像素

2-2 点阵格式图像 我们所看到的图像，究竟是如何构成的呢？这就需要涉及到图像类型的概念。 电脑中的图像类型分为两大类，一类称为点阵图，一类称为矢量图。 点阵图顾名思义就是由点构成的，如同用马赛克去拼贴图案一样，每个马赛克就是一个点，若干个点以矩阵排列成图案。 数码相机拍摄的照片、扫描仪扫描的稿件以及绝大多数的图片都属于点阵图，如下左图就是一个典型的点阵图。把这幅图片调入Photoshop，使用菜单【图像 图像大小】就可以看到如下 右图的信息。注意窗口上部像素大小的宽度和高度，分别是400像素和225像素。 像素是什么？像素就是组成点阵图像中的那些点，是点阵图最小的单位。如同拼成图案的那许多马赛克一样。 在图像窗口底端状态栏的缩放倍数右方区域，按住ALT键单击就会出现像素数量信息，如下 左图。PhotoshopCS及更早版本的图像状态栏位于Photoshop窗口的底部，如下右图。如果状态栏未出现可通过菜单【窗口 状态栏】打开。 如果我们放大图像〖CTRL +〗，就会看到点也同时被放大了，这时就会出现所谓的马赛克现象(也称锯齿现象)。如下左图。我们可以看到有许多不同颜色的小正方形，那就是被放大的像素。每个像素只能有一个颜色。 宽400像素，高225像素，意味这幅图像由横方向400个点、竖方向225个点组成，400×225=90000，图像的总像素数量就是9万。

文章目录 Abstract Introduction Realted Work Instance Segmentation Mask RCNN Faster RCNN 回顾 Mask RCNN Loss计算 Mask Representation RoIAlign Network Architecture Implementation Details Training Related knowledge FCN Deconvolution Upsampling 线性插值 参考文章 思考 Abstract 在Faster RCNN的基础上又加了一个预测物体掩码的分支，和预测边界框并列存在。 Introduction 目标 : 将每个像素分类为一组固定的类别，而不区分对象实例。 方法简介 ： 在Faster RCNN每个ROI后面加了一个分支来预测分割掩码，和分类与回归并列。这个加入的新分支是一个小型FCN(Fully Convolutional Network)，用一种像素到像素的处理方式。 前人不足之处 ： Faster RCNN不是为网络输入和输出之间的像素对像素对齐而设计的， 为了克服不对齐的问题 ，作者提出了RoIAlign，能成功保存精确的空间位置。 RoIAlign的优点 ： 提高了 10 % − 50 % 10\%-50\% 1 0 % − 5 0 % 的掩码精准度

物理像素 ：设备屏幕实际拥有的像素点。比如iPhone 6的屏幕在宽度方向有750个像素点，高度方向有1334个像素点，所以iPhone 6 总共有750*1334个物理像素。 逻辑像素 ：也叫“设备独立像素”（Device Independent Pixel, DIP），可以理解为反映在CSS/JS代码里的像素点数。 设备像素比 （Device Pixel Ratio, DPR ）：一个设备的物理像素与逻辑像素之比。 比如在调试的时候iPhone 6上面显示375*667，但是实际打印出来的是750*1334，即增大了两倍，这是的dpr就是2了； 所以很有可能你的需求是画一条1px的线，但是最终显示出来的是2或者3px，以下两种办法可以解决物理像素问题 //第一种：比较麻烦，需要考虑将更新缩放比之后的页面元素，且这是的单位需要用remwindow.onload = function () { //像素比 var dpr = window.devicePixelRatio console.log(dpr) //缩放比 var scale = 1/dpr //通过meta将移动端的缩放比设置为现在的缩放比 var metanode = document.querySelector('meta[name="viewport"]') metanode.setAttribute(

物理像素 ：物理像素又被称为设备像素，他是显示设备中一个最微小的物理部件。每个像素可以根据操作系统设置自己的颜色和亮度。 设备独立像素 ：设备独立像素也称为密度无关像素，这个概念可能有点抽象，大家可以这么来理解 iPhone6的尺寸是375X667 这就可以理解为设备独立像素 设备像素比（dpr） :设备像素比简称为dpr，其定义了物理像素和设备独立像素的对应关系。 设备像素比 ＝ 物理像素 / 设备独立像素 css像素 ：CSS像素是一个抽像的单位，主要使用在浏览器上，用来精确度量Web页面上的内容。一般情况之下，CSS像素称为与设备无关的像素(device-independent pixel)，简称DIPs。在PC上1个CSS像素对应1个物理像素，而在手机Retina屏幕下，1个CSS像素并不等于1物理像素 查看使用rem的解决方案 使用Flexible实现手淘H5页面的终端适配 更多专业前端知识，请上 【猿2048】www.mk2048.com 来源： https://blog.csdn.net/qq_29069777/article/details/102729200

