<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Scrat000的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Scrat000</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Scrat000]]></copyright><item><title><![CDATA[拉普拉斯算子原理 图像增强]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/81866409</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/81866409</guid><author>Scrat000</author><pubDate>Mon, 20 Aug 2018 09:59:25 +0800</pubDate><description><![CDATA[转自：https://blog.youkuaiyun.com/huang1024rui/article/details/46537205

数学基础

       拉普拉斯算子，二阶微分线性算子，为什么上来就学二阶微分算子，前文说过，与一阶微分相比，二阶微分的边缘定位能力更强，锐化效果更好，所以我们来先学习二阶微分算子，使用二阶微分算子的基本方法是定义一种二阶微分的离散形式，然后根据这个形式生成一个滤波模板...]]></description><category></category></item><item><title><![CDATA[直方图均衡化]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/81866301</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/81866301</guid><author>Scrat000</author><pubDate>Mon, 20 Aug 2018 09:53:55 +0800</pubDate><description><![CDATA[原文地址：http://www.360doc.com/content/16/0909/11/496343_589527841.shtml

图像的直方图是什么?

直方图是图像中像素强度分布的图形表达方式.
	它统计了每一个强度值所具有的像素个数.


什么是直方图?


	直方图是对数据的集合 统计 ，并将统计结果分布于一系列预定义的 bins 中。
	
	
	这里的 数据 不仅仅指的是灰度值 ...]]></description><category></category></item><item><title><![CDATA[摄像头相关的知识]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80940365</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80940365</guid><author>Scrat000</author><pubDate>Fri, 06 Jul 2018 14:25:21 +0800</pubDate><description><![CDATA[来自：https://blog.youkuaiyun.com/qq_24947841/article/details/70213181  对于摄像头而言，最重要的有三个参数：焦距f，最大相对孔径D/f，视场角2w。这三个参数确定之后，在考虑分辨率，景深，畸变，接口等因素。  焦距f  反映了一个光学系统对光线的会聚能力，决定了成像的大小。焦距是指从焦点到镜头中心的距离，每只镜头的都有固定或变化的焦距，用大写字...]]></description><category></category></item><item><title><![CDATA[sklearn.model_selection.KFold]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80910767</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80910767</guid><author>Scrat000</author><pubDate>Wed, 04 Jul 2018 13:01:06 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/kancy110/article/details/74910185/]]></description><category></category></item><item><title><![CDATA[pandas的drop()中axis取值简便记忆法]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80864804</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80864804</guid><author>Scrat000</author><pubDate>Sat, 30 Jun 2018 11:50:21 +0800</pubDate><description><![CDATA[一直对drop中axis的取值与其代表的含义感到疑惑，网上有很多文章对axis取0或1时，删除方向进行过解释，大多都侧重于具体删除时的执行方向，今天玩代码突然发现，drop里axis取0或1其实是……df = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], columns=[&quot;a&quot;, &quot;b&quot;, &quot;c&quot;, &quot;d&quot;])
&amp;gt;&amp;gt;...]]></description><category></category></item><item><title><![CDATA[利用python/pandas/numpy做数据分析--透视表pivot_table]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80793076</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80793076</guid><author>Scrat000</author><pubDate>Sun, 24 Jun 2018 18:03:18 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/youngbit007/article/details/53039390/]]></description><category></category></item><item><title><![CDATA[骆驼拼写法（CamelCase）]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80743000</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80743000</guid><author>Scrat000</author><pubDate>Wed, 20 Jun 2018 10:47:20 +0800</pubDate><description><![CDATA[原文：http://www.ruanyifeng.com/blog/2007/06/camelcase.html在英语中，依靠单词的大小写拼写复合词的做法，叫做&quot;骆驼拼写法&quot;（CamelCase）。比如，backColor这个复合词，color的第一个字母采用大写。这种拼写法在正规的英语中是不允许的，但是在编程语言和商业活动中却大量使用。比如，sony公司的畅销游戏机PlayStation，pla...]]></description><category></category></item><item><title><![CDATA[利用图像内插法放大缩小图像 Matlab]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80513463</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80513463</guid><author>Scrat000</author><pubDate>Wed, 30 May 2018 17:40:00 +0800</pubDate><description><![CDATA[原文：https://blog.youkuaiyun.com/Goldfish442/article/details/61933735利用图像内插法放大缩小图像 Matlab内插是利用已知数据来估计未知位置的数值进行处理，基础的内插法有最近邻内插法，双线性内插法。本文将对灰度图并利用Matlab来仿真一下这两种方法。图像放大或缩小的原理是像素点的增多或减少。换句话说，每个像素的大小是一定的，图像的大小是由像素...]]></description><category></category></item><item><title><![CDATA[16种常用的数据分析方法汇总]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80481402</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80481402</guid><author>Scrat000</author><pubDate>Mon, 28 May 2018 14:01:53 +0800</pubDate><description><![CDATA[转自：https://blog.youkuaiyun.com/anxixiaomu/article/details/69075286经常会有朋友问到一个朋友，数据分析常用的分析方法有哪些，我需要学习哪个等等之类的问题，今天数据分析精选给大家整理了十六种常用的数据分析方法，供大家参考学习。一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。1、缺失值填充：...]]