Jump to content
Compvision.ru

Leaderboard

  1. Smorodov

    Smorodov

    Главные администраторы


    • Points

      571

    • Content count

      3,846


  2. mrgloom

    mrgloom

    Пользователи


    • Points

      242

    • Content count

      2,302


  3. Nuzhny

    Nuzhny

    Пользователи


    • Points

      239

    • Content count

      1,417


  4. BeS

    BeS

    Пользователи


    • Points

      53

    • Content count

      349



Popular Content

Showing most liked content since 12/03/2010 in all areas

  1. 4 points
    Вышла еще одна книжка (см. №3) и я решил для удобства собрать эти книжки вместе: 1)"Learning OpenCV. Computer Vision in C++ with the OpenCV Library. 2nd Edition" http://shop.oreilly.com/product/0636920022497.do Благородная попытка перевода ее на русский язык первого издания этой книги: http://locv.ru/wiki/%D0%93%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 2)"OpenCV 2 Computer Vision Application Programming Cookbook" ссылка на исходный код на сайте http://www.laganiere.name/opencvCookbook/ 3)"Mastering OpenCV with Practical Computer Vision Projects" очень интересные проекты с исходниками. http://www.packtpub.com/cool-projects-with-opencv/book исходники здесь: https://github.com/MasteringOpenCV/code Еще одна книжка с opensouce исходниками: Practical OpenCV By Samarth Brahmbhatt Список книг по Opencv от opencv.org: http://opencv.org/books.html Еще бесплатная книжка: "Modern Robotics with OpenCV" здесь: http://www.sciencepublishinggroup.com/book/B-978-1-940366-12-8.aspx
  2. 4 points
    Кому интересно, написал довольно шуструю вычиталку фона(пока только последовательная версия, до распараллеливания пока руки не дошли) основанную на алгоритме VIBE с оберткой для использования в OpenCV. Оригинальная статья: http://orbi.ulg.ac.be/bitstream/2268/145853/1/Barnich2011ViBe.pdf Мои исходные коды: https://github.com/BelBES/VIBE
  3. 4 points
    Привет всем! Вот, попытался сделать пример вывода видео на форму. И, думаю, получилось Для того, что-бы скопировать IplImage в объект .NET типа Image, достаточно всего лишь одной строки: #include <opencv/cv.h> #include <opencv/highgui.h> ... using namespace System; using namespace System::Windows::Forms; using namespace System::Drawing::Imaging; using namespace System::Drawing; ... IplImage *iplImg; ... // Копирование IplImage в объект .NET типа Image Image ^image = gcnew Bitmap(iplImg->width, iplImg->height, iplImg->widthStep, PixelFormat::Format24bppRgb, IntPtr(iplImg->imageData)); ... или, с использованием класса Mat: cv::Mat imgMat; // Копирование cv::Mat в объект .NET типа Image Image ^img = gcnew Bitmap(imgMat.cols, imgMat.rows, imgMat.step, PixelFormat::Format24bppRgb, IntPtr(imgMat.data)); Чтобы вывести изображение на компоненту PictureBox, достаточно следующей строки в одном из методов вашей формы: this->pictureBox1->Image = image; Если вам нужен HBITMAP, то получить его можно следующим образом: Bitmap ^image = gcnew Bitmap(iplImg->width, iplImg->height, iplImg->widthStep, PixelFormat::Format24bppRgb, IntPtr(iplImg->imageData)); HBITMAP hb = (HBITMAP)image->GetHbitmap().ToPointer(); У меня вышеприведенные примеры отлично работают с OpenCV 2.2 в Visual Studio 2008/2010. К сообщению прилагаю проект простого видео плеера, написанного с помощью OpenCV 2.2 в Visual Studio 2008. Он может воспроизводить все типы видео, которые берет OpenCV и видео, захваченное с видеокамеры. Не судите строго за возможные несовершенства в коде Просто, я старался, что бы были основные функции плеера. Пояснения к проекту. Компиляция: Чтобы успешно скомпилировать проект, достаточно в опциях Visual Studio установить пути на OpenCV в следующем виде: %OPENCV_HOME%\include и %OPENCV_HOME%\lib Например, так: C:\OpenCV2.2\include и C:\OpenCV2.2\lib Другое: При создании проекта использовались следующие опции и установки. .NET Framework 3.5. General/Common Language Runtime Support: Common Language Runtime Support (/clr) C/C++/Advanced/Disable Specific Warnings: 4996;4793 Linker/Input/Additional Dependencies: opencv_core220d.lib opencv_highgui220d.lib opencv_imgproc220d.lib opencv_objdetect220d.lib Для версии Release: без "d" после 220. В компоненте PictureBox свойство SizeMode имеет значение Zoom, что позволяет сохранить оригинальное соотношение сторон кадра. Для визуализации кадров используется Tick таймера. При двойном щелчке по области отображения, происходит переход в полноэкранный режим и обратно. Надеюсь, пример кому-нибудь пригодится VideoOnForm.zip
  4. 4 points
    Здравствуйте, решил заняться переводом книги "Learning OpenCV", перевёл уже 37 глав. Присоединяйтесь будем переводить вместе! - http://locv.ru
  5. 3 points
    проект здесь: FaceDetect.rar дополнительные классификаторы (нос, глаза, рот, тело):HaarClassifiers.rar здесь еще куча каскадов: Каскады хаара
  6. 3 points
    Самокодный вариант AdaBoost. (Виолы и Джонса там нет , только AdaBoost ) Надеюсь оформлю статью по нему, но и в листинге старался разместить побольше комментариев. AdaBoost.cpp И ссылка на мою презентацию по детекту лиц там тоже есть немного пояснений по теме: http://www.compvision.ru/forum/index.php?app=core&module=attach&section=attach&attach_id=369
  7. 3 points
