摘要： 二维卷积的算法原理比较简单，参考任意一本数字信号处理的书籍，而matlab的conv2函数的滤波有个形状参数，用下面的一张图很能说明问题：这里给出本人自己的实现方案，代码的优化空间很大，用到了自己目前开发的FastIV中的一些函数接口。具体实现如下：#include "fiv_core.h"type... 阅读全文

摘要： 本文主要描述实现LU分解算法过程中遇到的问题及解决方案，并给出了全部源代码。1. 什么是LU分解？ 矩阵的LU分解源于线性方程组的高斯消元过程。对于一个含有N个变量的N个线性方程组，总可以用高斯消去法，把左边的系数矩阵分解为一个单位下三角矩阵和一个上三角矩阵相乘的形式。这样，求解这个线性方程组... 阅读全文

摘要： 本文主要收集本文作者收藏的资源链接，以备查用。本文会持续更新!1. 对于从事codec研发，尤其是语音和音频codec研发的人，都知道的ITU-3GP组织。这里汇集了所有与ITU-3GP codec相关的资源，主要包括标准文档， 当然还有各个标准的参考代码。1.1 http://www.itu.int/rec/T-REC-G/en ITU-G系列的资源，例如G722.2的ARM-WB等。这个网站的代码版本很多都是05年之前的。1.2 http://www.3gpp.org/DynaReport/26-series.htm。包括了最新的ITU-G系列常见资源和诸多的代码。1.3http://w. 阅读全文

摘要： 本文主要从实用主义的角度，表达了作者对当前图像去噪算法的一些见解。 图像去噪，是图像处理中的一个经典课题。尽管有很多有效的算法被提出，但能真正可实际使用的算法却还没有，至少从公开发表的文章来看是如此。也许是本文作者坐井观天，才疏浅薄，欢迎大家拍砖。如果您有好的算法，欢迎和本文作者一道讨论，共同进步。1. 从高斯滤波到双边滤波 高斯滤波是经典的图像滤波的算法，能够在一定程度上抑制噪声。很多算法都拿高斯滤波做预处理，例如canny边缘检测算子。然而高斯滤波在模糊图像的同时，也模糊了图像的边缘信息。于是，衍生出大量的边缘保持滤波算法。这主要有两类：基于PDE的非线性们扩散和双边滤... 阅读全文

摘要： 新建一图像处理算法群，主要讨论图像处理与计算机视觉中的快速算法及其工程实现。群号码：322687422 阅读全文

摘要： 常见小波变换开源代码 阅读全文

摘要： 本文主要对比两种去雾增强算法的优略。1. 暗通道去雾方法 这种方法目前研究的比较多。虽然大家认为去雾已经被研究烂了，但是从工程实践的角度看，仍然存在很多问题。却不说暗通道先验对天空本身的不合理假设，就单说时间复杂度。对于视频图像处理来说，视频编解码就已经占了大量的CPU时间，而如果其它一些图像增强的算法也要占用大量的计算时间，就会导致了很多所谓的the state of art 的算法在工程实践上，依然并不可行。举一个很简单的例子，目前普通PC单核的处理能力只能编码2-4路的720P的H264码流，如果图像增强算法的处理时间大于15ms，则意味着在普通PC上这种算法并不可行。 关于... 阅读全文

摘要： const int N = 33 * 1024;const int threadsPerBlock = 256;const int blocksPerGrid = imin( 32, (N+threadsPerBlock-1) / threadsPerBlock );__global__ void dot( float *a, float *b, float *c ) { __shared__ float cache[threadsPerBlock]; int tid = threadIdx.x + blockIdx.x * blockDim.x; in... 阅读全文

摘要： 本文主要对比了两篇重要的参考文献与自己实现的一种图像细节增强技术的实际处理效果，同时简要叙述了笔者算法思路。 图像的细节增强有很多典型的应用，例如暴风影音的左眼功能能让图像看起来更清晰一点。笔者通过实际测试发现，暴风使用的可能是简单的锐化加上图像的对比度饱和度等调节功能，因为对于视频后处理不太可能采用很复杂的算法。图像处理的很多算法都可以直接用于视频后处理，但是，有一个前提：就是算法不能太复杂，否则实时性不太可能满足。 笔者开发的这种细节增强技术也许比暴风的左眼增强更好。具体对比结果如下：1. 去模糊效应 去模糊是图像处理的经典课题，其本质是盲反卷积问题。我并不打算描述去... 阅读全文

摘要： 本文主要记录自己在学习稀疏表示在人脸识别中的应用所遇到的问题作一简单的总结。1. 问题背景 信号的稀疏表示并不是新的东西。我们很早就一直在利用这一特性。例如，最简单的JPEG图像压缩算法。原始的图像信号经过DCT变换之后，只有极少数元素是非零的，而大部分元素都等于零或者说接近于零。这就是信号的稀疏性。 任何模型都有建模的假设条件。压缩感知，正是利用的信号的稀疏性这个假设。对于我们处理的信号，时域上本身就具有稀疏性的信号是很少的。但是，我们总能找到某种变换，使得在某个变换域之后信号具有稀疏性。这种变换是很多的，最常见的就是DCT变换，小波变换，gabor变换等。 然而，这种正交... 阅读全文