Bonferroni校正:如果在同一数据集上同时检验n个独立的假设,那么用于每一假设的统计显著水平,应为仅检验一个假设时的显著水平的1/n http://baike.baidu.com/view/1217813.htm?fr=aladdin Bonferroni校正法: 此方法是在进行两两比较时对检验水准进行调整的办法,但是该方法在比较的次数较多时,就不太适合,因为校正后的检验水准会过小.此时可采用sidark法进行多重比较(仍然是对检验水准进行调整). 统计学中一般以小概率作为判断差异是否显著

一 RPC正射校正的原理 影像正射校正的方法有很多,主要包含两大类:一类是严格的几何纠正模型,另一类是近似几何纠正模型.当遥感影像的成像模型和有关参数已知时,可以根据严格的成像模型来校正图像,这种方法属于严格几何纠正,最具代表的是共线方程法.当传感器成像模型未知或者无法获取相关的辅助参数时,可以用假定的数学模型模拟成像模型,对影像实现校正,这种方法属于近似几何纠正,主要有:几何多项式纠正.有理函数法.局部区域校正等模型.本文将主要对RPC正射校正模型进行展开讨论. RPC模型将像点坐标d(lin

文章英文原网址: http://www.gamasutra.com/blogs/BrianKehrer/20160125/264161/VR_Distortion_Correction_using_Vertex_Displacement.php 利用顶点位移的VR畸变校正 2016年1月29日 Brian Kehren著 在VR开发的最大挑战之一是对高帧率与高分辨率结合的要求.我们通过把顶点转化为“镜头空间”,删除了需要全屏渲染的纹理,这样就可以大规模提高手机性能. 下面的技术使用谷歌的Card

基础知识部分 为了方便理解,首先会对(Luminance)的相关概念做一个简单介绍.如果已经了解就跳到后面吧. 我们用Radiant energy(辐射能量)来描述光照的能量,单位是焦耳(J),因为光实际是以一定速度在传播的电磁波,所以把单位时间内的传播的Radiant energy(能量)称作radiant  flux(辐射通量),用来描述他的能量表现,单位瓦特(Watt). Radiant intensity(辐射强度)用来指定radiant  flux(辐射通量)的方向,正式的来说,他是用

傅里叶变换可以用于将图像从时域转换到频域,对于分行的文本,其频率谱上一定会有一定的特征,当图像旋转时,其频谱也会同步旋转,因此找出这个特征的倾角,就可以将图像旋转校正回去. 先来对原始图像进行一下傅里叶变换,需要这么几步: 1.以灰度方式读入原文件 1 2 string filename = "source.jpg"; var src = IplImage.FromFile(filename, LoadMode.GrayScale); 2.将图像扩展到合适的尺寸以方便快速变换 Open

在渲染器光栅化每个三角形的过程中,需要对根据顶点属性对三角形进行扫描线插值.此时由于投影面上顶点的2D坐标与顶点属性不成线性关系,因此是不能简单地使用线性插值来计算顶点属性的. 此时应当利用透视校正插值(Perspective-Correct Interpolation)来计算. 设3D空间中存在一条线段,它的两个端点为A和B,3D坐标分别为(x1,y1,z1)和(x2,y2,z2).这两点投影到camera坐标系投影面的两点为a(p1,q1).b(p2,q2).那么: 设该线段之间存在一个三维

1 Gamma校正是什么?8位亮度值x(0-1)经过x^0.45的一个提亮过程. 2 为什么需要Gamma校正 人的眼睛是以非线性方式感知亮度,在自然界中,人感觉到的一半亮度其实只有全部能量的0.2,也就是人眼中黑到半黑只有0-0.2,余下0.2-0.8是半黑到全亮,那么就是说,如果没有Gamma校正,8位亮度中,只用不到2位用来保存黑到半黑的信息,而余下8位中超过6位用来保存半黑到白的信息,这样图片中暗的细节太少,为了改善这种情况,经过Gamma校正后,原来0.2的值保存为0.5. 需要注意的

http://blog.csdn.net/candycat1992/article/details/46228771/ 写在前面 我相信几乎所有做图像处理方面的人都听过伽马校正(Gamma Correction)这一个名词,但真正明白它是什么.为什么要有它.以及怎么用它的人其实不多.我也不例外. 最初我查过一些资料,但很多文章的说法都不一样,有些很晦涩难懂.直到我最近在看<Real Time Rendering,3rd Edition>这本书的时候,才开始慢慢对它有所理解. 本人才疏学浅,写的

