这个算法是参考自 阿发伯 的博客,在此对 阿发伯 表示感谢, http://blog.csdn.net/maozefa 亮度调整 非线性亮度调整: 对于R,G,B三个通道,每个通道增加相同的增量. 线性亮度调整: 利用HSL颜色空间,通过只对其L(亮度)部分调整,可达到图像亮度的线性调整.但是,RGB和HSL颜色空间的转换很繁琐,一般还需要浮点数的运算,不仅增加了代码的复杂度,更重要的是要逐点将RGB转换为HSL,然后确定新的L值,再将HSL转换为RGB,运行速度可想而知是很慢的.要想提高图像亮

v4.2.5更新内容:1.修复服务实例设置ClearSocketSession参数时,可能出现资源无法释放而造成异常的情况.2.修复关闭宿主程序后进程仍然无法退出的问题.2.增加机器学习框架.3.优化核心代码.下载地址:官方下载 7.增加机器学习算法,通讯采集数据与算法相结合 7.1概述 ServerSuperIO发展到现在,缺少两部分内容:图形组态和算法分析.图形组态部分很快就要做出来了,不管从形式上还是内容上,比市场上同类产品要好很多:算法分析部分现在已经开发出来了,现在支持决策树和KMea

算法参考自 阿发伯 的博客. http://blog.csdn.net/maozefa 饱和度调整 图像的饱和度调整有很多方法,最简单的就是判断每个象素的R.G.B值是否大于或小于128,大于加上调整值,小于则减去调整值:也可将象素RGB转换为HSV或者HSL,然后调整其S部分,从而达到线性调整图象饱和度的目的.这几种方法我都测试过,效果均不太好,简单的就不说了,利用HSV和HSL调整饱和度,其调节范围很窄,饱和度没达到,难看的色斑却出现了.而Photoshop的饱和度调整调节范围大多了,效果也

LK光流算法:提高计算精度和增加搜索范围 关于LK算法的基本理论,见:http://www.cnblogs.com/dzyBK/p/4960630.html 这里主要阐述如何提高LK算法的计算精度和在高斯金字塔上应用LK算法. 1.提高LK算法的精度 其实这也并不是什么高大尚的东西.通俗地讲,就是反复调用LK算法来提高精度.这种反复调用算法本身来提高算法精度的方法,不仅对LK算法可以使用,对其它光流算法也可以使用.的确也有很多光流算法是这么做的.除了光流算法,其它领域的很算法也都可以这么做.其实

色彩增强不同于彩色图像增强,图像增强的一般处理方式为直方图均衡化等,目的是为了增强图像局部以及整体对比度.而色彩增强的目的是为了使的原有的不饱和的色彩信息变得饱和.丰富起来.对应于Photoshop里面的“色相/饱和度”调节选项里面对饱和度的操作.色彩增强的过程,并不改变原有彩色图像的颜色以及亮度信息. 在我的色彩增强算法模块里面,始终只针对色彩饱和度(Saturation)信息做研究,调整.这样的话,那就不得不介绍HSV颜色空间了,H代表Hue(色彩),S代表Saturation(饱和度),V

一种简单的数码照片后期润饰 1 打开图片,执行色像/饱和度(-40)降低饱和度. 2 新建一图层,将图层模式改为柔光,用画笔工具将需要润饰的部分画几下,这里可以利用色板方便的提取颜色 3 图片色彩过渡不够柔和,再执行一下滤镜下面的高斯模糊(+85) 简单处理照片爆光不足 1 打开图片,复制背景层,对背景层的模式改为滤色 2 对背景层的色阶进行调整 30秒搞定Plmm艺术照 1 打开图片,复制背景层两次 2 对复制背景层一进行高斯模糊(半径4~6),将复制背景层二的模式改为强光 3 新建一图层,添

在介绍Hash算法之前,先给大家来个数据结构中对hash表(散列表)的简单解释,然后我再逐步深入,讲解一下hash算法. 一.Hash原理——基础篇 1.1 概念 哈希表就是一种以 键-值(key-indexed) 存储数据的结构,我们只要输入待查找的值即key,即可查找到其对应的值. 哈希的思路很简单,如果所有的键都是整数,那么就可以使用一个简单的无序数组来实现:将键作为索引,值即为其对应的值,这样就可以快速访问任意键的值.这是对于简单的键的情况,我们将其扩展到可以处理更加复杂的类型的键. 使

