1.（四十三）特征点检测-LBP
2.Live2D动画引擎的双线图形学原理及实现
3.Pytorch torchvision与Pillow(PIL)双线性插值resize的区别
4.FPGA高端项目：Xilinx Zynq7020系列FPGA 多路视频缩放拼接 工程解决方案 提供4套工程源码+技术支持
5.更灵活、有个性的性插卷积——可变形卷积（Deformable Conv）
6.改进CNN＆FCN的晶圆缺陷分割系统

（四十三）特征点检测-LBP

       时间为友，记录点滴。值源

       特征点检测领域并非只有一种算法，双线大神们总能带来新颖的性插想法。虽然不可能掌握所有算法，值源oval notnull 源码但有些思路是双线值得借鉴的。

       比如SIFT就是性插一个宝库，总能给我们带来启发。值源

       既然已经了解了Harris、双线SIFT、性插FAST等特征检测算法，值源以及特征点的双线定义和评判标准，那么我们就来探讨LBP如何在特征检测领域脱颖而出。性插

       思考一下特征点的值源优良性质：

       什么是LBP？

       LBP（Local Binary Pattern，局部二值模式）是一种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优点。由T. Ojala、M. Pietikäinen和D. Harwood在年提出，用于纹理特征提取。它提取的是图像的局部纹理特征；

       它是如何实现的？

       首先谈谈原始LBP算子：

       通过比较3*3邻域内的8个点，可以得到8位二进制数（通常转换为十进制数即LBP码，共种，即2 Byte），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。

       虽然简单，但略显简陋（是不是与FAST算子有些类似）。这个LBP算子显然不能表示优良特征点，还好它出现的早（），所以后人对LBP做了很多优化，使其满足尺度不变、旋转不变、光照不变。

       尺度不变：

       无论是SIFT还是ORB，要做到尺度不变，我们通常采用金字塔扩展到多尺度空间，但LBP有它独特的方法。

       在原始的LBP中，我们选择的是以目标点为中心，3x3的8邻域，经历过FAST的网站带留言源码我们很容易想到半径的概念。那么3x3代表的就是以目标点为圆心，半径为1的邻域，如果我们把半径扩展一下会怎么样呢？

       Ojala等人对LBP算子进行了改进，将3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；

       这种情况下，对应黑点像素可能不是整数，要得到该点准确的像素值，必须对该点进行插值计算才能得到该点像素值，常见的插值方式为双线性插值或者立方插值。

       这种思路有点像“山不转，水转；水不转，人转”；

       旋转不变性：

       Maenpaa等人又将LBP算子进行了扩展，提出了具有旋转不变性的LBP算子，即不断旋转圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值。

       举一个具体的例子：下图所示的8种LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的LBP值为。也就是说，图中的8种LBP模式对应的旋转不变的LBP模式都是。

       光照不变：

       从LBP的差值计算可以看出，LBP本身就具有光照不变的特性（灰度值按比例缩放，强者恒强），但是我们可以引入权重概念，计算LBP码和对比度。

       好了，LBP就这么多。是不是感觉SIFT/ORB后什么都简单了些？

       在网上搜了个Python实现的LBP，实验了下，贴在这里：

       Python

       惯例，OpenCV早就给我们提供了LBP的算子，而且可以结合FaceDetect来用，

       C++

       1、lbpcascade_frontalface_improved文件我使用的是我们自己编译出来的，在Binfile\install\etc\lbpcascades目录下（你可以用everything搜索一下，OpenCV源码中也有提供） 2、今天我们首次使用了CascadeClassifier，这个我觉得有必要在后面详细解释一下。用OpenCV做人脸检测简直简单得不要不要的草莓视频app源码。

Live2D动画引擎的图形学原理及实现

       初次接触Live2D，是通过群聊，直观感觉动画奇特且粗糙，难以理解为何能大受欢迎。然而，经过一段时间的观察与思考，发现其独特的魅力，进而萌生出个人制作Live2D的想法。这并非指制作Live2D模型，而是实现其核心功能，包括动画骨骼、动作追踪、网格建立与物理模拟，直至图元光栅化。

