<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Scracs的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Scracs</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Scracs]]></copyright><item><title><![CDATA[计算机视觉（六）基于BOW的图像检索]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/125352037</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/125352037</guid><author>Scracs</author><pubDate>Sat, 18 Jun 2022 23:10:11 +0800</pubDate><description><![CDATA[1.概念
Bag of Feature 是一种图像特征提取方法，它借鉴了文本分类的思路（Bag of Words），从图像抽象出很多具有代表性的关键词，形成一个字典，再统计每张图片中出现的关键词数量，得到图片的特征向量。2.Bag of Words 模型
Bag of Words 是文本分类中一种通俗易懂的策略。一般来讲，如果我们要了解一段文本的主要内容，最行之有效的策略是抓取文本中的关键词，根据关键词出现的频率确定这段文本的中心思想。比如：如果一则新闻中经常出现「iraq」、「terrorists」，那么]]></description><category></category></item><item><title><![CDATA[计算机视觉（五）图像处理基础之相机标定]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/124975674</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/124975674</guid><author>Scracs</author><pubDate>Thu, 26 May 2022 00:24:23 +0800</pubDate><description><![CDATA[计算机视觉（五）图像处理基础之相机标定1.相机标定的原理是什么?2. 代码3.实验结果
在这章节的开始，首先我们得知道什么是相机标定，随着科技和经济的蓬勃发展，机器人作业、汽车自动导航等技术已经得到广泛应用，在很大程度上推动了社会生产力的发展。不论是主动光学视觉传感或者是被动光学视觉传感,要从图像推知物空间的三维信息,或反之，从空间三维信息推知二维图像坐标，都必须确定相机在参考坐标系中的空间位置和取向,以及相机本身的几何和光学参数为解决这个问题所需用到相机标定技术
相机标定的作用在于消除由于相机产生的图像畸]]></description><category></category></item><item><title><![CDATA[计算机视觉（四）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/124461117</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/124461117</guid><author>Scracs</author><pubDate>Wed, 27 Apr 2022 22:46:03 +0800</pubDate><description><![CDATA[计算机视觉（四）图像到图像的映射下半部分1.RANSAC2. 图像配准3.图割方法4.图像融合5. APAP算法6.multi-band bleing算法
在这章节的开始，首先我们得知道什么是全景图像，全景图像就是同一位置（即图像的照相机位置相同）拍摄的两幅或者多幅图像是单应性相关的。
我们经常使用该约束将很多图像缝补起来，拼成一个大的图像

1.RANSAC
RANSAC 是“RANdom SAmple Consensus”（随机一致性采样）的缩写。该方法是用来找到正确模型来拟合带有噪声数据的迭代方法。给]]></description><category></category></item><item><title><![CDATA[计算机视觉（三）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/124155540</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/124155540</guid><author>Scracs</author><pubDate>Wed, 13 Apr 2022 21:19:01 +0800</pubDate><description><![CDATA[计算机视觉（三）图像到图像的映射上半部分1.单应性变换2. 直接线性变换3.仿射变换4.图像扭曲5. 图像中的图像5.1完全仿射变换5.2 包含两个三角形的仿射变换6.分段仿射扭曲
在这章节的开始，首先我们得知道什么是映射，映射就是图像之间的变换，加上使用一些计算变换的方法。可以实现图像扭曲变形和图像配准，适用于全景拼接。普遍变换方法有单应性变换、仿射变换、阿尔法通道等等。图像的映射类型有：平移、旋转、仿射、透视映射、尺度变换，不同的类型对应不一样的方法。经过这些处理就可以达到自己想要实现的映射效果。


