像素

Texture2D 二维纹理 纹理处理类。使用这个动态创建纹理或修改现有纹理资源。 变量 mipmapCount 这个纹理有多少mipmap等级（只读） format 纹理中像素的数据格式（只读） 函数 SetPixel 在坐标（x,y）设置一个像素的颜色 SetPixel (x : int, y : int, color : Color） GetPixel 获取坐标（x,y）处像素颜色 GetPixel (x : int, y : int) GetPixelBilinear 返回在正规化纹理坐标（u，v）处的过滤的像素颜色。 GetPixelBilinear (u : float, v : float) 注：坐标U和V 是从0.0到1.0的值，就像是网格模型上的UV坐标 SetPixels 设置一块像素颜色 SetPixels (x : int, y : int, blockWidth : int, blockHeight : int, colors : Color[], miplevel : int = 0) 注：从x,y点开始的blockWidth(块的宽)乘以blockHeight（块的高）的区域 LoadImage 根据字节数组载入图片 LoadImage (data : byte[]) public class example : MonoBehaviour {

文章目录 1.线性变换与非线性变换 2.MATLAB的灰度变换函数 灰度变换增强是将图像的对比度从弱变强的过程，所以也通常称为对比度增强。各种因素的限制，导致图像的对比度比较差，图像的直方图分布不够均衡，主要的元素集中在几个像素值附近。通过对比度增强，使得图像中各个像素值尽可能均匀分布或者服从一定形式的分布，从而提高图像的质量。 灰度变换可使图像动态范围增大，对比度得到拓展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。 灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度函数进行之外，可以看做是‘从像素到像素’的复制操作。 1.线性变换与非线性变换 设原图像为f（x，y），其灰度范围为[a,b]，变换后的图像为g(x,y)，其灰度范围线性扩展至[c,d]，则对于图像中的任一点的灰度值f（x，y），灰度变换后为g（x，y），其数学表达式为 若图像中大部分像素的灰度级分布在区间[a,b]内，maxf为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令 采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果。在曝光不足或曝光过度情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是一个模糊不清

前言 最近有个需求，在MiniGUI中使用FillBoxWithBitmap加载一张图片之后，需要获取到每一个像素点并重新设置像素点，因此做一下笔记 1. get pixel 需要一个结构体来存RGBA数据 typedef struct tagRGBQUAD { BYTE rgbBlue ; BYTE rgbGreen ; BYTE rgbRed ; BYTE rgbReserved ; } RGBQUAD ; static void getPixel ( PBITMAP src ) { RGBQUAD srcdib [ src -> bmWidth * src -> bmHeight ] ; int x , y , point = 0 ; Uint8 * srcrow ; Uint32 pixel ; /* 循环获取像素点 */ for ( y = 0 ; y < src -> bmHeight ; y ++ ) { for ( x = 0 ; x < src -> bmWidth ; x ++ ) { /* 得到像素点的地址 */ srcrow = ( Uint8 * ) src -> bmBits + y * src -> bmPitch + x * src -> bmBytesPerPixel ; pixel = * ( ( Uint32 * ) ( srcrow ) )

**Object as Distribution** 摘要：目标检测是视觉场景理解的关键部分。目标在检测任务中的表示方式对注释的效率和可行性，遮挡的鲁棒性，姿势，光照和其他语义不确定性的可视源以及现实应用中的有效性（例如，自动驾驶）都具有重要意义。比较流行的目标表示形式包括2D和3D边界框，多边形，样条线，像素和体素。每种都有自己的优点和缺点。在这项工作中，我们提出了一种新的基于二元正态分布的目标的表示形式。这种基于分布的表示形式具有以下优点：可以可靠地检测高度重叠的目标，并且由于目标边缘的统计表示形式，具有改进下游跟踪和实例分割任务的潜力。我们对该目标检测任务的表示形式进行定性评估，并对其在实例分割任务的基准算法中的使用情况进行定量评估。 1 引言： 50多年来，目标检测一直是计算机视觉领域的主要问题之一[1]。 “目标”及其与场景的关系没有普遍的形式化或定义-这是数学，计算机科学，认知科学和哲学领域广泛研究和讨论的话题。尽一切努力明确定义在视觉场景中成为独特目标意味着什么，很多有价值的语义知识被丢弃了[2]。在计算机视觉中，2D图像空间中的目标已由其2D边界框[3]，3D边界框[4]，多边形[5]，样条线[6]，像素[7]和体素[8]定义。每个表示都有基准和最新的算法。从特定应用的实用角度（例如机器视觉）考虑，每种方法都有优点和缺点，它们提供了不同级别的保真度