    Наконец-то дошли руки Оптимизации не делал, просто проверил идею. Пример кода максимизирует расстояние между средним цветом внутри и снаружи прямоугольной области. Максимизирует он это расстояние при помощи подбора параметров этого прямоугольника (методом градиентного спуска). Вот что я имел ввиду, когда говорил непонятные вещи Результат работы программы (изображение может быть и цветным): #include "opencv2/opencv.hpp" #include <vector> using namespace std; using namespace cv; //---------------------------------------------------------- // Это и есть вычисление расстояния между средними цветами //---------------------------------------------------------- double getLikelihood(Mat& img,cv::RotatedRect& rr) { double likelihood=0; Mat mask=Mat::zeros(img.size(),CV_8UC1); // rotated rectangle Point2f rect_points[4]; rr.points( rect_points ); vector<cv::Point> pts(4); for(int i=0;i<4;++i) { pts[i]=rect_points[i]; } cv::fillConvexPoly(mask,pts,Scalar::all(255)); imshow("mask",255-mask); Scalar cc1,cc2; cc1=cv::mean(img,mask); cc2=cv::mean(img,255-mask); likelihood=norm(cc1,cc2,cv::NORM_L2); return likelihood; } //---------------------------------------------------------- // Градиент, чтобы знать куда менять параметры //---------------------------------------------------------- void getLikelihoodGradient(Mat& img,cv::RotatedRect& rr,cv::RotatedRect& drr) { cv::RotatedRect rrdx=rr; rrdx.center.x+=1; cv::RotatedRect rrdy=rr; rrdy.center.y+=1; cv::RotatedRect rrdw=rr; rrdw.size.width+=1; cv::RotatedRect rrdh=rr; rrdh.size.height+=1; cv::RotatedRect rrdang=rr; rrdang.angle+=1; cv::RotatedRect rrdxn=rr; rrdxn.center.x-=1; cv::RotatedRect rrdyn=rr; rrdyn.center.y-=1; cv::RotatedRect rrdwn=rr; rrdwn.size.width-=1; cv::RotatedRect rrdhn=rr; rrdhn.size.height-=1; cv::RotatedRect rrdangn=rr; rrdangn.angle-=1; float l0=getLikelihood(img,rr); cout << l0 << endl; float dlx=getLikelihood(img,rrdx)-getLikelihood(img,rrdxn); float dly=getLikelihood(img,rrdy)-getLikelihood(img,rrdyn); float dlw=getLikelihood(img,rrdw)-getLikelihood(img,rrdwn); float dlh=getLikelihood(img,rrdh)-getLikelihood(img,rrdhn); float dlang=getLikelihood(img,rrdang)-getLikelihood(img,rrdangn); float scale=sqrt(dlx*dlx+dly*dly+dlw*dlw+dlh*dlh+dlang*dlang); dlx/=scale; dly/=scale; dlw/=scale; dlh/=scale; dlang/=scale; drr.center.x=dlx; drr.center.y=dly; drr.size.width=dlw; drr.size.height=dlh; drr.angle=dlang; } //---------------------------------------------------------- // Генерируем тестовое зашумленное изображение //---------------------------------------------------------- void generateTestImage(Mat& img) { img=Mat(512,512,CV_8UC3); cv::RotatedRect rr(cv::Point2f(200,300),Size(140,180),67); img=Scalar::all(0); // rotated rectangle Point2f rect_points[4]; rr.points( rect_points ); vector<cv::Point> pts(4); for(int i=0;i<4;++i) { pts[i]=rect_points[i]; } cv::fillConvexPoly(img,pts,Scalar(255,255,255)); for(int i=0;i<100000;++i) { int x=rand()%512; int y=rand()%512; img.at<Vec3b>(y,x)=Vec3b(255,255,255); } for(int i=0;i<105000;++i) { int x=rand()%512; int y=rand()%512; img.at<Vec3b>(y,x)=Vec3b(0,0,0); } } //---------------------------------------------------------- // //---------------------------------------------------------- int main(int argc, char* argv[]) { Mat img,img_cpy; generateTestImage(img); imshow("testimg",img); cv::waitKey(0); cv::RotatedRect rr(cv::Point2f((float)img.cols/2.0,(float)img.rows/2.0),Size(img.cols-100,img.rows-100),0); cv::RotatedRect drr; while(1) { img_cpy=img.clone(); getLikelihoodGradient(img,rr,drr); // Меняем параметры в сторону увеличения расстояния между средними цветами rr.center+=drr.center; rr.size+=drr.size; rr.angle+=drr.angle; // rotated rectangle Point2f rect_points[4]; rr.points( rect_points ); for( int j = 0; j < 4; j++ ) { line( img_cpy, rect_points[j], rect_points[(j+1)%4], Scalar(0,255,0), 2, CV_AA ); } imshow("img_cpy",img_cpy); waitKey(10); } cv::destroyAllWindows(); return 0; }
  8. 3 points
    2 Nuzhny Результаты сравнения по скорости собирал 4-2 года назад (потом стало лень) на этой странице (смотреть от где-то от середины и все постскрипты). Сравнивал с пятью чужими программами (вернее, с опубликованными в печати или в интернете временами расчётов - исходник-то был доступен всего для одной из этих 5 программ). Сравнивал ориентировочно - с учётом прикидок о разнице в быстродействии моего и других процессоров. Исходников не открываю, демку где-то в те годы на сайте предложил сделать-дать только тому, кто придёт с тяжёлым проектом и гарантирует отдачу проекта в мои руки после того, как демка всё заявленное (как скорость, так и просто надёжность-работоспособность) продемонстрирует. По потреблению памяти - у меня на копейки больше, т.к. все данные обрабатываемого примера (именно одного текущего примера) и внутренние сигналы/веса сети оптимально раскладываются с учётом выравнивания блоков данных на границу параграфа. Ну и в коде 1.5 ноу-хау - одно чисто моё (на удивление - почему-то нигде и никем ранее не опубликованное) о самом шустром варианте распараллеливания обучения нейросети (вообще без синхронизаций потоков на уровне операционной системы), второе - об аппроксимированном вычислении нелинейности нейрона (которое опубликовано, но почему-то никто об этом не знает и на практике не применяет). И сейчас реализованы пара канонических вариантов свёрточных сеток (ЛеКуновский и Симардовский), а также другие её клоны (от Эндрю Нг, Свена Бенке) - вернее, из разных слоёв-кубиков можно собирать свой/новый вариант. Также у нейронов можно ставить полиномиальные сумматоры - не на всех слоях свёрточной сети это помогает/полезно, но если помогает - то точность растёт. Я так даже самого Хинтона опроверг - он в прошлом году говорил, что на задаче MNIST на обычном персептроне никто никогда не опустился ниже 1.6% ошибок, а я таки постановкой полиномиальных сумматоров только на вых.слой получил точность лучше (см последний абзац тут) (хотя сам Хинтон в 1986г в двухтомнике PDP описывал формулы обратного распространения ошибки в том числе и для полиномиальных сумматоров - но вот почему-то сам не пользуется сейчас сигма-пи нейронами в своих сетях, может быть, зря).