]]></description><category></category></item><item><title><![CDATA[计算机视觉（二）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/123856886</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/123856886</guid><author>Scracs</author><pubDate>Thu, 31 Mar 2022 00:56:26 +0800</pubDate><description><![CDATA[计算机视觉（二）图像局部描述符1.Harris角点检测器2. 什么是好的角点检测算法？3.Harris角点检测算法基本思想是什么？4.如何用数学公式的方法描述角点5. 如何用度量角点响应?6.Harris角点检测器实例7.图像中寻找对应点8.SIFT（尺度不变特征变换）8.1 SIFT算法可以解决的一些问题8.2 SIFT算法实现的细节（步骤）8.3 哪些点是SIFT中要查找的关键点(特征点) ?8.4 什么是尺度空间?8.5 SIFI算法的实例5.总结
1.Harris角点检测器
Harris 角点检测算]]></description><category></category></item><item><title><![CDATA[计算机视觉初入门]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/123354029</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/123354029</guid><author>Scracs</author><pubDate>Wed, 09 Mar 2022 15:52:45 +0800</pubDate><description><![CDATA[计算机视觉初入门1.什么是计算机视觉？2. 配置实验环境2.1 anaconda的安装教程2.2 PyCharm的安装3. OpenCv的下载与安装4.基本的图像操作4.1 PIL：Python图像处理类库5.在复杂数据上应用核函数6.SVM实现7. 实验小结
1.什么是计算机视觉？
计算机视觉（Computer Vision）是指用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解。
这意味着计算机视觉技术的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。因此不仅需要使机器能感知三]]></description><category></category></item><item><title><![CDATA[机器学习（五）支持向量机]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/122271419</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/122271419</guid><author>Scracs</author><pubDate>Sat, 01 Jan 2022 22:45:48 +0800</pubDate><description><![CDATA[支持向量机1.支持向量机概述2. 寻找最大间隔3. 简化版 SMO 算法4.利用完整 Platt SMO 算法加速优化5.在复杂数据上应用核函数6.SVM实现7. 实验小结
1.支持向量机概述
对于理解支持向量机的问题，我们必须了解支持向量是什么？
支持向量（support vector）就是离分隔超平面最近的那些点。
那么问题又来了，什么叫做分隔超平面？
如下图所示是四个线性不可分的数据集：

观察四个方框中的数据点分布，能否画出一条直线将圆形点和方形点分开呢？答案是可以的。
那么，上述将数据集分隔开来的]]></description><category></category></item><item><title><![CDATA[机器学习（四）朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/121595910</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/121595910</guid><author>Scracs</author><pubDate>Sun, 28 Nov 2021 20:40:37 +0800</pubDate><description><![CDATA[朴素贝叶斯1.朴素贝叶斯概述1.1 条件概率1.2 全概率公式1.3 贝叶斯推论2.朴素贝叶斯分类器应用3.使用朴素贝叶斯过滤垃圾邮件3.1 准备数据：切分文本3.2 测试算法：使用朴素贝叶斯进行交叉验证4. 实验小结
1.朴素贝叶斯概述
贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。
那么，什么是贝叶斯算法呢？这]]></description><category></category></item><item><title><![CDATA[STL（C++第四次实验）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/121582162</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/121582162</guid><author>Scracs</author><pubDate>Sat, 27 Nov 2021 22:12:32 +0800</pubDate><description><![CDATA[STL（C++第四次实验）1、STL：1.1 STL的概念2、实验内容2.1 结合容器和迭代器实现序列变换2.1.1 取反2.1.2 平方和立方2.1.3 完整代码2.2 像素变换（二值化）2.3  使用Set实现学生信息的增删改查3、输入一个字符串，用map统计每个字符出现的次数并输出字符及对应的次数
1、STL：
1.1 STL的概念
STL 是“Standard Template Library”的缩写，中文译为“标准模板库”。STL 是 C++ 标准库的一部分，不用单独安装。
C++ 对模板（Tem]]></description><category></category></item><item><title><![CDATA[机器学习（三）Logistic回归]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/121455655</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/121455655</guid><author>Scracs</author><pubDate>Sun, 21 Nov 2021 21:32:42 +0800</pubDate><description><![CDATA[Logistic回归1.Logistic回归概述1.1Logistic回归的一般过程：2.基于 Logistic 回归和 Sigmoid 函数的分类2.1 Sigmoid函数3. 基于最优化方法的最佳回归系数确定3.1 梯度上升法4. 代码实现4.1 数据集可视化4.2 使用梯度上升找到最佳参数4.3 画出决策边界4.4 随机梯度上升算法4.5 回归系数与迭代次数的关系5. 从疝气病症预测病马死亡率5.1 准备数据5.2 测试算法：用Logistic 回归进行分类6. 实验小结
1.Logistic回归概述]]></description><category></category></item><item><title><![CDATA[模板（C++第三次实验）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/121345494</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/121345494</guid><author>Scracs</author><pubDate>Tue, 16 Nov 2021 22:41:56 +0800</pubDate><description><![CDATA[模板（C++第三次实验）1、模板函数（compare）：1.1 模板的概念1.2 一般模板函数1.3 类B通过public, protected, private等不同方式继承A，在类B的成员函数中测试访问A的成员函数或变量1.4 在类B中添加public, protected, private等不同属性的成员函数或变量，在外部测试访问B的各个成员函数或变量1.5 B以private方式继承A，尝试把A中的部分public成员提升为public2、友元类继承测试概念2.1 设计类A含有私有变量a，在类A中友]]></description><category></category></item><item><title><![CDATA[继承与多态（C++第二次实验）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/120980262</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/120980262</guid><author>Scracs</author><pubDate>Wed, 03 Nov 2021 22:11:33 +0800</pubDate><description><![CDATA[继承与多态（C++第二次实验）1、继承访问权限测试：1.1 继承的概念1.2 设计类A具有public, protected, private等不同属性的成员函数或变量1.3 类B通过public, protected, private等不同方式继承A，在类B的成员函数中测试访问A的成员函数或变量1.4 在类B中添加public, protected, private等不同属性的成员函数或变量，在外部测试访问B的各个成员函数或变量1.5 B以private方式继承A，尝试把A中的部分public成员提升为p]]></description><category></category></item><item><title><![CDATA[机器学习（二）决策树]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/120999121</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/120999121</guid><author>Scracs</author><pubDate>Wed, 27 Oct 2021 23:04:27 +0800</pubDate><description><![CDATA[决策树详解决策树概述决策树的构造信息增益划分数据集递归构建决策树总结
决策树概述

