模糊算法

模糊理论 ······首先，人们在认识模糊性时，是允许有主观性的，也就是说每个人对模糊事物的界限不完全一样，承认一定的主观性是认识模糊性的一个特点。例如，我们让100个人说出“年轻人”的年龄范围，那么我们将得到100个不同的答案。尽管如此，当我们用模糊统计的方法进行分析时，年轻人的年龄界限分布又具有一定的规律性。 ······其次，模糊性是精确性的对立面，但不能消极地理解模糊性代表的是落后的生产力，恰恰相反，我们在处理客观事物时，经常借助于模糊性。例如，在一个有许多人的房间里，找一位“年老的高个子男人”，这是不难办到的。这里所说的“年老”、“高个子”都是模糊概念，然而我们只要将这些模糊概念经过头脑的分析判断，很快就可以在人群中找到此人。如果我们要求用计算机查询，那么就要把所有人的年龄，身高的具体数据输入计算机，然后我们才可以从人群中找这样的人。 ······最后，人们对模糊性的认识往往同随机性混淆起来，其实它们之间有着根本的区别。 随机性是其本身具有明确的含义，只是由于发生的条件不充分，而使得在条件与事件之间不能出现确定的因果关系，从而事件的出现与否表现出一种不确定性 。而事物的 模糊性是指我们要处理的事物的概念本身就是模糊的 ，即一个对象是否符合这个概念难以确定，也就是由于概念外延模糊而带来的不确定性。 模糊控制 模糊控制的基本思想 把人类 专家 对特定的

1、[数字图像处理]模糊算法用于图像增强 - zhoufan的专栏 https://blog.csdn.net/zhoufan900428/article/details/13502329 2、论文：模糊理论及其在图像处理中的应用 3、模糊理论用于边缘提取 《改进的模糊推理规则图像边缘检测算法 Improved image edge detection algorithm based on fuzzy inference rules》 模糊推理规则边缘检测算法具有较强的边缘检测能力，并且具备一定的抗噪效果。但是，这种算法只在高斯噪声较小时有效，当高斯噪声较大时它的边缘检测效果甚至比Canny等算子的效果还差。针对模糊推理规则算法在强高斯噪声时效果较差的问题，提出一种改进的模糊边缘检测算法。该算法能够根据图像含噪情况调整边缘检测方案：当噪声较弱时，使用模糊推理规则边缘检测算法；当噪声较强时，为提高算法抑制噪声的能力，使用改进的模糊推理规则边缘检测算法。实验结果表明，该方法具有更好的抗噪性能和边缘检测能力。 《模糊理论改进算法的CT图像弱边缘检测 Weak edge detection of CT image based on improved algorithm of fuzzy theory》 来源： https://www.cnblogs.com/wxl845235800/p

1．对返回的行无任何限定条件，即没有where子句 2．未对数据表与任何索引主列相对应的行限定条件 例如：在City-State-Zip列创建了三列复合索引，那么仅对State列限定条件不能使用这个索引，因为State不是索引的主列。 3．对索引的主列有限定条件，但是在条件表达式里使用以下表达式则会使索引失效，造成全表扫描： （1）where子句中对字段进行函数、表达式操作，这将导致引擎放弃使用索引而进行全表扫描, Demo: where upper(city)='TokYo' 或 City || 'X' like 'TOKYO%', select id from t where num/2=100 应改为: select id from t where num=100*2 select * from emp where to_char(hire_date,'yyyymmdd')='20080411' (不使用) select * from emp where hire_date = to_char('20080411','yyyymmdd') (使用) （2）查询字段is null时索引失效，引起全表扫描。 where City is null 或 where City is not null, 解决方法：SQL语法中使用NULL会有很多麻烦，最好索引列都是NOT NULL的

