SSE影象演算法優化系列二十三: 基於value-and-criterion structure 系列濾波器（如Kuwahara，MLV，MCV濾波器）的優化。

阿新 • • 發佈：2018-12-15

int IM_KuwaharaFilter(unsigned char *Src, unsigned char *Dest, int Width, int Height, int Stride, int Radius) { int Channel = Stride / Width; if ((Src == NULL) || (Dest == NULL)) return IM_STATUS_NULLREFRENCE; if ((Width <= 0) || (Height <= 0)) return

IM_STATUS_INVALIDPARAMETER; if ((Channel != 1) && (Channel != 3)) return IM_STATUS_INVALIDPARAMETER; int Status = IM_STATUS_OK; unsigned char *Average = (unsigned char *)malloc(Height * Width * sizeof(unsigned char)); int *Deviation = (int

*)malloc(Height * Width * sizeof(int)); int *RowOffset = (int *)malloc((Width + Radius + Radius) * sizeof(int)); int *ColOffset = (int *)malloc((Height + Radius + Radius) * sizeof(int)); unsigned char *Blur = NULL; if ((Average == NULL) || (Deviation == NULL) || (RowOffset == NULL) || (ColOffset == NULL)) { Status

= IM_STATUS_OUTOFMEMORY; goto FreeMemory; } if (Channel == 1) { Status = IM_GetLocalMeanAndDeviationFilter(Src, Average, Deviation, Width, Height, Stride, Radius, false); if (Status != IM_STATUS_OK) goto FreeMemory; } else { Blur = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char)); // 彩色需要使用明度通道來計算均方差，不然會出現彩色異常塊 if (Blur == NULL) { Status = IM_STATUS_OUTOFMEMORY; goto FreeMemory; } Status = IM_GetLuminance(Src, Average, Width, Height, Stride, false); // 得到明度通道 if (Status != IM_STATUS_OK) goto FreeMemory; Status = IM_GetLocalMeanAndDeviationFilter(Average, NULL, Deviation, Width, Height, Width, Radius, false); // 無需儲存對應的均值，因為沒用 if (Status != IM_STATUS_OK) goto FreeMemory; Status = IM_BoxBlur(Src, Blur, Width, Height, Stride, Radius); // 彩色模糊 if (Status != IM_STATUS_OK) goto FreeMemory; } for (int Y = 0; Y < Height + Radius + Radius; Y++) ColOffset[Y] = IM_GetMirrorPos(Height, Y - Radius); for (int X = 0; X < Width + Radius + Radius; X++) RowOffset[X] = IM_GetMirrorPos(Width, X - Radius); for (int Y = 0; Y < Height; Y++) { int *LinePST = Deviation + ColOffset[Y] * Width; // 均方差 int *LinePSB = Deviation + ColOffset[Y + Radius + Radius] * Width; unsigned char *LinePD = Dest + Y * Stride; if (Channel == 1) { unsigned char *LinePT = Average + ColOffset[Y] * Width; // 均值 unsigned char *LinePB = Average + ColOffset[Y + Radius + Radius] * Width; for (int X = 0; X < Width; X++) { int OffsetL = RowOffset[X]; // 求4個點的均方差的最小值 int OffsetR = RowOffset[X + Radius + Radius]; int Min, Mean; if (LinePST[OffsetL] < LinePST[OffsetR]) { Min = LinePST[OffsetL]; Mean = LinePT[OffsetL]; } else { Min = LinePST[OffsetR]; Mean = LinePT[OffsetR]; } if (Min > LinePSB[OffsetL]) { Min = LinePSB[OffsetL]; Mean = LinePB[OffsetL]; } if (Min > LinePSB[OffsetR]) { Min = LinePSB[OffsetR]; Mean = LinePB[OffsetR]; } LinePD[X] = Mean; } } else { unsigned char *LinePT = Blur + ColOffset[Y] * Stride; // 均值 unsigned char *LinePB = Blur + ColOffset[Y + Radius + Radius] * Stride; for (int X = 0; X < Width; X++) { int OffsetL = RowOffset[X]; // 求4個點的均方差的最小值 int OffsetR = RowOffset[X + Radius + Radius]; int Min, MeanB, MeanG, MeanR; if (LinePST[OffsetL] < LinePST[OffsetR]) { Min = LinePST[OffsetL]; MeanB = LinePT[OffsetL * 3 + 0]; MeanG = LinePT[OffsetL * 3 + 1]; MeanR = LinePT[OffsetL * 3 + 2]; } else { Min = LinePST[OffsetR]; MeanB = LinePT[OffsetR * 3 + 0]; MeanG = LinePT[OffsetR * 3 + 1]; MeanR = LinePT[OffsetR * 3 + 2]; } if (Min > LinePSB[OffsetL]) { Min = LinePSB[OffsetL]; MeanB = LinePB[OffsetL * 3 + 0]; MeanG = LinePB[OffsetL * 3 + 1]; MeanR = LinePB[OffsetL * 3 + 2]; } if (Min > LinePSB[OffsetR]) { Min = LinePSB[OffsetR]; MeanB = LinePB[OffsetR * 3 + 0]; MeanG = LinePB[OffsetR * 3 + 1]; MeanR = LinePB[OffsetR * 3 + 2]; } LinePD[0] = MeanB; LinePD[1] = MeanG; LinePD[2] = MeanR; LinePD += 3; } } } FreeMemory: if (Average != NULL) free(Average); if (Deviation != NULL) free(Deviation); if (RowOffset != NULL) free(RowOffset); if (ColOffset != NULL) free(ColOffset); if (Blur != NULL) free(Blur); return Status; }

