- 博客(23)
- 收藏
- 关注
RSS订阅原创 OpenCV--图像轮廓检测
轮廓检测旨在寻找并提取图像中物体的边界，以一系列相连的点表示物体的轮廓。相较于边缘检测侧重于检测像素值的急剧变化，轮廓检测更关注物体的整体形状，通常作用于二值图像。通过将图像转换为二值图，凸显前景和背景的差异，为轮廓提取创造条件。在实际应用中，轮廓检测广泛应用于工业检测、安防监控、医学图像处理等领域。
2025-04-07 21:52:41
600
原创 OpenCV--图像边缘检测
边缘检测旨在识别和提取图像中物体的边界，通过检测图像中像素值的变化，标记出图像中明显的边缘部分。不同类型的图像边缘可能对应不同的物体边界、纹理变化或光照变化。在实际应用中，良好的边缘检测结果能大幅简化后续图像处理任务，提高算法的效率和准确性。本文详细介绍了 OpenCV 中的多种边缘检测算法，包括 Sobel 算子、Scharr 算子、Laplacian 算子和 Canny 边缘检测算法。
2025-04-07 21:35:14
363
原创 OpenCV--图像形态学
图像形态学以数学形态学为基础，通过对图像中的像素进行特定的集合运算，改变图像中物体的形状和结构。其核心操作是使用一个称为结构元素（也叫核）的小矩阵，在图像上滑动，对每个像素及其邻域进行操作，从而实现对图像的处理。在 OpenCV 中，提供了丰富的函数和工具，帮助我们进行各种图像形态学处理。本文详细介绍了 OpenCV 中的图像形态学处理技术，包括腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算。每种操作都有其独特的原理和适用场景。
2025-04-07 20:11:45
636
原创 OpenCV--图像平滑处理
图像在获取或传输过程中，常受到噪声干扰，降低图像质量，影响后续分析与处理。图像平滑处理旨在通过去除噪声，改善图像质量，突出主要信息。其本质是对图像像素进行邻域操作，用邻域内像素的某种统计特征替代当前像素值。在 OpenCV 中，提供了丰富的函数和工具，帮助我们实现各类平滑算法。本文详细介绍了 OpenCV 中的图像平滑处理技术，包括均值滤波、高斯滤波、中值滤波和双边滤波。每种算法都有其独特的原理和适用场景，均值滤波简单快速，但易模糊图像边缘；高斯滤波在去除噪声的同时能较好保留图像细节；
2025-04-07 19:47:55
394
原创 OpenCV 基础全方位剖析：夯实计算机视觉开发根基
本文对 OpenCV 的基础知识进行了全面而深入的介绍，涵盖了其基本概念、安装配置、数据结构、常用操作以及实际应用。然而，OpenCV 的功能远不止于此，其丰富的算法库和强大的功能等待着开发者进一步探索。希望读者通过本文的学习，能够对 OpenCV 有更深入的理解，为后续的计算机视觉项目开发打下坚实的基础。
2025-03-25 23:56:23
843
原创 Python 迭代器与生成器：深入理解与实践
迭代器是一个可以记住遍历位置的对象。__iter__()和__next__()。任何实现了这两个方法的对象都可以称为迭代器。生成器是一种特殊的迭代器，它的创建更加简洁方便。生成器有两种创建方式：生成器表达式和生成器函数。迭代器和生成器是 Python 中强大的工具，它们为处理数据提供了高效、灵活的方式。迭代器通过实现__iter__()和__next__()方法，为对象提供了一种可迭代的接口，使得我们可以方便地遍历数据。而生成器作为一种特殊的迭代器，以更简洁的语法实现了惰性求值和数据生成。
2025-03-24 22:30:56
838
原创 Python Lambda 函数详解
常规函数使用def关键字进行定义，需要指定函数名、参数列表、函数体等，结构完整。")而lambda函数使用lambda关键字定义，简洁明了，没有函数体的概念，只有一个表达式作为返回值。")lambda函数作为 Python 中的一种匿名函数，为我们提供了一种简洁、灵活的编程方式。通过本文的介绍，我们了解了lambda函数的语法、特点、使用场景以及与常规函数的比较。在实际编程中，合理地运用lambda函数可以使我们的代码更加简洁高效。但同时也要注意其适用范围和可读性问题，避免滥用。
