**：
document enhancement using visibility detection
cvpr2018**。**主要基於3d點雲的方法，對文件進行去陰影操作，進而提公升檢測和識別。
整體流程：
首先作者將一副影象想象成具有哦3d資訊的點雲。畫素值的大小表示3d表面的凹凸。白色背景表示為高原，汙跡，陰影表示為火山地帶，黑色的字表示為峽谷。由b中綠色的點對整個3d點雲進行觀察，產生c中的可見性檢測圖。陰影上有好多紅色點的可見畫素，字型上基本沒有紅色的點，然後對陰影進去除，得到最終去陰影後的d圖。
可見性檢測的
2種方法：
hpr：檢測可見的點的方法
tpo：檢測遮擋的點的方法
假設紅色點為視點，藍色為可見的點，綠色為遮擋的點
影象二值化流程：
首先對於輸入影象a，基於3d點雲的方法可以獲得b這種帶紅色可見陰影點的結果。對b中的紅色陰影點做平均滑動，類似於均值濾波操作，可以得到c圖背景。然後通過a圖減去c圖，就獲得了去除背景陰影的低光圖d。由於去掉了陰影，因此用d圖做二值化操作，可以得到比直接用原始a圖做二值化操作更好的結果。最終二值化結果f由於傳統的e。
a為原始影象的直方圖分布，b為經過處理得到的低光圖。從兩者的直方圖分布可以看出，前景藍色和悲劇紅色可以更好的分開，具有更好的分界嶺。
總結：
**的思想非常novel，將平面的想象為3d的點雲，並提出行之有效的方法來去掉背景陰影。
相比ocropy中去背景的方法。兩者同為傳統方法。ocropy中基於背景畫素為濾波中滑動視窗中70%位置的畫素，而本文則通過可見性來檢測背景畫素。
相比hybrid deep architecture中基於筆畫識別+gmm，再去處背景的方法，本文的思想更好
相比ocropus中基於神經網路2dlstm的方法，也許結果上未必有神經網路的好。神經網路的方法也許才是當前的主流，不管處理過程，速度，效果上都占有優勢。
通過視覺化資料分析提公升測試質量
某位高人曾說過 日復一日地重複著既有的測試，然後被類似的bug折磨得無可奈何，不如稍作停頓，分析總結找到bug的源頭，以除之。本篇文章我們就來聊聊如何通過視覺化的資料進行分析，進而提公升測試質量。為了讓產品的質量可度量 視覺化，我們可以建立一些指標資料，以幫助我們發現產品質量的各種問題，比如 被測功...
基於caffe的特徵視覺化
lian jie 最近想看一看卷積神經網路中各層的卷積結果，但在網上搜尋feature visualization並沒能找到通俗易懂的內容。在caffe的官網教程中，有這麼乙個instant recognition with caffe，參照它可以很快的做出視覺化的結果。但感覺裡面還是稍有些複雜，這...
基於vue的視覺化程式設計
vue layout用了muse ui 感覺還不錯。vue layout 流程學習 編譯流程 參考文件 中間preview 最右側控制項列表 components.vue mu select field muse ui mint ui iview ui 我們來看mu select field 這個m...