  9. 3 points
    покопавшись в исходниках можно найти для себя несколько заготовок, таких как построение 3d модели лица, его трекинг и даже ( на начальном этапе ) вычисление значения фильтров габора в ключевых точках этой модели. может кому пригодиться... трекинг работает весьма быстро для одного человека, но я по быстрому переделал под свои цели для двоих. в основе детектирования ключевых точек - Flandmark_detector, трекинга - headtracker-master. (лиценция которых GNU GPL, для тех кого это вообще интересует). должно даже собраться и заработать (под ubuntu писалось) Написано на С++, есть куски на С. для работы нужна opencv2.4.4 lndmark.tar.gz
  10. 3 points
    Соорудил быстрый и маленький кусочно-аффинный варпер (перенос фрагмента изображения из одной сетки треугольников в другую): WarpAffine.rar
  11. 3 points
    Слайды одной из моих лекций. Детектор лиц на основе метода Виолы-Джонса.rar
  12. 3 points
    Так случилось, что я активно использую Delphi в своей работе (программирование по работе, собственные открытые и закрытые проекты) и вот мне понадобилось написать программу, использующую открытую библиотеку компьютерного зрения OpenCV. Что же делать, ведь официально OpenCV использовать в Delphi невозможно, а перебираться на C ради одной программы слишком долго. Но нет ничего невозможного… Немного поискав в интернете, я нашел несколько проектов по использованию OpenCV в Delphi. Первый, второй, третий и наиболее свежий и удачный — четвертый, который я и взял за основу. Проект на github мне показался интересным, реализовано много функций OpenCV, есть много примеров на Delphi, но проект заброшен автором и пришлось взяться за свой. Все текущие наработки я выложил на code.google.com/p/opencv-delphi-new/ В настоящий момент сделано: 1. Поддержка RAD Studio XE3. 2. Добавлены новые функции: cvFlip, cvClearMemStorage, cvCreateChildMemStorage, cvRectangle, cvRetrieveFrame, cvIntegral, cvGetPerspectiveTransform, cvWarpPerspective, cvCreateMat, cv2DRotationMatrix, cvWarpAffine, cvFindContours, cvHaarDetectObjects. 3. Добавлено 6 новых примеров: FaceDetect — Пример детектирования лица в видеопотоке с использованием преобразования Хафа. FindContours — Нахождение контуров изображения. Integral — Интегральное изображение. WarpAffine — Трансформация изображения — аффинные преобразования (Поворот изображения на произвольный угол). WrapPrespective — Трансформация изображения — гомография (Перспективная трансформация). MatchShapes — Поиск объекта на изображении по шаблону (Сравнение объектов по моментам их контуров). В добавленных примерах я постарался подробно расписать все манипуляции для достяжения нужного результата. Если кому-то будет интересна тема использования OpenCV в Delphi, то пишите мне на email или оставляйте комментарии. Если тематика использования OpenCV в принципе интересна, то могу написать несколько статей, только напишите, какое направление использования OpenCV Вас интересует.
  13. 3 points
    Полезный сайт по теории: http://courses.graphicon.ru/ Материал по ASM и AAM: http://courses.graphicon.ru/files/courses/smisa/2008/lectures/lecture10.pdf
  14. 3 points
    И еще проект ( активные контуры (ASM) переделанный (на чистый OpenCV 2.X) мной проект одного китайца, который переделал его из STASM ): В архиве конвертер моделей STASM в файл с матрицами OpenCV, и солюшн для студии с двумя проектами: библиотекой и демкой. Надеюсь на дальнейшее развитие проекта. ASMCompvisionEdition.rar
  15. 3 points
    Где-то есть деление на ноль. Смотри свои данные.
  16. 3 points
    Привет. В общем вот выкладываю перевод с БИЛДЕРА на ВИЖУАЛ (кстати недавно совсем переводил), "Создание APIшного битмапа из интеловского RGB изображения" присутствует. Смотри, разбирайся. Если, что не пойдет пиши - разберемся. [Прикрепленный файл был потерян при откате форума]
  17. 3 points
    Здравствуйте, RinOS. Рекомендую все-таки использовать cvStereoRectify() т.к. результат его работы более точен, а cvStereoRectifyUncalibrated() лучше использовать когда существуют значительные непараллельности в оптических осях камер, насколько я понимаю. Критерием правильности калибровки стерео может служить правильное число в векторе T (который означает расстояние между оптическими осями по оси x, y и z) камер. У меня, при расстоянии между камерами 12 см, и 29 калибровочных пар изображений 640х480 в оттенках серого (изображения я сохраняю предварительно в bmp, чтобы каждый раз не мучаться с их показом камерам) величина составляет: цитирую xml содержимое <data>-1.1886876922892217e-001 -7.8263643755714435e-004 -4.6620003758508491e-003</data>, (все величины в метрах - первая величина - это сдвиг по оси X, то есть расстояние между камерами). То есть 1.6 %, что может быть точнее измерянного мною расстояния. Чем шире расстояние между камерами, тем лучше будет восприятие на более дальних расстояниях, и тем хуже будет поле зрения камеры, при обзоре близких предметов. Для того чтобы величина вектора T содержала метрические величины, необходимо, чтобы вы правильно (в метрических единицах) указали размер клеточки при калибровке. В книге learning OpenCV, в примере стерео (стр 445), есть константа squareSize, у меня в коде примерно так (размер клетки 3 см): float chesbSquareSize = 0.030f; // 30 mm is a Square size for (size_t pair_idx = 0; pair_idx < boards_count; pair_idx++) { for (size_t i=pair_idx*board_n,j = 0;j < board_n; ++i,++j) { // Chessboard points