SQLite数据库基础与C++方法
SQLite是最常用的一种轻量级的数据库，占用资源极低，广泛用于嵌入式设备的数据存储，本文介绍了SQLite的编译安装和C++接口基本方法。
环境安装
以MinGW gcc编译为例：在SQLite官网下载合并版本的sqlite源码（如sqlite-amalgamation-3510000.zip），或者直接点击此处下载和解压。
编译C系动态库： 1gcc -shared -O2 -DSQLITE_ENABLE_FTS4 -DSQLITE_ENABLE_JSON1 sqlite3.c -o sqlite3.dll
编译sqlite数据库命令行工具： 1gcc sqlite3.c shell.c -o sqlite3 -ldl -lpthread
基于可执行的sqlite3可以运行cmd环境执行sql命令：
通过.exit和.quit命令退出该环境。
数据类型
SQLite大致支持五种存储类型，分别是：
存储类型
特点
NULL
NULL值存储
INTEGER
带符号整数，根据大小分1、2、3、4、6或8字节 ...
深入理解计算机系统CMU-15213 CSAPP（二）：DataLab
在国庆假期最后一天拾起一下一年前没做完的事情，尝试继续完成CSAPP的Lab，同时每个lab中都会结合原书补充一些细节知识。
实验目的
DataLab主要围绕数据表示设计，涉及到数据的按位运算和浮点数转化等知识，设计者希望我们修改bits.c文件中的函数，使得函数实现相应的目的。此外，每个函数会限制要用的运算符和数量，根据要求完成即可。当完成此节，你会对位运算刮目相看。尤其推荐通过其中的浮点数实验和本文描述了解浮点数存储细节，我相信这是没有之一的最详细和科学的描述。如有不当，欢迎指正。
具体实现
与和非实现异或
根据异或的卡诺图，可知：A^B = (A & ~B) | (~A & B)
而根据与或关系的转换：C | D = ~(~C & ~D)
所以有：A^B = ~(~(A & ~B) & \~(~A & B))
故有： 1234567891011//1/* * bitXor - x^y using only ~ and & * Example: bitXor(4, 5) = 1 * Legal op ...
OpenGL C++记录(二)：基本渲染与着色器
根据LearnOpenGL记录了OpenGL的基本入门，初衷只是想接触一些计算机图形学内容，该系列估计最多只会到坐标变换一节，完整学习可移步原教程。
基本程序
OpenGL的入门打印不再是Hello
World了，其牵扯到比较多的概念，完整的一个基本程序如下，做了很多事情，但是效果上仅仅输出一个空白灰绿框以及打印了OpenGL版本信息。
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374#include<glad/glad.h>#include<GLFW/glfw3.h> #include<iostream> // settingsconst unsigned int SCR_WIDTH = 800;const unsigned int SCR_HEIGHT = 600; const unsigned int VIEW ...
OpenGL C++记录(一)：基于MinGw的环境搭建
OpenGL环境搭建
OpenGL（Open Graphics
Library）是一个2D、3D图形渲染库，它实际上并不是一种API，而是一种标准规范，规定了每个接口应该提供什么样的功能，也就是说它不关心内部实际实现，因为不同平台、不同设备上的接口实现总是不一样的，不同的系统、显卡、显卡驱动，都要求按照不同的系统API实现开发所需的对象创建和管理、音视频处理等，对编程者要求较高，因此OpenGL引入了各种库，例如GLUT，SDL，SFML和GLFW等，用于抽象和屏蔽底层的实现差异，实现使用统一的接口调用不同平台API的方法。
也由于OpenGL实现随平台变化的特点，显卡、驱动版本、系统版本都可能导致一些函数失效，或者通过宏支持新的函数功能，因此大多数函数的运行地址是运行期才真正确定，导致OpenGL的函数逻辑需要经过寻找函数指针-绑定对象-创建/操作对象的过程，例如在windows上，需要通过wglGetProcAddress获取函数指针再使用：
1234567// 定义函数原型typedef void (*GL_GENBUFFERS) (GLsizei, GLuint*);/ ...
设计模式(四)：组合模式、责任链模式、策略模式
组合模式(Composite Pattern)
当集体对象和单一对象有功能上的相似时，使用组合模式可以为集体和单一对象提供统一的操作接口，例如文件系统，对文件夹和文件的操作，删除文件夹实际上是对文件夹中的文件进行删除；这种情况下使用组合模式有若干优点：
提供统一的操作，减少代码量；
树形的管理架构，除了文件系统，很多系统的组织与此类似，例如公司、军队等组织的管理系统；
易于扩展（开闭原则，对扩展开放，对修改封闭），一是能够容下多个层级关系，而无需每层独立一个类管理；二是添加层级和操作对象，都只要增加非叶子层级或者叶子、非叶子的操作接口即可。
组织模式将类结构组织成树形的架构，单一的对象称为叶子对象，由单一对象组成的集体对象称为组件或者容器，单一对象之下没有对象，组件对象之下可以是更细分的组件对象，也可以是某单一对象，其中抽象类定义了叶子对象和组件的类似特性，将组织架构中最大的组件定义为根，模拟一个组件模式的军队架构组织如下：
12345678910111213141516171819202122232425262728293031323334353637383940 ...