二分查找 基本概念 二分查找是一种算法,其输入是一个有序的元素列表.如果要查找的元素包含在列表中,二分查找返回其位置:否则返回null. 使用二分查找时,每次都排除一半的数字 对于包含n个元素的列表,用二分查找最多需要log2n步,而简单查找最多需要n步. 示例: 如果列表包含8个数字,你最多需要检查8个数字. 而使用二分查找时,最多需要检查log n个元素.如果列表包含8个元素,你最多需要检查3个元素,因为log 8 = 3( 23 = 8). 注意:仅当列表是有序的时候,二分查找才管用 数组

一定要记住这20种PS技术!会让你的照片美的不行! 一种简单的数码照片后期润饰 1)打开图片,执行色像/饱和度(-40)降低饱和度. 2)新建一图层,将图层模式改为柔光,用画笔工具将需要润饰的部分画几下,这里可以利用色板方便的提取颜色 3)图片色彩过渡不够柔和,再执行一下滤镜下面的高斯模糊( 85) 简单处理照片爆光不足 1)打开图片,复制背景层,对背景层的模式改为滤色 2)对背景层的色阶进行调整 30秒搞定艺术照 1) 打开图片,复制背景层两次 2)对复制背景层一进行高斯模糊(半径4~6),将

照片名称:调出照片柔和的蓝黄色-简单方法, 1.打开原图素材,按Ctrl + J把背景图层复制一层,点通道面板,选择蓝色通道,图像 > 应用图像,图层为背景,混合为正片叠底,不透明度50%,反相打钩, 2.回到图层面板,创建曲线调整图层,蓝通道:44,182,红通道:89,108 3.新建一个图层,填充黑色,图层混合模式为正片叠底,不透明度为60%,选择椭圆选框工具选区中间部分,按Ctrl + Alt + D羽化,数值为70,然后按两下Delete键删除,再打上文字,完成最终效果. 照片名称:调

之前用HTML5的Audio API写了个音乐频谱效果,再之后又加了个播放列表就成了个简单的播放器,其中弄了个功能是'Shuffle'也就是一般播放器都有的列表打乱功能,或者理解为随机播放. 但我觉得随机播放绝对要好实现些,用Math.random()产生一个介于1到歌曲数目之间的随机数便可,然后player.play(随机数). 而列表的打乱情况要不一样点,一是要呈现到界面,歌曲顺序要随机排,二是播放顺序不变,该哪是哪,只是该位置上的歌曲可能已经变成其他曲目了.抽象出来就是数组元素的重排,那么

LRU,Least recently used[最近最少使用算法],该算法[或变种]被广泛用于缓存管理中,其设计思想是基于:经常被访问的数据在未来一段时间也会被访问,最近最少被访问的数据在未来一段时间内也将不会被访问:因此在缓存空间不足时可将最近最少被访问的数据移除空间. 最初设计很简单,可如下图所示,只对一个链表进行操作: 缓存污染,即是数据操作中存在大量的数据插入和更新时,可能会使大量的热点数据流失而大大降低缓存命中率. 上述设计的优点:算法实现简单, 缺点:抗干扰能力差,缓存移动的时间复杂

使用C++做算法时,对内存的管理的办法 最近老是在想C++的内存控制机制,查了一些资料所以有点想法,自己记录一下免得以后自己忘了. 1. 需求 在做线性代数的算法时,首要的就实现Matrix这个类.由于Matrix的行列可变化,所以必须使用动态的内存分配.动态的内存分配就必须要考虑内存的申请和释放,以及动态内存在不同对象之间的传递机制.考虑到算法的复杂性,所以在Matrix之外不打算使用指针,以降低算法实现的复杂度. 2. 可实现的方法 总体上,我能找到的方法有以下2种. 利用默认的构造复制构造

现在各种手机camera软件都自带图像美颜处理,但是成熟的算法在网上很难搜到,博主也是自己摸索了自己做出来了,跟美图秀秀的处理效果相比,还不错,感觉很好,所以PO上来,与各位博友分享之. 首先是根据网上搜到的一个pS美白教程写算法的,http://www.jb51.net/photoshop/9715.html具体过程,等博主写的APP上线之后再发,上一些图像处理效果图.一共有六个参数进行调节,大家可以猜猜博主是用了哪六个参数哦~ 首先上原图 主要参数调节 1.参数80 2.参数100 3.另一