CV_MAT_ELEM(*image_pointsL,float,i,0) = vCalibData[IMG_LEFT][pair_idx].vPoints[j].x; CV_MAT_ELEM(*image_pointsL,float,i,1) = vCalibData[IMG_LEFT][pair_idx].vPoints[j].y; CV_MAT_ELEM(*image_pointsR,float,i,0) = vCalibData[IMG_RIGHT][pair_idx].vPoints[j].x; CV_MAT_ELEM(*image_pointsR,float,i,1) = vCalibData[IMG_RIGHT][pair_idx].vPoints[j].y; // Linear space remapping points CV_MAT_ELEM(*object_points,float,i,0) = (float)(j/w) * chesbSquareSize; CV_MAT_ELEM(*object_points,float,i,1) = (float)(j%w) * chesbSquareSize; CV_MAT_ELEM(*object_points,float,i,2) = 0; }; CV_MAT_ELEM(*point_counts,UINT,pair_idx,0) = (UINT)board_n; }; Откалиброванные матрицы удобно сохранять в xml. Для того, чтобы калибровка была корректной, рекомендуют использовать "шахматную доску" с не одинаковым кол-вом клеток по ширине и высоте (я заметил вы такую и использовали). Для улучшения качества BlockMatcher'а, попробуйте BMState->uniquenessRatio = 0; Привожу мои рабочие параметры: BMState->preFilterSize = 17; BMState->preFilterCap = 31; BMState->SADWindowSize = 11; BMState->minDisparity = 13; BMState->numberOfDisparities = 256; BMState->textureThreshold = 35; BMState->uniquenessRatio = 0; Искомую матрицу репроекции Q вы можете заполнить вручную по формуле Q= стр 435 Learn OpenCV, используя ранее вычисленные матрицы: CameraMatrix и T, например.. но мне кажется это сложный путь, и ... некоторые величины (f, n) придется выдумывать. Вот набросал матрицу, которую вы можете использовать, подставив лишь расстояние между объективами камер: Но я не уверен, что она даст для вас точный и качественный результат. f можно уменьшить вовсе до 5 метров. Если вы вызовете cvStereoRectify() то наверняка ничего не потеряете, по книге инных вариантов не приводится. Матрицу Q нельзя извлечь из cvStereoRectifyUncalibrated() поскольку (стр 431): То есть, теоретически, если вы при калибровке, задавали реальные метрические координаты (с помощью размера) ваших клеточек, то на выходе ReprojectTo3D проекции получите реальные размеры и расстояния до объекта в метрах. Насколько я понимаю, disparityImage должен быть Float(существует быстрый вариант с Int). Подавать нужно disparityImage не нормализованный. Репроекцией еще сам не занимался, поэтому грабли раскрыть в этой теме пока не могу (может на этих выходных, тогда я бы отписался здесь). Прикрепляю свою шахматную доску (visio), может пригодится.
  18. 2 points
    В сентябре INTEL ввел новые бесплатные лицезии(Community Licensing) для библиотек IPP, MKL, TBB и DAAL. https://software.intel.com/sites/campaigns/nest/
  19. 2 points
    Интересная статейка с примерами: http://habrahabr.ru/blogs/google/117234/ и тут: http://ab-log.ru/smart-house/speech/speech-recognition
  20. 2 points
    https://github.com/AliMorty/Markov-Random-Field-Project/blob/master/Codes/README.md https://github.com/nicholasjclark/MRFcov https://github.com/xinario/defocus_segmentation
  21. 2 points
  22. 2 points
    Если там скрыта синусоида, то надо делать разложение в ряд Фурье. FFT даст пик на частоте синусоиды. Статейка с Хабра: https://habrahabr.ru/post/219337/ Имел дело с подобными кривыми когда измерителем пульса баловался: HartRateMeasure.zip Работа по которой делал: "Non-contact, automated cardiac pulse measurements using video imaging and blind source separation." легко гуглится.
  23. 2 points
    Спасибо! Именно это помогло! Кому нужно - в репозитории имеется около 3к идеально размеченных автоматом данных (больший объем пока не делал) А что с настройками обучения? Оставить все по дефолту? 40к итераций хватит? если у меня будет 10-30к изображений для тренировки? Как выявить наилучший результат при тренировке? https://github.com/Maxfashko/CamVid
  24. 2 points
    Есть вот такая интересная функция, я стащил её у китайцев и адаптировал к opencv Картинка для неё: motion_fuzzy_lena.bmp Подозреваю что для других картинок надо настраивать параметры ( int A = 80;int B = 10; и Общее расстояние сдвига const int nTotLen=10; ). Но как пока не разобрался. В пояснениях было написано, что устраняет размытие от прямолинейного равномерного движения. Результат работы: bool cvMotionRestore(IplImage* Src,IplImage* Dst) { BYTE * lpSrc; //Размеры изображения LONG lWidth=Src->width; LONG lHeight=Src->height; // Изображение количество байтов в строке LONG lLineBytes=Src->widthStep; LPBYTE lpDIBBits; lpDIBBits=(LPBYTE)Src->imageData; //Переменная цикла long iColumn; long jRow; int i,n,m; //Временные переменные int temp1,temp2,totalq,q1,q2,z; double p,q; // Назначение коэффициентов int A = 80; int B = 10; //Общее расстояние сдвига const int nTotLen=10; // Ширина изображения содержит число длин сдвига ntotlen int K=((float)lLineBytes/(float)nTotLen); int error[nTotLen]; for (jRow = 0; jRow < lHeight; jRow++) { // Вычислить error[i] for(i = 0; i < nTotLen; i++) { error[i] = 0; for(n = 0; n < K; n++) for(m = 0; m <= n; m++) { // пиксель начале строки if(i == 0 && m == 0) { temp1=temp2=0; } // дифференциальный оператор else { lpSrc = (unsigned char *)lpDIBBits + lLineBytes * jRow + m*nTotLen+i; temp1=*lpSrc; lpSrc = (unsigned char *)lpDIBBits + lLineBytes * jRow + m*nTotLen+i-1; temp2 = *lpSrc; } error[i] = error[i] + temp1 - temp2; } error[i] = B * error[i] / K; } for(iColumn = 0; iColumn < lLineBytes; iColumn++) { m = iColumn / nTotLen; z = iColumn - m*nTotLen; totalq = 0; q = 0; for(n = 0; n <= m; n++) { q1 = iColumn - nTotLen*n; if(q1 == 0) {q = 0;} // дифференциальный оператор else { q2 = q1 - 1; lpSrc = (unsigned char *)lpDIBBits + lLineBytes * jRow + q1; temp1 = *lpSrc; lpSrc = (unsigned char *)lpDIBBits + lLineBytes * jRow + q2; temp2 = *lpSrc; q = (temp1 - temp2) * B; } totalq = totalq + q; } p = error[z]; // Получить значения f(x,y) temp1 = totalq + A - p; // Результат к диапазону 0-255 if(temp1 < 0) temp1 = 0; if(temp1 > 255) temp1 = 255; Dst->imageData[lLineBytes*jRow + iColumn] = temp1; } } return true; } [/code]
