1.如何利用GPU来对ffmpeg的模板模板视频去水印进行加速?
2.如何评价ORB-SLAM3？
3.linux awk命令
4.常用的十大python图像处理工具
5.ncnn和pnnx和onnx
6.计算机视觉方面快速入门的重要工具之一：OpenCV

如何利用GPU来对ffmpeg的视频去水印进行加速?

       ffmpeg的视频去水印加速能力显著。在GPU支持下，匹配匹配处理5分钟视频只需约秒。源码源码首先，模板模板你需要确保ffmpeg的匹配匹配正确安装，无论是源码源码自动化测试App源码通过yum源还是源码安装，都要关注硬件加速选项。模板模板GPU版本的匹配匹配ffmpeg可以通过卸载原有版本，安装nasm、源码源码yasm等依赖库，模板模板以及libx、匹配匹配libx等编码器来实现。源码源码

       编译ffmpeg时，模板模板可能会遇到一些问题，匹配匹配如libfdk_acc的源码源码版本不兼容，但去水印主要涉及视频处理，音频编码可选。安装完成后，你会发现ffmpeg的硬件加速器变为cuvid，支持CUDA。对于去水印，使用delogo功能，需指定视频编码、比特率和logo位置参数。

       GPU加速下，一个例子显示，5s就能处理完成，而CPU则需要s，速度提升显著。VMLOGIN源码对于GPU型号的指定，可以在命令中添加相应显卡号。然而，同时进行视频截取和去水印可能引发音视频同步问题，需要额外处理。

       对于logo检测，模板匹配算法是常用的方法，只需提供logo模板。总的来说，ffmpeg的视频去水印功能快速且效果良好，但处理后视频质量与比特率控制可能存在挑战，特别是比特率较低的视频，可以适当调整参数以提高质量。

如何评价ORB-SLAM3？

       我觉得 ORB-SLAM3 系统是基于之前的 ORB-SLAM2、ORB-SLAM-VI 进行扩展。作者组的工作一脉相承，围绕着 ORB feature-based SLAM 做了非常多有重大意义的工作。本文其中在一些重要改进模块，如 IMU 初始化、multi-map system 等，是作者组里前几年的工作。我认为这是一篇更加偏向于系统性质的文章，把这么多工作串了起来，并且作者非常慷慨的把它开源了出来，非常赞！

linux awk命令

       ä¸€ã€awk是一个强大的文本分析工具，相对于grep的查找，sed的编辑，awk在其对数据分析并生成报告时，显得尤为强大。简单来说awk就是把文件逐行的读入，以空格为默认分隔符将每行切片，切开的部分再进行各种分析处理。

       äºŒ. awk命令格式和选项

       2.1 awk的语法有两种形式

       1. 命令行方式

         awk [-F field-separator] 'commands' input-file(s)

         其中，commands是真正awk命令，[-F域分隔符]是可选的。input-file(s)是待处理的文件。

         在awk中，文件的每一行中，由域分隔符分开的每一项称为一个域。通常，在不指名-F域分隔符的情况下，默认的域分隔符是空格。

         2. 将所有的awk命令插入一个单独文件，然后调用:

         awk -f awk-script-file input-file(s)

         其中，-f选项加载awk-script-file中的awk脚本，input-file(s)跟上面的是一样的。

       2.2 命令选项

       ï¼ˆ1）-F fs or --field-separator fs ：指定输入文件折分隔符，fs是一个字符串或者是一个正则表达式，如-F:。

       ï¼ˆ2）-v var=value or --asign var=value ：赋值一个用户定义变量。

       ï¼ˆ3）-f scripfile or --file scriptfile ：从脚本文件中读取awk命令。

       ï¼ˆ4）-mf nnn and -mr nnn ：对nnn值设置内在限制，-mf选项限制分配给nnn的最大块数目；-mr选项限制记录的最大数目。这两个功能是Bell实验室版awk的扩展功能，在标准awk中不适用。

       ï¼ˆ5）-W compact or --compat, -W traditional or --traditional ：在兼容模式下运行awk。所以gawk的行为和标准的awk完全一样，所有的awk扩展都被忽略。

       ï¼ˆ6）-W copyleft or --copyleft, -W copyright or --copyright ：打印简短的版权信息。

       ï¼ˆ7）-W help or --help, -W usage or --usage ：打印全部awk选项和每个选项的简短说明。

       ï¼ˆ8）-W lint or --lint ：打印不能向传统unix平台移植的结构的警告。

       ï¼ˆ9）-W lint-old or --lint-old ：打印关于不能向传统unix平台移植的结构的警告。

       ï¼ˆï¼‰-W posix ：打开兼容模式。但有以下限制，不识别：/x、函数关键字、func、换码序列以及当fs是一个空格时，将新行作为一个域分隔符；操作符**和**=不能代替^和^=；fflush无效。

