更新链接

docs/4.0.0/3.1-tutorial_py_basic_ops.md

@@ -119,7 +119,7 @@ UINT8
 检查以下结果：
 
 <div align=center>
-<img src="img/roi.jpg">
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/roi.jpg">
 </div>
 
 ## 拆分和合并图像通道
@@ -184,7 +184,7 @@ plt.show()
 请参阅下面的结果。（图像是通过 matplotlib 展示的。因此红色和蓝色通道将互换）：
 
 <div align=center>
-<img src="img/border.jpg">
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/border.jpg">
 </div>
 
 ## 其他资源

docs/4.0.0/3.2-tutorial_py_image_arithmetics.md

@@ -30,7 +30,7 @@ OpenCV 相加操作和 Numpy 相加操作之间存在差异。OpenCV 添加是
 这也是将图像相加，但是对图像赋予不同的权重，从而给出混合感或透明感。图像按以下等式添加：
 
 <div align=center>
-<img src="img/blending_equation.gif">
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/blending_equation.gif">
 </div>
 
 通过在(0,1)之间改变![](https://github.com/zhangqizky/opencv-doc-zh/blob/master/docs/4.0.0/img/alpha.gif)的值, 可以用来对两幅图像或两段视频产生时间上的 *画面叠化* （cross-dissolve）效果，就像在幻灯片放映和电影制作中那样（很酷吧?)（译者注：在幻灯片翻页时可以设置为前后页缓慢过渡以产生叠加效果，电影中经常在情节过渡时出现画面叠加效果）。
@@ -38,7 +38,7 @@ OpenCV 相加操作和 Numpy 相加操作之间存在差异。OpenCV 添加是
 在这里，我拍了两张图片将它们混合在一起。第一图像的权重为 0.7，第二图像的权重为 0.3。[cv.addWeighted()](https://docs.opencv.org/4.0.0/d2/de8/group__core__array.html#gafafb2513349db3bcff51f54ee5592a19)在图像上应用以下等式。
 
