C# 图片与字节数组（byte[]）二进制相互转换，获取大小像素扩展名

https://blog.csdn.net/kongwei521/article/details/6871461

C#+Stream+和+byte[]+之间的转换

https://blog.csdn.net/kongwei521/article/details/6871503

简介
数字图像在计算机上以位图(bitmap)的形式存在,位图是一个矩形点阵，其中每一点称为像素(pixel)，像素是数字图像中的基本单位。一幅m×n大小的图像，是由m×n个明暗度不等的像素组成的。数字图像中各个像素所具有的明暗程度由灰度值(gray level)所标识。一般将白色的灰度值定义为255，黑色灰度值定义为0，而由黑到白之间的明暗度均匀地划分为256个等级。对于黑白图像，每个像素用一个字节数据来表示，而在彩色图像中，每个像素需用三个字节数据来表述。彩色图像可以分解成红(R)、绿(G)、蓝(B)三个单色图像，任何一种颜色都可以由这三种颜色混合构成。在图像处理中，彩色图像的处理通常是通过对其三个单色图像分别处理而得到的。
算法
如果要将彩色图像转换为灰度图像，只要将图像中的每个像素取出来，然后取像素的R、G、B颜色分量，利用如下公式计算灰度值：
    int gray = r＊0.3 ＋ g＊0.59 ＋ b＊0.11;


然后再令像素的R、G、B分度值都为gray就行了 。
也有的资料提出灰度转换公式如下所示：
    int gray = (r＋g＋b) / 3;


两种方法转换后的灰度图片效果差不多。
代码样例
public void GrayScale(Bitmap image )
{
    int width = image.Width - 1;
    int height = image.Height - 1;

    Color color;
    for (int i = width; i >= 0;i--)
    {
    for (int j = height; j >= 0;j--)
    {
        //读取每一个像素
        color = image.GetPixel(i,j);        //计算灰度值
        int gray = (int)(color.R * 0.3 + color.G * 0.59 + color.B * 0.11);
        //int gray = (color.R + color.G + color.B) / 3;
        Color colorResult = Color.FromArgb(255,gray,gray,gray);
        //设置像素为灰度
        image.SetPixel(i, j, colorResult);
    }    
}
}
原始图片：
灰度图片：

