halcon视觉入门扫盲篇 前言     在公司让我研究视觉的时候,我是两眼一抹黑的.之前完全没有接触过视觉.综合权衡后选择了Halcon,使用的是HDevelop 13 (64-bit).     下载地址 官方下载     破解有点麻烦,我使用的是文件替换破解.一个exe文件一个dll文件,替换即可. 假设以上环境搭建没有问题,现在开始了解视觉识别的套路 基础知识 既然是做视觉,就需要图像,不管这个图像是从摄像头读过来的还是从文件中读取的.图片有一些基础信息,比如: 通道:一张图片一般有3个

极坐标想必学过高中数学的人都听过,一般的坐标系中用(x, y)值来描述一个点的位置,而在极坐标系中,则使用到原点的距离ρ和夹角θ来描述该点的位置. 我很早就接触了Photoshop,知道Photoshop里面有个极坐标的扭曲滤镜,如下图: 明白了极坐标(正向.反向)的大致效果是:能将矩形图案变成圆形(环形)图案,或者反过来. 例如制作这种超现实的特效: Photoshop中的“极坐标”滤镜的原理是:以右上角为圆心,旋转以后生成的是一个长宽都是画布两倍的图形,然后将此图形压缩至二分之一,最后将圆心

HALCON中的算子大全(中英对照) Chapter 1 :Classification1.1 Gaussian-Mixture-Models1.add_sample_class_gmm功能:把一个训练样本添加到一个高斯混合模型的训练数据上.2.classify_class_gmm功能:通过一个高斯混合模型来计算一个特征向量的类.3. clear_all_class_gmm 功能:清除所有高斯混合模型.4. clear_class_gmm 功能:清除一个高斯混合模型.5. clear_sampl

JAVA和C#中数据库连接池原理 在现在的互联网发展中,高并发成为了主流,而最关键的部分就是对数据库操作和访问,在现在的互联网发展中,ORM框架曾出不穷, 比如:.Net-Core的EFCore.SqlSugar.Dapper.JAVA的Spring-DataJpa(EntityManager),Mybatis,MybatisPlus等等 但是说到ORM其实本质都是操作最底层的数据库访问组件:Ado.net,Jdbc 今天我就来聊一聊这两个数据库访问的连接池原理 在说到Ado.net和jdbc的

愿意写代码的人一般都不太愿意去写文章,因为代码方面的艺术和文字中的美学往往很难兼得,两者都兼得的人通常都已经被西方极乐世界所收罗,我也是只喜欢写代码,让那些字母组成美妙的歌曲,然后自我沉浸在其中自得其乐.而今天,在清明之际,在踏青时节,我还是忍不住停下来歇歇脚,稍微共享一下最近一直研究的一个非常基础的算法和应用 - 多目标多角度的模板匹配. 模板匹配,这是一个几十年来一直为业界所重点研究和处理的算法,存在于各种不同的机器视觉库中,如果哪一个没有提供这个功能,那么他将无法获取大家的认可,也就失去了

wand(weak and)算法基本思路 一般搜索的query比较短,但如果query比较长,如是一段文本,需要搜索相似的文本,这时候一般就需要wand算法,该算法在广告系统中有比较成熟的应 该,主要是adsense场景,需要搜索一个页面内容的相似广告. Wand方法简单来说,一般我们在计算文本相关性的时候,会通过倒排索引的方式进行查询,通过倒排索引已经要比全量遍历节约大量时间,但是有时候仍 然很慢. 原因是很多时候我们其实只是想要top n个结果,一些结果明显较差的也进行了复杂的相关性计算,而

ABP中动态WebAPI原理解析 动态WebAPI应该算是ABP中最Magic的功能之一了吧.开发人员无须定义继承自ApiController的类,只须重用Application Service中的类就可以对外提供WebAPI的功能,这应该算是对DRY的最佳诠释了. 如下图所示,一行代码就为所有实现了IApplicationService的类型,自动创建对应的动态WebAPI. 这么Magic的功能是如何实现的呢? 本文为你揭开其Magic的外表.你会发现,实现如此Magic的功能,最关键的代码

Mysql中主从复制的原理.配置过程以及实际案例1.什么是主从复制?原理:主从分离,什么意思呢?我们不妨画个图看看.如图1所示: 2.准备工作:预备两台服务器,我这里使用虚拟机安装了两个Centos6.7_64位操作系统,并分别在两台服务器上安装mysql.我的IP地址分别为:192.168.1.15/192.168.1.16,这里我定义15为主服务器,16为从服务器.首先,我们编辑主服务器中mysql配置文件.(因我的mysql使用非root用户安装,因此配置文件放在/home/formal/

/*********************************************************************  * Author  : Samson  * Date    : 07/08/2015  * Test platform:  *              gcc (Ubuntu 4.8.2-19ubuntu1) 4.8.2  *              GNU bash, 4.3.11(1)-release (x86_64-pc-linux-gnu)

JavaScript中new实现原理 1.创建一个空对象 obj 2.将该对象 obj 的原型链 __proto__ 指向构造函数的原型 prototype, 并且在原型链 __proto__ 上设置 构造函数 constructor 为要实例化的 Fn 3.传入参数,并让 构造函数 Fn 改变指向到 obj,并执行 4.最后返回 obj     例子: 构造函数 function Parent(age, name) { this.age = age this.name = name this.

