分类：公开课 MOOCs

互联网推动教育

已解决: Virtualbox没有找到Host-Only Adapter

在安装Software Defined Networking课程的虚拟机中，出现了问题：没有找到Host-Only Adapter。
在http://askubuntu.com/questions/198452/no-host-only-adapter-selected 找到了答案，搬运过来。

问题描述：
添加Host-only Adapter的时候，遇到错误提示"no host only network adapter selected"，但没有可选的东西。
1

解决方法：
1. 在Virtualbox的主菜单，选择 File -> Preference .(注意是整个Virtualbox的主菜单，不是某个单独虚拟机的设置页面)；
2. 选择左边的"Network"；
3. 在"Host-only Networks"中，你应该只能看到一个白框。点击白框右边的绿色“添加”按钮，就会自动添加好一个Host-Only Adapter。这时候就基本可以使用了。
4. 如果你是处女座非要设置点东西，你可以点击右边第三个按钮配置参数。默认参数如下：
2
3
4
Adapter:
IPv4 address: 192.168.56.1
IPv4 Network Mask: 255.255.255.0
DHCP server:
Enable server: checked
Server Address: 192.168.56.100
Server Mask: 255.255.255.0
Lower Address Bound: 192.168.56.101
Upper Address Bound: 192.168.56.254

[Week2.5]图像量化——JPEG在此压缩

　　图像经过分块、DCT变化，已经为压缩作好准备了。纳尼！折腾了大半天才算“作好准备”，你大爷逗我吧？客官请息怒，“量化”就正式开始压缩啦，3天瘦20斤，效果显著，无用退款！

JPEG量化：更多地保留低频信息

02_05 - Video -[00_06_01][20140415-234055-0]
　　经过DCT变换后，图像低频部分都集中在左上角，这部分信息对人类理解图像内容非常重要；图像高频部分集中在右下角，这部分记录图像的细微变化，人眼几乎不能察觉。
　　所以，更多地保留DCT左上方的低频信息，去除DCT右下方的高频信息，既能大大压缩图像大小，同时较好地保证了图像质量。
　　说得容易，实现方法也很容易，那就是“量化”。

　　Soga！那...量化是啥？
　　简单地说，“量化”是将“连续量”转换为“离散量”的过程。“四舍五入”、“向下取整”就是典型的量化。
　　比如，设量化器(Quantizer)为8，那么，16,21,24,59的量化结果是：
　　[16/8] * 8 = 16;
　　[21/8] * 8 = 16;
　　[24/8] * 8 = 24;
　　[59/8] * 8 = 56;
　　( 这里[ ]表示向下取整 )
继续阅读“[Week2.5]图像量化——JPEG在此压缩”

[Week2.4]图像DCT变换

均方差(Mean Square Error, MSE)

02_04 - Video -[00_03_19][20140411-000348-0]
　　评价一幅图像压缩前和压缩还原后的差异，有两种常用方法：
　　①大家来找茬——进化程度高的人类可轻易识别；
　　②数学方法——压缩前和还原后的图像作均方差；
均方差计算方法：


显然，MSE越小，图像的质量越好。

K-L 转换：

　　要想获得最小均方差的转换，可以使用K-L转换。K-L转换(Karhunen-Loève Transform)是建立在统计特性基础上的一种转换，它是均方差(MSE, Mean Square Error)意义下的最佳转换，因此在资料压缩技术中占有重要的地位。K-L转换是对输入的向量x，做一个正交变换，使得输出的向量得以去除数据的相关性。
　　简单地说，只要能不辞劳苦地算出图像的K-L转换，就能找到MSE最小的转换。
　　我的天啊，这听起来真棒！等等，K-L转换的计算复杂度奇高，半天压缩才压缩一副图片，恐怕自拍狂们会hold不住。
　　那有没有简单的变换方法，计算简单，又能保证图像质量？
继续阅读“[Week2.4]图像DCT变换”

[Week2.2]数据压缩之经典——哈夫曼编码(Huffman)

(笔记图片截图自课程Image and video processing: From Mars to Hollywood with a stop at the hospital的教学视频，使用时请注意版权要求。)

JPEG用哈夫曼编码(Huffman Encoder)作为其符号编码。哈弗曼编码是压缩算法中的经典，它理论上可以将数据编成平均长度最小的无前缀码(Prefix-Free Code)。

为什么要进行编码？

图像处理
关于Lena：莱娜图（Lenna）是指刊于1972年11月号《花花公子》（Playboy）杂志上的一张裸体插图照片的一部分，是一张大小为512x512像素的标准测试图。该图在数位影像处里学习与研究中颇为知名，常被用作数位影像处里各种实验（例如资料压缩和降噪）及科学出版物的例图。(几乎每一本图像处理相关的书都会出现这张图片~)
Lena的直方图(Histogram)：从Lena的直方图中可以看出，图片中每个灰度值出现的概率是不相同的。这里，中间灰度值部分出现的概率比较高，两边灰度值出现概率非常低。所以，如果每个灰度值都进行同样长度的编码，似乎就太浪费了。

继续阅读“[Week2.2]数据压缩之经典——哈夫曼编码(Huffman)”