也是上上周布置的作业，主要是比较不同 Retinex 算法实现的结果。同样也是需要自己看论文并实现算法，这点应该是选这门课最大的优点了，也是硕士需要掌握的基本技能。

今天在课上，还以为会被批评，没想到被夸奖了一翻，心里美滋滋。授课教授说我写的 report 很清晰明了，可以清晰地知道哪张结果图片对应哪个算法，还问我是不是写过很多论文。哈哈，论文是没写过的，倒是看过不少，知道非英语母语读者的痛点在哪里以及一些基本的套路。

上上上上周，数字图片处理课程布置了一个作业，需要看论文实现并比较各种直方图均衡的算法：

基本的直方图均衡算法已经在这篇文章里说明了，今天这篇主要讲变体。

最近忙于课业和准备自己的课题，这篇躺在草稿箱里很久了，今天提前做完作业，才有时间整理出来。

亮度直方图

在说明直方图均衡之前，先说说亮度直方图的概念。为了评估一个图像的色调转换，首先需要建立亮度直方图。亮度直方图就是图像中亮度分布的图表。在横轴上表示亮度值从黑色到白色；在竖轴上表示某一亮度所累积的像素数量。这里的亮度值指的是灰度等级，范围一般从 0 到 255，0 表示黑色，255 表示白色。

「总结自《Grokking Algotithms》这本书第六章内容」

最近给朋友安利了 Telegram，得以突破好友为 0 的记录。慢慢喜欢上了这款即时通讯软件，当把其和微信连接起来的时候，别提有多爽了。

问题描述

在做人脸识别的时候，前期的数据处理过程中可能会遇到一个问题，即将人脸从不同尺寸的图像中截取出来，再进行“对齐”操作。这样可以使每一个截取的人脸中的眼睛等位置处于同一位置，会对后面的识别算法起到一定的优化作用。

Faster R-CNN 是 2016 年的论文，它不再使用传统的 region proposal 方法，而是提出一种新方法 - Region Proposal Network（RPN）_。_RPN 是一个全卷积网络，可同时预测每个位置的对象边界和对象概率。论文中通过共享卷积特征将 RPN 和 Fast R-CNN 合并到一个网络中 - 使用了最近流行的神经网络术语“注意力”机制。

室友在 1 月 14 号回国了，今天要回学校了。并不是开学了，而是担心导师有事情找她或者学校里的一些事情。目前距离开学还有半个月，但我仍旧每天往实验室跑，因为焦虑。

Canny 边缘检测算法由计算机科学家 John F. Canny 于 1986 年提出的。其不仅提供了算法，还带来了一套边缘检测的理论，分阶段的解释如何实现边缘检测。Canny 检测算法包含下面几个阶段：

Fast R-CNN 是 2015 年提出来的用于目标检测的一种方法。名字中带有 Fast 就可以看出，这篇论文改进了 R-CNN 的缺点，并加快了训练和测试过程的速度，同时 Fast R-CNN 还提高了目标检测的准确率。