最近因为任务需要，遇到视频像素格式的问题，学习了NV12和YV12，以及UYVY的具体存储区别。 总结如下： 像素格式描述了像素数据存储所用的格式，定义了像素在内存中的编码方式，RGB和YUV是两种经常使用的像素格式。 RGB：较为熟悉，具有3个通道R G B，分别对应红 绿 蓝三个分量，由三个分量的值决定颜色；通常，会给RGB图像加一个通道alpha，即透明度，于是共有四个分量共同控制颜色。（常用的opencv库默认将图片以BGR的方式进行存储，只是通道顺序不一样而已） YUV：（YCrCb）是指将亮度参量Y和色度参量U/V分开表示的像素格式，主要用于优化彩色视频信号的 传输 。 YUV像素格式来源于RGB像素格式，通过公式运算，YUV三分量可以还原出RGB，YUV转RGB的公式如下： R = Y + 1.403V G = Y - 0.344U - 0.714V B = Y + 1.770U 一般，将RGB和YUV的范围均限制在[0,255]间，则有如下转换公式： R = Y + 1.403(V - 128) G = Y - 0.344(U - 128) - 0.714(V - 128) B = Y + 1.770(U - 128) YUV采样：YUV相比于RGB格式最大的好处是可以做到在保持图像质量降低不明显的前提下，减小文件大小。YUV格式之所以能够做到，是因为进行了采样操作

积分图原理 第一个提出 Haar 特征快速计算方法的是 CVPR2001上 的那篇经典论文 [《Rapid object detection using a boosted cascade of simple features》] ( http://www.cs.utexas.edu/~grauman/courses/spring2007/395T/papers/viola_cvpr2001.pdf ), Viola 提出了一种利用积分图(integral image)快速计算 Haar 特征的方法, 这个方法使得图像的局部矩形求和运算的复杂度从 O(MN) 下降到了 O(4) 。 Haar 特征的计算需要重复计算目标区域的像素值，使用积分图能大大减少计算量，达到实时计算 Haar 特征的目的。简单来说，就是先构造一张“积分图”（integral image），也叫 Summed Area Table，之后任何一个 Haar 矩形特征都可以通过查表的方法（Look Up Table）和有限次简单运算得到，大大减少了运算次数。所以但凡需要重复计算目标区域内像素值和的场合，积分图都能派上用场。下面开始介绍积分图原理，并给出其的几个应用。 1、积分图原理　　 图像是由一系列的离散像素点组成, 因此图像的积分其实就是求和. 图像积分图中每个点的值是原图像中该点左上角的所有像素值之和.

　　 Paul Viola提出一种利用积分图快速计算Haar特征的方法（《Rapid object detection using a boosted cascade of simple features》）。Haar特征是什么就不多做介绍，总之Haar特征的计算需要重复计算目标区域的像素值，使用积分图能大大减少计算量，达到实时计算Haar特征的目的。简单来说，就是先构造一张“积分图”（integral image），也叫Summed Area Table，之后任何一个Haar矩形特征都可以通过查表的方法（Look Up Table）和有限次简单运算得到，大大减少了运算次数。所以但凡需要重复计算目标区域内像素值和的场合，积分图都能派上用场。下面开始介绍积分图原理，并给出其的几个应用。 1、积分图原理 　　 将矩形表示为： 　　其中，x,y表示坐标，w,h表示宽、高，a表示角度。 　　积分图像中，每个点存储的是其左上方所有像素之和： 　　 其中I(x,y)表示图像(x,y)位置的像素值。积分图像可以采用增量的方式计算： 初始边界：SAT(-1,y)=SAT(x,-1)=SAT(-1,-1)=0 为了更好地说明这个等式的缘由，下面我用几幅图来说明： 图1.坐标(x,y)处在原图像中示例 图2.坐标(x,y-1)处的积分图像SAT(x,y-1)示例 图3.坐标(x-1,y

