5 SH-ZZB

尚未进行身份认证

暂无相关简介

等级
TA的排名 9w+

最新Tesseract-OCR源码编译1——leptonica编译

上次写了Tesseract-OCR3.02命令行程序的简单使用,同时官网上给出了3.02版本基于VS2008平台的编译工程。但对于最新源码只是说了在VS2015(3.05)和VS2013(3.04)的编译,还是英文的,且网上关于最新源码的编译不是很多,所以这里我就说一下其最新源码的编译。因为Tesseract依赖于leptonica,所以这里先讲一下最新的leptonica编译。

2016-06-26 15:47:19

Tesseract-OCR 3.02命令行程序的使用

OCR(OpticalCharacterRecognition):光学字符识别,是指对图片文件中的文字进行分析识别,获取的过程。最近因为需要看了看OCR的相关知识,这里我看的是谷歌的Tesseract-OCR检测引擎。Tesseract:开源的OCR识别引擎,初期Tesseract引擎由HP实验室研发,后来贡献给了开源软件业,后经由Google进行改进,消除bug,优化,重新发布。当前版本为3.

2016-06-21 20:43:45

显著性检测论文解析2——Visual Saliency Detection Based on Bayesian Model, Yulin Xie, ICIP2011

最近感觉玩的差不多了,现在准备好好学习了,所以就又开始随便写点,就当是自己学习的笔记。这次要说的的是卢湖川的VisualSaliencyDetectionBasedonBayesianModel,感觉研究显著性方向的可以多看看卢湖川的论文里面可以很大的开阔思维。这一篇论文是利用贝叶斯推断检测显著性的一个基本的算法,其他也有不少用贝叶斯来做显著性的,但是大部分都是改进的算法或则贝叶斯只是其

2016-06-19 21:03:46

图像特征提取3—Haar特征

1、Haar-like特征  Haar-like特征,即很多人常说的Haar特征,是计算机视觉领域一种常用的特征描述算子。它最早是由Papageorigiou等人用于人脸描述。目前常用的Haar-like特征可以分为三类:线性特征、边缘特征、点特征(中心特征)、对角线特征。  特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰

2016-03-06 19:49:42

图像特征提取2—HOG特征

1、HOG特征:HOG特征的基本思想:其核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。即在一副图像中,局部目标的表象和形状(appearanceandshape)能够被梯度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。具体的实现方法是:通过将整幅图像分割成小的连接区域(称为cells),每个cell生成一个方向梯度直方图或者ce

2016-03-04 16:33:37

图像特征提取1—LBP特征

最近研究了一下LBP,就先从最基本的LBP说起。LBP(LocalBinaryPattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala,M.Pietikäinen,和D.Harwood在1994年提出,用于纹理特征提取。目前LBP有很多应用,如人脸识别,表情识别等。其他的局部信息有很多,比如HOG,SIFT

2016-03-03 17:16:13

一些显著性检测的数据库资料

今天来写一些,我在学习过程中用过的一些显著性或是目标检测方面的一些资料:1.一些常用的显著性数据库a.ASD数据库:这个数据库包含有1000张图(MSRA1000)这个数据库来自于Atwo-stageapproachtosaliencydetectioninimages该数据库的说明以及一些算法(IT,MZ,GB,SR,AC,IG)的结果可以在Frequenc

2016-01-22 21:15:27

显著性检测算法学习阶段论文总结(3)

1.SaliencyDetectionviaDenseandSparseReconstruction,X.Li,H.Lu,L.Zhang,ICCV2013.  这篇文章以稀疏表示分类(SRC)原理为基础,对分割图中的超像素进行稠密和稀疏重构,并通过多尺度重构残差建立显著图。这篇文章对与稀疏在显著性方面的应用值得参考,其大致流程如图所示。  下面对论文核心部分进行

2016-01-22 10:21:11

SVM算法入门详解(2)

1.SVM入门(六)线性分类器的求解——问题的转化,直观角度  让我再一次比较完整的重复一下我们要解决的问题:我们有属于两个类别的样本点(并不限定这些点在二维空间中)若干,如图,    圆形的样本点定为正样本(连带着,我们可以把正样本所属的类叫做正类),方形的点定为负例。我们想求得这样一个线性函数(在n维空间中的线性函数):g(x)=wx+bg(x)=wx+b  使得所有属于正类的点

2016-01-21 16:36:48

SVM算法入门详解(1)

最近看了些关于SVM(支持向量机)的博客,发现大部分的博客说的都比较专业(不是很通俗)。今天偶然发现了一片说的比较明白的,特地转载一下当一个记录。转载地址:SVM算法入门下面就是正文了:1.SVM的简介  支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广

2016-01-12 19:40:36

显著性检测算法学习阶段论文总结(2)

1.Saliencydetectionviabackgroundandforegroundseedselection,JianpengWang,HuchuanLu,Neurocomputing  这篇文章是利用前背景种子对图像的显著性进行提取,而这篇文章值得参考的地方就是文中对前背景种子的定义以及提取方法。算法的大致流程如下图:    从上图可以明确看出,论文先由

2016-01-11 15:20:54

显著性检测算法学习阶段论文总结(1)

因为本人研究方向是显著性检测,也就看了不少的显著性方面的文献。这篇博客是我对之前所看论文中一些较为经典,具有较大参考价值的论文的一个集中整理,也算是对自己学习过程的一个总结。1.GlobalContrastbasedSalientRegionDetection,Ming-mingCheng(CVPR2011)  程明明的这篇基于全局颜色对比的显著性检测的论文我在上篇博客中详细介绍

2016-01-08 12:51:50

显著检测论文解析1——Global contrast based salient region detection(程明明 IEEE TPAMI)

显著检测论文解析1   本人在图像处理方面的主要研究方向是显著性检测,在刚接触显著性时感觉很难下手,有太多东西不是很清楚。学习到现在我对这一块有了一定的认识,现在对显著性领域我读过的近几年比较好的论文写一下我的见解,希望对有需要的同学有一定帮助。如果所写有错误的地方希望大神们指正。  显著性检测因为是一个非常具体的研究方向,所以并不像跟踪,人脸识别这种有一些经典的方法步骤。显著性

2015-11-16 10:35:34
勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!