如上图所示，该图就是一个决策树。长方形代表判断模块（decision block），椭圆形代表终止模块（terminating block），表示已经得出结论，可以终止运行。
从判断模块引出的左右箭头称作分支（branch），它可以到达另一个判断模块或者终止模块。
以作者本人的想法来看：决策树就是一系列的选择，即决策，每次进行决策后进行后续的决策。
决策树的构造

优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感]]></description><category></category></item><item><title><![CDATA[CMatrix类设计与实现（C++第一次实验）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/120711692</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/120711692</guid><author>Scracs</author><pubDate>Tue, 12 Oct 2021 21:55:54 +0800</pubDate><description><![CDATA[CMatrix类设计与实现（C++）一、构造函数：构造函数的概念CMatrix(): 不带参数的构造函数CMatrix(int nRow, int nCol, double *pData=NULL) : 带行、列及数据指针等参数的构造函数,并且参数带默认值CMatrix(const char * strPath): 带文件路径参数的构造函数CMatrix(const CMatrix&amp; m): 拷贝构造函数二、析构函数概念~CMatrix(): 调用Release();三、CMatrix对象方法对象初]]></description><category></category></item><item><title><![CDATA[基于KNN算法的两个实践详解]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/120690508</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/120690508</guid><author>Scracs</author><pubDate>Sun, 10 Oct 2021 19:17:32 +0800</pubDate><description><![CDATA[使用K-邻近算法改进约会网站的配对效果
这里有一个例子：一位名叫海伦的，想在约会网站寻找适合自己的约会对象。尽管约会网站一直在推荐不同的约会人选，但是海伦并不是很对这些人感兴趣。经过一番总结，发现她曾经交往过三种人：
第一种是不喜欢的人，第二种是魅力一般的人，第三种是极具魅力的人。
尽管有以上的数据，但是海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人，而周末则更喜欢和那些极具魅力的人为伴。那么问题来了：我们要如何更好地帮助她找到自己喜欢的类型呢？
以下是在约会]]></description><category></category></item><item><title><![CDATA[机器学习（一） K-近邻算法（KNN）]]></title><link>https://blog.youkuaiyun.com/Scracs/article/details/120556434</link><guid>https://blog.youkuaiyun.com/Scracs/article/details/120556434</guid><author>Scracs</author><pubDate>Thu, 30 Sep 2021 17:28:20 +0800</pubDate><description><![CDATA[K-近邻算法（KNN）详解机器学习（一）：K-近邻算法（KNN）概述K-近邻算法的具体应用K-近邻算法的具体代码使用K-邻近算法实现手写识别系统插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入
机器学习（一）：
K-近邻算法（KNN）概述
K-近邻算法采用测量不同特征值之间的距离方法进行分类]]></description><category></category></item></channel></rss>