SSE影象演算法優化系列二十三: 基於value-and-criterion structure 系列濾波器（如Kuwahara，MLV，MCV濾波器）的優化。 SSE影象演算法優化系列十四：區域性均方差及區域性平方差演算法的優化 SSE影象演算法優化系列七：基於SSE實現的極速的矩形核腐蝕和膨脹（

基於value-and-criterion structure方式的實現的濾波器在原理上其實比較簡單，感覺下面論文中得一段話已經描述的比較清晰了，直接貼英文吧，感覺翻譯過來反而失去了原始的韻味了。 T

SSE影象演算法優化系列二十三: 基於value-and-criterion structure 系列濾波器（如Kuwahara，MLV，MCV濾波器）的優化。

int IM_KuwaharaFilter(unsigned char *Src, unsigned char *Dest, int Width, int Height, int Stride, int Radius) { int Channel = Stride / Width; if

SSE圖像算法優化系列二十三: 基於value-and-criterion structure 系列濾波器（如Kuwahara，MLV，MCV濾波器）的優化。

Once 領域 hat ble 感覺 das 噪音 gre 種類基於value-and-criterion structure方式的實現的濾波器在原理上其實比較簡單，感覺下面論文中得一段話已經描述的比較清晰了，直接貼英文吧，感覺翻譯過來反而失去了原始的韻味了

EF 學習系列二資料庫表的建立和表關係配置（Fluent API、Data Annotations、約定）

上一篇寫了《Entity Farmework領域建模方式 3種程式設計方式》，現在就Code First 繼續學習 1、資料庫表的建立新建一個MVC的專案，在引用右擊管理NuGet程式包，點選瀏覽搜尋EF安裝，我這裡主要是EF6.0 以上的學習所以都安裝6.0 以上的版本

SSE影象演算法優化系列二十四: 基於形態學的影象後期抗鋸齒演算法--MLAA優化研究。

偶爾看到這樣的一個演算法，覺得還是蠻有意思的，花了將近10天多的時間研究了下相關程式碼。以下為百度的結果：MLAA全稱Morphological Antialiasing，意為形態抗鋸齒是AMD推出

SSE影象演算法優化系列二十五:二值影象的Euclidean distance map（EDM)特徵圖計算及其優化。 SSE影象演算法優化系列九：靈活運用SIMD指令16倍提升Sobel邊緣檢測的速度（4000*3000的24點陣圖像時間由480ms降低到30ms）

　　Euclidean distance map（EDM)這個概念可能聽過的人也很少，其主要是用在二值影象中，作為一個很有效的中間處理手段存在。一般的處理都是將灰度圖處理成二值圖或者一個二值圖處理成另外一個二值圖，而EDM演算法確是由一幅二值圖生成一幅灰度圖。其核心定義如下：　　The definitio

SSE影象演算法優化系列二十六:和時間賽跑之優化高斯金字塔建立的計算過程。

　　影象金字塔技術在很多層面上都有著廣泛的應用，很多開源的工具也都有對他們的建立寫了專門的函式，比如IPP，比如OpenCV等等，這方面的理論文章特別多，我不需要贅述，但是我發現大部多分開源的程式碼的實現都不是嚴格意義上的金字塔，而是做了一定的變通，這種變通常常為了快捷的實現類似的效果，雖然這種變通不太會影響

SSE影象演算法優化系列三十：GIMP中的Noise Reduction演算法原理及快速實現。

　　GIMP原始碼連結：https://gitlab.gnome.org/GNOME/gimp/-/archive/master/gimp-master.zip 　　GEGL相關程式碼連結：https://gitlab.gnome.org/GNOME/gegl/-/archive/master/gegl-m

