像素

形态学基本概念 基本思想：用一定形态的结构元素去度量和提取图像中的对应形状，达到分析知识的目的。可用于图像处理的各个方面，包括图像分割、边界检测、特征提取。 结构元素：形态学变换中的基本元素，使为了探测图像的某种结构信息而设计的特定形状和尺寸的图像，称为收集图像结构信息的探针。 结构元素有多种类型：如圆形、方形、线型等，可携带知识（形态、大小、灰度和色度信息）来探测、研究图像的结构特点。 形态学运算包括：二值化腐蚀和膨胀、二值化开闭运算、骨架抽取、击中击不中变换等。 形态学四个基本算子：膨胀，腐蚀、开启和闭合组成，这些基本运算还可以推导和组合成各种数学形态学实用算法。 腐蚀运算 腐蚀运算思路 ：定义结构元素(与模板类似)，结构元素在整幅图像中移动，移动到每个像素点上，只有结构元素与图像上对应像素点的像素值全部相等时，保留这个像素点的值。 腐蚀运算作用 ：消除物体边界点，使边界点向内部收缩，可以把小于结构元素的物体去除。选取不同大小的结构元素，去除不同大小的物体。如两个物体间有细小的连通，通过腐蚀可以将两个物体分开。 腐蚀运算 ： 腐蚀运算示意图 ： 基本方法： 通常拖到结构元素在X域移动，在每一个位置上，当结构元素B在中心平移到X图像上的某优点(x,y)。 如果结构元素内的每一个像素都与以(x,y)为中心的相同邻域中对应像素完全相同，那么就保留(x,y)像素点。

原文链接： 边缘检测与图像分割 作者： HUSTLX 1图像分割原理 图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分割算法。Pal把图像分割算法分成了6类：阈值分割，像素分割、深度图像分割、彩色图像分割，边缘检测和基于模糊集的方法。但是，该方法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新方法，有的研究者将图像分割算法分为以下六类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术。而在较近的一篇综述中，更有学者将图像分割简单的分割数据驱动的分割和模型驱动的分割两类。下面将图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于数学形态的分割方法以及基于特定理论的分割方法等，对其中主要的分别进行简要介绍。 1.1灰度阈值分割法 是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换： 其中，T为阈值，对于物体的图像元素g(i,j)=l，对于背景的图像元素g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。如果阈值选取过高，则过多的目标区域将被划分为背景，相反如果阈值选取过低，则过多的背景将被划分到目标区 [7] 。阈值确定后

自适应网页设计（Responsive Web Design） 　　随着3G的普及，越来越多的人使用手机上网。 移动设备正超过桌面设备，成为访问互联网的最常见终端。于是，网页设计师不得不面对一个难题：如何才能在不同大小的设备上呈现同样的网页？ 　　手机的屏幕比较小，宽度通常在600像素以下；PC的屏幕宽度，一般都在1000像素以上（目前主流宽度是1366×768），有的还达到了2000像素。同样的内容，要在大小迥异的屏幕上，都呈现出满意的效果，并不是一件容易的事。 　　很多网站的解决方法，是为不同的设备提供不同的网页，比如专门提供一个mobile版本，或者iPhone / iPad版本。这样做固然保证了效果，但是比较麻烦，同时要维护好几个版本，而且如果一个网站有多个portal（入口），会大大增加架构设计的复杂度。 于是，很早就有人设想，能不能"一次设计，普遍适用"，让同一张网页自动适应不同大小的屏幕，根据屏幕宽度，自动调整布局（layout）？ 一、"自适应网页设计"的概念 　　2010年，Ethan Marcotte提出了 "自适应网页设计" （Responsive Web Design）这个名词，指可以自动识别屏幕宽度、并做出相应调整的网页设计。 他制作了一个 范例 ，里面是《福尔摩斯历险记》六个主人公的头像。如果屏幕宽度大于1300像素，则6张图片并排在一行。