参考： python+opencv3.3视频教学 基础入门-bilibili OpenCV图像处理—模糊原理_不安分的少年-CSDN博客 高斯模糊_百度百科 一、模糊原理 使用模糊操作的原因之一就是为了给图像预处理时候 降低噪声 ， 把噪声与周围的数值平均一下就可以平滑噪声。 模糊基于数学的 卷积计算 。 卷积:通过两个函数f 和g 生成第三个函数的一种数学算子，表征函数 f f f 与 g g g 经过翻转和平移的重叠部分的面积。 g ( i , j ) = ∑ l , k f ( l + k , j + l ) h ( k , l ) g(i,j)=\sum _{l,k}f(l+k,j+l)h(k,l) g ( i , j ) = l , k ∑ ​ f ( l + k , j + l ) h ( k , l ) 其中： f ( ) f() f ( ) 表示一副图像 i , j i,j i , j 表示图像的行和列 h ( k , l ) h(k,l) h ( k , l ) 表示 卷积算子 (卷积核)(也可以叫掩膜) k , l k,l k , l 又可以叫窗口大小(掩膜的大小，比如3*3) g ( ) g() g ( ) 表示输出的像素值 不同的卷积核得到不同的卷积效果 。 通常这些卷积算子计算都是线性操作，所以又叫 线性滤波 。 二、基本模糊操作 1.均值模糊

3.1物理像素&物理像素比 物理像素点指的是屏幕显示的最小颗粒，是物理真实存在的。这是厂商在出厂时就设置好了，比如苹果6 是 750* 1334。 我们开发时候的1px 不是一定等于1个物理像素的。 一个px的能显示的物理像素点的个数，称为 物理像素比 或 屏幕像素比 。 如果把1张100*100的图片放到手机里面会按照物理像素比给我们缩放。 lRetina（视网膜屏幕）是一种显示技术，可以将把更多的物理像素点压缩至一块屏幕里，从而达到更高的分辨率，并提高屏幕显示的细腻程度。 对于一张 50px * 50px 的图片,在手机或 Retina 屏中打开，按照刚才的物理像素比会放大倍数，这样会造成图片模糊。 在标准的viewport设置中，使用倍图来提高图片质量，解决在高清设备中的模糊问题。 通常使用二倍图， 因为iPhone 6 的影响背景图片 注意缩放问题。 ​ /* 1. 物理像素 就是我们说的分辨率 iPhone8的物理像素是 750 */ ​ /* 2. 在 iPhone8里面， 1px 开发像素 = 2个物理像素 */ demo：二倍图做法 <!DOCTYPE html> < html lang = " en " > < head > < meta charset = " UTF-8 " > < meta name = " viewport " content = "

图像切割之（一）概述 zouxy09@qq.com http://blog.csdn.net/zouxy09 所谓图像切割指的是依据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。我们先对眼下基本的图像切割方法做个概述，后面再对个别方法做具体的了解和学习。 1 、基于阈值的切割方法 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每一个像素的灰度值与阈值相比較，最后将像素依据比較结果分到合适的类别中。因此，该类方法最为关键的一步就是依照某个准则函数来求解最佳灰度阈值。 2 、基于边缘的切割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的切割方法指的是基于灰度值的边缘检測，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观測基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，能够使用微分算子进行边缘检測，即使用一阶导数的极值与二阶导数的过零点来确定边缘，详细实现时能够使用图像与模板进行卷积来完毕。 3 、基于区域的切割方法 此类方法是将图像依照相似性准则分成不同的区域，主要包含种子区域生长法