一.概述 作为一个合格的程序员,算法是必备技能,特此总结6大基础算法.java版强烈推荐<算法第四版>非常适合入手,所有算法网上可以找到源码下载. PS:本文讲解算法分三步:1.思想2.图示3.源码4.性能分析 1.1 时间复杂度 算法的运行时间,在这里主要考量:比较和交换的成本. 常见的时间复杂度排序:常数阶O(1)<对数阶O( )<线性阶O(n)<线性对数阶O(nlog2n)<平方阶O(n^2)<立方阶O(n^3)<指数阶O(2^n) 1.2 空间复杂度

看到原图时,我的内心是抗拒的,灰蒙蒙毫无质感可言,手机app大概都拍得比这好看(捂脸笑哭). 大概是因为偏背光,光线暧昧不够强烈,且50 1.4这只镜头锐度还欠佳的缘故.所以平时3天修完图的我,这次拖了1个月才开始勉强修了这组图. 想到大部分初学者可能也会遇到这样的问题,所以尝试修了这组图.我个人一贯的思路是,遇到色彩鲜艳的环境,习惯修成饱和度偏高的橘黄系胶片感,然后加一些颗粒感和锐度,来抵消原图的肉感. 既然思路了解了,那下面咱们进入修图步骤吧. 第一步 这一步的关键步骤是加色温和对比度(如下

1. Hash是什么,它的作用先举个例子.我们每个活在世上的人,为了能够参与各种社会活动,都需要一个用于识别自己的标志.也许你觉得名字或是身份证就足以代表你这个人,但是这种代表性非常脆弱,因为重名的人很多,身份证也可以伪造.最可靠的办法是把一个人的所有基因序列记录下来用来代表这个人,但显然,这样做并不实际.而指纹看上去是一种不错的选择,虽然一些专业组织仍然可以模拟某个人的指纹,但这种代价实在太高了. 而对于在互联网世界里传送的文件来说,如何标志一个文件的身份同样重要.比如说我们下载一个文件,文件

一.相异度计算  在正式讨论聚类前,我们要先弄清楚一个问题:怎样定量计算两个可比較元素间的相异度.用通俗的话说.相异度就是两个东西区别有多大.比如人类与章鱼的相异度明显大于人类与黑猩猩的相异度,这是能我们直观感受到的. 可是,计算机没有这样的直观感受能力,我们必须对相异度在数学上进行定量定义.       设 ,当中X.Y是两个元素项,各自具有n个可度量特征属性,那么X和Y的相异度定义为:  ,当中R为实数域. 也就是说相异度是两个元素对实数域的一个映射.所映射的实数定量表示两个元素的相异度.

DQUERY - D-query Given a sequence of n numbers a1, a2, ..., an and a number of d-queries. A d-query is a pair (i, j) (1 ≤ i ≤ j ≤ n). For each d-query (i, j), you have to return the number of distinct elements in the subsequence ai, ai+1, ..., aj. In

在此因为要总结写一个文档,所以查阅资料,将总结的内容记录下来,欢迎大家指正! 文章将介绍使用的基于机器人操作系统(ROS)框架工作的SLAM算法. 在ROS中提供的五种基于2D激光的SLAM算法分别是:HectorSLAM,Gmapping,KartoSLAM,CoreSLAM和LagoSLAM.当然最后还有比较经典的google开源的cartographer,虽然不是基于ROS的但是大牛们已经将它修改为基于ROS的版本的cartographer_ros, ROS(Robot Operating

高级排序比简单排序要快的多,简单排序的时间复杂度是O(N^2),希尔(shell)排序大约是O(N*(logN)^2),而快速排序是O(N*logN). 说明:下面以int数组的从小到大排序为例. 希尔(shell)排序 希尔排序是基于插入排序的,首先回顾一下插入排序,假设插入是从左向右执行的,待插入元素的左边是有序的,且假如待插入元素比左边的都小,就需要挪动左边的所有元素,如下图所示: ==> 图1和图2:插入右边的temp柱需要outer标记位左边的五个柱子都向右挪动 如图3所示,相比插入排