OpenCV2马拉松第2圈——读写图片

再过段时间就要邀请赛了。下去开始写周总结。就研究的东西来看,这一周主要研究了研究了线段树和树状数组,并写了几篇博客,博客链接:http://www.cnblogs.com/fightingboy/p/3686188.html或 http://blog.csdn.net/asdfghjkl1993/article/details/24499001

用简单的几句话概括它们,线段树和树状数组都是为了用来处理当数据量很大时的删除,添加和查找问题,当它们对节点进行更新或者查询时,它的时间复杂度都是 O(logn),在程序设计竞赛中一般都能够比较快的解决问题。线段树属于一种比较灵活的数据结构,用树状数组能够解决的问题一般用线段树都能够解决,反之则不然。但树状数组跟线段树相比比较节省空间,它们间最大的区别之一就是线段树是一颗完美二叉树,而树状数组(BIT)相当于是线段树中每个节点的右儿子去掉。此外树状数组的实现难度,要比线段树低,而且在处理某些特定问题的时候,树状数组的效率能够高于线段树。

此外这一周还应邀去现场参加了北京师范大学的现场赛热身赛及现场赛决赛,然后周日还又翘课去北师大参加了北京ACM弱校联盟的集训(PS,说是弱校其实就是除了清华北大之外的。。。。。。。)。。,果断被大神们虐出翔了,有木有。。。。。。

先附上热身赛的题解链接:http://blog.csdn.net/asdfghjkl1993/article/details/24500187

http://blog.csdn.net/asdfghjkl1993/article/details/24497887

http://blog.csdn.net/asdfghjkl1993/article/details/24498211

决赛被两道题,坑了下。。。最后做出的题也不多。。报告有时间再写。。。。

我们在校园里面往往是自我感觉比较良好的,只有出了校园才知道是自己是多么的渣。。。。。。。当然这种东西和自身努力及基础以及周围环境还是有比较大的关系的。我觉得嘛,就这几次去北师大的感觉来说,我觉得它们学校有着一种比较好的ACM文化,这一点从他们ACMer的制服队徽,队员的那种投入程度,再到作为举办方他们对比赛做的一些比较充分的准备还是能够看出的,而作为一个ACM弱校,我们在这一点做得还是比较不够的,这需要我们共同的努力,才能去改变。(PS:今天下午坐我们后面的那三个胖子,题目做着做着就突然啪啪啪的拍着电脑,大声尖叫着“AC了,AC了!!”,着实把我吓到了。。。。不过这种精神倒是相当的不错。。。。)

还记得去年长春赛区现场赛打铁而归的悲催情景。。。一转眼已经大二下了,马上就要邀请赛,然后是网络赛,再然后是现场赛,到了大三下就要面临工作还是读研等种种纠结问题了,时间所剩无几,得好好加油了。

时间: 2024-11-06 19:40:59

OpenCV2马拉松第2圈——读写图片的相关文章

OpenCV2马拉松第10圈——直方图反向投影(back project)

收入囊中 灰度图像的反向投影 彩色图像的反向投影 利用反向投影做object detect 葵花宝典 什么是反向投影?事实上没有那么高大上! 在上一篇博文学到,图像能够获得自己的灰度直方图. 反向投影差点儿相同是逆过程,由直方图得到我们的投影图. 步骤例如以下: 依据模版图像,得到模版图像的灰度直方图. 对灰度直方图对归一化,归一化后是个概率分布,直方图的积分是1 依据概率分布的直方图,求输入图像的投影图,也就是对每个像素点,我们依据灰度值,能够得到其概率 得到的投影图是介于[0,1]之间的,为

OpenCV2马拉松第13圈——模版匹配

收入囊中 在http://blog.csdn.net/abcd1992719g/article/details/25505315这里,我们已经学习了如何利用反向投影和meanshift算法来在图像中查找给定模版图片的位置.meanshift针对的是单张图像,在连续图像序列的跟踪中,camshift(Continuously Adaptive Mean-SHIFT)是一种著名的算法.但在这里,我们先不讨论camshift,而是先讨论最简单的模版匹配. 模版匹配算法 opencv normalize

OpenCV2马拉松第17圈——边缘检测(Canny边缘检测)