转: Mybatis 中获得 connection 2012年07月30日 19:02:21 dqsweet 阅读数:13861   @Autowired private SqlSession sqlSession; public Connection getConnection(){ Connection conn = null; try { conn = sqlSession.getConfiguration().getEnvironment().getDataSource().getCon

浅谈范德蒙德(Vandermonde)方阵的逆矩阵与拉格朗日(Lagrange)插值的关系以及快速傅里叶变换(FFT)中IDFT的原理 标签: 行列式 矩阵 线性代数 FFT 拉格朗日插值 只要稍微看过一点线性代数的应该都知道范德蒙德行列式. \[V(x_0,x_1,\cdots ,x_{n-1})=\begin{bmatrix} {1}&{1}&{\cdots}&{1}\\ {x_{0}}&{x_{1}}&{\cdots}&{x_{n-1}}\\ {x_{

主要参考:    word2vec 中的数学原理详解                 自己动手写 word2vec

主要参考:    word2vec 中的数学原理详解                 自己动手写 word2vec 编码的话,根是不记录在编码中的 这一篇主要讲的就是霍夫曼树(最优二叉树)和编码.  参考   快速画出哈夫曼树 / 霍夫曼树 / 最优树   了解其构成.    哈夫曼树及 python 实现 python 代码 构建霍夫曼树 ,获得霍夫曼编码    简单实现: #节点类 class Node(object): def __init__(self,name=None,value=N

最近在看词向量了,因为这个概念对于语言模型,nlp都比较重要,要好好的学习一下.把网上的一些资料整合一下,搞个系列. 主要参考:    word2vec 中的数学原理详解                 自己动手写 word2vec word2vec 是 Google 于 2013 年开源推出的一个用于获取 word vector 的工具包,它简单.高效,因此引起了很多人的关注. 由于 word2vec 的作者 Tomas Mikolov 在两篇相关的论文 [3,4] 中并没有谈及太多算法细节,

转自:http://blog.csdn.net/wiznet2012/article/details/7492146 大家好,前面我们给大家介绍了无线通信中FEC编码原理(1)和(2),今天继续献上FEC编码原理及评价(3),关于不同FEC种类的评价,希望对大家有所帮助- 对于不同FEC的评价 这里我们介绍一些典型的FEC的应用并且做出一些解释和评价.我们根据不同的使用将这一部分分为两块. 1. 互联网中的FEC 这一部分,我们主要关注三个FEC的例子. (1)Hamming码 Hamming码

我们知道,Halcon中的坐标系的原点在左上角,而一般二维平面坐标系的原点在左下角.那么Halcon中坐标系和一般的二维坐标系有什么区别呢?我通过下面这个例子来分析. gen_image_const (Image, , ) dev_set_draw ('margin') *点1 gen_circle (Circle1, ) disp_message (, , , 'white', 'false') *点2 gen_circle (Circle2, ) disp_message (, , , 'w

在Halcon中,Region和XLD之间可以彼此转换.但这种转换并不是“无损”的,XLD可以是不闭合的,但是Region一定是闭合的.因此,如果将不闭合的XLD转为Region,然后再转回XLD,那么转换后的XLD和原先的XLD就有了一定的区别. 言归正传,先说说Region的缩放. 一.Region的缩放 Region的缩放很简单,有zoom_region算子,其签名如下,其中ScaleWidth, ScaleHeight是宽.高的缩放比例因子: zoom_region(Region : R

android中The connection to adb is down,问题和解决   自己总结的在android中常会出现的不好解决的问题和方法(其中第三个方法经过了四天的折磨.....哎) 1.报错:BUILD FAILEDD:\workspace\ganji\build.xml:144: The following error occurred while executing this line:D:\workspace\ganji\build.xml:271: Unable to d

欢迎关注我的博客专栏"图像处理中的数学原理具体解释" 全文文件夹请见 图像处理中的数学原理具体解释(总纲) http://blog.csdn.net/baimafujinji/article/details/48467225 假设你对PCA的推导和概念还不是非常清楚.建议阅读本文的前导文章 http://blog.csdn.net/baimafujinji/article/details/50372906 6.4.3 主成分变换的实现 本小节通过一个算例验证一下之前的推导.在前面给出的

三.Block中__block实现原理 我们继续研究一下__block实现原理. 1.普通非对象的变量 先来看看普通变量的情况. #import <Foundation/Foundation.h> int main(int argc, const char * argv[]) { __block int i = 0; void (^myBlock)(void) = ^{ i ++; NSLog(@"%d",i); }; myBlock(); return 0; } 把上述代