meta标签到底做了什么事情 做过移动端适配的小伙伴一定有遇到过这行代码： <meta name="viewport" content="width=device-width, initial-scale=1.0"> 但是，很多小伙伴只是感性的认识：噢，我加了这行代码，然后页面的宽度就会跟我的设备宽度一致。然而，这种理解是很片面的。那么，这句话的本质到底是什么呢？ 不急，我们先往下面看，这里先留个悬念。 几个专有名词和单位 这里，我们先来辨析一下在适配的时候经常会遇到的一些名词、数值单位。 首先，先来看一下 物理像素 。 以iphone6为例，可知道： 分辨率 ：1334pt x 750pt 指的是屏幕上垂直有1334个物理像素，水平有750个物理像素。 屏幕尺寸 ：4.7in 注意英寸是长度单位，不是面积单位。4.7英寸指的是屏幕对角线的长度，1英寸等于2.54cm。 屏幕像素密度 ：326ppi 指的是每英寸屏幕所拥有的像素数，在显示器中，dpi=ppi。dpi强调的是每英寸多少点。同时， 屏幕像素密度 = 分辨率 / 屏幕尺寸 接着，我们来看一下其他的单位。 设备独立像素 ：设备独立像素，不同于设备像素（物理像素），它是虚拟化的。比如说css像素，我们常说的10px其实指的就是它。需要注意的是， 物理像素 开发者是无法获取的，它是自然存在的一种东西，该是多少就是多少。

GPUImage是iOS上一个基于OpenGL进行图像处理的开源框架，内置大量滤镜，架构灵活，可以在其基础上很轻松地实现各种图像处理功能。 GPUImgae特性 1，丰富的输入组件 摄像头、图片、视频、OpenGL纹理、二进制数据、UIElement(UIView, CALayer) 2，大量现成的内置滤镜（4大类） 1). 颜色类（亮度、色度、饱和度、对比度、曲线、白平衡...） 2). 图像类（仿射变换、裁剪、高斯模糊、毛玻璃效果...） 3). 颜色混合类（差异混合、alpha混合、遮罩混合...） 4). 效果类（像素化、素描效果、压花效果、球形玻璃效果...） 3，丰富的输出组件 UIView、视频文件、GPU纹理、二进制数据 4，灵活的滤镜链 滤镜效果之间可以相互串联、并联，调用管理相当灵活。 5，接口易用 滤镜和OpenGL资源的创建及使用都做了统一的封装，简单易用，并且内置了一个cache模块实现了framebuffer的复用。 6，线程管理 OpenGLContext不是多线程安全的，GPUImage创建了专门的contextQueue，所有的滤镜都会扔到统一的线程中处理。 7，轻松实现自定义滤镜效果 继承GPUImageFilter自动获得上面全部特性，无需关注上下文的环境搭建，专注于效果的核心算法实现即可。 滤镜基本原理

1 前备知识　　 中值滤波本质上是统计排序滤波器的一种，中值滤波对图像特定噪声类型（椒盐噪声）会取得比较好的去噪效果，也是常见的图像去噪声与增强的方法之一，相对的还有最小值滤波，最大值滤波。中值滤波也是窗口在图像上移动，其覆盖的对应ROI区域下，所有像素值排序，取中值作为中心像素点的输出值，与均值滤波相对比，该滤波方法不用做卷积(点乘相加)。具体操作方法如下图： 2 所用到的主要OpenCv API /** @brief Blurs an image using the median filter. The function smoothes an image using the median filter with the \f$\texttt{ksize} \times \texttt{ksize}\f$ aperture. Each channel of a multi-channel image is processed independently. In-place operation is supported. @note The median filter uses #BORDER_REPLICATE internally to cope with border pixels, see #BorderTypes @param src input 1-, 3-, or

作者：Hohohong 链接：https://www.jianshu.com/p/8d2d93c4229b 來源：简书 图像卷积滤波与高斯模糊 1.1 图像卷积滤波 对于滤波来说，它可以说是图像处理最基本的方法，可以产生很多不同的效果。以下图来说 图中矩阵分别为二维原图像素矩阵，二维的图像滤波矩阵（也叫做卷积核，下面讲到滤波器和卷积核都是同个概念），以及最后滤波后的新像素图。对于原图像的每一个像素点，计算它的领域像素和滤波器矩阵的对应元素的成绩，然后加起来，作为当前中心像素位置的值，这样就完成了滤波的过程了。 可以看到，一个原图像通过一定的卷积核处理后就可以变换为另一个图像了。而对于滤波器来说，也是有一定的规则要求的。 ① 滤波器的大小应该是奇数，这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，也有了半径的称呼，例如5x5大小的核的半径就是2。 ② 滤波器矩阵所有的元素之和应该要等于1，这是为了保证滤波前后图像的亮度保持不变。当然了，这不是硬性要求了。 ③ 如果滤波器矩阵所有元素之和大于1，那么滤波后的图像就会比原图像更亮，反之，如果小于1，那么得到的图像就会变暗。如果和为0，图像不会变黑，但也会非常暗。 ④ 对于滤波后的结构，可能会出现负数或者大于255的数值。对这种情况，我们将他们直接截断到0和255之间即可。对于负数，也可以取绝对值。 1.2 卷积核一些用法

