[OpenCV] 結構相似性 (Structural SIMilarity)
在瞭解結構相似性 (Structural SIMilarity)後，接下來就是驗證它的效果～我使用和峰值信號雜訊比 (Peak Signal to Noise Ratio)同樣的影像來示範。
Archive for the ‘OpenCV’ Category
[OpenCV] 峰值信號雜訊比 (Peak Signal to Noise Ratio)
在瞭解峰值信號雜訊比 (Peak Signal to Noise Ratio)定義之後，接下來當然就來驗證它的威力～
在此我特地找了png檔（無損壓縮）的影像，用nEOiMAGING影像處理軟體，將它另存為jpg檔（有損壓縮）的影像，其中jpg又有分壓縮品質。用肉眼也許看不太出來其中的差異，然而卻很容易從檔案大小看出端倪，壓縮品質越差，檔案大小越小。
原始影像png：314KB
[OpenCV] 轉換色彩空間失真 (Transform Color Space Distortion)
我以為透過OpenCV轉換色彩空間，可以很輕易地來回轉換，而且不會有失真的問題。然而後來我知道，轉換色彩空間會有計算上精準度的問題（小問題），除此之外我又發現一個更容易失真的問題（大問題），其實對程式設計師而言相當容易發現才是，也就是：轉換色彩空間一個函式、儲存影像一個函式，後者失真程度遠大於前者！怎麼會這樣子呢？來看一下實驗結果……
[OpenCV] 雙邊濾波器 (Bilateral Filter)
在了解雙邊濾波器 (Bilateral Filter)理論之後，來試驗程試跑出來的效果。比起其它影像模糊化 (Image Smoothing)的方法，雙邊濾波器執行時間較長然模糊效果較佳！我所使用的筆電跑本程式每張圖約2.5分鐘。
[OpenCV] Visual Studio 2012 安裝 OpenCV 2.4.3
這世界唯一不會變的真理就是這世界一直在改變，於是若不照著趨勢潮流發展，遲早會被淘汰。所以說，微軟既然釋出Visual Studio 2012，何不在空閒時候來學習新的IDE (Integrated Development Environment) Microsoft Visual Studio Express 2012 for Windows Desktop？
而OpenCV的版本也不斷再更新，由於我等不到2.5版，所以先安裝當前2.4.3版。根據OpenCV DevZone預告2.4.4版開發階段：開始日期 2012-11-02 完成日期 2013-02-01。
[OpenCV] SVM 實驗2
既SVM實驗後，接著實驗高階的SVM。首先還是要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。
[OpenCV] SVM 實驗
剛把OpenCV更新到2.4.3版，來試驗一下它的SVM好不好用。首先當然要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。
支持向量機(Support Vector Machine, SVM)是一種監督式學習的方法，一般是應用於分類(Classification/supervised learning)等相關議題上。SVM 基本運作模式如下：在給定一群訓練樣本之下，每個樣本會分別對應至兩個不同的類別(Category)，SVM 會嘗試從建構一個模型(Model)，並利用此模型將每一個樣本分配到一個類別上。
[OpenCV] Histogram Equalization (直方圖均衡化)
Histogram Equalization (直方圖均衡化)是影像處理領域中利用圖像直方圖對對比度進行調整的方法。
這種方法通常用來增加許多圖像的局部對比度，尤其是當圖像的有用數據的對比度相當接近的時候。透過這種方法，亮度可以更好地分佈在直方圖上。這樣就可以用於增強局部的對比度而不影響整體的對比度，直方圖均衡化透過有效地擴展常用的亮度來實現這種功能。
[OpenCV] SVM 實驗
稍微瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)後，來使用OpenCV做個小小的實驗。
[OpenCV] 產生亂數 (Generate Random Number)
產生亂數 (Generate Random Number)乍看之下很簡單，但其原理稍嫌複雜，在此瞭解基本概念與如何使用即可。
逍遙文工作室 
HappyMan・迴響