 <div align=center>
-<img src="img/blending_equation.gif">
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/blending_equation.gif">
 </div>
 
 ```Python
@@ -54,7 +54,7 @@ cv.destroyAllWindows()
 观察以下结果：
 
 <div align=center>
-<img src="img/blending.jpg">
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/blending.jpg">
 </div>
 
 
@@ -89,7 +89,7 @@ cv.destroyAllWindows（）
 
 请参阅下面的结果。左图显示了我们创建的蒙版。右图显示最终结果。为了加深理解，请在上面的代码中显示所有中间图像，尤其是 img1_bg 和 img2_fg。
 <div align=center>
-<img src="img/overlay.jpg">
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/overlay.jpg">
 </div>
 
 ## 其他资源

docs/4.0.0/8.2.1-tutorial_py_svm_basics.md

@@ -8,7 +8,7 @@
 ### 线性可分离数据
 考虑下面的图像有两种类型的数据，红色和蓝色。在 kNN 中，对于一个测试数据，我们通常要计算它与所有训练样本的距离，并选择最短距离的那个。计算与所有样本的距离花费了大量时间，而且存储所有的训练样本要花费大量的内存。但是，对于图片中所给出的数据，我们真的需要这么多吗？
 <div align=center>
-<img src="img/svm_basics1.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_basics1.png"> </br>
 <b>图像</b>
 </div>
 
@@ -16,7 +16,7 @@
 
 在上图中，你可以看到很多这样的直线。我们将选哪一条？非常直观地说，该直线应该尽可能远离所有点。为什么呢？因为输入数据中可能存在噪声数据。这些噪声数据不应影响分类准确性。因此，选择最远的直线将提供更强的抗噪声能力。因此，SVM 所做的是找到与训练样本具有最大最小距离的直线（或超平面）。请参见下图中穿过中心的粗线。
 <div align=center>
-<img src="img/svm_basics2.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_basics2.png"> </br>
 <b>图像</b>
 </div>
 
@@ -24,7 +24,7 @@
 
 发生了什么事呢？首先，有两个超平面被发现最能代表数据。例如，蓝色数据由 **w<sup>T</sup>x + b<sub>0</sub> > 1** 表示，而红色数据由 **w<sup>T</sup>x + b<sub>0</sub> < -1** 表示，其中 **w** 是权重向量（ **w = [w<sub>1</sub>,w<sub>2</sub>,...,w<sub>n</sub>]** ）， **x** 是特征向量（ **x = [x<sub>1</sub>,x<sub>2</sub>,...,x<sub>n</sub>]** ）， **b<sub>0</sub>** 是偏差。权重向量决定决策边界的方向，而偏差点决定其位置。现在，决策边界被定义为这些超平面的中间，因此表示为 **w<sup>T</sup>x + b<sub>0</sub> = 0** 。从支持向量到决策边界的最小距离由 **distance<sub>support vectors</sub> = 1/||w||** 给出。间距是这个距离的两倍，我们需要最大化这个间距。即我们需要最小化一个新函数 **L(w,b<sub>0</sub>)** ，其中一些约束可以表示如下：
 <div align=center>
-<img src="img/svm_func1.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_func1.png"> </br>
 </div>
 
 其中 ti 是每个类的标签， **t<sub>i</sub> ∈ [-1,1]** 。
@@ -38,12 +38,12 @@
 
 考虑二维空间中的两个点， **p = (p<sub>1</sub>, p<sub>2</sub>)** 和 **q = (q<sub>1</sub>, q<sub>2</sub>)** 。设 ***Φ*** 是一个映射函数，它将二维的点映射到三维空间，如下所示：
 <div align=center>
-<img src="img/svm_func2.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_func2.png"> </br>
 </div>
 
 让我们定义一个核函数 ***K*(*p*,*q*)** ，它在两点之间做一个点积，如下所示：
 <div align=center>
-<img src="img/svm_func3.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_func3.png"> </br>
 </div>
 
 
@@ -51,18 +51,18 @@
 
 除了所有这些概念之外，还存在分类错误的问题。因此，仅仅找到具有最大间距的决策边界是不够的。我们还需要考虑分类错误的问题。有时，可能会找到间距较小的决策边界，但分类错误减少。无论如何，我们需要修改我们的模型，使其找到具有最大间距的决策边界，但分类错误较少。最小化标准修改为：
 <div align=center>
-<img src="img/svm_func4.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_func4.png"> </br>
 </div>
 
 下图显示了这个概念。对于训练数据的每个样本，定义新参数 ***ξ*<sub>i</sub>** 。它是从相应的训练样本到正确决策区域的距离。对于那些没有被错误分类的数据，它们会落在相应的支持平面上，因此它们的距离为零。
 <div align=center>
-<img src="img/svm_basics3.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_basics3.png"> </br>
 <b>图像</b>
 </div>
 
 所以新的优化问题是：
 <div align=center>
-<img src="img/svm_func5.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/svm_func5.png"> </br>
 </div>
 
 如何选择参数 C？很明显，这个问题的答案取决于训练数据的分布方式。虽然没有一般性答案，但考虑以下规则很有用：

docs/4.0.0/8.2.2-tutorial_py_svm_opencv.md

@@ -20,7 +20,7 @@ def deskew(img):
 ```
 下图展示了应用于零图像的上述矫正函数。左图是原始图像，右图是矫正后的图像。
 <div align=center>
-<img src="img/deskew.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/deskew.jpg"> </br>
 <b>图像</b>
 </div>
 接下来，我们必须找到每个单元的 HOG 描述符。为此，我们在 X 和 Y 方向找到每个单元的 Sobel 导数。然后，在每个像素处找到它们的大小和梯度方向。该梯度被量化为 0~16 间的整数。将此图像分为四个子方块。对于每个子方块，计算使用大小加权的方向的直方图（16 bins）。因此，每个子方块都会给你一个有 16 个值的向量。四个这样的向量（四个子方块）一起给出了有着 64 个值的特征向量。这是我们用来训练数据的特征向量。

docs/4.0.0/8.3.1-tutorial_py_kmeans_understanding.md

@@ -8,13 +8,13 @@
 ### T 恤大小问题
 举个例子，有一家公司将向市场推出一种新型 T 恤。显然，他们必须制造不同尺寸的衣服，以满足各种身材的人。为此，公司收集了一份人的身高和体重的数据，并将其绘制成图表，如下所示：
 <div align=center>
-<img src="img/tshirt.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/tshirt.jpg"> </br>
 <b>图像</b>
 </div>
 
 公司不能制作所有尺寸的 T 恤。相反，他们将人们划分为小巧、中等和高大，并且仅制造这 3 种尺寸的衣服，以满足所有人的需求。将人群分为 3 组这种事情可以用 K-Means 聚类算法来完成，并且算法能够给我们找出最合适的 3 个尺寸，让所有人满意。如果不行，公司可以将人们分成更多的组，可能是 5 组，或者其它。查看下图：
 <div align=center>
-<img src="img/tshirt_grouped.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/tshirt_grouped.jpg"> </br>
 <b>图像</b>
 </div>
 
@@ -23,7 +23,7 @@
 
 考虑如下的一组数据（你可以将其视为 T 恤问题）。我们需要将这些数据分成两组。
 <div align=center>
-<img src="img/testdata.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/testdata.jpg"> </br>
 <b>图像</b>
 </div>
 
