经过学习和探索，掌握了一维卷积和二维卷积的矩阵乘法实现。
对于一维向量的卷积，Matlab提供了convmtx计算向量对应的乘法矩阵。它是一个Toeplitz矩阵。
% By TomHeaven, hanlin_tan@nudt.edu.cn @ 2016.09.28
x = [1 2 3]';
y = [4 5 6]';
n = length(y);
H = convmtx(x,n);
z = H*y;
z_c = conv(x, y);
diff = norm(z - z_c)
二维卷积（图像与核卷积）的矩阵乘法形式，矩阵的构造方法可以通过简单的算理推演得到。它是一个Band（带宽）矩阵。
设二维图像矩阵为$X \in R^{m \times n}$，卷积核矩阵为$Y \in R^{p \times p}$。它们按行优先展开得到的向量分别为$x,y$。
继续阅读
前面已经介绍过Win10和Ubuntu14.04安装Python2.7+Theano0.7+Cuda7.5的方法。本文把最后的Mac系统也搞定了。总体过程比较顺利，中间有些小Trick，都一一解决了。
本文假设你已经安装好了xcode和cuda7.5 sdk（一个从应用商店装，一个从Nvidia官网下dmg装）。
下载pip-8.1.2.tar.gz，解压后运行
sudo chmod a+x setup.py
sudo ./setup.py install
全变分（Total variation），也称为全变差，是图象复原中常用的一个名词。本文简要介绍全变分的概念以及在图象去噪中的应用。
一维连续实函数f(x)在区间[a, b] \subset R上的全变分定义为参数曲线x \rightarrow f(x), x \in [a,b]的弧长。其表达式为
V_a^b(f) = \int_a^b |f'(x)|dx说白了，所谓的“变分”就是|f(x+\Delta x) - f(x)|，对于连续函数\Delta x \rightarrow 0。而全变分是对函数定义的区间而言的，就是将“变分”在区间上累加起来。
Matlab是学术界和业界公认的高级编程语言，其优点在于编程复杂度低，缺点在于for循环的效率极低。为了利用Matlab已有的算法，降低编程复杂度，同时解决for循环效率低的问题，Matlab引入了Mex机制，使得Matlab可以调用C++编写的函数。CUDA是Nvidia推出的并行计算框架，基本遵循了C++语法规则。于是乎出现了Matlab调用CUDA的方法，称之为“MexCuda”。本文就Mex CUDA程序的调试方法简单介绍下经验。
最简单的CUDA程序莫过于“vectorAdd.cu"，即向量的加法。下面给出了一个向量加法的简单例子：
继续阅读
搞了CV一段时间，仍时不时因为概念问题而困惑，搞不清楚计算机视觉(Computer Vision)，计算机图形学(Computer Graphics)和图像处理(Image Processing)的区别和联系。在知乎上看到了一个帖子，觉得解释的很好，结合自己的理解，形成此文存档。
从定义理解概念是最严谨的。所以首先搞清楚维基百科中这些概念的定义。
计算机视觉(CV)：
Computer vision is a field that includes methods for acquiring, processing, analyzing, and understanding images and, in general, high-dimensional data from the real world in order to produce numerical or symbolic information, e.g., in the forms of decisions.[1]
直译过来就是
计算机视觉是一个学科/领域，它包括获取、处理、分析和理解图像或者更一般意义的真实世界的高维数据的方法；它的目的是产生决策形式的数字或者符号信息。