       ï¼ˆï¼‰-W re-interval or --re-inerval ：允许间隔正则表达式的使用，参考(grep中的Posix字符类)，如括号表达式[[:alpha:]]。

       ï¼ˆï¼‰-W source program-text or --source program-text ：使用program-text作为源代码，可与-f命令混用。

       ï¼ˆï¼‰-W version or --version ：打印bug报告信息的版本。

       ä¸‰. 使用方法

       #awk '{ pattern + action}' { filenames}

       å°½ç®¡æ“ä½œå¯èƒ½ä¼šå¾ˆå¤æ‚，但语法总是这样，其中 pattern 表示 AWK 在数据中查找的内容，而 action 是在找到匹配内容时所执行的一系列命令。花括号（{ }）不需要在程序中始终出现，但它们用于根据特定的模式对一系列指令进行分组。 pattern就是要表示的正则表达式，用斜杠括起来。

       awk语言的最基本功能是在文件或者字符串中基于指定规则浏览和抽取信息，awk抽取信息后，才能进行其他文本操作。完整的awk脚本通常用来格式化文本文件中的信息。

        é€šå¸¸ï¼Œawk是以文件的一行为处理单位的。awk每接收文件的一行，然后执行相应的命令，来处理文本。

       å››. 模式和操作

       awk脚本是由模式和操作组成的：

           pattern { action} 如$ awk '/root/' test，或$ awk '$3 < ' test。

        ä¸¤è€…是可选的，如果没有模式，则action应用到全部记录，如果没有action，则输出匹配全部记录。默认情况下，每一个输入行都是一条记录，但用户可通过RS变量指定不同的分隔符进行分隔。

       4.1. 模式

       æ¨¡å¼å¯ä»¥æ˜¯ä»¥ä¸‹ä»»æ„ä¸€ä¸ªï¼š

       ï¼ˆ1）正则表达式：使用通配符的扩展集。

       ï¼ˆ2）关系表达式：可以用下面运算符表中的关系运算符进行操作，可以是字符（3）串或数字的比较，如$2>%1选择第二个字段比第一个字段长的行。

       ï¼ˆ4）模式匹配表达式：用运算符~(匹配)和~!(不匹配)。

       ï¼ˆ5）模式，模式：指定一个行的范围。该语法不能包括BEGIN和END模式。

       ï¼ˆ6）BEGIN：让用户指定在第一条输入记录被处理之前所发生的动作，通常可在这里设置全局变量。

       ï¼ˆ7）END：让用户在最后一条输入记录被读取之后发生的动作。

       4.2. 操作

        æ“ä½œç”±ä¸€äººæˆ–多个命令、函数、表达式组成，之间由换行符或分号隔开，并位于大括号内。主要有四部份：

       ï¼ˆ1）变量或数组赋值

       ï¼ˆ2）输出命令

       ï¼ˆ3）内置函数

       ï¼ˆ4）控制流命令

       äº”. awk的环境变量

       å…­. awk运算符

       ä¸ƒ. 记录和域

       7.1. 记录

          awk把每一个以换行符结束的行称为一个记录。

          记录分隔符：默认的输入和输出的分隔符都是回车，保存在内建变量ORS和RS中。

          $0变量：它指的是整条记录。如$ awk '{ print $0}' test将输出test文件中的所有记录。

          变量NR：一个计数器，每处理完一条记录，NR的值就增加1。

          如$ awk '{ print NR,$0}' test将输出test文件中所有记录，并在记录前显示记录号。

       7.2. 域

       è®°å½•ä¸­æ¯ä¸ªå•è¯ç§°åšâ€œåŸŸâ€ï¼Œé»˜è®¤æƒ…况下以空格或tab分隔。awk可跟踪域的个数，并在内建变量NF中保存该值。如$ awk '{ print $1,$3}' test将打印test文件中第一和第三个以空格分开的列(域)。

       7.3. 域分隔符

          内建变量FS保存输入域分隔符的值，默认是空格或tab。我们可以通过-F命令行选项修改FS的值。如$ awk -F: '{ print $1,$5}' test将打印以冒号为分隔符的第一，第五列的内容。

          可以同时使用多个域分隔符，这时应该把分隔符写成放到方括号中，如$awk -F'[:/t]' '{ print $1,$3}' test，表示以空格、冒号和tab作为分隔符。

          输出域的分隔符默认是一个空格，保存在OFS中。如$ awk -F: '{ print $1,$5}' test，$1和$5间的逗号就是OFS的值。

       å…«. 匹配操作符(~)