Android 平板上开发应用的一点心得 —— 精确适配不同的 dpi 和屏幕尺寸 一、引言 　　Android的开源使厂商无需自行研发OS，大大降低了研发、生产的成本，使得Android平板品牌如雨后春笋般爆发，山寨机厂商们似乎又找到了一丝希望。与此同时带来的是广大开发者的苦不堪言，各种神奇的小板儿考验着app的兼容性，各种定制的rom不经意间就让app崩溃，光是界面上的调整就已经够你喝一壶了，是不？ 二、适配可行性 　　早在Android设计之初就考虑到了这一点，为了让app适应标准or山寨屏幕，google已经有一套成熟的解决方案。其中，有这么几个指标需要注意： 　　（1）屏幕尺寸：单位inch，指的是屏幕对角线长度。 　　（2）屏幕密度：单位dpi，指的是每inch上可以显示多少像素点即px。 　　（3）屏幕分辨率：单位px * px，指的是一屏显示多少像素点。 　　（4）屏幕无关像素：单位dp/dip，指的是自适应屏幕密度的像素，用于指定控件宽高。 　　（5）刻度无关像素：单位sp，指的是自适应字体的像素，用于指定文字大小。 　　以我自己的Haier W910超级战舰(宽高比16:9)为例，上述单位的换算如下： 　　已知数据：屏幕尺寸4.5， 分辨率1280 * 720， 屏幕密度320 　　（1）16:9的4.5寸屏幕由勾股定理计算其高约为3.9寸，宽约为2.2寸 　　

卷积边界问题 图像卷积的时候边界像素，不能被卷积操作，原因在于边界像素没有完全跟 kernel 重叠，所以当 3x3 滤波时候有 1 个像素的边缘没有被处理， 5x5 滤波的时候有 2 个像素的边缘没有被处理。 处理边缘 在卷积开始之前增加边缘像素，填充的像素值为 0 或者 RGB 黑色，比如 3x3 在四周各填充 1 个像素的边缘， 这样就确保图像的边缘被处理，在卷积处理之后再去掉这些边缘。 openCV 中默认的处理方法是： BORDER_DEFAULT 此外常用的还有如下几种： - BORDER_CONSTANT 填充边缘用指定像素值 - BORDER_REPLICATE 填充边缘像素用已知的边缘像素值。 - BORDER_WRAP 用另外一边的像素来补偿填充 copyMakeBorder （ Mat src , // 输入图像 Mat dst , // 添加边缘图像 int top , // 边缘长度，一般上下左右都取相同值， int bottom , int left , int right , int borderType // 边缘类型 Scalar value ） int main ( int argc , char ** argv ) { Mat src , dst ; src = imread ( STRPAHT2 ); if (! src . data ) {

图像处理---《图片的掩膜处理-->提高图像的亮度》 　　学习：针对一张图片，（1）如何获取图像的像素指针、（2）像素范围的处理、（3）掩膜应用 /*************************************************************************************** 作者：@WP20190612环境：VS2010 + OpenCV2.4.3 功能：掩膜操作---提高图像的对比度 说明： 知识1：获取图像的像素指针 CV_Assert(myImage.depth()==CV_8U); Mat.ptr<uchar>(int i=0); 获取像素矩阵的指针，索引i表示第几行，从0开始计数 const uchar* current=myImage.ptr<uchar>(row); 获取当前行的指针 p(row, col)=current[col]; 获取当前像素点p(row, col)的像素值 要点---要明确哪个像素指针可以调整，哪里不可以调整 知识点2： 像素范围的处理 saturate_cast<uchar>， 确保RGB值 范围在0~255之间。 saturate_cast<uchar>(-100) 返回0； saturate_cast<uchar>(288) 返回255； saturate_cast<uchar>(100)