第二章  处理文件、摄像头和图形用户界面

2.1 读写文件   iimread  imwrite 静态   像素值——颜色  格式之间可转换

2.2 图像与字节

2.3 numpy.arry 访问图像数据  数组类型  2维或者3维  itemset（）   BGR 三通道

Shape（宽、高、通道数） size  像素大小  datatype  图像数据类型

2.4 视频读写   videocapture videowrite 读取的帧  需要视频解码器  根据需求选择

Get函数获取帧

2.5 摄像头的帧  videocapture    需要设备引索  deviceindex  可形成视频

get函数不能用 返回值 0

可创建video write

2.6  显示图像 imshow    waitkey 获取键盘输入  以及 setmousecallback 鼠标输入

2.7 窗口显示摄像头帧

2.8 Cameo  人脸跟踪和图像处理  应用程序

2.8.1 提取视频流 managers.capturemanager  通道  帧

2.8.2  抽象窗口和键盘 windowmanage

2.8.3 实现 run  onkeypress
第三章 处理图像

3.1 色彩转换 灰度、BGR、 HSV（Hus Saturation Value）色调、饱和度、黑暗程度

3.2 傅里叶变换   波形变换

3.2.1 高通滤波器 HPF、  核kerne   边缘检测l

3.2.2  低通滤波器 平滑、去噪和模糊化

3.3 创建模块  创建utils.py

3.4 边缘检测   提供了边缘滤波函数  laplacian sonel scharr 非黑 边缘 白色

模糊滤波 blur  medianblur   guassianblur   ksize

核的大小

3.5 用定制内核做卷积  用filter2D 引入内核

3.6 修改应用

3.7 Canny边缘检测

3.8 轮廓检测  不止是物体的形状， 可以是其他的轮廓——人脸

3.9 边界框、最小矩形区域和最小闭圆的轮廓

3.10 凸轮廓与Douglas—Peucker算法

多边形框 轮廓、e与原轮廓的差值、布尔标记（是否闭合）、

3.11 直线和圆检测

3.11.1 直线检测  Houghlines   Houghlinesp

3.11.2 圆检测  Houghcircles

3.12 检测其他形状
第四章深度估计与分割

4.1 创建模块

分模块 ：捕获和处理深度摄像头数据——Cameo.py 与其他分离

4.2 捕获深度摄像头的帧

Depth.py   深度图、点云图、视差图、有效深度掩模

4.5 使用普通摄像头进行深度估计  物体到摄像头的距离

4.6 使用分水岭和Grabcut算法进行物体分割

高斯混合模型
第五章人脸检测和识别

定义可跟踪对象类型的数据

5.1  Haar级联概念

特征——是什么

5.2 数据获取

文件夹、XML文件

5.3 opencv识别人脸

5.3.1 静态

创建脚本

5.3.2 视频

摄像头、读取帧、检测、绘制矩形框

5.3.3  人脸识别

1、生成人脸识别数据。

2、人脸识别：三种方法：eigenface、fisherfaces、local binary pattern histongram

3、准备训练数据

4、加载数据并识别人脸

通过置信度评分来丢弃结果
第六章目标检测与识别

7.1 目标检测与识别技术——程序

梯度直方图HOG、图像金字塔、滑动窗口

7.1.1 HOG描述符

8个方向：N\NW\W\SW\S\SE\E\NE

位置、尺度。——图像金字塔、滑动窗口

非最大抑制——取舍问题

支持向量机

7.1.2 检测人

7.1.3 创建和训练目标检测器

词袋、计算机视觉中的BOW、K—means聚类

第七章目标跟踪

8.1 检测移动的目标

对比帧之间的差异

8.2 背景分割器；Knn、MOG2、GMG

一. 浏览器渲染优化
1. 构建DOM树
过程：将字节转换为字符集 -> 根据w3c规定的token令牌进行词法解析生成结点 -> 根据嵌套规则生成DOM树形结构


2. 构建CSSOM
过程：与HTML类似

3. 渲染树

4. 总步骤


处理HTML标记，生成DOM树
处理CSS标记，生成CSSOM树
将DOM树和CSSOM树融合成渲染树
根据生成的渲染树计算确切位置和大小，又叫回流（重排）
根据渲染树以及回流结果，得到绝对像素，进行绘制

5. 优化方案


语义化标签，如果不是w3c规定的标签，词法解析阶段会消耗更多时间


避免深层嵌套，深层嵌套会导致生成DOM树过程进行多重递归，降低性能


减少选择器层级，合理使用css预编译器（CSS从右往左解析选择器）


尽早将CSS下载到客户端，充分利用HTTP多请求并发机制

少量代码放入style,
大量代码用link请求（不会阻塞），link放到头部，尽快开始请求，实现在生成DOM树同时请求数据
尽量少用@import(阻塞执行)



避免JS阻塞加载

放到底部或者使用defer、async





避免回流和重绘

回流：元素尺寸或者位置改变导致重新计算位置和大小重新布局
重绘：样式改变（位置、大小不变）导致重新绘制
回流一定会重绘，重绘不一定回流




避免回流的方法：

使用vue/react数据驱动视图的模式开发
分离读写操作：浏览器有批量渲染机制，如果连续同类型样式修改，浏览器会将其统一加载到队列中，然后进行统一渲染，如果读写穿插进行就会中断该操作，因此多次渲染
样式集中改变，box.className="active"
缓存布局信息，let curleft=box.offsetLeft
使用文档碎片修改元素
动画效果应用到脱离文档流的元素
CSS3硬件加速，transform/opacity/filters...


二. DNS域名解析优化

每次DNS解析时间预计20~200ms

DNS解析顺序：

浏览器缓存
操作系统缓存
路由器缓存
本机hosts
运营商DNS服务器缓存
根域名服务器 -> 顶级域名服务器 -> 权威域名服务器


优化:
设置link标签执行DNS预获取，在生成DOM树的同时进行预解析并将结果写入缓存，提高响应速度
<meta http-equiv="x-dns-prefetch-control" content="on">
<link ref="dns-prefetch" href="//static.360buyimg.com"/>

三. 网络优化
减少http请求次数和资源大小

资源合并压缩（webpack打包）
字体图标和小图片base64编码
gzip压缩
图片懒加载
引入外部cdn

应用缓存
缓存位置：

Service Worker：浏览器独立线程缓存
Memory Cache：内存缓存
Disk Cache：硬盘缓存
Push Cache：推送缓存（HTTP2新增）

各种操作触发的缓存处理：

输入地址打开网页，查询disk Cache，若不存在则发起请求
F5刷新，先Memory Cache，后disk Cache
Ctrl+F5强制刷新，请求头设为(Cache-control:no-catche)进行请求

传送门：HTTP缓存