2025-03-23 14:04:59
1041
原创 Python推导式深入解析
Python 推导式为我们提供了一种简洁、高效的方式来创建数据结构。列表推导式、集合推导式、字典推导式和生成器表达式各自有其特点和应用场景。合理使用推导式可以让我们的代码更加简洁、易读，同时提高代码的运行效率。在实际编程中，我们应根据具体需求选择合适的推导式来优化代码。希望本文能帮助你深入理解 Python 推导式，并在日常编程中灵活运用。
2025-03-22 16:07:17
633
原创 Python 基础语法详解(超详细）
本文介绍了 Python 基础语法的核心部分，包括变量与数据类型、运算符、控制流和函数。这些基础知识是进一步学习 Python 高级特性和应用的基石。希望读者通过本文的学习，能够对 Python 编程有初步的认识和掌握，为后续深入学习和实践打下坚实的基础。在实际学习过程中，多动手实践，多编写代码，才能真正掌握 Python 这门强大的编程语言。不断探索，不断进步，相信大家在 Python 编程的道路上会越走越远。
2025-03-22 10:48:35
1073
原创 Python 正则表达式超详细解析：从基础到精通
Python 正则表达式是一个功能极其强大且灵活多变的文本处理工具。通过深入学习正则表达式的基本语法，熟练掌握 Python re模块的各种函数使用方法，以及理解并运用分组、捕获组、非捕获组、贪婪与非贪婪匹配等进阶技巧，我们能够高效且精准地处理各种复杂的文本数据。在实际应用过程中，需要根据具体的业务需求和文本特点，精心构造合适的正则表达式。同时，要特别注意正则表达式中的一些细节，避免因小失大导致匹配错误。
2025-03-21 22:12:48
1542
原创 机器学习--TF-IDF 详细介绍
TF-IDF 是一种统计方法，用于评估一个词对于一个文件集或一个语料库中的某一篇文件的重要程度。简单来说，TF-IDF 值越高，说明该词在当前文档中越重要，同时在其他文档中出现的频率越低。
2025-03-21 00:11:16
1197
原创 机器学习--DBSCAN聚类算法详解
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，能够将高密度区域中的数据点划分为簇，并识别低密度区域中的噪声点。与K-Means等算法不同，DBSCAN不需要预先指定簇的数量，且能够发现任意形状的簇。DBSCAN是一种强大的基于密度的聚类算法，能够自动发现簇的数量、处理噪声数据并识别任意形状的簇。尽管DBSCAN对参数选择较为敏感，但通过合理调整参数，它仍然能够在许多实际应用中取得良好的效果。
2025-03-20 11:19:41
1096
原创 机器学习--K-Means聚类算法详解
K-Means聚类是一种无监督学习算法，用于将数据集划分为K个簇（cluster）。每个簇中的数据点彼此相似，而不同簇之间的数据点则尽可能不同。K-Means聚类算法的目标是最小化簇内数据点与簇中心（centroid）之间的距离平方和。K-Means聚类算法是一种简单而高效的聚类方法，广泛应用于各种领域。尽管K-Means算法存在一些局限性，如需要预先设定K值、对初始值敏感等，但通过合理的选择和优化，K-Means算法仍然能够取得良好的聚类效果。
2025-03-19 21:53:58
1075
原创 机器学习--SVM支持向量机
支持向量机是一种二分类模型，其基本思想是找到一个超平面，将不同类别的样本分开，并且使得两类样本之间的间隔最大化。这个超平面被称为最大间隔超平面，而距离超平面最近的样本点被称为支持向量。支持向量机是一种强大的机器学习算法，具有坚实的理论基础和广泛的应用场景。通过理解SVM的基本原理、数学推导和核函数的作用，我们可以更好地应用SVM解决实际问题。尽管SVM在处理大规模数据时存在一些挑战，但其在高维数据和小样本数据上的表现仍然非常出色。希望本文能帮助读者深入理解SVM，并在实际项目中灵活运用这一强大的工具。
2025-03-19 21:38:01
974
原创 机器学习--贝叶斯