如题，摄像机内部ISP模块一般AE曝光默认的曝光时间优先，在抓拍运动物体时会出现运动模糊问题，而对于人脸抓拍机，高质量的人脸图片对于后续的人脸检测、人脸识别等功能有很重要的影响。 如图所介绍的内容是在《数码摄影实践》一书中提出的，对于运动模糊问题有指导意义。 在实际测试中，室内光线不足，按照默认曝光策略（先调整曝光时间ET，ET=40ms后画面曝光量仍不够的情况下，增大增益值，这种策略主要是为了减小噪点）曝光时间ET在35ms左右，抓拍行人，当行人距离摄像机（6mm焦距）2米左右时抓拍的行人均出现运动模糊，2米以外的行人基本不会出现运动模糊； 将ET手动调整到10ms，增大增益后，同样抓拍行人，当行人距离摄像机（6mm焦距）2米左右时抓拍的行人出现的运动模糊会有所改善，但是对于行走较快的人还是有轻微的运动模糊； 将ET手动调整到8ms，抓拍到的行人没有再出现运动模糊（基于当前测试集），8ms这个数据对应书中提到的1/125s，是一致的； 所以对于运动物体的抓拍，尽量减小曝光时间，否则会存在运动模糊，当然，对于运动模糊也是有算法可以进行处理的。 文章来源: https://blog.csdn.net/lovexiao0106/article/details/92571551

算法原理 Matlab代码 %根据lambda截集，模糊聚类 clear; x = [80,10,6,2; 50,1,6,4; 90,6,4,6; 40,5,7,3; 10,1,2,4]; %样本 row = size(x,1); %样本个数 x2 = bz(x); %标准化 R = gm(x2); %构造模糊相似矩阵 biBao = transBiBao(R); %求传递闭包 [L,J] = lambdaJie(biBao); %截集 [T] = juLei(L,J,row); %聚类 H = dendrogram(T); %绘制聚类谱系图 function [x2] = bz(x) %最大值标准化 temp = max(x); x2 = x./temp; end function [R] = gm(x2) %最大最小法构造模糊相似矩阵 row = size(x2,1); R = zeros(row,row); for i = 1:row for j = 1:row R(i,j) = sum(jiao(x2(i,:),x2(j,:)))/sum(bing(x2(i,:),x2(j,:))); end end end function [Z] = jiao(X,Y) %两个矩阵交 [row,col] = size(X); Z = zeros(row,col); for i = 1

　　XSStrike是一个先进的XSS检测套件，它包含一个功能强大的XSS模糊器，并使用模糊匹配提供零误报结果。 XSStrike是第一个生成自己的有效载荷的XSS扫描器。 它还以足够智能的方式构建，以检测和突破各种环境。 　　 XSStrike XSS Fuzzer＆Hacking Tool的特点 XSStrike有： 强大的模糊引擎 上下文突破技术 智能负载生成 GET＆POST方法支持 Cookie支持 WAF指纹识别 用于过滤和WAF规避的手工制造有效载荷 隐藏参数发现 通过levenshtein距离算法得到准确的结果 您可以查看以下各种其他XSS安全相关工具： xssless - 用Python编写的自动XSS有效负载生成器 XSSer v1.0 - 跨站点Scripter框架 你可以在这里下载XSStrike： XSStrike-master.zip 或者 在这里 阅读更多。 文章来源: XSS Fuzzer工具