          用来在记录或者域内匹配正则表达式。如$ awk '$1 ~/^root/' test将显示test文件第一列中以root开头的行。

       ä¹. 比较表达式

          conditional expression1 ? expression2: expression3，

          例如：

          $ awk '{ max = { $1 > $3} ? $1: $3: print max}' test。如果第一个域大于第三个域，$1就赋值给max，否则$3就赋值给max。

          $ awk '$1 + $2 < ' test。如果第一和第二个域相加大于，则打印这些行。

          $ awk '$1 > 5 && $2 < ' test,如果第一个域大于5，并且第二个域小于，则打印这些行。

       å. 范围模板

       èŒƒå›´æ¨¡æ¿åŒ¹é…ä»Žç¬¬ä¸€ä¸ªæ¨¡æ¿çš„第一次出现到第二个模板的第一次出现之间所有行。如果有一个模板没出现，则匹配到开头或末尾。如$ awk '/root/,/mysql/' test将显示root第一次出现到mysql第一次出现之间的所有行。

常用的十大python图像处理工具

       åŽŸæ–‡æ ‡é¢˜ï¼š Python image manipulation tools.

       ä½œè€… | Parul Pandey

       ç¿»è¯‘ | 安其罗乔尔、JimmyHua

       ä»Šå¤©ï¼Œåœ¨æˆ‘们的世界里充满了数据，图像成为构成这些数据的重要组成部分。但无论是用于何种用途，这些图像都需要进行处理。图像处理就是分析和处理数字图像的过程，主要旨在提高其质量或从中提取一些信息，然后可以将其用于某种用途。

       å›¾åƒå¤„理中的常见任务包括显示图像，基本操作如裁剪、翻转、旋转等，图像分割，分类和特征提取，图像恢复和图像识别。Python成为这种图像处理任务是一个恰当选择，这是因为它作为一种科学编程语言正在日益普及，并且在其生态系统中免费提供许多最先进的图像处理工具供大家使用。

       è®©æˆ‘们看一下可以用于图像处理任务中的常用 Python 库有哪些吧。

       1.scikit-image

       scikit-image是一个开源的Python包，适用于numpy数组。它实现了用于研究，教育和工业应用的算法和实用工具。即使是那些刚接触Python生态系统的人，它也是一个相当简单直接的库。此代码是由活跃的志愿者社区编写的，具有高质量和同行评审的性质。

       èµ„源

       æ–‡æ¡£é‡Œè®°å½•äº†ä¸°å¯Œçš„例子和实际用例，阅读下面的文档：

       n和pnnx和onnx

       Pnnx作为ncnn的中间件，允许ncnn支持torchscript，简化了转换过程。11100源码它不直接是一个推理库，而是提供了一种将计算图导出为其他推理库所需文件格式的方法。

       NCNN提供多种功能，包括手动修改参数、动态操作和加速技巧。这些修改通常针对与ONNX和ATEN的兼容性。通过理解和运用这些技巧，可以更好地利用NCNN的性能。

       在转换过程中，涉及到一个概念叫“lower”，即使用支持的算子来模拟模型中不支持的算子。例如，如果模型包含一个带有padding的卷积，而推理库不支持padding，那么lower过程会将该卷积分解为垫阵和无padding的卷积。同样，sigmoid操作可能会被分解为多个基本操作以模拟其功能。

       在将模型转换为ONNX时，lower操作会重复进行两次。从python代码到torchscript再到ONNX，这会导致计算图变得庞大且细碎，不利于推理优化和模型理解。此外，这种转换可能会引入额外的算子，如Gather、Unsqueeze，这些在NCNN中可能不被支持。

       Pnnx位于torchscript之下，zcate源码提供了一种从torchscript导出ncnn模型的新途径，从而实现模型部署。Pnnx的算子定义与python代码的接口保持一致，支持类似于python的API。通过保留原始模型的算子定义和参数，Pnnx模型可以被轻松转换回原始python代码或导出为Pnnx。

       在NCNN源码中，magic值记录了推理框架的版本号，表示模型文件的特定信息。Pnnx参考了NCNN的模型写法，支持更灵活的参数键，如字符串，以与python API保持一致。此外，Pnnx支持保留算术表达式的整体性，优化GPU和可编程硬件的性能，并提供自定义算子的导出和优化功能。

       在将模型转换为Pnnx时，可以指定模块操作，如Focus，以合并多个小操作为一个大操作，提高效率。Pnnx还支持量化感知训练的算子导出，并在转换过程中记录量化参数，解决了量化模型导出的问题。此外，Pnnx允许在模型中指定输入形状，有助于优化表达式和常量折叠过程，welink源码同时支持静态和动态形状。

       在Pnnx的内部图优化过程中，使用模板匹配技术从torchscript ir中找到对应的封闭子图，并将其替换为目标操作，从而优化模型结构。Pnnx提供了一个完整的框架，包括加载torchscript、转换为Pnnx ir、进行图优化和转换为python代码的过程。