特征提取之Haar特征 一、前言（废话） 很久没有写博客了，一晃几年就过去了，为了总结一下自己看的一些论文，以后打算写一些自己读完论文的总结。那么，今天就谈一谈人脸检测最为经典的算法Haar-like特征+Adaboost。这是最为常用的物体检测的方法（最初用于人脸检测），也是用的最多的方法，而且OpenCV也实现了这一算法，可谓路人皆知。另外网上写这个算法的人也不在少数。 二、概述 首先说明，我主要看了《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection》这两篇论文。 2.1为什么需要Haar特征，为什么要结合Adaboost算法 我们知道人脸检测是很不容易的，我们在实际进行人脸检测的时候，需要考虑算法的运行速度，以及算法的准确度，单单实现这两个指标就已经很不容易了。传统的人脸检测方法（指的是在Haar-like特征出来之前的方法，也就是2001年之前了）一般都是基于像素级别进行的，常见的方法有基于皮肤颜色的方法，这些方法的缺点就是速度慢，几乎不能实现实时性。 2.2算法的大体流程 首先给出训练过程 输入图像-

图像的水平与垂直投影 作用：二值图像或明显特征的灰度图定位或分割前景与背景，经常用到投影法。 水平方向投影，将图像数组进行列求和； 垂直方向投影，将图像数组进行行求和； 如汽车牌照的定位：先对汽车图像二值化，然后水平投影，找出牌照的上下位置和高度，再对上次定位的牌照图像竖直投影，找出牌照有数字部分的总宽度，切割出来。再进行投影，每个字符的切割的外接矩形找到了，每个字符切割出来，提取特征，比如黑像素所占份数5X5格，和每个数的模版库进行匹配。进行细化，使数据量更规范更统一了，然后牌照标准化。 水平投影的实现步骤： 1.图像二值化，物体为黑，背景为白 2.循环各行，依次判断每一列的像素值是否为黑，统计该行所有黑像素的个数。设该行共有M个黑像素，则把该行从第一列到第M列置为黑。 垂直投影的实现步骤： 1.图像二值化，物体为黑，背景为白 2.循环各列，依次判断每一行的像素值是否为黑，统计该列所有黑像素的个数。设该列共有M个黑像素，则把第一行到第行置为黑。 来源： https://www.cnblogs.com/-wenli/p/11723185.html

一个图形学萌新的学习记录。 学习了直线生成算法之后，继续来学习绘制圆弧的方法，如果要生成一个整圆，可以利用坐标系的八对称性，在其中一个象限绘制之后再在其他象限的对称点绘制即可。 我们首先考虑圆心在原点，半径为r的圆，计算出像素之后只需加上一个偏移量即可绘制圆心在任意一点的圆。 要画圆最暴力的方法当然是利用圆的参数方程来计算： 但这样计算使用了三角函数和浮点运算，效率低下，所以通常我们使用中点画圆法来进行圆的绘制。 中点画圆法 中点画圆法利用的也是类似于Bresenham直线算法的思想，利用判别式选择像素，只需做简单的整数运算。 我们八象限中第二象限的1/8圆为例，若确定了一个像素点为($x_{p},y_{p}$)，那么下一个点要么是右方的P1，要么是右下方的P2。 构造函数一个函数F(x,y)=$x^{2}$+$y^{2}$-$R^{2}$，当F大于0时，点在圆外，反之则在圆内。 图中的M是P1和P2的中点，所以M=($x_{p}$+1,$y_{p}-0.5$)，当F(M)<0时，M在圆内，说明P1离圆弧更近，反之M在圆外，P2更近。 根据以上原理，可构造判别式： 当$d_{p}$<0时，取P1为下一像素，下一像素判别式为： 当$d_{p}$>0时，取P2为下一像素，下一像素判别式为： 我们按顺时针方式生成八分圆，所以第一个像素为(0,R)，初始判别式为： 1.25-R可以简化成1

商品品牌 一、商品品牌 为商品分类绑定品牌后，在商家后台发布商品或编辑的商品的时候页面中会根据商品所属分类调用分类所绑定的品牌列表，否则不会显示出品牌列表。 添加商品品牌： 1、品牌首字母：指品牌的首字母。 2、图片（建议使用宽22像素-高60像素内的GIF或PNG透明图片；点击下方”保存“按钮后生效）：指上传品牌的图片。 3、品牌推荐广告图（建议使用宽22像素-高60像素内的GIF或PNG透明图片；点击下方”保存“按钮后生效）：显示在前台品牌专区。 来源： oschina 链接： https://my.oschina.net/u/4103048/blog/3135817

商品品牌 一、商品品牌 为商品分类绑定品牌后，在商家后台发布商品或编辑的商品的时候页面中会根据商品所属分类调用分类所绑定的品牌列表，否则不会显示出品牌列表。 添加商品品牌： 1、品牌首字母：指品牌的首字母。 2、图片（建议使用宽22像素-高60像素内的GIF或PNG透明图片；点击下方”保存“按钮后生效）：指上传品牌的图片。 3、品牌推荐广告图（建议使用宽22像素-高60像素内的GIF或PNG透明图片；点击下方”保存“按钮后生效）：显示在前台品牌专区。 来源： oschina 链接： https://my.oschina.net/u/4103048/blog/3135817

1. 语义分割：给图像每个像素一个语义标签或者给点云中每个点一个语义标签。缺点：如果无法对实例进行判别，比如把人的标签订为红色像素，如果有两个红色像素，无法区分这两个红色像素是属于同一个人还是属于不同的人。 2. 分类：划分不同类别的事物。比如人，车，树。缺点：无法区分同类别中的个体。 3. 实例分割：把属于同一类别的不同个体区分出来，比如人1，人2，车1，车2，树1，树2，树3... 来源： https://www.cnblogs.com/yibeimingyue/p/11716764.html