ABBYY FineReader OCR文字识别软件在运行文档识别过程前,会对文档的逻辑结构进行分析,并检测包含文本.图片.表格.条码的区域.程序将通过该分析来确定区域和识别顺序.此信息有助于重建原始文档的格式. 默认情况下,ABBYY FineReader 将自动分析文档.但是,在格式很复杂的情况下,某些区域可能且错误地检测,并且您需要手动将其校正. 使用以下工具和命令校正区域: ● 图像窗口工具栏上的手动调整区域工具. ● 通过右键单击图像窗口或缩放窗口中的选定区域显示的快捷菜单命令. ●

http://blog.csdn.net/chenliangming/article/details/3616720 引自<广播电视信息>2008年1月 从数字电视前端系统功能上来讲,传统的DVB数字硬件前端技术包含编码.复用.加扰.调制四个基本环节,而在实际的DVB前端系统中还有直接的TS流转发环节,如下图所示: 上图中编码环节是将模拟视音频或者基带的数字视频和音频信号编码形成标准的TS流,而流转发环节是将卫星或者通过其它信道过来的信号转成符合当地标准的TS流,所有的TS进入复用环节进行复用

參考:[1]http://www.cambridgeincolour.com/tutorials/gamma-correction.htm [2]http://en.wikipedia.org/wiki/Gamma_correction 一.什么是Gamma校正? Gamma校正是对输入图像灰度值进行的非线性操作,使输出图像灰度值与输入图像灰度值呈指数关系: [2] 这个指数即为Gamma. 经过Gamma校正后的输入和输出图像灰度值关系如图1所看到的:横坐标是输入灰度值,纵坐标是输出灰度值,蓝

源代码:http://download.csdn.net/detail/nuptboyzhb/3961688 l 对话框 1.“插入”->“资源”->“对话框” 2.对话框属性如下: 双击对话框,建立对话框类.取名:LineParameter 3.在LineParameter.h头文件中添加#include "resource.h",否则:会报错:IDD_DIALOG4未定义 4.为LineParameter类增加如下成员变量: int m_colorR; int m_co

很快就会GDAL库更新1.11版本号之后,在发现之前写RPC像方误差修正模型校准结果特别大(在更新结果之前的版本号和PCI结果一致).所以初步推断是GDAL库的bug,经过各个參数改动发现原来是指定的DEM採样方式导致的. 当指定DEM的採样方式为最邻近时,校正结果偏差非常大,当DEM採样方式为双线性採样和三次立方卷积採样时,处理的结果与之前的结果一样.截图如图1所看到的.红色区域为对照区域,如图2所看到的. 图1 PCI校正结果全图 图2  图1中的红色区域按实际像素放大显示结果 以下是使用g

上一篇博客简要介绍了一下常用的张正友标定法的流程,其中获取了摄像机的内参矩阵K,和畸变系数D. 1.在普通相机cv模型中,畸变系数主要有下面几个:(k1; k2; p1; p2[; k3[; k4; k5; k6]] ,其中最常用的是前面四个,k1,k2为径向畸变系数,p1,p2为切向畸变系数. 2.在fisheye模型中,畸变系数主要有下面几个(k1,k2,k3,k4). 因为cv和fisheye的镜头畸变模型不一样,所以畸变系数也会有所不同,具体在畸变校正时的公式也不同,具体公式请参见ope