矩阵求导
函数与变元(自变量)
标量函数f
标量函数的自变量可以是标量、向量和矩阵。常见的函数形式以标量形式给出：
但仅使用标量方程不足以方便描述各种数学关系，所以拓展成向量和矩阵方程的形式：
向量形式：假设(列向量)，由二次型分解知
矩阵形式：假设，有：
向量函数
向量函数的自变量同样可以分成标量、向量和矩阵。
标量作自变量：
向量作自变量：
矩阵作自变量：
矩阵函数F
矩阵函数的自变量同样可以分成标量、向量和矩阵。
标量自变量：
向量自变量：
矩阵自变量：
分子布局与分母布局
向量、矩阵这种多维变量互相求导，元素的个数实际上是确定的，关键是如何进行元素排列，主要是讨论分子布局和分母布局。
总结了几个结论：
分母和分子布局的本质就是由谁的维度来决定行数。分母布局下，假如分母是m维向量，那么结果就是m行，假如分母是m×n矩阵，那么结果就是mn行，分子布局同理；
标量函数求导，使用的是分母布局(分母可能是向量、矩阵，维度较高)；
向量、矩阵函数对标量求导，使用的是分子布局(分子为向量、矩阵，维度较高)；
向量对向量求导，没有断论 ...
不积代数，无以至千里：线性代数基础
在图像处理/数据优化/机器学习方法方面，看了一些需要代数背景的代码比较糊涂，决定以个人视角记录一些线性代数基础，也是想做很久的一件事。参考了多方资料，包括宋浩线性代数（理解细节参考）、张宇线性代数（排版、总结、详略、公式非常好）以及来自MIT的线性代数课程（思想、与工程结合性出众），可能比较综合(杂乱)。
逐渐更新。
矩阵基础
矩阵的定义不值一提，但从不同视角看待更容易理解矩阵的本质。
行图像(Row
Picture)与列图像(Column Picture)
平时习惯以行图像的时间看待矩阵，例如上述矩阵可以看成线性方程组的求解，对于二维矩阵求的是两直线的交点，三维则求三个面的交点:
解的存在性和个数取决于交点的存在性和分布规律。
列图像将矩阵看成是列向量的线性组合：
解的存在性和个数取决于两个向量的线性组合是否可达至目标向量。
如果目标向量B是任意的，从行向量看代表两条直线关系是随机的，如果是三维，则代表了空间中三个平面的关系是随机的；而从列图像理解更容易得多，因为其系数矩阵是不变的，无论是二维还是n维空间，关键在于系数向量的线性组合是否能够表示n维空间中任 ...
数值分析：多项式的最小二乘法拟合
多项式拟合-最小二乘法
代数角度
这个方法爱看不看，看了基本也没用。
最小二乘法使用多项式拟合样本数据，其基本代数原理以下。
假设使用的是m阶多项式拟合，那么在的估计值为：
其误差表示为：
那么对于n个样本点，使用平方和误差量化，该误差就是数据的优化目标，自变量为各阶的权值w，有：
求E(w)极小值，需对其求偏导，为：
有:
权重系数与i无关，可以写成：
同样的，此为一个约束条件，对于m阶的多项式，存在m+1项的偏导联合约束，所以有：
写成矩阵表达式:
C++实现
如下： 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869#include <opencv2/opencv.hpp>#include <iostream>#include <math.h>using namespace std;using ...
OpenCV C++记录(十四)：距离变换与基于标记的分水岭算法
距离变换算法
距离变换算法是基于二值化图像转换，得到与前景输入类似的灰度图，其基本原理是计算前景像素(255)到背景像素(0)的最小距离，背景像素值的距离仍然为0，距离变换算法能简单地在图像生成前景特征，在图像分割、特征提取中有重要作用，此处所说的距离是三种经典距离，在前面文章OpenCV
C++记录(八)：Sobel、Scharr、Laplacian、Canny算子简单提过，其数学特征是：
欧氏距离(DIST_L2)：
曼哈顿距离(城市距离,DIST_L1):
棋盘距离(切比雪夫距离,DIST_C)
三种距离定义
OpenCV实现
OpenCV提供了距离变换接口，可以计算二值图的前景和背景距离灰度分布情况：
123456void distanceTransform(cv::InputArray src, //输入二值化图 cv::OutputArray dst, //输出距离 int distanceType, //三种类型距离 int maskSize, //掩图大小，一般为3 int ds ...
OpenCV C++记录(十三)：角点检测算法与亚像素优化
角点是图像的重要特征，往往比边缘和平坦区域具有更独一无二的特征，例如在拼图时，我们往往会先寻找物体对象的角点，最后再完善边缘和平坦区域，对于图像的特征检测亦是如此，角点检测是重要一环。
Harris角点检测
基本原理
1988年，Chris Harris和Mike
Stephens提出了角点检测的方法，称为Harris角点检测，其基本思想是考虑窗口到各个方向的灰度差异总和，表示为：
窗口权值函数灰度增量函数灰度函数
权值函数既可以是普通窗口，也可以是与中心距离相关的高斯窗口。
其中增量项可以根据二元一阶泰勒展开成偏导项Ix和Iy和二阶无穷小：
故原式等于：
此处令M = ，
可根据其特征值进一步判断某区域是平坦还是出现边缘还是角点，Harris检测响应公式：
此处的特征值可以理解成两个正交方向的变化率，结论如下：
当|R|很大，为角点，因为此时λ1和λ2均很大，说明两个正交方向都有大的变化率；
当|R|很小，为平坦区，此时λ1和λ2都很小，两个正交方向变化率军均很小；
当R<0,
为边缘，说明λ1和λ2其中一个很小，只有一个方向存在变化率 ...