隐写术是一门关于在适当的多媒体载体中传输秘密数据的科学，例如在图像、音频和视频文件中。它的假设是，如果特征是可见的，那么攻击点就是明显的，因此这里的目标总是隐藏嵌入数据的存在。LSB隐写术是一种图像隐写术技术，通过用要隐藏的信息位替换每个像素的最低有效位，

计算机视觉中的编解码结构的局限性以及提升方法。卷积神经网络广泛应用于深度学习和计算机视觉算法中。虽然很多基于CNN的算法符合行业标准，可以嵌入到商业产品中，但是标准的CNN算法仍然有局限性，在很多方面还可以改进。由于其简单和准确，该体系结构被广泛使用。顾名

首先先将几个主要概念讲一下；移动端故名思义是为移动终端，大名叫移动通信终端，是指可以在移动中使用的计算机设备。其实就是我们常说的手机。前端开发中布局是将主要的html结构布置好。rem是一种长度单位，是而且仅是根据根元素html改变的长度单位。Root e

　　数字图像划分为彩色图像、灰度图像、二值图像和索引图像几种。其中，像素是构成图像的基本单位，例如一张28×28像素的图片，即表示横向有28个像素点，纵向有28个像素点。也称之为3个通道。显然，灰度图像与黑白图像不同，黑白图像只由黑色和白色两种颜色，通常用

　　绝对长度单位视借质而定，不依赖于环境。绝对长度单位相互之间是固定的，并固定在一些物理测量中。主要运用在输出环境已知的情况下。　　绝对单位包括物理单位和视角单位。　　CSS 将光栅图像的显示方式定义为默认每一个图像大小为“1px”。　　现在版本中，很多内

关于这些问题，可能就不清楚了。一个像素就是计算机能够显示一种特定颜色的最小区域。当设备尺寸相同但像素变得更密集时，屏幕能显示的画面的过渡更细致，网站看起来更明快。

所谓“Retina”是一种显示标准，是把更多的像素点压缩至一块屏幕里，从而达到更高的分辨率并提高屏幕显示的细腻程度。由摩托罗拉公司研发。最初该技术是用于Moto Aura上。这种分辨率在正常观看距离下足以使人肉眼无法分辨其中的单独像素。也被称为视网膜显示屏

所谓的像素图，就是对图像做一个颗粒化的效果，使其产生一种妙不可言的朦胧感。费话不多说，先来看一张效果图。现在，我们用Python来实现这种像素化的效果。这里我们使用Numpy库和PIL库来实现这个需求，后者用来图像的读取与保存，涉及到的所有图像处理动作均借

照片是我们保留记忆的最有用工具之一。由于技术的发展，我们有了智能手机，从某种意义上说，它就是相机。现在，数十亿拥有智能手机的人都可以拍照留存。用智能手机拍摄的照片更容易发生像素化。即使使用相机，也很容易获得错误设置的模糊图像。对我们来说幸运的是，像素化照片

至于如何利用这几个接口实现更复杂的效果，则会在后续章节里继续讲述。

图像作为一个一维信号，也可以通过多种低通过滤器和高通过滤器来过滤。低通过滤器可以去除噪声，或者模糊图像。高通过滤器可以帮助在一个图像中找出边界。OpenCV提供了一个函数，cv2.filter2D()，对一个图像进行内核卷积。使用一个高斯内核，需要制定核的

学习计算机视觉首先必须要知道计算机是如何识别图像的，本文主要简述了计算机如何‘看’图片，相对于视频文件来说，道理是一样的。一般来说，我们可以将图像分类为灰度图像或彩色图像。在灰度图像中，每个像素表示仅一种颜色的强度。现在下一个问题应该是，我们要如何在矩阵中

由于一些移动端的兼容性原因，我们某个项目需要前端将pdf转换成在移动端页面可直接观看的界面。为了方便解决，我们采用了pdf.js这个插件，该插件可以将pdf转换成canvas绘制在页面上。不过，在测试过程中却发现，在移动端的浏览器上，绘制的内容展示十分模糊

由于最近涉及到匹配相似图片的问题，所以在此记录下解决办法：差异值哈希算法 + 颜色直方图环境要求：Python cv2库 math库。缩小尺寸 一般将图片缩放为 8 * 8 的尺寸大小，共64个像素的图片。而 RGB 三个颜色中每个颜色值都是用 8 个比特

移动端 Web 页面，即常说的 H5 页面、手机页面、webview 页面等。手机机设备屏幕尺寸不一，做移动端的 Web 页面，需要考虑在安卓/IOS 的各种尺寸设备上的兼容，这里总结的是针对移动端设备的页面，设计与前端实现怎样做能更好地适配不同屏幕宽度的

卷积神经网络已经断断续续的学了大半年了，却发现自己还是一头雾水，连基本的概念都没搞清楚。这两天在网上查了一些资料，看了一些教程。将卷积神经网络的基本概念和原理理了一下，并整理出来，以供大家参考。白化是将PCA去相关性之后将每一特征的方差归一化到1. 这样p

本文主要是实现了根据人脸识别性别的卷积神经网络,并对卷积过程中的提取特征进行了可视化.

低通过滤器可以去除噪声，或者模糊图像。高通过滤器可以帮助在一个图像中找出边界。OpenCV提供了一个函数，cv2.filter2D()，对一个图像进行内核卷积。比方说使用一个5x5的滤波内核，即表示针对每一个像素，它的色值为：它周边5x5区域内所有像素色值

本系列分为三个部分，分别为part I、part II以及part III。系列所有的源代码地址：GitHub-Image-Processing-Python。在上一篇文章中，我们已经完成了以下一些基本操作。为了跟上今天的内容，回顾一下之前的基本操作：。导

近年来，以深度学习为中心的机器学习技术引起了人们的关注。比如自动驾驶汽车已经逐渐成为可能，但在整个深度学习过程，需要算法识别和学习作为原始数据提供的图像，在这一过程中，应用到了语义分割技术。下面让我们来看看语义分割的需求是如何演变的。