空域滤波分为：1. 图像平滑(去噪声)；2. 图像锐化(突出轮廓)。
其中图像平滑的主要目的是：
1.模糊。在提取较大目标前，去除小的细节或将目标内的小间断连接起来的；
2.消除噪声。改善质量，降低干扰。
平滑滤波对图像的低频分量增强，同时削弱高频分量，用于消除图像中的随机噪声，起到平滑作用。
其中主要包括：1.均值滤波；2.中值滤波；3.高斯滤波。
均值滤波：
均值滤波采用线性的方法，平均整个窗口范围内的像素值，均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。均值滤波对高斯噪声表现较好，对椒盐噪声表现较差。
还在为如何抉择而感到纠结吗？快采用决策树（Decision Tree）算法帮你做出决定吧。
原作者：Sam S. 译者：Vivian Xue
如今手机游戏成为了一种重要的娱乐方式。开发手机游戏是一个很有趣的过程—如果你知道了取悦玩家们的关键所在。App Store里已充满了各种热门游戏，因此在发行产品前，你得先了解制作一个令人印象深刻的游戏都需要些什么，这是决定你成功或是失败的首要因素。迎合玩家们的期待是唯一的成功要诀。下面是你应该关注的一些因素。
I．这个游戏将如何让玩家们不断感受到乐趣？
玩家们终有一天将会为你的app打分，而决定他们评分高低的关键是游戏本身的吸引力。一些开发商们会犯这样一个错误，为了增强游戏的娱乐性而把游戏设计得很复杂。其实在提高游戏的娱乐性方面，你所关注的应该是这个游戏如何能让玩家们不断动脑思考，并且还会想再尝试一次。要实现这一点，可以通过设置一系列的有趣的益智关卡，或者为玩家们创造一个理由，让他们觉得自己是在参与一场竞争。
II．让一切简单化。
你的游戏设计足够简单吗？玩家们在启动游戏前是否要进行五次操作？一个简单的菜单和教程（游戏邦注告知玩家们在启动游戏时该做些什么）将减少玩家们的挫败感。一个感到挫败的玩家就是一个不满意的玩家。你唯一可以从他们身上得到的是对游戏的负面评论和终身憎恶。
绝大数OpenGL实现都有相似的操作顺序，一系列相关的处理阶段称为OpenGL渲染管线。图1-2显示了这些顺序，虽然并没有严格规定OpenGL必须采用这样的实现，但它提供了一个可靠的指南，可以预测OpenGL将以什么样的顺序来执行这些操作。
如果读者刚开始涉足三维图形编程，可能会对接下来的内容感到吃力。读者现在可以跳过这一部分内容，但在读完这本书的每一章时，都应该重温一下图1-2。
译：骄阳
随着各国政府寻求解决物联网安全问题，世界各地都出现了一系列的监管措施。这是一个积极行动，表明市场正在成熟，不过物联网监管并非没有挑战。这些监管措施不可避免地遭到了那些认为它可能会造成物联网废物堆积如山的人的抵制，而其他人则认为它可能会阻碍创新。
因此，每项立法都略有不同。Pen Test Partners的合伙人肯·芒罗( Ken Munro )表示：这些法规将决定监管的演变，因此我们必须考虑所采取的措施、它们的好处以及不足之处。
1、《2017年物联网网络安全改进法案》(美国)：旨在控制美国政府内部的物联网，物联网网络安全改进法案可能对物联网的发展产生深远影响。法规要求设备不得出现NIST漏洞库中已知的安全漏洞，而且必须支持更新，必须使用固定或硬编码凭据进行远程管理、更新和通信，并且必须披露和修复漏洞。然而，将漏洞局限于NIST，可能会出现一些没有被列出的常见问题，例如，客户应用程序中的SQL注入被忽略。此外，它也没有认识到许多RF协议被设计为根本不使用凭据，因此需要废弃或升级这些设备以支持更严格的无线协议。目前该法案尚未通过，其他法案包括智能物联网法案、数字法案、安全物联网法案、网络防护法案和物联网消费者提示法案。
任何公司企业都免不了数据泄露事件。但这些事件会以哪种形式出现？攻击者是怎么获得访问权的？他们会窃取或破坏什么？到底是什么驱使着他们尝试这些攻击？数据泄露的本质和后果在来年会有怎样的改变？在此，业界专家们就网络罪犯明年入侵网络盗取数据的目标、途径和原因作出了他们的预测。
五大攻击形式
1. 汽车网络攻击将可能致命
