windows系统:Alt+← … navigate backAlt+→ … navigate forwardMac系统:Ctrl± … navigate backCtrl+Shift± … navigate forwardOn Ubuntu Linux系统:Ctrl+Alt± … navigate backCtrl+Shift± … navigate forward

在应用opencv中findContours()函数与drawContours()函数进行滤波时，将检测到的面积小于某个值的轮廓使用drawContours()函数涂成黑色，此时在显示的图片上看不到该轮廓，但是此时的轮廓并没有在vector > contours容器中删除。

一种比较方便的删除轮廓的处理方式，是我刚刚学习到的一个方法，在这之前，如果我想删除一个不需要的轮廓，用的方法是将该轮廓填充为背景色，之前的博客提到过，在countours容器中，如果把轮廓填充为背景色，那么只是视觉上看不到该轮廓，但是实际上还存在在容器中。所以之前总是要填充之后从新copyto一下，然后重新找一遍轮廓，达到删除轮廓的效果。这种方式实在是low。

在之前的文章中我们提到了TensorFlow TensorFlow 队列与多线程的应用以及TensorFlow TFRecord数据集的生成与显示，通过这些操作我们可以得到自己的TFRecord文件，并从其中解析出单个的Image和Label作为训练数据提供给网络模型使用，而在实际的网络训练过程中，往往不是使用单个数据提供给模型训练，而是使用一个数据集（mini-batch）

图像翻转tf.image.flip_up_down：上下翻转tf.image.flip_left_right：左右翻转tf.image.transpose_image：对角线翻转除此之外，TensorFlow还提供了随机翻转的函数，保证了样本的样本的随机性：tf.image.random_flip_up_down：随机上下翻转图片tf.image.random_flip

之前已经提到过图像卷积的操作和意义，并且用OpenCV中的filter2D函数实现了一些例子。OpenCV中的filter2D函数仅仅是用一个卷积核去卷积单个的图像矩阵，而在TensorFlow中，卷积操作主要用于CNN中的卷积层，所以输入不再仅仅局限与三维或一维的矩阵，卷积核的个数不再是单个，输出的通道数=卷积核的个数，为此TensorFlow提供了tf.nn.conv2d函数实现了一个卷积层的

什么是迁移学习在深度学习中，所谓的迁移学习是将一个问题A上训练好的模型通过简单的调整使其适应一个新的问题B。在实际使用中，往往是完成问题A的训练出的模型有更完善的数据，而问题B的数据量偏小。而调整的过程根据现实情况决定，可以选择保留前几层卷积层的权重，以保留低级特征的提取；也可以保留全部的模型，只根据新的任务改变其fc层。迁移学习的作用那么对于不同的任务，为什么不同的模型间可以做迁移呢？上面提到了

TensorFlow提供了几类图像处理函数，下面介绍图像的编码与解码，图像尺寸调整。编码与解码图像解码与编码：一张RGB三通道的彩色图像可以看成一个三维矩阵，矩阵中的不位置上的数字代表图像的像素值。然后图像在存储时并不是直接记录这些矩阵中的数字，而是经过了压缩编码。所以将一张图像还原成一个三维矩阵的过程就是解码的过程，反之就是编码了。其实如果大家熟悉opencv的话，imread和imwrite就

windows系统:Alt+← … navigate backAlt+→ … navigate forwardMac系统:Ctrl± … navigate backCtrl+Shift± … navigate forwardOn Ubuntu Linux系统:Ctrl+Alt± … navigate backCtrl+Shift± … navigate forward

方向梯度直方图（Histogram of Oriented Gradient, HOG）于2005年提出，是一种常用的特征提取方法，HOG+SVM在行人检测中有着优异的效果。HOG特征提取算法原理在一幅图像中，梯度或边缘的方向密度分布能够很好地描述局部目标区域的特征，HOG正是利用这种思想，对梯度信息做出统计，并生成最后的特征描述。在HOG中，对一幅图像进行了如下划分：图像(i...