图像算法中会经常用到摄像机的畸变校正,有必要总结分析OpenCV中畸变校正方法,其中包过普通针孔相机模型和鱼眼相机模型fisheye两种畸变校正方法. 普通相机模型畸变校正函数针对OpenCV中的cv::initUndistortRectifyMap(),鱼眼相机模型畸变校正函数对应OpenCV中的cv::fisheye::initUndistortRectifyMap().两种方法算出映射Mapx和Mapy后,统一用cv::Remap()函数进行插值得到校正后的图像. 1. FishEye模型

GDAL2.0版本的更新日志中提到了对RPC校正的优化,今天测试了一下,发现提升的速度还是蛮快的,测试的数据是一个IRS-P5的数据. 单线程测试 首先使用一个线程进行测试,使用下面的批处理进行运行,将OPENCL禁用,测试结果见图1. echo %time% F:\gdal1112\gdalwarp.exe -rpc -t_srs WGS84 -r cubic -wm 1024 -et 0 -wo USE_OPENCL=FALSE F:\Data\711_214_26sep2006_p5\P5

对于低分数据来说,常用的校正方式就是给定数据的经纬度查找表来进行校正.在GDAL中,这种校正方式叫Geolocation array.常用的数据有国外的MODIS数据,国内的如风云系列(FY)和海洋系列卫星(HY)都是使用这种方式来进行处理. GDAL库读取MODIS数据(HDF格式)的时候,会自动读取里面的经纬度查找表,并构造一个叫做GeoLocation的元数据段.如下所示: 只要有这个信息,使用GDAL就可以来对数据进行校正,但是对于国内的风云系列以及海洋系列卫星的数据来说,在数据里面会有

最近将GDAL库更新至1.11版本之后,发现之前写的RPC像方改正模型校正的结果偏差特别大(更新版本之前结果和PCI处理的结果一致).所以初步判断是GDAL库的bug,经过各个参数修改发现原来是指定的DEM采样方式导致的. 当指定DEM的采样方式为最邻近时,校正结果偏差很大,当DEM采样方式为双线性采样和三次立方卷积采样时,处理的结果与之前的结果一样.截图如图1所示,红色区域为对比区域,如图2所示. 图1 PCI校正结果全图 图2  图1中的红色区域按实际像素放大显示结果 下面是使用gdalwa

本文档主要对如何使用GDAL提供的工具对FY3系列卫星数据进行校正处理.FY3系列卫星提供的数据一般是以HDF5格式下发,一个典型的FY3A和FY3B的数据文件名如下: FY3A_MERSI_GBAL_L1_20100321_0150_1000M_MS.HDF FY3B_MERSI_GBAL_L1_20130620_0600_1000M_MS.HDF 下面分为三个部分来对FY3系列数据校正进行处理,分别是数据预处理.构造子数据集和校正三个部分,下面分别进行详述. 该文档用到的GDAL[1]工具主

0x00 前言的前言 这篇小文其实是在清明节前后起的头,不过后来一度搁笔.一直到这周末才又想起来起的这个头还没有写完,所以还是直接用一个月前的开头,再将过程和结尾补齐. 0x01 前言 结束了在南方一周的出差,清明时节回到了刚好下过雪并且和南方有20多度温差的北京之后,终于有时间来写点文字了.这篇小文,我主要想来聊一聊在使用Unity时和gamma校正相关的话题.事实上关于Gamma校正的来源历史以及理论知识已经有很多相关的文章了,比如龚大的<gamma的传说>.Nvidia的Gpu Gems

一.前言及思路简析 目前车牌识别系统在各小区门口随处可见,识别效果貌似都还可以.查阅资料后,发现整个过程又可以细化为车牌定位.畸变校正.车牌分割和内容识别四部分.本篇随笔主要介绍车牌定位及畸变校正两部分,在python环境下通过opencv实现. 1.1 车牌定位 目前主流的车牌定位方法从大的方面来说可以分为两类:一种是基于车牌的背景颜色特征:另一种基于车牌的轮廓形状特征.基于颜色特征的又可分为两类:一种在RGB空间识别,另一种在HSV空间识别.经测试后发现,单独使用任何一种方法,效果均不太理想