  25. 2 points
    Статья о том как ускорить CPU Caffe и как использовать CPU+GPU. https://cs.stanford.edu/people/shadjis/CcT_DanaC.pdf http://arxiv.org/pdf/1504.04343.pdf https://github.com/HazyResearch/CaffeConTroll
  26. 2 points
    Насчет комплектуахи, кстати, есть вот такая заметка с описанием оптимального железа для "домашнего" ПК под DL: http://pjreddie.com/darknet/hardware-guide/
  27. 2 points
    По работе иногда нужно создать классификатор и простые неройсети. Естественн решил сделать программку для автоматизации этого дела. Сейчас сделано: - функция автоматического создания SVM-HOG (берутся файлы позитивные и неготивные, считаются hog-дескрипторы, все это скрамливается svm light и вынимается готовый вектор для detectmultiscale. ну и простенький тест этого вектора) - Оболочка на FANN все используется обычное обучение с указанием параметров и т.п. но чего мне не хватало - возможность взять результат который был в середине обучение и обучение нейросети на частях выборки (что бы посмотреть как растет результат на тестовой выборке в зависимости от размера выборки обучения. В планах давить HAAR. Может кому пригодится. classifieropencv.codeplex.com новая версия был на странички загрузки внизу. исправил ошибку сейчас все положено кнопка download
  28. 2 points
    Я соорудил один прототипчик: исходники пока не выкладываю, пока не ясен статус проекта (скорее всего позже открою). По видео в общем ясно как работает Есть открытый вопрос по подгонке плотной 3D сетки по стандартной ASM-овской модели (например xm2vts). С минимальными искажениями головы. Я думаю использовать для этого собственный базис 3d сеток головы, но пока не реализовал. Может этот велосипед где-то завалялся? Или есть какие то другие предложения/критика? ЗЫ: Собственно с этим вопросом был связан мой недавний интерес к нейронному газу и самоорганизующимся структурам. Может их здесь применить? ЗЫЗЫ: Читаю книжку по этой теме (интересная кстати книжка ): Daoudi M., Srivastava A., Veltkamp R. (Eds.). 3D Face Modeling, Analysis and Recognition (вроде в ней должен быть ответ на интересующий меня вопрос)
  29. 2 points
    Ну вот тут вроде решили эту проблему используя boost'овые треды.
  30. 2 points
    AAM по инверсно-композитному алгоритму (octave и C++ исходники): https://code.google.com/p/octaam/ Интересные работы по AAM: http://www2.isr.uc.pt/~pedromartins/ 3D модель лица и некоторые заготовки: http://aifi.isr.uc.pt/Downloads.html Облачная распознавалка лиц: http://en.faceplusplus.com/
  31. 2 points
    Симулятор роботов для проверок своих идей: Куча датчиков, датчики расстояния и видеокамера в том числе. Управление через плагины на разных языках: Бесплатная полная версия (не для коммерческого использования), и исходники доступны. Есть много уже готовых роботов. http://www.coppeliarobotics.com/
  32. 2 points
    Неплохие pdf-ки чтобы начать: http://cs.engr.uky.edu/~jacobs/classes/2010_photo/readings/PoissonImageEditing.pdf http://cs.nyu.edu/fergus/teaching/comp_photo/6_image_blending_compositing.pdf Здесь еще исходники: https://github.com/Siddharthk/CompPhoto-NUIGroup-GSoC-2012
  33. 2 points
    Погуглите GTSRB (соревнование german traffic sign recognition benchmark). Уже указанная тут статья Серманета и ЛеКуна - от людей, занявших в соревновании второе место (и в статье описавших дальнейшее улучшение точности распознавания). Также в инете есть и статья победителей. В общем, все лидеры использовали нейросетки (достаточно схожие между собой). Точность нейросеток оказалась лучше точности распознавания человеком. Т.е. если знак каким-то алгоритмом выделяется достаточно хорошо - то распознаваться затем он будет с почти 100% точностью (распознавалку можно будет сделать по описанным в статьях рецептам и натренировать на готовой базе).
  34. 2 points
    Всем привет! Решил заняться стерео зрением. Нашел в сети такой проект на OpenCV: http://code.google.com/p/opencvstereovision/ даже удалось скомпилить его) exe во вложении. Поигрался с программой пытался калибровать шахматной доской но результат мягко говоря неочень... Раньше ни когда этим не занимался сразу возникло несколько вопросов. Какое расстояние должно быть между камерами? Как они должны быть направлены? (какой угол примерно) (ехе требует библиотеки OpenCV 1.1 и библиотеки Qt если в сети не найдете выложу ) OpenCV-Qt-StereoCalibration.rar
  35. 2 points
    Для начала от Стэнфорда: Machine Learning и Probabilistic Graphical Models. Там есть ещё (см. внизу страницы), но эти по нашей тематике. Кроме того, 20 февраля начинаются: PROGRAMMING A ROBOTIC CAR и BUILDING A SEARCH ENGINE Программировать надо будет на Питоне. Кто-нибудь записался? P.S. Жаль, что на всё не хватит ни времени, ни сил.
  36. 2 points
    Продолжая тему фильтров Габора, допилил текстурный сегментатор до рабочего состояния. GaborTextureSegmentation.rar Годится не на все случаи жизни, но в некоторых задачах вещь весьма полезная. Я использовал кластеризацию k-means, количество кластеров задается вторым параметром функции: SegmentImage(img,2,labels); Метки кластеров хранятся в матрице labels. Вот результат работы программы при количестве кластеров равном 6. Вход: Выход (метки): Если нужно обучить программу узнавать какой-нибудь определенный тип текстуры, а не просто различать их, нужно обучить какой-нибудь классификатор (SVM например), подсовывая ему в качестве обучающих пар вектор Descriptors и метку класса. Аналогично тому что сделано в этой теме http://www.compvision.ru/forum/index.php?showtopic=861 (10 пост), только вместо трехмерного цвета, будет 40 мерный Descriptors.