黑掉联网汽车并夺取其控制权已被证明是可行的。此类黑客行为不仅仅能关闭汽车的引擎，还可以禁用汽车的安全功能，比如防抱死系统或安全气囊。随着汽车联网程度的增加和无人驾驶汽车的发展，黑客也有了更多的机会造成真正的伤害。
2. 攻击者会劫持互联网
电影《速度与激情8》上出现的黑客远程操控汽车形成丧尸潮一般的情形，现实中会出现吗？12月18日，全球著名白帽黑客、顶级安全专家Charlie Miller与Chris Valasek 在一场主题演讲中标记，随着自动驾驶技术的普及，好莱坞大片中的情节分分钟都会成为现实。
“攻击者一般需要四步来攻击一辆自动驾驶汽车。” 在日前由腾讯汽车主办的2018全球汽车AI大会上，Charlie Miller与Chris Valasek就“如何保障自动驾驶汽车安全”这一话题发表了看法，他指出“随着自动车的自动驾驶程度越来越高，未来车控制的每一个部分都可以被黑，都可以被攻击。”
自动驾驶汽车已经成为全世界车企和人工智能领域重点开发的技术。2014年，国际汽车工程师学会发布了从L0至L5的自动驾驶六级分类体系，该体系已被美国国家公路交通安全管理局采用，并成为自动驾驶研究中的主流分类标准。目前，多家国内外车企均按该标准规划了自动驾驶产品上市时间表。
但随着部分自动驾驶产品展开测试，安全问题也开始有所显现。除了由今年3月Uber自动驾驶汽车在美国撞死行人而引发的对自动驾驶的交通安全质疑外，对自动驾驶汽车所存在的受到黑客攻击的担忧也一直贯穿着该技术的发展。
大家使用Unity的经验都有多长呢？Unity编辑器中还有这样的隐藏功能你知道吗？本系列文章为大家介绍Unity使用小技巧......
技巧一
如果编辑器意外崩溃了，但场景未保存，这时可以打开工程目录，找到/Temp/_Backupscenes/文件夹，可以看到有后缀名为.backup的文件，将该文件的后缀名改为.unity拖拽到项目视图，即可还原编辑器崩溃前的场景。
技巧二
所有数值类型的字段，都支持在检视面板中直接输入简单的数值表达式。
当前，人工智能正在席卷全球科技产业，越来越多的行业和市场都在人工智能领域进行深耕，作为当今辅助人类进行创新和变革的重要生产力工具和技术驱动力，人工智能技术当前已经发展到什么阶段了呢？未来人工智能产业又将会走向何方呢？
对于人工智能技术来说，我们日常经常看到的或许是机器算法的应用、又或是对于自然语言的处理等内容，对于人工智能来说，现在已经收集了海量的最优算法，其中涵盖了计算机视觉、游戏、自然语言处理、网络图、知识库等很多内容。
计算机视觉感知
其中值得一提的是计算机视觉，对于计算机视觉来说，3D技术是最受青睐的一类，2017年的CVPR，MIT、马萨诸塞大学阿默斯特分校和谷歌DeepMind的研究人员展示了一项成果，使用自动编码器（VAE），构建了一个名叫SingleVPNet的框架，能从多个视角的深度图或其相应的轮廓（silhouette）学习生成模型，并使用渲染函数从这些图像生成细节精致的3D形状。
对于计算机识别感知框架来说，通过一系列不同视角的2D深度图当中，研究人员就能够去生成新的3D形状和3D图片，其中的平均误差将会缩小到0.35左右，也就是说计算机视觉所带来的3D图片将会是非常逼真的一张图。
卷积神经网络（Convolution Neural Network，CNN）已经在许多计算机视觉（Computer Vision）任务上取得了成功。 对于可视化，CNN 可以怎么应用于图形感知任务？ 这篇文章 [1] 通过复制 Cleveland 和 McGill 的1984年的开创性实验 [2] 来研究这个问题，该实验测量了不同视觉编码的人类感知效率，并定义了可视化的基本感知任务。 我们在五种不同的可视化任务上测量了四种网络架构的图形感知功能，并与现有人的感知能力进行比较。 虽然在有限的情况下 CNN 能够达到或超越人工任务表现，但我们发现 CNN 目前还不是人类图形感知的良好模型。 我们提供这些实验的结果，以促进理解 CNN 在应用于数据可视化时的成功和失败。
这篇文章为了确定CNN模型来拟合人类对图形的感知能力，文章中主要用了四种模型来进行实验：多层感知机、LeNet、VGG19、Xception。
下面是具体的模型结构：