关于机器视觉的第一步重要工作，光源的选择。事实上良好的打光方案至少是视觉应用项目成功了一大半。

在机器视觉检测中，图像光照不均匀现象会增加后续处理的难度，因此需要对其进行有效的阈值分割。算法通过窗口分割提取原图的背景灰度图后，结合局部对比度调整系数，对图像进行背景均匀化处理，然后进行全局阈值分割。实验对具有典型光照问题的高分辨率线纹尺图像处理效果良好，平均时间在0.5 s以内。通过与其他几种算法的对比，证明了本算法处理效果最佳，所耗时间满足实时性，为目标的进一步测量工作奠定了良好的基础。

手写体识别要用到的数据集，推测数字的源代码，以及查看数据集要用到的源代码

基于STM32F7的视觉小球颜色识别系统简介: 用STM32F7驱动摄像头，实时采集图像，进行颜色识别，并且统计出小球的直径。做图像处理都是基于PC端的开发，一直希望STM32可以用。后续可以加入其它的一些算法，比如字符识别，人脸识别等。本方案我们采用了OV9655的130万像素摄像头，并通过转接板自己设计的，配合STM32F746自带的摄像头接口。 截图展示: 颜色识别系统设计框图: 软件设计包括:摄像头OV9655驱动的实现，图像颜色识别算法实现，图像尺寸检测算法检测等。 视觉算法的主要思想如下: 有过使用photoshop经历的人对色彩模式应该不会陌生，大家应该非常熟悉的是RGB色彩模式，因为它是最常见的也是听说最多的，另外还有一种色彩模式是HSL，H代表色相，S代表饱和度，L代表亮度，这种色彩模式是美术人最常用的，这是因为它是基于人对色彩的心理感受的一种色彩模式。 RGB向HSL色彩模式的转换在图像处理中应用较为广泛，我们的小球识别中很可能需要该步骤，原理与公式讲起来需要太多的时间与空间，大家可能也不希望听我啰嗦，那么我就把代码传上来吧。（详见附件内容） 软件设计:

针对视频图像中车辆检测问题,提出了一种基于计算机视觉的运动车辆检测方法。首先,选取最佳方差参数并利用双边滤波对图像进行预处理;再利用Surendra背景更新算法实时更新背景图像,采用粒子群(PSO)极大熵法求得背景差分图像的阈值;然后,将得到的二值图像进行形态学处理并检测出运动车辆。实验结果表明,该算法不仅适用于简单背景、车速较慢的环境中,而且在复杂背景、噪声较大、车速较快的情况下,该方法均能够克服外界环境的不利影响,准确地检测出运动车辆,提高检测的准确率。

LS3D-W 是个大规模人脸对齐标注数据集，由诺丁汉大学计算机视觉实验室创建。人脸图像来自AFLW, 300VW, 300W和FDDB，人脸对齐采用68点标注法，一共包含了大约 230,000 人脸精准标记图像，通过论文《How far are we from solving the 2D \ 3D Face Alignment problem?》中的方法生成。

CV_interviews_Q-A 不试着去找找实习，不试着被面试官毒打下，都意识不到自己基础的薄弱，很多东西被问到只知道个大概，再深挖一下为什么就支支吾吾答不上来了。深感CV算法岗竞争之激烈，从来都是狭路相逢勇者胜，借找工作的机会好好整理下所学的知识，希望现在好好准备还来时晚，一起努力向要约发起冲击吧！ 本仓库汇总的CV算法岗重要的一些知识点和面试问答，主要分为计算机视觉，机器学习，图像处理和，C ++基础四大块，每个块都有几十个问题，每个问题都会努力做出的详细完整的解答，帮助您理清这些知识点细节。 为了刺激下大家的神经，激发斗志，在往下看之前可以先看看这份经验分享： 。创建本仓库的灵感也就是扩张此文，感谢大佬的分享〜 食用方法 额外添加转换过的PDF版，如果直接下载md文件显示不了一些图片或者公式的话，可以匹配PDF版学习。－－2020.08.14 github上直接看的话很多公式和

一篇关于机器视觉和目标检测的论文。 在做目标识别的时候有帮助。

Python调用PixelLib实现图像分割（证件照抠图换背景） https://xercis.blog.csdn.net/article/details/108001828

如果需要检测到图像里面的边缘，首先我们需要知道边缘处具有什么特征。对于一幅灰度图像来说，边缘两边的灰度值肯定不相同，这样我们才能分辨出哪里是边缘，哪里不是。因此，如果我们需要检测一个灰度图像的边缘，我们需要找出哪里的灰度变化最大。显然，灰度变化越大，对比度越强，边缘就越明显。那么问题来了，我们怎么知道哪里灰度变化大，哪里灰度变化小呢？在数学中，与变化率有关的就是导数。如果灰度图像的像素是连续的(实际不是)，那么我们可以分别原图像G对x方向和y方向求导数，获得x方向的导数图像Gx和y方向的导数图像Gy。Gx和Gy分别隐含了x和y方向的灰度变化信息，也就隐含了边缘信息。如果要在同一图像上包含两个方