  37. 2 points
    мнк окружностью В пдф написано,как по наборам точек, найти предполагаемый центр окружности и радиус. Для получения более точных данных, мне кажется, надо брать координаты контуров не целочисленными. (т.е. между значениями построить функции, и обрезать на каком-нибуть яркости, чтобы вместо координат (30,30) было (29.3,29.5)). http://www.rsdn.ru/forum/alg/607578.hot.aspx - вот здесь еще похожую тему обсуждают
  38. 2 points
    Ну тогда уж и это: http://www.compvision.ru/forum/index.php?showtopic=821 Простой детектор симметрии чувствителен к помехам, сложный не делал. Детектор должен выделять оси симметрии. Его можно применять в качестве дополнения (если найти эффективный алгоритм). Ведь вид человека сверху, как у Вас на изображении, обладает симметрией. И человек тоже, ориентируется на этот признак, а не только на цвет. Есть еще один параметр, по которому можно фильтровать - это размер (пропорции описанного эллипса). Плюс, человек единственный движущийся объект в кадре (собаки, коты и мухи в размер не вписываются). Охранники ориентируются сначала, на двжение, затем на размер, после этого на пропорции и только после этого на цвет и форму. От простого к сложному.
  39. 2 points
    Наткнулся на один занятный кусок кода для экспериментов с получением качественного изображения высокого разрешения (пример восстановленного изображения ниже) по набору изображений низкого разрешения (пример одного из исходных изображений ниже) Для сравнения, результат линейной интерполяции: Собственно код: SuperResolution.cpp Программа сама себе генерирует набор из 16 маленьких изображний, портит их шумом, а затем восстанавливает. Ссылки на сайт-источник и на документ по которому все это делается внутри исходника. В качестве задач практического применения: рассмотреть номер автомобиля, лицо, или предмет, который так не виден, но есть последовательность кадров камеры. Видео-демка:
  40. 2 points
    Добрый день. Вашему вниманию предлагаю готовый вариант сегментации изображения. Любая критика и советы по улучшению очень очень приветствуются! Использую - cvCreateFGDStatModel , т.е. как я понимаю это называется Adaptive Background Mixture (или Гауссианов Микшер) Полный текст программы прикрепляю к этому посту, дабы не засорять свое сообщение. Также я прикрепляю 2 видео - ОРИГИНАЛ и РЕЗУЛЬТАТ ПРОГРАММЫ. Итак, примерно очерчу алгоритм. -1 получаю изображение с файла -2 ВНИМАНИЕ применяю медианную фильтрацию 9х9 на полученный фрейм оригинала -3 создаю bg_model (функцией, указанной выше) от изображения, полученнного в верхнем пункте (медианно профильтрованного) -4 получаю два изображения фон и маску для переднего плана -5 ВНИМАНИЕ bg_model (как я понимаю, вследствии своего алгоритма, создает кучу гауссианов на каждый пиксель, далее как только появляется движение она добавляет гауссианы соответствующие этому движению, а уже ненужные убирает. И получается очень хорошее выделение переднего плана. Далее когда человек уходит из кадра, она убирает эти гауссианы и тут начинается глюк метода, он выдает мерцающие точки, из за того что он убрал некоторые гауссианы похоже) [спасибо mr gloom за ссылочку про вычитание фона, там все очень хорошо написано про этот алгоритм]. На видео, которое показывает результат очень хорошо видно в самом начале неведомую огромную белую фигню которая убирается методом описанном ниже. Также она описывается комментарием в коде. -6 чтобы убрать глюки bg_model я каждые 10 кадров беру "вычитание фона" то есть разность между текущим кадром и фоном, полученным от bg_model. Если bg_model дает "глюк" то это позиционируется как будто бы есть движение, но на самом деле движения нет, что доказывается вычитанием фона. Еще раз - если реально ничего не двигается, а bg_model выдает маску переднего плана, то сравнивая (каждые 10 кадров) картинку полученную вычитанием фона и передний план выделенный bg_model и если между ними СИЛЬНОЕ различие, я тупо обнуляю bg_model. Подробнее в комментариях в коде -7 Далее уже "почти без глюков" картинку я подвергаю вначале операции эрозии с кол-вом итераций 6 , таким образом убираю маленькие точки , а потом операцией дилатации (расширения) наращиваю большие контуры, кол-во итераций 15. -8 Полученную маску накладываю на оригинал - получаю выделенный передний план Уважаемые форумчане, большая просьба напишите Ваше мнение по поводу след. пунктов 1) стоит ли применять медианную фильтрацию в пункте 2 перед тем как пользоваться bg_model 2) какое кол-во итераций применять в пункте 7 для эрозии и расширения? сразу оговорюсь - пробовал операция закрытия, не получается избавится от маленьких точек 3) как мне дальше вести трекинг, т.е. следить за объектов - у меня возникают проблемы - это контуры не постоянны по форме и меняются (как видно из видео), может быть цветовая гистограмма? может быть оптический поток LK ? ОЧЕНЬ ЖДУ ВАШИХ КОММЕНТАРИЕВ И ЖЕЛАТЕЛЬНО ОТВЕТОВ НА ВОПРОСЫ. ЗАРАНЕЕ ОГРОМНОЕ СПАСИБО! segment_v_1_0.txt
  41. 2 points
