計算Haar特征時有用到這個。 wiki介紹的非常好，我可恥的轉了： 積分圖的每一點（x, y）的值是原圖中對應位置的左上角區域的所有值得和： 而且，積分圖可以只遍歷一次圖像即可有效的計算出來，因為積分圖每一點的（x, y）值是： 一旦積分圖計算完畢，對任意矩形區域的和的計算就可以 ...

算法沒有和圖像處理直接相關，不過對於圖像分類中的模式識別相關算法，也許會用到這個優化算法。 算法步驟： 1.首先確定粒子個數與迭代次數。 2.對每個粒子隨機初始化位置與速度。 3.采用如下公式更新每個粒子的位置與速度。 Px=Px+Pv*t;　%位置更新公式　 Pv=Pv+(c1 ...

拿到一張全景圖，我們可以做一些變換將其投影到平面上。 比如可以投影到局部立方體平面、可以投影到類似行星效果的平面，還可以投影到類似超廣角像頭一樣的平面。 所有的投影方式基本是一致的，唯一的區別就是視點位置和視場角的大小。 比如我們有下面一張全景圖。 全景圖寬高比為2:1，可以認為是球 ...

這個程序我最初是用FreeImage寫的，這兩天改成了matlab，再不貼上來，我就要忘了。 看到一篇文章有這樣的變換，挺有意思的，就拿來試了一下，文章點此。 全景圖到穹頂圖變換，通俗的說就是將全景圖首尾相接做成一個圓環的樣子。 先看下面這張圖： 下面的矩形就是我們要處理的全景圖，上面 ...

計算步驟如下： 圖片來自《視覺slam十四講》6.2.2節。 下面使用書中的練習y=exp(a*x^2+b*x+c)+w這個模型驗證一下，其中w為噪聲，a、b、c為待解算系數。 代碼如下： 迭代結果，其中散點為帶噪聲數據，紅線為原始模型，綠線為解算模型 ...

上一篇博客中介紹的高斯牛頓算法可能會有J'*J為奇異矩陣的情況，這時高斯牛頓法穩定性較差，可能導致算法不收斂。比如當系數都為7或更大的時候，算法無法給出正確的結果。 Levenberg-Marqua ...

　　早知道有向圖和無向圖差別沒有想象中的大我就寫到一起了。 　　函數中使用的arrow畫箭頭函數是在這個網站下的。 運行結果： ...

...