       当前Pnnx项目兼容PyTorch 1.8、1.9和1.版本，支持种PyTorch上层操作中种转换为NCNN对应的操作。Pnnx已经实现了自动单元测试和代码覆盖率，对于常用CNN模型如ResNet和ShuffleNet，转换和推理结果与原始python版本一致。未来计划增加更多PyTorch算子支持、增强单元测试、测试端到端RNN和Transformer模型，并编写使用教程和开发文档。

计算机视觉方面快速入门的重要工具之一：OpenCV

       近年来，人工智能发展迅速，全球多国规划发展人工智能。我国也大力推进人工智能，众多高校成立人工智能学院与专业。在AI领域，计算机视觉与数字图像处理至关重要，人脸识别、刷脸支付、自动驾驶等是其重要应用。图像与视觉技术深入日常生活，吸引大量学习与研究者。在这一过程中，OpenCV成为不可或缺的工具。

       提及计算机视觉，图像处理为其预处理过程。图像处理通过数学函数与变换分析数字图像，挖掘潜在信息，不进行推理。处理包括压缩、增强、复原、匹配、描述与识别，涉及去噪、分割与特征提取。

       计算机视觉研究如何让机器“看见”，通过摄像头模拟人眼识别、跟踪、测量。比如，环绕建筑拍摄视频重建三维模型，摄像头拍摄前方场景判断通行可能性。视觉获取环境信息对于人类来说是自然而然的，但计算机视觉复杂，是一个逆问题，信息恢复过程信息不足，增加复杂性。因此，计算机视觉研究任重道远。

       图像处理与计算机视觉需在计算机中处理数据，研究人员面临重复工作问题。Intel提出OpenCV概念，通过包含通用算法，避免重复，加速研究进程。OpenCV由C/C++函数与类构成，支持多种编程语言与操作系统，方便算法验证，成为计算机视觉领域重要工具。

       OpenCV 4.0引入二维码检测器、ONNX转换等新功能，完善接口，优化算法与模块，改进核心功能，提高性能。新版本支持C++，移除C语言API，添加G-API等模块，增强深度学习支持。版本更新持续优化，集成深度学习模型，简化问题解决，提高效率。

       本书基于OpenCV 4.1.2，深入探讨OpenCV功能与图像处理、计算机视觉应用。内容覆盖基础知识、数据处理、图像操作、直方图、滤波、形态学、目标检测、分析修复、特征点匹配、立体视觉、视频分析与机器学习。以Python语言为基础，提供函数清单、算法解释，帮助读者快速入门。

       零基础学习OpenCV 4，本书作为指南，适合具备计算机视觉与Python编程基础的读者。内容从安装OpenCV 4开始，介绍模块结构与源代码，到图像处理基础知识，再到高级应用。每一章结合相关图像处理知识，深入解释OpenCV 4函数使用方法，提供示例代码。本书覆盖直方图绘制、图像模板匹配、卷积、噪声处理、边缘检测、形态学操作、形状与轮廓检测、傅里叶变换、图像分割与修复、特征点检测、相机成像原理、视频跟踪与机器学习应用。

       学习本书，读者将掌握OpenCV 4的大量函数与功能，通过示例程序理解原理与应用。虽然本书不涵盖所有内容，熟练掌握介绍部分，对未涉及领域也能快速上手。通过本书，读者能深入了解计算机视觉与OpenCV，激发学习热情。

最近值得学习的 5 款 C++ 国产开源项目

       C++自年诞生以来，历经多次迭代更新，直至年的C++版本，它变得更易学且强大。尽管国内开发者可能并未紧跟潮流，但他们在C++领域的贡献不可忽视。以下是来自Gitee的五个优秀的国产C++开源项目，展示了C++的实用与全能：

words-picker: 这款OCR取词应用支持鼠标选词，简化阅读体验，提升取词效率，便于理解。

Ncnn-FaceTrack: 一个移动端快速人脸跟踪的开源项目，基于mtcnn检测和简单模板匹配，适用于多人脸跟踪，运行速度极快，达到帧以上。

劫掠轩辕剑: 经典RPG游戏的源码重制，修复了游戏引擎和故事情节，提供了完整的开发工具链，使用VS编译，是复古游戏开发者的宝贵资源。

snifferview: 一款网络封包修改和分析工具，功能强大，适合网络封包捕获、分析和记录工作。

QtScrcpy: Android设备的实时投屏软件，无需root权限，通过USB或TCP/IP连接，实现设备显示和控制的便捷操作。

       这些项目展示了C++在不同领域的实际应用，无论是在OCR技术、游戏开发、网络工具还是移动设备控制上，都有其独特价值。