计算机视觉讨论群162501053 转载请注明:http://blog.csdn.net/abcd1992719g 收入囊中 利用OpenCV Canny函数进行边缘检测 掌握Canny算法基本理论 分享Java的实现 葵花宝典 在此之前,我们先阐述一下canny检测的算法.总共分为4部分. (1)处理噪声 一般用高斯滤波.OpenCV使用如下核 (2)计算梯度幅值 先用如下Sobel算子计算出水平和竖直梯度 我在OpenCV2马拉松第14圈--边缘检测(Sobel,prewitt,robert

OpenCV2马拉松第14圈——边缘检测(Sobel,prewitt,roberts)

收入囊中 差分在边缘检测的角色 Sobel算子 OpenCV sobel函数 OpenCV Scharr函数 prewitt算子 Roberts算子 葵花宝典 差分在边缘检测到底有什么用呢?先看下面的图片 作为人,我们可以很容易发现图中红圈有边界,边界处肯定是非常明显,变化陡峭的,在数学中,什么可以表示变化的快慢,自然就是导数,微分了. 想像有如下的一维图片. 红圈处变化最陡峭,再看导数图 红圈在最高值,也就是导数可以很好表示边缘,因为变化很剧烈 图像中的Sobel算子 是离散差分算子. 结合了

OpenCV2马拉松第9圈——再谈对比度(对比度拉伸,直方图均衡化)

收入囊中 lookup table 对比度拉伸 直方图均衡化 葵花宝典 lookup table是什么东西呢? 举个例子,假设你想把图像颠倒一下,f[i] = 255-f[i],你会怎么做? for( int i = 0; i < I.rows; ++i) for( int j = 0; j < I.cols; ++j ) I.at<uchar>(i,j) = 255 - I.at<uchar>(i,j); 大部分人应该都会这么做.或者: for( i = 0; i &

OpenCV2马拉松第8圈——绘制直方图

收入囊中 灰度直方图 彩色直方图 葵花宝典 直方图的理论还是非常丰富的,应用也很多,诸如: 直方图均衡化 直方图匹配(meanshift,camshift) 在这里,我先介绍基础,如何绘制图像的直方图. 拿灰度图像来说,直方图就是不同的灰度对应的个数,横轴(x)就是[0,256), 纵轴(y)就是对应的个数 如下图,分别是灰度直方图和彩色直方图 初识API C++: void calcHist(const Mat* images, int nimages, const int* channels

OpenCV2马拉松第7圈——图像金字塔

收入囊中 高斯金字塔 拉普拉斯金字塔 葵花宝典 图像金字塔是一系列的图像集合,都是从单张图片获得的,连续做下采样(downsample)直到预设停止条件.最常用的是两种,高斯金字塔和拉普拉斯金字塔.[当然还有其他的金字塔,比如小波金字塔] 高斯金字塔 对一张图像不断的模糊之后向下采样,得到不同分辨率的图像,同时每次得到的新的图像宽与高是原来图像的1/2, 最常见就是基于高斯的模糊之后采样,得到的 一系列图像称为高斯金字塔. 原图来自http://blog.csdn.net/jia20003/ar

OpenCV2马拉松第17圈——边缘检測(Canny边缘检測)

计算机视觉讨论群162501053 转载请注明:http://blog.csdn.net/abcd1992719g 收入囊中 利用OpenCV Canny函数进行边缘检測 掌握Canny算法基本理论 分享Java的实现 葵花宝典 在此之前,我们先阐述一下canny检測的算法.总共分为4部分. (1)处理噪声 一般用高斯滤波.OpenCV使用例如以下核 (2)计算梯度幅值 先用例如以下Sobel算子计算出水平和竖直梯度 我在OpenCV2马拉松第14圈--边缘检測(Sobel,prewitt,ro

OpenCV2马拉松第14圈——边缘检測(Sobel,prewitt,roberts)

收入囊中 差分在边缘检測的角色 Sobel算子 OpenCV sobel函数 OpenCV Scharr函数 prewitt算子 Roberts算子 葵花宝典 差分在边缘检測究竟有什么用呢?先看以下的图片 作为人,我们能够非常easy发现图中红圈有边界,边界处肯定是非常明显,变化陡峭的,在数学中,什么能够表示变化的快慢,自然就是导数,微分了. 想像有例如以下的一维图片. 红圈处变化最陡峭,再看导数图 红圈在最高值,也就是导数能够非常好表示边缘,由于变化非常剧烈 图像中的Sobel算子 是离散差分