我们在解马赛克算法或者超分辨率算法中常常用边缘方向来指导插值,对demosaicing算法而言,边缘引导插值发生在整像素位置,对super resolution算法而言,边缘指导插值常常发生在亚像素位置。这篇博客简单总结解马赛克中一种常用的插值方法:自适应边缘插值算法。
除了自适应边缘插值,也给了一些常用的其它解马赛克算法的介绍:微软解马赛克算法、基于色差残差的插值算法、经典的GBTF、RI等算法给了链接索引。
a blog driven by interest~
我们在解马赛克算法或者超分辨率算法中常常用边缘方向来指导插值,对demosaicing算法而言,边缘引导插值发生在整像素位置,对super resolution算法而言,边缘指导插值常常发生在亚像素位置。这篇博客简单总结解马赛克中一种常用的插值方法:自适应边缘插值算法。
除了自适应边缘插值,也给了一些常用的其它解马赛克算法的介绍:微软解马赛克算法、基于色差残差的插值算法、经典的GBTF、RI等算法给了链接索引。
国内连接 cargo.io 太慢,修改 cargo 为国内源连接比较快。修改的方法是, 在 cd ~/.car … 阅读更多
Cargo 是 Rust 的构建系统和包管理器。它可以帮助开发人员下载和管理依赖项,并帮助创建 Rust 包。 … 阅读更多
在图像算法开发过程中,如果考虑引入Gui,不需要Qt 、PySide等复杂的插件和优秀的界面模版的话,Open … 阅读更多
前面博客介绍了期权四个基本交易方向,在此基础上,我们看一些期权的交易策略。
在期权交易中,我们不仅可以做多(做空)股价,还可以做多(做空)波动率。跨式组合(straddle)和宽跨式组合(strangle)是较为常用的手段。这篇博客介绍 straddle 和 strangle 交易策略 和 Python绘制收益曲线。
我们都熟悉期权有四个交易方向Buy Call,Buy Put,Sell Call,Sell Put,这篇博客主要用python计算这些基本交易方向的投资收益。
期权自诞生以来,其定价一直是不断被研究的问题。如今诞生了多重期权定价模型,二叉树、B-S、B-S-M、BAW、蒙特卡洛等定价模型都被广泛用于金融工程。这篇博客简单介绍二叉树定价和B-S定价模型推导的原则和假设,不涉及推导细节。
在处理图像和三维数据方面有一个强大且拓展性强的软件ImageJ,ImageJ本身功能不是特别多,但是多年以来积累了丰富的插件,使得其成为专业图像处理和数据科学、医学图像处理等领域的利器。FIJI ImageJ打包了很多插件,可以实现很多功能,但是总有需求超出功能的时候,我们可能希望自己开发插件。
ImageJ支持多种形式的拓展,支持用我们熟悉的Python语言(Jython)进行拓展开发,也支持JS脚本的macro开发,还支持Java开发的插件。实际上ImageJ开发插件是很简单的,有时候我们只需在demo代码基础上改上短短几行就能实现我们自己定制化的功能。这篇博客主要简单介绍script、macro和plugin开发的流程,指引一下资源位置,给简单的流程介绍,不会具体深入代码层面。
微软的windows搭配上自家的powertoys使用体验是很棒的,博主认为几乎是windows必备软件了,可以极大提升系统操作体验(甚至可以和Mac体验一样便捷),以至于博主要专门写一篇博客记录一下。
PowerToys一般设置成开机自动启动即可。PowerToys提供和系统深度融合的取色、应用置顶、图像大小调整、桌面多区域、鼠标高量、类似Mac聚焦搜索等功能。软件下载地址:https://github.com/microsoft/PowerToys/releases/
如果想要在zsh中使用code命令启动vscode,可以编辑 ~/.zshrc 文件,添加如下代码 然后sou … 阅读更多
上一篇博客我们介绍了C++调用python的环境配置,这篇博客介绍下C++调用python时的参数传递方法,包括如何传递 变量、结构、字典、数组、图像以及多维数组。
通过视觉测量深度的方法目前分为如下几种,一种是双目立体匹配,该方法的好处是有一个明确的物理模型,存在视差的概念,深度信息是根据时差转换得到,另一种是单目运动,该方法也可以看成一种特殊的双目模型或者多目模型,只不过它是时间上的多目,还有一种方法是完全的单目深度估计,直接由网络端到端给出深度,单目网络在可解释性和可移植性上不如双目和单目运动,但是其效果没有比双目差太多。
随着近年来车载系统视觉方案不断完善,立体视觉问题不断收敛,学界出现了一批轻量级网络,效果还不差,这篇博客主要介绍一个轻量级双目立体匹配网络mobilestereonet,后文简称MSN。博主理解MSN主要贡献还是在与对网络模型的压缩,骨干和后面的特征提取大量使用深度可分离卷积,而论文中提及的一些网络结构,经过博主实验下来,这些并不重要(比如3d卷积用分组卷积替代,网络性能并没有明显降低),直接感受是,参数确实更少,计算也更少。