       看似复杂的项目，实际上，实现过程经过数月的投入，也并非难以企及。为了便于调试，绘制了一个简单的用于测试的人设，利用专业绘图软件sai完成。制作流程包括线稿绘制、细节调整、分层导出为独立的PNG等。准备工作完成后，启动开发环境Visual Studio，正式开始Live2D的制作之旅。

       首先，回顾图形学基础，理解图元结构、渲染流程与关键技术。图元填充算法，如扫描线填充，是实现Live2D动画的关键步骤。在加载图像至项目中后，最终显示为一系列图元的集合。为了提高渲染质量，引入双线性插值滤波，对纹理映射进行优化。

       网格建立是另一个挑战，Delaunay三角剖分成为了解决方案。saas版商城 源码遵循三角剖分定义，确保三角面不相交且满足特定条件。在完成Delaunay三角剖分后，每个图层加载并绑定网格，为后续动画编辑奠定基础。

       紧接着，讨论到动画系统，即骨骼动画。每个图层被赋予关键节点，所有顶点围绕节点进行旋转、平移和缩放，形成骨骼系统。动画编辑依赖节点操作，实现一系列矩阵级联，驱动模型动作。

       为了模拟现实中的物理行为，引入弹性节点概念，对柔软部位进行物理模拟。通过简化模型，每个顶点与节点关联，弹性系数控制顶点运动规律。最后，实现动作追踪功能，依据输入完成特定追踪动作，如跟随鼠标运动。

       整个项目的核心渲染、骨骼框架与额外的物理模拟，代码量并不庞大，约2-3千行，开发周期在2周左右。然而，配套编辑器的开发耗时5个月，远超预期。制作过程虽未带来太多技术突破，但回顾整个项目，涉及知识与本科课程内容相似，较为轻松。

       所有核心与配套源代码已开源，欢迎访问 PainterEngine.com 获取更多信息与支持。如果你喜欢这个项目，不妨给予star。个人发卡源码2020最后，分享一段个人制作的Live2D动画作为收尾。

Pytorch torchvision与Pillow(PIL)双线性插值resize的区别

       Pytorch的torchvision和Pillow库都提供了双线性插值算法用于图像缩放，但它们的具体实现和处理方式有所不同。这些微小的差异可能在肉眼难以察觉，但在像素值层面却能体现出来，特别是在数据预处理过程中，顺序改变可能导致模型精度的细微变化。

       核心差异在于处理步骤和点的选择策略。torchvision对输入的处理依赖于数据类型：如果是tensor，会采用自定义算法；如果是Pillow的Image对象，则调用Image的算法。这可能导致ToTensor和Resize操作顺序不同时，结果出现偏差。例如，torchvision通常使用四邻近像素进行插值，而Pillow则可能使用更多邻近像素，导致像素值计算上的差异。

       以一个6x9图像缩小到4x2为例，Pillow的插值选择点的方式会比Pytorch更广泛，这可能导致像素值计算的细微变化。尽管这种差异在视觉上可能不明显，但在模型的精度评估中，这种小差别不容忽视。

       次要影响因素还包括源代码细节和实验分析，但这些影响相对较小。实验结果显示，将ToTensor和Resize操作顺序改变，或者仅对比torchvision和Pillow的Resize操作，都会产生显著的像素值差异。与torchvision的典型双线性插值相比，Pillow的实现虽然略有偏差，但差距已经减小，更接近Pillow自身的算法。

FPGA高端项目：Xilinx Zynq系列FPGA 多路视频缩放拼接 工程解决方案 提供4套工程源码+技术支持

       探索FPGA高端技术：Xilinx Zynq系列视频拼接与缩放的工程解决方案

一、创新技术应用

       基于Zynq的Xilinx FPGA，我们的解决方案实现了多路视频的高精度缩放（双线性插值），并以智能FDMA技术进行无缝拼接，完美兼容OV摄像头，支持动态彩条作为输入源。处理后的视频经精心优化，通过VGA和HDMI输出不同分辨率的实时显示。

