、minLineLength 以下分别是民minLineLength=50，minLinelength=100 2、threshold 以下分别是threshold=10，threshold=50 3、minLineGap 以下分别是minLineGap=1,minLineGap=10 来源： CSDN 作者： javastart 链接： https://blog.csdn.net/javastart/article/details/104513801