Hulu機器學習問題與解答系列 | 二十三：神經網絡訓練中的批量歸一化

導致 xsl 泛化能力恢復不同詳細過程 ice ini 來看看批量歸一化的有關問題吧！記得進入公號菜單“機器學習”，復習之前的系列文章噢。今天的內容是【神經網絡訓練中的批量歸一化】場景描述深度神經網絡的訓練中涉及諸多手調參數，如學習率，權重衰減系數，

Hadoop運維記錄系列(二十三)

class .com 數據報 write map 運行應用 inf 計算最近做集群機房遷移，在舊機房和新機房之間接了根專線，做集群不停機搬遷，也就是跨機房，同時要新加百多臺服務器，遇到幾個問題，記錄一下。舊集群的機器是centos 6, 新機房加的機器是centos 7

【無人駕駛系列二】基於ROS的無人駕駛系統

本文是無人駕駛技術系列的第二篇。在上篇解析光學雷達（LiDAR）技術之後，本文著重介紹基於機器人作業系統ROS的無人駕駛系統。文中將介紹ROS以及它在無人駕駛場景中的優缺點，並討論如何在ROS的基礎上提升無人駕駛系統的可靠性、通訊效能和安全性。無人駕駛：多種技術的整合無人駕駛技術是多個

Unity 六邊形地圖系列(二十三) ：自動生成地形

原文：https://catlikecoding.com/unity/tutorials/hex-map/part-23/ 機翻+個人潤色 ·通過自動生成地形填充地圖。 ·將地圖塊升到水面上或者沉下去一些。 ·控制哪些地塊出現，有多高，以及不規律。 ·支援多種配置選項來建立不同的

二十三基於堆實現優先佇列

複雜度分：基於堆實現優先佇列： package com.lt.datastructure.MaxHeap; import com.lt.datastructure.Queue.Queue; /** * 堆實現優先佇列 */ public

Java學習系列(二十三)Java面向物件之內部類詳解

一、前言內部類也稱寄生類，就是把一個類放在類裡面（即內部類的上一級程式單元是類）定義，將其作為外部類的成員。內部類主要用幾種定義形式：靜態(static)內部類，非靜態內部類，匿名內部類(也就是沒有名字的寄生類)。內部類的好處就是內部類可以直接外部類的(包括私有)

Expo大作戰(二十三)--expo中expo kit 高級屬性（沒幹貨）

alt 指定 rgba 生成 constant 公眾就是 shell. cloud 簡要：本系列文章講會對expo進行全面的介紹，本人從2017年6月份接觸expo以來，對expo的研究斷斷續續，一路走來將近10個月，廢話不多說，接下來你看到內容，講全部來與官網

計算機演算法課的第十三次作業——最優二分檢索樹（馬老師的課程）

國科大計算機與控制學院劉志浩 201828017729005 這篇部落格是專門給中國科學院大學“計算機演算法分析與設計”中馬老師佈置的第十三次作業的外鏈。由於在作業提交系統中，我的作業沒有辦法上傳，被提示檔案超出大小限制。這一狀況持續了

【Java併發程式設計】之二十三：併發新特性—訊號量Semaphore（含程式碼）

在作業系統中，訊號量是個很重要的概念，它在控制程序間的協作方面有著非常重要的作用，通過對訊號量的不同操作，可以分別實現程序間的互斥與同步。當然它也可以用於多執行緒的控制，我們完全可以通過

【Java併發程式設計】之二十三：併發新特性—訊號量Semaphore（含程式碼）(r)

執行緒pool-1-thread-1獲得許可：0 執行緒pool-1-thread-1釋放許可：0 當前允許進入的任務個數：5 執行緒pool-1-thread-2獲得許可：1 執行緒pool-1-thread-6獲得許可：5 執行緒pool-1-thread-4獲得許可：3 執行緒pool-1-thread

二叉搜索樹的實現源碼（源碼較長，請慎入）

直接 perf roo -- lan span 指向 blog balanced 實現二叉搜索樹的一種好方法是利用二叉樹抽象數據類型。我們以BisTree這個名稱來代表二叉搜索樹這種數據結構。通過typedef方式將BisTree(二叉搜索樹)實現為BiTree（二叉樹）

Leetcode 124：二叉樹中的最大路徑和（超詳細的解法！！！）

給定一個非空二叉樹，返回其最大路徑和。本題中，路徑被定義為一條從樹中任意節點出發，達到任意節點的序列。該路徑至少包含一個節點，且不一定經過根節點。示例 1: 輸入: [1,2,3] 1 / \ 2 3 輸出: 6 示例 2

SSE影象演算法優化系列二十三: 基於value-and-criterion structure 系列濾波器（如Kuwahara，MLV，MCV濾波器）的優化。

相關推薦