@@ -33,7 +33,7 @@
 
 在这个例子中，我们用红色标记所有的'0'，用蓝色标记所有的'1'。在上述操作之后，我们得到了下图：
 <div align=center>
-<img src="img/initial_labelling.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/initial_labelling.jpg"> </br>
 <b>图像</b>
 </div>
 
@@ -43,18 +43,18 @@
 
 然后我们得到了如下结果：
 <div align=center>
-<img src="img/update_centroid.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/update_centroid.jpg"> </br>
 <b>图像</b>
 </div>
 
 现在，迭代 **步骤二** 和 **步骤三**，直到两个中心点收敛到固定点。\*( 或者可能根据我们所给的条件停止，如最大迭代次数，或达到特定的准去率等。)\* **这些点使得测试数据与其对应的中心点之间的距离之和最小。** 或者简单地说，***C1↔红色点*** 和 ***C2↔蓝色点*** 之间的距离之和最小。
 <div align=center>
-<img src="img/kmeans_func1.png"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/kmeans_func1.png"> </br>
 </div>
 
 最终结果大概如下所示：
 <div align=center>
-<img src="img/final_clusters.jpg"> </br>
+<img src="https://opencv.apachecn.org/docs/4.0.0/img/final_clusters.jpg"> </br>
 <b>图像</b>
 </div>
 

docs/4.0.0/8.3.2-tutorial_py_kmeans_opencv.md

@@ -53,7 +53,7 @@ plt.hist(z,256,[0,256]),plt.show()
 所以我们有'z'，这是一个大小为 50 的数组，值范围从 0 到 255。我已经将'z' 重塑为列向量。当存在多个特征时，它将更有用。然后我将类型数据转为 np.float32 。
 
 我们得到以下图片：
-<div align="center"><img src="img/oc_1d_testdata.png" /> <br> <b>图像</b></div>
+<div align="center"><img src="https://opencv.apachecn.org/docs/4.0.0/img/oc_1d_testdata.png" /> <br> <b>图像</b></div>
 
 现在我们应用 KMeans 功能。在此之前，我们需要指定标准。我的标准是，每当运行 10 次迭代算法或达到 epsilon = 1.0 的精度时，就停止算法并返回答案。
 
@@ -81,7 +81,7 @@ plt.hist(centers,32,[0,256],color = 'y')
 plt.show()
 ```
 以下是我们得到的输出：
-<div align="center"><img src="img/oc_1d_clustered.png" /> <br> <b>图像</b></div>
+<div align="center"><img src="https://opencv.apachecn.org/docs/4.0.0/img/oc_1d_clustered.png" /> <br> <b>图像</b></div>
 
 ## 2.具有多个特征的数据
 在前面的例子中，我们只采取了 T 恤问题的高度。在这里，我们将采用高度和重量，即两个特征。
@@ -89,7 +89,7 @@ plt.show()
 请记住，在前一种情况下，我们将数据制作为单个列向量。 每个特征排列在一列中，而每行对应一个输入测试样本。
 
 举个例子，在本例中，我们将测试数据集的大小设为 50x2 ，这是 50 个人的高度和体重。第一列对应着 50 个人的高度，第二列对应着他们的重量。第一行包含两个元素，其中第一个元素是第一人的高度，第二个元素是他的重量。类似地，剩余的行对应于其他人的高度和重量。查看下图：
-<div align="center"><img src="img/oc_feature_representation.jpg" /> <br> <b>图像</b></div>
+<div align="center"><img src="https://opencv.apachecn.org/docs/4.0.0/img/oc_feature_representation.jpg" /> <br> <b>图像</b></div>
 现在我直接转到代码：
 
 ```python
@@ -121,7 +121,7 @@ plt.show()
 ```
 
 以下是我们得到的输出：
-<div align="center"><img src="img/oc_2d_clustered.jpg" /> <br> <b>图像</b></div>
+<div align="center"><img src="https://opencv.apachecn.org/docs/4.0.0/img/oc_2d_clustered.jpg" /> <br> <b>图像</b></div>
 
 ## 3.色彩量化
 色彩量化是减少图像中颜色数量的过程。这样做的一个原因是减少内存。有时，某些设备可能具有限制，使得它只能产生有限数量的颜色。在那些情况下，也执行色彩量化。这里我们使用 k-means 聚类进行色彩量化。
@@ -154,7 +154,7 @@ cv.destroyAllWindows()
 ```
 
 对于 K = 8，请参见下面的结果：
-<div align="center"><img src="img/oc_color_quantization.jpg" /> <br> <b>图像</b></div>
+<div align="center"><img src="https://opencv.apachecn.org/docs/4.0.0/img/oc_color_quantization.jpg" /> <br> <b>图像</b></div>
 
 ## 额外资源
 ## 练习