计算机视觉

OpenCV中特征匹配算法GMS(Grid-based Motion Statistics)原理介绍和使用代码示例GMS（Grid-based Motion Statistics）算法，是由 Jiawang Bian 等人于 2017 年提出的一种快速、鲁棒的特征匹配过滤算法，全名为：

相机参数的格式与作用在计算机视觉中，相机标定是非常重要的一步，主要目的是从图像中恢复出物体的三维信息。为了做到这一点，我们需要了解和使用一系列的数学工具，这些工具描述了相机的成像过程，包括相机的内参、外参、畸变系数、投影矩阵和矫正矩阵。本文主要讲解相机参数的格式与作用，相机标定可参考这篇博文相机标定

北京地铁1号线

旋转目标检测（Rotated Object Detection）技术概述旋转目标检测（Rotated Object Detection）是计算机视觉中的重要任务，旨在检测图像中方向任意（非水平）的物体，并用带角度的矩形框（旋转框）或更复杂的形状（如四边形）表示。它在遥感（卫星/航拍图像）、场景文本检测、自动驾驶（车辆/行人）、工业质检等领域应用广泛。

OpenCV 官翻 1 -介绍、安装、功能概览、核心操作https://docs.opencv.org/4.x/d0/de3/tutorial_py_intro.html

论文阅读 - FastInstFastInst是一种基于query的实时实例分割方法，它能以32.5FPS的实时速度在COCO测试集上达到40.5的AP。在实例分割领域，基于query的方法源自Mask2former，FastInst也不例外，它也沿用了MaskFormer的大架构。其核心设计包括：（1）实例激活引导的Query （2）双路径更新策略（3）GT掩码引导学习这些设计使FastInst能够使用更轻量的像素解码器和更少的 Transformer 解码器层，同时获得更优的性能。

【论文笔记】OccluGaussian解决大场景重建中的区域遮挡问题大场景重建中的一个创新性工程方法，相比之前的vasrgaussian、citygaussian，OccluGaussian主要对于场景区块划分、模型渲染做了非常灵活的改进，对于分块流程引用了图卷积谱聚类方法避免了因为图像中的遮挡导致区块训练失配，训练视角对整体贡献低的问题，在渲染过程中，相比于之前的渲染所有高斯球或者Lod方法，通过利用分块结果对高斯球加mask的技巧，提高了fps。感谢作者的great work！

无人机拍的小目标看不清？详解SF-YOLO两大黑科技，VisDrone实测mAP提升12.6%【导读】在视频监控和无人机任务中，小目标检测一直是个难题，常规目标检测模型往往在这方面表现不佳。为了解决这一问题，本文提出了 SF-YOLO ——一个专为小目标设计的新型YOLO框架。

Java与Android技术栈

OpenCV 图像调色优化实录：从 forEach 到并行 + LUT 提速之路Monica(https://github.com/fengzhizi715/Monica) 是我正在开发的一款跨平台图像编辑器。在 Monica 中，调色功能是最常用的核心模块之一，它支持对图像的色相、饱和度、亮度、高光、阴影、锐化、暗角、色温等多个参数进行灵活调节。

【1】计算机视觉方法（更新）计算机视觉（Computer Vision, CV）是人工智能领域的分支，旨在通过算法让计算机从图像或视频中提取信息、理解内容并做出决策。

步步咏凉天

“显著性”（Saliency）是计算机视觉中的一个重要概念，主要指的是图像或视频中最吸引人注意力的区域或对象“显著性”（Saliency）是计算机视觉中的一个重要概念，主要指的是图像或视频中最吸引人注意力的区域或对象。它模拟的是人类视觉系统对视觉场景中“显著”区域的感知能力。显著性可以用于图像理解、目标检测、图像压缩、图像分割等多个任务。

08_Opencv_基本图形绘制demoRGB颜色对照表

【图像处理基石】什么是小波变换？在图像处理领域，小波变换是一种多分辨率分析工具，其核心思想是将图像分解为不同频率和方向的子带。与傅里叶变换相比，小波变换在时域和频域都有良好的局部化特性，能够有效捕捉图像中的局部特征，像边缘、纹理等。它通过让一个被称为"小波"的函数不断平移和缩放来实现对信号的分析。在处理图像时，二维离散小波变换（DWT）会把图像分解成四个子带：LL（低频近似）、LH（水平方向高频）、HL（垂直方向高频）和HH（对角方向高频）。其中，LL子带还能进一步分解，从而形成多层小波分解结构。

YOLO新版本已经到13，为何落地首选仍是 v5/v8？【导读】你可能已经听说过，YOLO 系列目标检测模型已经迭代到了 YOLOv13。然而令人意外的是——无论在最新的科研论文里，还是各种真实落地的工业项目中，YOLOv5 和 YOLOv8 依旧是被频繁使用的主力模型。

闲庭信步使用图像验证平台加速FPGA的开发：第二十六课——正弦波DDS的FPGA实现（本系列只需要modelsim即可完成数字图像的处理，每个工程都搭建了全自动化的仿真环境，只需要双击top_tb.bat文件就可以完成整个的仿真，大大降低了初学者的门槛！！！！如需要该系列的工程文件请关注知识星球：成工fpga，https://t.zsxq.com/DMeqH，关注即送200GB学习资料，链接已置顶！）

OpenCV中常用特征提取算法（SURF、ORB、SIFT和AKAZE）用法示例（C++和Python）OpenCV 中提供了多种常用的特征提取算法，广泛应用于图像匹配、拼接、SLAM、物体识别等任务。以下是 OpenCV 中几个主流特征提取算法的用法总结与代码示例，涵盖 C++ 和 Python 两个版本。

【技术前沿】减少90%人工！基于3D GPR深度学习的道路健康监测技术解析【导读】在城市化快速发展的今天，道路“看起来没问题”，但地下却可能暗藏危机。路面下层病害（RSD）已成为影响道路安全的“隐形杀手”，而传统依赖人工判读的检测手段，不仅耗时长、效率低，还对专业经验高度依赖。

早期SD模型控制生成方法Stable Diffusion系列模型出现，极大推动了扩散模型、AI图片生成技术发展，但由于生成结果可控性差使得其主要流行于各种社区，难以直接应用于生产，不能实际落地。随着技术发展，模型基础能力越来越强，生成可控性也越来越好，但即使如今的Flux、SD3、MJ、GPT-4o等各系列模型中也没有完全解决此问题。在SD模型初期出现过各种提高控制性生成的方法，本文档对其中使用较广泛的三个进行简短说明。

基于深度学习的目标检测：从基础到实践前言目标检测（Object Detection）是计算机视觉领域中的一个核心任务，其目标是在图像中定位和识别多个对象的类别和位置。近年来，深度学习技术，尤其是卷积神经网络（CNN），在目标检测任务中取得了显著进展。本文将详细介绍如何使用深度学习技术构建目标检测模型，从理论基础到代码实现，带你一步步掌握目标检测的完整流程。一、目标检测的基本概念（一）目标检测的定义目标检测是指在图像中识别和定位多个对象的任务。目标检测模型不仅需要识别图像中的对象类别，还需要确定每个对象的位置，通常以边界框（Bound

OpenCV 官翻6 - Computational Photographyhttps://docs.opencv.org/4.x/d5/d69/tutorial_py_non_local_means.html

体验了一把 paddleocr , 顺便撸了一个桌面端 PDF识别工具近期在研究 OCR 的一些工具，想着先试试本地识别，后面再尝试一下 AI 的效率，最后选出一个好点的。