二、全面工程源码

       路视频：2路x缩放拼接，x输入，双屏显示

       路视频：4路x缩放，x输入，四屏显示

       路视频：8路x缩放，x输入，八屏显示

       路视频：路x缩放，x输入，十六屏显示

三、适用领域广泛

       无论是在校学生、研究型工程师还是行业专业人士，这套方案适用于医疗、军事等领域的高速接口或图像处理任务，让你在实践中提升技能。

四、技术与支持

       提供完整源码，包含最新动态彩条选项

       优化FDMA性能，提升低端FPGA性能

       改进HDMI输出，清晰易读

       升级输出时序，确保无缝显示

五、学习旅程

       通过结构优化，降低学习难度，代码量减少%

       强调逻辑思维，自主学习verilog和Vivado工具

       源码理解和工程实践相结合

       从基础复现开始，逐步深入

六、实战培训

       套视频缩放纯verilog源码，提升就业竞争力

       提供Vivado环境配置教程

       每周进度检查，个性化指导

       代码移植与验证服务

七、重要提示

       仅供个人学习研究，商业使用需遵守条款

       多种视频处理方案，支持不同摄像头和接口

       Kintex7和Artix7系列FPGA移植教程

       4套Vivado源码，灵活调整视频源

八、深入解析

       视频缓存采用异步FIFO和RAM阵列，可通过宏定义调整参数，如输入分辨率、通道数等。

结语：实战提升

       设置缩放参数，探索拼接原理

       硬件配置要点，包括摄像头地址计算

       从视频拼接到输出模块，全程示例

       通过这个精心设计的项目，你将掌握视频缩放与拼接的核心技术，为你的项目设计和移植打下坚实基础。立即获取源码，开始你的FPGA技术探索之旅吧！

更灵活、有个性的卷积——可变形卷积（Deformable Conv）

       Deformable Conv：我是个会变形的个性boy

       传统的卷积操作面临复杂形变物体时，效果可能不佳。为解决这一问题，Deformable Conv 出现了，他灵活地引入了偏移量，使得感受野与物体形状更加贴近，无论物体如何形变，都能轻松应对。Deformable Conv 的大法在于为每个点引入偏移量，这使得输出特征图的每个点加上对应卷积核每个位置的相对坐标后，再加上自学习的偏移量。通过双线性插值，Deformable Conv 能够计算出非整数位置的像素值，最终实现可变形卷积操作。解析源码，我们看到常规操作中使用 nn.Module 的子类封装了可变形卷积，引入了可选参数 modulation，以及生成偏移量的卷积 p_conv 和实际进行卷积的卷积 conv。通过初始化权重和计算偏移后的位置，Deformable Conv 能够计算出每个位置的像素值，实现真正的卷积操作。总结，Deformable Conv 是处理复杂形变物体的有效方法，其源码解析让我们深入了解了这一技术的核心。感谢阅读，欢迎在评论区交流讨论！

改进CNN＆FCN的晶圆缺陷分割系统

       随着半导体行业的快速发展，半导体晶圆的生产需求与日俱增，然而在生产过程中不可避免地会出现各种缺陷，这直接影响了半导体芯片产品的质量。因此，基于机器视觉的晶圆表面检测方法成为研究热点。本文针对基于机器视觉的晶圆表面缺陷检测算法进行深入研究。

       在实验中，我们采用三种方式对样本晶圆进行成像。第一种方式使用工业显微相机，配备白色环光，成像分辨率高达×，位深度为，视野约为5.5mm ×3.1mm。第二种方式使用相机 MER--GM，配有蓝色环光和2倍远心镜头，物距mm，成像分辨率×，位深度，视野宽4.4mm，精度为2jum。第三种方式采用相机 Manta G-B，白色环光LTS-RN-W，镜头TY-A，物距mm，成像分辨率×，位深度8，视野宽3mm，精度1 jum。

