LeNet-5共有7层，不包含输入，每层都包含可训练参数；每个层有多个Feature Map，每个FeatureMap通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元。各层参数详解：1、INPUT层-输入层首先是数据 INPUT 层，输入图像的尺寸统一归一化为32*32。注意：本层不算LeNet-5的网络结构，传统上，不将输入层视为网络层次结构之一。2、C1层-卷积层

HALCON安装位置的查找1、HALCON安装位置的查找，可以通过“系统--->高级系统设置---->环境变量”来进行查看。

基本全局阈值处理1、全局阈值处理（1）计算步骤通常，在图像处理中首选的方法是使用一种能基于图像数据自动地选择阈值的算法，为了自动选阈值，下列迭代过程采用的就是这样的方法：(1) 针对全局阈值选择初始估计值T。(2) 用T 分割图像。这会产生两组像素：G1 由所有灰度值大于T 的像素组成，G2 由所有灰度值小于等于T的像素组成。(3) 分别计算G1、G2 区域内的平均灰度

HALCON常用算子（HALCON13）Chapter 9--Developdev_clear_window ( : : : )功能：清除活动图形窗口的内容dev_close_window ( : : : )功能：关闭活动图形窗口。dev_display

Halcon学习笔记（三）---数据类型halcon只能在单独行进行注释，不能在语句后面进行注释。1、tuple赋值符号“：=”tuple算子：（1）变量定义与加减乘除运算代码如下：**hal-con中的几种变量*1.tuplea:=1b:=[2,3]*将a和b合并起来c:=[a,b]*求c中有多少个元素num:=|c|*

HOG特征检测---简述1、HOG介绍HOG（histogram of oriented gradient），用于目标检测的特征描述子。一种解决人体目标检测的图像描述子，是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。HOG特征原理：HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域（称为cells），每个

SVM手写数字的识别---python1、SVM手写数字识别识别步骤：（1）样本图像的准备。（2）图像尺寸标准化：将图像大小都标准化为8*8大小。（3）读取未知样本图像，提取图像特征，生成图像特征组。（4）将未知测试样本图像特征组送入SVM进行测试，将测试的结果输出。识别代码：#!/usr/bin/env pythonimport numpy as np

opencv下载网站：http://opencv.org/downloads.html。opencv安装教程：http://wiki.opencv.org.cn/index.php/VC_2010%E4%B8%8B%E5%AE%89%E8%A3%85OpenCV2.4.4。一、下载OpenCV从本站下载栏目 http://www.opencv.org.cn/inde

图像匹配---（Python）图像匹配分为以灰度为基础的匹配和以特征为基础的匹配：（1）灰度匹配是基于像素的匹配。灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。 （2）特征匹配则是基于区域的匹配。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等1、差分矩阵求和差

C#中打开摄像头（Halcon）1、halcon中打开摄像头通过“助手”菜单打开“Image Acquisition”，如图所示，选择“DirectShow”表示普通USB摄像头。通过“连接、拍照、视频”可以检测是否已经打开。可以看到图像窗口中已经有视频可以显示，如图可以选择代码生成，选择插入代码，可以看到在程序编辑区，代码已经插入。这里是为