增强视觉 | 计算机视觉 增强现实

哈勃望远镜的官网有一个页面，专门介绍那些炫目的太空图像幕后的故事，很有意思，值得一看。

比方说，一张彩色的图像是由7张灰度图像，经由手工对齐，调整对比度，合成而来的。（有一个短片）

再比如说，为什么哈勃拍到的图像总有一个阶梯状的边缘？因为最初哈勃的成像器件由一组2*2的相机构成，其中一个相机放大倍数略高于其余三个，于是在后期处理时，需要将该相机捕获的图像缩小，以便拼接在一起，构成一个不错位的图像。但是这样也就造成了一个阶梯状的边缘。

From Hubble

推荐一本书：

Programming Computer Vision with Python

还没写完，可以直接下载电子版的书稿。

局部特征描述子可以分为两类，（个人看法，欢迎批评）：一是基于“绝对”值的，二是基于比较的。

基于绝对值的是指诸如Sift，Surf，GLOH之类的描述子。一般的思路是将灰度，梯度等量化，构造直方图。这类描述子的判别性高，直观，但是有个通病就是计算复杂度高。

基于比较的是指诸如Ferns，BRIEF，Orb，OSID，BRISK之类的描述子。一般的思路是通过比较预先训练的，或者随机点对的特征值大小，来构造描述子。这类描述子一般都是为了提高计算速度而设计的。这类描述子不关心原始特征的绝对大小，只关心原始特征的ranking。（值得一提的是为什么将Ferns也归在此类，Ferns并没有一个显式的特征描述，甚至没有一个距离度量，但是我相信Ferns之所以有用还是基于pairwise pixel comparisons 的判别能力。注1）

我之所以将描述子如此分类，是受到ICCV11的这篇文章的启发：

The Power of Comparative Reasoning

文中提出了一个非常简单的feature compression的方法WTA（不是WTF^_^）：

阅读全文…

哈哈哈

Via xkcd

教育试验呀，教育试验，让我们成为一个教育试验的一部分吧。大家应该都知道Andrew Ng和网易公开课里面基本太监掉的翻译。2011年，Andrew Ng要公开这个课了，要弄个教育试验。这个“大胆试验性分布式教育”意味着学生们不仅仅是像以往的开放课程那样下载讲课视频和其他的材料，而是在学习中参与到提交作业和收到回馈。恩，就是远程教育呀，远程教育。我申请的时候已经31,343人申请过了。这个课要成为世界上上的人最多的课么？ 阅读全文…

首先，神马是topic model？ wikipedia说是这个：

In machine learning and natural language processing, a topic model is a type of statistical model for discovering the abstract “topics” that occur in a collection of documents. An early topic model wasprobabilistic latent semantic indexing (PLSI), created by Thomas Hofmann in 1999.^[1] Latent Dirichlet allocation (LDA), perhaps the most common topic model currently in use, is a generalization of PLSI developed by David Blei, Andrew Ng, and Michael Jordan in 2002。 阅读全文…

之前去参加了在成都举办的VLPR，写点感受。。。

就像图中所看到的，VLPR的全称叫Vision Learning and Pattern Recognition. 这个是一个暑期学校，今年在电子科大办的，一个传说中男女比25：1的学校。 好吧，CV味够浓厚的了吧，请的人也很不错，虽然Li feifei放了鸽子，但是还是来了三个Marr prize winner，大家比较熟悉的就是Yi Ma老师了，没错，就是那个弄稀疏和low-rank的Ma Yi，其他两个分别是Stefano Soatto 和Zhuowen Tu。当然也还有PGM很透彻的Qiang Ji老师。个性的女老师Yanxi Liu也要提下，很个性，有人当场套她的磁，做tracking和医学图像的。Alex Hauptmann，MM领域的牛，以前做speech recognition的。Jiebo Luo，Ramesh Jain，Mubarak Shah都是做的很杂但都不错的老师。 阅读全文…

很早就在导航栏上加了代码这一页，但是一直没有添加内容。这两天抽空把之前用过，留意过的代码分类整理了一下。各位如果在平时学习，工作中遇到过对你非常有帮助的代码，请到这个页面下留言，我会不定期整理汇总更新。

谢谢

Lancelot365向cvchina投递了他对光场相机和Lytro的看法.与君共享.

前几个月，一个名为Lytro的相机是闹得轰轰烈烈，其“先拍照，后对焦”的理念及主要研发人华裔的身份都很能吸引眼球。一开始我是对其不屑一顾的，心想我拍个大景深的照片PS里高斯模糊一下不是一样的效果么？还要你融资五千万美刀开发一个相机？最近看machine learning跟pattern recognition的paper看的蛋疼，又在cvchina发现一篇介绍这个相机的文章，作者对其是不吝溢美之词，引发了我对它的兴趣。于是研究了下作者的两篇paper，写下此文。肯定有错误，希望各位大牛指正。

PS。本文部分图片来自CVCHINA，部分来自Ren的paper，参考资料主要是他的paper还有他paper参考的paper….

原理

Lytro实际是一个Light Field相机，也就是光场相机。光场相机并不是一个新鲜的概念，早在1996年，Levoy和Hanrahan就提出了四维光场可以表示空间内的所有光线，这十数年内更是有很多大牛对光场和光场相机做了无数研究，甚至有人（Adelson，Wang）做了prototype出来。相对于传统相机只能储存二维的数据（也就是每个像素对应的辐照），光场相机的优势在于它不仅能储存每个像素对应的照度，还记录了照到该像素的光线的方向。这是如何做到的呢，且听我慢慢解释。

阅读全文…