    Долгими поисками по гуглу нашел одну замечательную функцию: CVStatus cvNormalizeIllum(IplImage *img, const float destMean, const float destMse) { uchar* src_data; float* dst_data; CvRect src_roi; int width_step, width, height, roi_size, img_index, data_index; CvSize data_size; float temp_float, mse_ratio; int i, x, y; float A11=0, A12=0, A13=0, A21=0, A22=0, A23=0, A31=0, A32=0, A33=0; float I_point; float B1=0, B2 = 0, B3 = 0; float Det; float B11, B12, B13, B22, B23, B33; float A1, A2, A3; float cal_mean, cal_mse; // check arguments if (destMean < 0.0f || destMse < 0.0f) return CV_StsBadArg; // check image if (img->depth != IPL_DEPTH_8U) return CV_BadDepth; if (img->nChannels != 1) return CV_BadNumChannels; // Get raw data cvGetRawData(img, (uchar **) &src_data, &width_step, &data_size); src_roi = cvGetImageROI(img); width = data_size.width; height = data_size.height; roi_size = width * height; dst_data = (float *)cvAlloc(roi_size * sizeof(float)); //1. Caculate the A'A for(y=0; y<height; y++) { for(x=0; x<width; x++) { A11 += x * x; A12 += x * y; A13 += x; A22 += y * y; A23 += y; } } A33 = (float)roi_size; //2. Caculate the A'B img_index = 0; for(y=0; y<height; y++) { for(x=0; x<width; x++) { I_point = (float)src_data[img_index + x]; B1 += x * I_point; B2 += y * I_point; B3 += I_point; } img_index += width_step; } //3. Caculate the inverse matrix (A'A) Det = - A11*A22*A33 + A11*A23*A23 + A12*A12*A33 - 2*A12*A13*A23 + A13*A13*A22; if(Det == 0) return CV_StsError; B11 = - (A22*A33 - A23*A23) / Det; B12 = (A12*A33 - A13*A23) / Det; B13 = - (A12*A23 - A13*A22) / Det; B22 = - (A11*A33 - A13*A13) / Det; B23 = - ( - A11*A23 + A12*A13) / Det; B33 = ( - A11*A22+A12*A12) / Det; //4. Solve equations and find a1, a2, a3 A1 = B11 * B1 + B12 * B2 + B13 * B3; A2 = B12 * B1 + B22 * B2 + B23 * B3; A3 = B13 * B1 + B23 * B2 + B33 * B3; //5. Brightness correction cal_mean = 0; data_index = 0; img_index = 0; for (y=0; y<height; y++) { for (x=0; x<width; x++) { I_point = (float)src_data[img_index + x] - (A1 * x + A2 * y + A3); dst_data[data_index] = I_point; data_index ++; cal_mean += I_point; } img_index += width_step; } cal_mean /= (width * height); // MSE Caculation cal_mse = 0; for( i=0; i<roi_size; i++) { temp_float = dst_data[i] - cal_mean; cal_mse += temp_float * temp_float; } cal_mse = (float)sqrt( cal_mse / roi_size ); // MSE normalization and write back to image buffer if (cal_mse == 0) { data_index = 0; img_index = 0; for (y=0; y<height; y++) { for (x=0; x<width; x++) { src_data[img_index + x] = (unsigned char)destMean; } img_index += width_step; } } else { mse_ratio = destMse / cal_mse; data_index = 0; img_index = 0; for (y=0; y<height; y++) { for (x=0; x<width; x++) { temp_float = (dst_data[data_index] - cal_mean) * mse_ratio + destMean; data_index ++; if(temp_float > 255.0f) src_data[img_index + x] = 255; else if (temp_float < 0.0f) src_data[img_index + x] = 0; else src_data[img_index + x] = (uchar)(temp_float + 0.5f); } img_index += width_step; } } cvFree((void**)&dst_data); return CV_StsOk; } У нее есть две переменные destMean и destMse. destMean - destation mean value of the MSE normalization destMse - destation MSE of the MSE normalization Что бы не задавать их жестко хотелось бы как ни будь вычислить эти два значения, на основании background image взятого у BackgroundSubtractorMOG2. Тем самым функция станет чуть более адаптивной.
  42. 2 points
    LosFrom2D, есть ГОСТ скопированный с ISO. Идентификация по расстоянию можно только при условии что расстояние между глазами не менее 180 пикселей, Менее можно но качество будет падать. 3 параметра нос глаза рот. Сколько градаций вы получите? Допустим максимум 4 минимум 2. От 2^3=8 до 4^3=64. Таким методом вы сможете отличить очень малое число людей, на 20 может не хватить. Для увеличения качества системы используют другие параметры. Цвет волос, цвет глаз, форму головы итд. http://protect.gost.ru/v.aspx?control=8&baseC=-1&page=0&month=-1&year=-1&search=&RegNum=1&DocOnPageCount=15&id=120745&pageK=7B46BC9C-241A-48FE-BDF1-06DB1ECBA18C
  43. 2 points
    Простой пример для экспериментов с SVM OpenCv213.rar SVM - Машина опорных векторов, может использоваться для классификации , и аппроксимации. В данном примере пользователь ставит на экране точки, относя их к 0 или 1 классу (классов может быть и больше) при помощи левой или правой кнопок мыши. Затем нужно нажать "s" , программа обучит SVM и просчитает к какому классу отнести каждую из точек экрана. Очистка производится кнопкой "r".
  44. 2 points
    Думаю, что надо провести небольшой ликбез по поводу OpenCV и работы с видео. OpenCV поддерживает множество способов захвата и записи видео на всевозможных аппаратных и программных платформах. При этом не используются какие-то его внутренние технологии, а задействуются возможности платформы и установленных на ней библиотек. На Windows используются родные Video for Windows (vfw) и DirectShow. Причём vfw используется, начиная с самых ранних версий OpenCV, заканчивая самой последней. Что такое vfw? Это старая технология, корнями уходящяя в Windows 3.1, а то и позже, я тогда в детский сад ходил. Декодеры для vfw сейчас почти не пишутся, вероятность проигрывания или записи файла с помощью vfw очень низка. В OpenCV для этого есть функция cvCreateFileCapture_VFW. DirectShow использовалась в нескольких версиях OpenCV как библиотека VideoInput (см. #ifdef HAVE_VIDEOINPUT CV_CAP_DSHOW, #endif). На сегодня DirectShow является предпочтительным средством работы с видео в Windows. Декодеры и кодеры популярных видеокодеков, как правило, оформляют в виде DirectShow фильтров, плейеры используют их, всевозможные грабберы тоже. Что надо сделать, чтобы задействовать DirectShow в OpenCV? Очевидно, сконфигурировать CMake, установив HAVE_VIDEOINPUT в TRUE. Или самому в файле cvconfig.h найти и установить HAVE_VIDEOINPUT. Теперь перейдём к ffmpeg. Это кроссплатформенная библиотека, которую можно использовать как в Windows, так и в Линуксе. В моей, последней версии OpenCV 2.3.2 ffmpeg задействуется через opencv_ffmpeg.dll. Её надо