Ben's Heaven

本篇文章來自  想知道網戀對象有沒有修圖嗎？試試看這款修圖偵測機器人！  的續篇， 因為 Python 的方法實在是太慢了，所以我一直在尋求加速的方法。 俗話說得好： 要看一個人怎麼做立委， 就要看他怎麼做立委！ 不是，我是說有些人可能不適合做立委、適合做總統！ 舉個例子： 拿 Python 去做文字處理就很開心，但是拿 C/CPP 去做文字處理你就準備腦血栓； 反之拿 Python 做數學運算也會慢到中風，但是拿 C/CPP 做數學運算就風馳電掣。 所以我用 CPP 實現了需要數學運算的 DCT 方法， 主要是使用 extern "C" 方法來與 Python 對接，在 Python 那邊設定好輸出入的參數。 這邊比較需要注意的是因為我選用的讀圖方式是 OpenCV 的 CPP 函式庫， 所以寫 Makefile 的時候需要注意把 OpenCV 包進來。 在編譯的過程中 Makefile 也會發生抓不到 g++ 的時候 （想好好編譯真難 😇） 總之做了一點 Soft-link 還有 Dirty work 後終於能正確編譯了。 因為我是用"Single Thread"、"Mask" 的方法來實現 DCT 變換的， 所以讓我們來看看與 Python 版 與 CPP 版 比較效果如何： CPP 版的運算速度比 Python 版快了近六倍， 有夠優質！ 相關開源我更新在： https://github.com/wuyiulin/GraphAppBot 想要測試一下這個服務： https://t.me/DynamicGraphApp_bot 如果有任何問題歡迎聯絡我： wuyiulin@gmail.com

  最近公司開始有新想法，加上 ESP32 要讀寫資料， 開始在研究怎麼在純 C 裡面讀寫 config.ini。

  這邊提供 OpenCV 編譯後崩潰的可能解決方法： 我的環境是 OpenCV 4.5.4、Ubuntu 22.04， 並使用 g++ 11.4.0 編譯我的專案。 我遇到的情境問題是，我得到一包 C/C++ 的專案， 裡面用 Makefile 來整合編譯專案，裡面包含我自己寫的一段高斯濾波程式碼。 這貨整包編譯時沒有出錯； 獨立把高斯濾波程式碼放到另一個編譯、運行也都沒有出錯。 但當我在源碼裡面運行這段高斯濾波程式碼時"有機率"會出錯： int ksize = 3; cv::Size size = image.size(); int width = size.width; int height = size.height; cv::Mat blurred_image(height, width, CV_8UC1, cv::Scalar::all(0)); cv::GaussianBlur(grey, blurred_image, cv::Size(ksize, ksize), 0, 0); 然而我給定的高斯核大小為 3x3， 非常奇怪，程式會跳說高斯核定義不是奇數，所以不合法： error: (-215:Assertion failed) ksize.width > 0 && ksize.width % 2 == 1 && ksize.height > 0 && ksize.height % 2 == 1 in function 'createGaussianKernels' 除此之外，當我想使用旋轉圖片、在圖片上畫點的功能也全部失效，但是編譯又沒有出錯， 這件事情真的是非常奇怪。 因為是運行時錯誤，於是我先用 GDB 檢查了函式是否重複定義： 然而並沒有，這就奇了怪了。 後來我開始埋 log 想辦法抓鬼，也完全抓不到。 解決方法： 把專案的 Makefile 打開，有關於 OpenCV 的部份改寫， 讓  Makefile 繞過 pkg-config ，手動給定 OpenCV.hpp 還有 libopencv_XXX.so 的路徑。 如果我的  OpenCV.hpp 放在  /usr/inclu...

  這篇主要介紹 Linux/Windows 兩個平臺使用 Intel 內顯資源開發 OpenCL 的解決方案， 並且不用重新編譯核心，不像 這篇 太 Hardcore 了xD

2023 - 11 瑞鼎 - 觸控演算法工程師 工作內容 1. 客戶需求專案支援 2. 觸控演算法開發與維護 3. 觸控演算法數據分析 職務類別 演算法工程師 白板題

  快速排序算法擁有最佳計算複雜度 O(n log n)， 但在特殊情況下會退化成 O(n^2)。 其中一個特殊情況就是大量重複元素的排列問題。 解決問題前， 先介紹快速排序法的實現。 假設你得到一隨機一維陣列要做升冪排序， 最終的結果需要是這樣： 選定隨機陣列最左側為 pivot ，pivot  為 L指標、最右側為 R指標。 首先先判斷終止條件：R 的 index 是否等於 L 的 index？ 等於的話就將 pivot 的 值 與 R、L 的值交換，進行下一循環。 R 的 index 不等於 L 的 index的話繼續尋找：  R指標啟動尋找小於等於 pivot 的值，L 尋找大於 pivot 的值，找到就鎖定。     若 R 的 index != L 的 index，則兩者的值交換。 以此類推，當 R 的 index == L 的 index 時，交換 pivot 與 R 的值。 並以交換點為準，分割左邊右邊兩個子循環。 這邊可以順便推導為什麼 quick sort 的計算複雜度為 O(n log n)， 因為相較於 bubble sort 中每個 pivot  要比較 n-1 個元素， quick sort 在第二次以後的理想狀況每個 pivot 只需比較 (n/2)^m個元素 （m=排序次數-1）。 所以最佳計算複雜度才會是 O(n log n)  // n個 pivot 乘上該次比較元素量。 但是齁，人算不如天算。 有時候就會遇到很棘手的情況，讓 quick sort  一點都不 quick。 主要分為兩種： 已排序數列。 存在著大量重複元素的數列。     1. 已排序數列。 已排序數列的問題在於分割的左右子陣列不平衡， 導致需要搜尋的元素趨近於 n。 如此一來計算複雜度便會退化成 O(n^2) 解法：把數列打亂即可解決這個問題。      2.存在著大量重複元素的數列。 這個就比較麻煩了，因為打亂也解決不了（＃。 這個問題在於要搜尋相等於 pivot 的重複數， 兩數之間總共有三種關係嘛：大於、等於、小於。 之前的方法一直把等於的方法掛在 L指標上面做， 解決問題的核心精神是特別考慮等於的情況處理。 重複數處理...