       传统的基于CNN的分割方法在处理晶圆缺陷时存在存储开销大、效率低下、像素块大小限制感受区域等问题。而全卷积网络(FCN)能够从抽象特征中恢复每个像素所属的类别，但在细节提取和空间一致性方面仍有不足。

       本文提出改进DUC（dense upsampling convolution）和HDC（hybrid dilated convolution），通过学习一系列上采样滤波器一次性恢复label map的全部分辨率，解决双线性插值丢失信息的问题，实现端到端的分割。

       系统整合包括源码、环境部署视频教程、数据集和自定义UI界面等内容。

       参考文献包括关于机器视觉缺陷检测的研究综述、产品缺陷检测方法、基于深度学习的产品缺陷检测、基于改进的加权中值滤波与K-means聚类的织物缺陷检测、基于深度学习的子弹缺陷检测方法、机器视觉表面缺陷检测综述、基于图像处理的晶圆表面缺陷检测、非接触超声定位检测研究、基于深度学习的人脸识别方法研究等。

RoI Pooling 系列方法介绍（文末附源码）

       本文为您介绍目标检测任务中的重要手段——RoI Pooling及其改进方法。RoI Pooling最初在 Faster R-CNN 中提出，旨在将不同尺寸的区域兴趣（RoI）投影至特征图上，通过池化操作统一尺寸，方便后续网络层处理，同时加速计算过程。接下来，我们将探讨RoI Pooling的局限性以及其改进方法RoI Align和Precise RoI Pooling的特性。

       RoI Pooling存在量化误差问题，导致精度损失。为解决这一问题，RoI Align应运而生，它在Mask R-CNN中提出，通过取消量化操作，实现无误差的区域池化。与RoI Pooling不同，RoI Align在计算时仅需设置采样点数作为超参数，使得操作更为灵活。具体操作中，RoI Align将RoI映射至特征图，划分区域时保持连续，通过双线性插值计算中心点像素值，最后取每个区域最大值作为“代表”。这种改进方法消除了量化误差，提高了精度。

       针对RoI Pooling和RoI Align存在的超参数设置问题，Precise RoI Pooling提出了无需超参数的解决方案。在计算过程中，Precise RoI Pooling通过计算区域积分并取均值，代替了最大值池化，不仅消除了量化误差，还使得每个像素点对梯度贡献均等，避免了“浪费”大部分点的现象。这一改进使得网络对输入的敏感度更加均匀，提高了模型的稳定性和泛化能力。

       总结而言，RoI Pooling、RoI Align和Precise RoI Pooling在目标检测领域中各有特点，分别针对精度、灵活性和均匀性提出了解决方案。实践操作时，应根据具体需求和场景选择最合适的算法，以达到最优的检测效果。本文提供的源码链接，包括自己实现的RoI Pooling和RoI Align，以及原作者的Precise RoI Pooling版本，旨在为学习和研究提供参考资源。

Matlab图像处理系列——插值算法和图像配准

       在Matlab的图像处理系列中，我们首先探讨插值算法，这是在处理几何变换时的关键技术。主要有两种主要方法：向前映射和向后映射。向前映射逐像素转移，而向后映射则需要对输出像素进行插值处理，当它们不落在输入图像的整数坐标位置时。

       插值的基本类型包括最近邻插值，它取输出像素最邻近采样点的灰度值作为近似值。双线性插值（一阶插值）则计算2x2邻域内的像素加权平均，如计算单位正方形内任意点的灰度值。然而，高阶插值如三次插值则采用卷积，利用更复杂的函数如sin(x)/x来提高平滑性和精度，减少细节丢失和斜率不连续性的影响。

       图像配准是另一关键技术，它通过将多幅图像对准同一场景。Matlab提供了cpselect函数，允许用户交互式地选择基准点，确定空间变换关系。fitgeotrans函数则用于拟合这些控制点，计算出所需的几何变换，以实现图像的精确对齐。

       最后，Matlab提供了插值和图像配准的仿真源码，这些代码实例展示了如何在实际操作中应用这些算法，为理解并实现图像处理提供了实用的工具和实践指导。