Questions tagged «image-processing»

我想知道是否存在一种快速方法来计算八度中两个向量的欧几里得距离。似乎没有特殊的功能，所以我应该只使用带有的公式sqrt吗？

17 octave  discretization  nonlinear-equations  newton-method  visualization  fluid-dynamics  mesh-generation  finite-element  finite-volume  optimization  algorithms  approximation  fluid-dynamics  navier-stokes  comsol  modeling  optimization  sparse-matrix  matrix  condition-number  visualization  matlab  quadrature  blas  intel-mkl  finite-element  gpu  discontinuous-galerkin  mathematica  optimization  convex-optimization  algorithms  reference-request  matlab  statistics  finite-element  numerical-analysis  petsc  molecular-dynamics  machine-learning  statistics  visualization  open-source  statistics  image-processing  visualization  python  petsc  finite-element  fluid-dynamics  stability  navier-stokes  incompressible 

我正在实施“ 注册和翘曲的最佳大众运输 ”一文，我的目标是将其联机，因为我只是在网上找不到任何欧拉大众运输代码，这至少对于图像处理领域的研究界很有意义。 论文可以总结如下： - 使用沿x和y坐标的一维直方图匹配找到初始图 求解，其中u ^ \ perp代表逆时针旋转90度，\ triangle ^ {-1}表示具有Dirichlet边界条件（= 0）的泊松方程的解，和都是雅可比矩阵的行列式。 -保证了时间步长dt &lt;\ min | \ frac {1} {\ mu_0} \ nabla ^ \ perp \ triangle ^ {-1} div（u ^ \ perp）|的稳定性。uuuut=1μ0Du∇⊥△−1div(u⊥)ut=1μ0Du∇⊥△−1div(u⊥)u_t = \frac{1}{\mu_0} Du \nabla^\perp\triangle^{-1}div(u^\perp)u⊥u⊥u^\perp△−1△−1\triangle^{-1}DuDuDudt&lt;min|1μ0∇⊥△−1div(u⊥)|dt&lt;min|1μ0∇⊥△−1div(u⊥)|dt<\min|\frac{1}{\mu_0}\nabla^\perp\triangle^{-1}div(u^\perp)| 对于数值模拟（在常规网格上执行），他们表示使用matlab的poicalc求解泊松方程，他们使用空间有限导数的中心有限差分，但使用逆风方案计算的Du除外DuDuDu。 使用我的代码，映射的能量函数和卷曲适当减小了几次迭代（取决于时间步长，从几十到几千）。但是在那之后，模拟爆炸：能量增加，只需很少的迭代即可达到NAN。我尝试了几个阶数的微分和积分（可以在这里找到cumptrapz的高阶替换项）以及不同的插值方案，但是我总是遇到相同的问题（即使在非常平滑的图像上，各处也不为零等）。 有人会对我所面对的代码和/或理论问题感兴趣吗？代码很短。 具有调试功能的代码 登记功能 测试代码，前提是您要注册两张相同大小的图像 只是必要的功能，没有测试内容（&lt;100行） 请在最后用gradient（）替换gradient2（）。这是一个高阶梯度，但也不能解决问题。 我现在只对本文的最佳运输部分感兴趣，而不对附加的正则化术语感兴趣。 谢谢 …

11 pde  finite-difference  matlab  fluid-dynamics  image-processing 

我有一个与此帖子类似的提法问题，但有一些明显的区别： 有什么简单的方法可以自适应地采样2D函数？ 就像那篇文章： 我有一个，对该函数的评估计算起来有些昂贵F（x ，y）f(x,y)f(x,y) 与那篇文章不同： 我并不对函数的精确值感兴趣，而只是对函数的单个等值线感兴趣。 我可以对函数的自相关以及因此的平滑度做出重要的断言。 有没有一种智能的方法来逐步执行/对该功能进行采样并找到该轮廓？ 更多信息 该函数是的计算Haralick特点在周围的点，通过某种分类器/回归的软分类pixles。其输出是一个浮点数，该数字指示该点所属的纹理/材料。这个数字的缩放比例可以是估计的类概率（SoftSVM或统计方法等），也可以是非常简单的东西，例如线性/逻辑回归的输出。与从图像中提取特征所需的时间相比，分类/回归是准确且便宜的。ñNN 围绕统计信息意味着该窗口通常在对重叠区域进行采样，因此附近的采样之间存在显着的相关性。（我什至可以用数字/符号方式表示）因此，可以将其视为的更复杂函数，其中较大的将给出与邻域更相关的估计（高度相关），并且较小的将给出更多的变量，但更多的局部估计。 f （x ，y ，N ）N NñNNF（x ，y，N）f(x,y,N)f(x, y, N)ñNNñNN 我尝试过的事情： 蛮力计算-效果很好。常数 95％正确分割。之后使用任何标准方法绘制轮廓，结果看起来都很棒。这需要永远。我可以简化基于每个样本计算的特征，但是理想情况下，我希望避免这种情况，以使此代码对具有差异的纹理在特征空间的不同部分显示的图像保持通用。 ñNN 哑步-在每个方向上采取单个像素“步”，并根据与等值线值的接近程度来选择要移动的方向。仍然相当慢，它将忽略等值线的分叉。同样，在具有平坦渐变的区域中，它会“漂移”或自身重回。 我想我想做第一个链接中建议的细分，但要修剪一些框，以限制感兴趣的等值线。我觉得我也应该能够利用，但是我不确定该如何处理。 ññN

10 optimization  image-processing