贝叶斯算法是一种基于贝叶斯定理的统计学习方法，通过结合先验知识和观测数据来更新对事件发生概率的估计，广泛应用于机器学习、数据挖掘、自然语言处理等领域。贝叶斯定理的核心，即其中是先验概率，表示在没有观测到新数据之前对事件A发生概率的初始估计是B事件发生的概率是后验概率，表示在B事件发生的条件下A事件发生的概率表示在A事件发生条件下B事件发生的概率先验概率是在未考虑新证据前基于经验或主观判断对事件发生概率的初始估计。
2025-03-12 20:25:46
476
原创 机器学习--集成学习之随机森林
随机森林（Random Forest）是一种基于决策树的集成学习算法，它在机器学习领域中应用广泛，其核心思想是通过构建多个基学习器（这里是决策树），然后将这些基学习器的预测结果进行综合，以获得更准确和稳定的预测结果。
2025-03-12 11:45:30
1259
原创 机器学习--决策树
什么是决策树：决策树就是通过对训练样本的学习，建立分类规则，然后依据分类规则，对新样本数据进行分类预测。决策数算法的核心：所有数据从根节点一步一步落到叶子节点，通过对训练数据中特征的不断划分，构建一个树形结构，以实现对样本的分类或回归，从而使树的每个分支都能最大程度地减少数据的不确定性，达到对数据进行有效划分和预测的目的。其中：根节点：第一个节点非叶子节点：中间节点叶子节点：最终结果节点。
2025-03-11 23:15:56
804
原创 逻辑回归-银行贷款问题（下采样和过采样）
过采样：过采样即通过增加少数类样本数量的方式来解决数据集中类不平衡问题，通常采用复制少数类样本或生成新的少数类样本等方法，使各类样本数量更趋于均衡，以提升模型对少数类的学习效果。下采样：下采样即通过从原始数据集中以随机或其他特定规则减少多数类样本数量，使数据集达到类平衡状态，以解决数据集中类不平衡问题，提升模型训练效果和效率。下面让我们来通过代码实现下采样和过采样，还是用之前的银行贷款问题举例。可以发现对数据进行下采样或过采样处理也能大大提升模型性能。可以发现此时的召回率相比之前有了大大提升。
2025-03-10 23:22:42
221
原创 逻辑回归-银行贷款问题（参数选择）
上篇文章我们详细介绍了机器学习中的逻辑回归问题，并通过银行贷款案例深入了解了逻辑回归的代码思想，但是我们发现通过平台逻辑回归模型得出的结果所生成分类模型的报告并不理想。于是我们便考虑修改模型的参数来调整模型的评估指标。可以看出我们模型的召回率较上次有着明显的提升，可以说明模型参数的选择能有效提升模型的性能。最后我们打印输出得到以下评估报告。
2025-03-10 22:09:13
204
原创 机器学习--逻辑回归
逻辑回归主要用于处理因变量为分类变量的回归问题，常见的事二分类问题，也可以用于处理多分类问题，它实际上是一种分类方法。逻辑回归是经典的二分类算法。
2025-03-10 21:34:04
699
原创 机器学习--线性回归
线性回归是一种通过拟合自变量与因变量之间的线性关系来进行预测的统计方法。是机器学习中一种基础且广泛应用的算法，用于建立自变量和因变量之间的线性关系模型。线性回归的核心思想就是找到一条直线（或超平面），使得所有的点到这条直线（或超平面）的距离之和最小。线性回归主要分为一元线性回归和多元线性回归两类一元线性回归 y=β0+β1x+ϵ其中，y 是因变量，x 是自变量，β0 是截距，β1 是斜率，ϵ 是误差项，代表实际值与预测值之间的差异。
2025-03-06 21:23:35
759
原创 openCV中的KNN算法
OpenCV 是一个开源的跨平台计算机视觉库，它提供了各种用于图像处理、计算机视觉任务的算法和工具，涵盖图像滤波、特征提取、目标检测、图像分割、视频分析等众多领域，广泛应用于计算机视觉相关的科研和工业项目中，可帮助开发者快速实现各种视觉处理功能。KNN（K-最近邻）算法是一种简单且常用的分类算法。其核心思想是：如果一个样本在特征空间中的K个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。
2025-03-04 19:30:30
371
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人