кидать в папку к своему exe. И, вроде, всё. Во всяком случае при проигрывании файла *.mp4 именно её функции использовались для декодирования видео, глубже в отладчике я не заглядывал. В предыдущих версиях OpenCV мне приходилось совершать серию шаманских действий для задействования ffmpeg. Что ещё? А много чего! XINE = HAVE_XINE + cvCreateFileCapture_XINE GSTREAMER = HAVE_GSTREAMER + cvCreateCapture_GStreamer QUICKTIME = HAVE_QUICKTIME + cvCreateFileCapture_QT AVFOUNDATION = HAVE_AVFOUNDATION + cvCreateFileCapture_AVFoundation И ещё можно найти, если порыскать по исходникам. То есть различные операционные системы, сторонние библиотеки, аппаратные платформы. Всё это можно найти в документации. Надо лишь установить библиотеки и сконфигурировать CMake. И проиграется практически ЛЮБОЙ файл и захватится видео практически с ЛЮБОЙ камеры. Теперь посмотрим как оно работает в OpenCV 2.3.2 (файл cap.cpp): CV_IMPL CvCapture * cvCreateFileCapture (const char * filename) { CvCapture * result = 0; if (! result) result = cvCreateFileCapture_FFMPEG_proxy (filename); #ifdef HAVE_XINE if (! result) result = cvCreateFileCapture_XINE (filename); #endif #ifdef HAVE_GSTREAMER if (! result) result = cvCreateCapture_GStreamer (CV_CAP_GSTREAMER_FILE, filename); #endif #ifdef HAVE_QUICKTIME if (! result) result = cvCreateFileCapture_QT (filename); #endif #ifdef HAVE_AVFOUNDATION if (! result) result = cvCreateFileCapture_AVFoundation (filename); #endif if (! result) result = cvCreateFileCapture_Images (filename); return result; } То есть при проигрывании файла OpenCV пытается по очереди найти доступный декодер из тех, с которыми сконфигурирован CMake. Самая первая попытка - создание cvCreateFileCapture_FFMPEG_proxy. Если ffmpeg не находится, то на Windows вызывается функция cvCreateFileCapture_VFW (её на листинге нет, она находится внутри cvCreateFileCapture_FFMPEG_proxy). И дальше по очереди. Что делать, если файл всё таки не проигрывается? Надо воспользоваться отладчиком. Зайти внутрь функции cvCreateFileCapture и посмотреть какие декодеры вообще задействованы и какие обламываются, хотя должны были бы работать. И, соответственно, посмотреть, почему они обламываются. Это не так сложно. Например, я попытался проиграть, записанный на телефоне, файл *.mp4. ffmpeg не нашёл opencv_ffmpeg.dll, а vfw не захотел его открывать (что логично). Остальные библиотеки у меня не были задействованы. Поэтому я просто закинул opencv_ffmpeg.dll и всё заработало. Если бы потребовалось проиграть QuickTime видео, то необходимо было бы найти в документации способ подключения QuickTime и выставить в cvconfig.h HAVE_QUICKTIME (либо сделать это в CMake - так правильней).
  45. 2 points
    Видеоиллюстрация работы адабуст:
  46. 2 points
    А зачем лишние копирования памяти? Пусть каждый дочерний поток полностью копирует заголовок изображения и делает ему SetImageROI size_t num_threads = boost::thread::hardware_concurrency(); В общем случае: clock() Если можно использовать WinAPI, то число вариантов возрастает. Например: QueryPerfomanceCounter или GetThreadTimes.
  47. 2 points
    Для всевозможных детекторов движения самый известный набор данных - это PETS. Практически все статьи используют данные для тестирования оттуда (наборы различаются по годам).
  48. 2 points
    Мультибуст классификатор (AdaBoost для количества классов больше двух) (не opencv) :multiboost.tar.gz
  49. 2 points
    Небольшое пояснение по алгоритму. Версия 1:AdaBoost.pdf ЗЫ: Очень хороший пример по классификаторам включили в версию 2.3. Называется points_classifier.cpp. Он позволяет погонять (на точках) классификаторы: NBC normal Bayessian classifier KNN k nearest neighbors classifier SVM support vectors machine DT decision tree BT ADA Boost GBT gradient boosted trees RF random forest ERT extremely randomized trees ANN artificial neural networks EM expectation-maximization
  50. 2 points
    IplImage To Bitmap; Переделал функцию рисования IplImage для Delphi. Пользуйтесь )) function WidthBytes(bits: Integer): Integer; begin Result := Trunc((bits + 31) / 32) * 4; end; function CreateRGBBitmap(Ipl: PIplImage): HBITMAP; var i, j: Integer; LApp: PChar; LBitInfo: TBitmapInfo; begin LBitInfo.bmiHeader.biSize := SizeOf(BITMAPINFOHEADER); LBitInfo.bmiHeader.biWidth := Ipl.width; LBitInfo.bmiHeader.biHeight := Ipl.height; LBitInfo.bmiHeader.biPlanes := 1; LBitInfo.bmiHeader.biBitCount := 24; LBitInfo.bmiHeader.biCompression := BI_RGB; LBitInfo.bmiHeader.biSizeImage := WidthBytes(Ipl.width * 8) * Ipl.height; LBitInfo.bmiHeader.biXPelsPerMeter := 0; LBitInfo.bmiHeader.biYPelsPerMeter := 0; LBitInfo.bmiHeader.biClrUsed := 0; LBitInfo.bmiHeader.biClrImportant := 0; Result := CreateDIBSection(0, LBitInfo, DIB_RGB_COLORS, Pointer(LApp), 0, 0); if(Ipl.nChannels = 1) then for i := 0 to Ipl.height - 1 do for j := 0 to Ipl.width - 1 do begin LApp[Ipl.width*3*(Ipl.height-i-1)+j*3] := Ipl.imageData[Ipl.width*(i)+j]; LApp[Ipl.width*3*(Ipl.height-i-1)+j*3+1] := Ipl.imageData[Ipl.width*(i)+j]; LApp[Ipl.width*3*(Ipl.height-i-1)+j*3+2] := Ipl.imageData[Ipl.width*(i)+j]; end; if Ipl.nChannels = 3 then for i := 0 to Ipl.height - 1 do Move(Pointer(Ipl.imageData+Ipl.width*3*i)^, Pointer(LApp+Ipl.width*3*(Ipl.height-i-1))^, Ipl.width*3); end; procedure APIDrawIpl(X, Y: Integer; Handle: THandle; Ipl: PIplImage); var LMemDC, LHDC: HDC; LBitmap: HBITMAP; begin LHDC := GetDC(Handle); LMemDC := CreateCompatibleDC(LHDC); LBitmap := CreateRGBBitmap(Ipl); SelectObject(LMemDC, LBitmap); BitBlt(LHDC, X, Y, Ipl.width, Ipl.height, LMemDC, 0, 0, SRCCOPY); DeleteObject(LBitmap); DeleteDC(LMemDC); DeleteDC(LHDC); end;
×