前端 绝对定位调节位置 在写完一个内容的样式后，它刚开始是不会按照你的想象去排的，这个也・需要自己设置 首先新建HTML、CSS文档各一个并把它们保存在同一个文件夹中，然后在HTML中引用CSS，先设置三个“div”一个“header”包裹“hello”和“hello1” 来看看CSS的样式 先把内外边距默认为零，给“header”宽1000像素，高600像素，一个边框，相对定位。 给“hello”宽400像素，高400像素，背景颜色为“#1900fa” 给“hello”宽400像素，高400像素，背景颜色为“#dadaad” 看看效果 我们要把蓝色下面的盒子移动到蓝色右边去，大多数人都只会用“margin-top”、“margin-left” 下面叫你用绝对定位调节位置，但你必须要给“header”一个相对定位，否则你写的关于绝对定位的样式都没有用 在“hello1”中加绝对定位并且left为400像素，top为0像素。 来看效果 文章来源: https://blog.csdn.net/weixin_44540360/article/details/90632579

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Dillon2015/article/details/90522343 前面说过，不论是图像还是视频在空域上都存在很强的相关性，也就是说对于某个像素它的像素值和其邻近的像素的像素值会很接近，利用这点来进行预测编码可以去除空域相关性压缩图像或视频体积。 帧内预测流程大致如下： 1、参考像素准备 由于空域相关性，我们总是选择离当前PU最近的已编码像素作为当前PU内像素的参考像素，在HEVC中就是选择当前PU上面的一行和左边的一列。准确说，对于NxN的PU选择正上方N个像素，右上方N个像素，左侧N个像素，左下方N个像素，左上角1个像素，共4N+1个像素作为参考像素。 但是在某些情况下，如在图像边界，Tile或Slice边界时某些参考像素不可用，某些情况下A、E区域尚未编码其像素也不可用。此时就需要寻找像素来填充。 若A区域像素不存在则用B区域最下方的像素填充，若E区域不存在则用D区域最右侧的像素填充，如上图所示。 如果所有区域的像素都不存在，则所有参考像素都用R=1<<(BitDepth-1)来填充，对于8bit像素用128填充，10bit像素用512填充。 2、帧内预测 HEVC为帧内预测提供了35种模式，分别为DC模式，Planar模式和33种角度模式。帧内模式编号和对应名称如下：

vue 框架 1.vue vue 是一套构建用户界面的渐进式框架 偏向于 视图层 view (component 组件) API 齐全 简单明了 的前端框架 vue 采用自下而上的增量开发设计 vue 实现 单页面应用 SPA single page appliaction 通过路由匹配组件和数据 (vue-router) 设计模式 单例模式 工厂模式 代理模式 发布订阅模式 观察者模式 设计思想 MVC ===> angular1/angular2 react M model 数据层 data V view 视图层 组件/模板/html C controller 逻辑层 函数 MVVM ===> vue (不完全遵循) M model 数据层 data binding V view 视图层 DOM listen VM viewmodel VM实例对象 通过vue把数据 data 和视图 html 绑定在一起 MVP m model 数据层 v view 视图层 p presenter 逻辑层 组件系统 因为它是一种抽象，允许我们使用小型、独立和通常可复用的组件构建大型应用 组件就意味着 由虚拟dom组成 抽象层 virtual DOM 一个组件本质上是一个拥有预定义选项的一个 Vue 实例 渲染函数 render vue render(createElement){ return

简单记录下FCOS的创新点 类似于yolo-v1，不过yolo-v1是对7x7的cell进行预测，召回率较低，在之后v2,v3中又回归anchor-based方法。 而FCOS为了提高召回率对所有像素点预测，随之而来的是很多低质量的检测框，后面通过center-ness方法解决。 另外FCOS直接预测l,r,t,b等四个数值。 对不同尺度的feature-map进行预测，同时为了避免边界框大小无限生长，限制了边界框的大小范围。 if a location satisfies max(l; t; r; b) > mi or max(l,t; r; b) < mi-1, it is set as a negative sample and is thus not required to regress a bounding box anymore. 这种约束带来的额外的效果在于，由于不同尺寸的物体被分配到不同的特征层进行回归，又由于大部分重叠发生在尺寸相差较大的物体之间，因此多尺度预测可以在很大程度上缓解目标框重叠情况下的预测性能。 对于创新点1带来的大量低质量框的问题，提出Center-ness的方法。思路是对每一个边界框计算并记录center-ness,center-ness作为最后是否选择该框的衡量标准之一。 center-ness即中心度