></description><category></category></item><item><title><![CDATA[似然函数的详细分析]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80419912</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80419912</guid><author>Scrat000</author><pubDate>Wed, 23 May 2018 14:52:18 +0800</pubDate><description><![CDATA[原文链接：https://blog.youkuaiyun.com/lwq1026/article/details/70161857在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。似然函数在统计推断中有重大作用，如在最大似然估计和费雪信息之中的应用等等。“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“或然性”或“概率”又有明确...]]></description><category></category></item><item><title><![CDATA[贝叶斯公式的直观理解(先验概率/后验概率)]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80418282</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80418282</guid><author>Scrat000</author><pubDate>Wed, 23 May 2018 12:34:38 +0800</pubDate><description><![CDATA[原文地址：https://www.cnblogs.com/yemanxiaozu/p/7680761.html前言　　以前在许学习贝叶斯方法的时候一直不得要领,什么先验概率,什么后验概率,完全是跟想象脱节的东西,今天在听喜马拉雅的音频的时候突然领悟到,贝叶斯老人家当时想到这么一种理论前提可能也是基于一种人的直觉.先验概率:是指根据以往经验和分析得到的概率.[1]　　意思是说我们人有一个常识,比如骰...]]></description><category></category></item><item><title><![CDATA[主成分分析PCA-降维的必要性-协方差矩阵-特征值-特征向量]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80417039</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80417039</guid><author>Scrat000</author><pubDate>Wed, 23 May 2018 11:04:20 +0800</pubDate><description><![CDATA[原文来自:博客园（华夏35度）http://www.cnblogs.com/zhangchaoyang 作者:Orisun降维的必要性1.多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。2.高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有0.02%。3.过多的变量会妨碍查找规律的建立。4.仅在变量层面上分析可能会忽...]]></description><category></category></item><item><title><![CDATA[二元分类效果的评估方法]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80394016</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80394016</guid><author>Scrat000</author><pubDate>Mon, 21 May 2018 16:31:05 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/quliulangle/article/details/76577020效果评估是模型选择和算法设计的重要步骤，知道评估优劣才能选择最佳的模型和算法，本节介绍一些有关评估方法的定义，凡是在统计或大数据领域都用得到 真阳性true positives, TP真阴性true negatives, TN假阳性false positives, FP假阴...]]></description><category></category></item><item><title><![CDATA[线性回归与逻辑回归]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80393901</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80393901</guid><author>Scrat000</author><pubDate>Mon, 21 May 2018 16:24:56 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/ppn029012/article/details/8775597机器学习可以解决很多问题，其中最为重要的两个是 回归与分类。 这两个问题怎么解决， 它们之间又有什么区别呢？ 以下举几个简单的例子，以给大家一个概念1. 线性回归回归分析常用于分析两个变量X和Y 之间的关系。 比如 X＝房子大小 和 Y＝房价 之间的关系， X=(公园人流量，公园...]]></description><category></category></item><item><title><![CDATA[Kmeans、Kmeans++和KNN]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80383306</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80383306</guid><author>Scrat000</author><pubDate>Sun, 20 May 2018 16:42:09 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/chlele0105/article/details/12997391K-Means介绍       K-means算法是聚类分析中使用最广泛的算法之一。它把n个对象根据他们的属性分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。其聚类过程可以用下图表示：        如图所示，数据样本用圆点表示...]]></description><category></category></item><item><title><![CDATA[标准化、协方差、相关系数和协方差矩阵]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80382506</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80382506</guid><author>Scrat000</author><pubDate>Sun, 20 May 2018 15:18:03 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/wanz2/article/details/53036543笔者在学习主成分分析（PCA）的时候接触到了协方差矩阵的应用。这部分知识有些遗忘了，因此重新巩固一下，记录在此，希望能帮助到有需要的同学。1. 概率论中的标准化、协方差、相关系数和协方差矩阵概念1.1 随机变量的部分数字特征  假设有二维随机向量(X,Y)(X,Y)数字特征意义描述E(...]]></description><category></category></item><item><title><![CDATA[怎么跟你奶奶解释PCA]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80377921</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80377921</guid><author>Scrat000</author><pubDate>Sat, 19 May 2018 21:08:52 +0800</pubDate><description><![CDATA[原文地址：https://yjk94.wordpress.com/2016/11/11/pca-to-layman/前言PCA（principal component analysis）是一个遍地可见的处理数据的方法，但是理解起来好像有点困难。 爱因斯坦说，如果没法跟你奶奶解释清楚一个东西，你就还没算真正理解它。看完这篇“教程”后，不妨回家试一试:-)正文想象下你正在家庭聚餐.great-gran...]]></description><category></category></item><item><title><![CDATA[PCA （ 主成分分析） 详解]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80377519</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80377519</guid><author>Scrat000</author><pubDate>Sat, 19 May 2018 20:20:23 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/lijihw_1022/article/details/46622667一、 简介PCA（ Principal Components Analysis） 即主成分分析， 是图像处理中经常用到的降维方法， 大家知道， 我们在处理有关数字图像处理方面的问题时， 比如经常用的图像的查询问题，在一个几万或者几百万甚至更大的数据库中查询一幅相近的图像。 ...]]></description><category></category></item><item><title><![CDATA[PCA数据降维：从代码到原理的深入解析]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80377384</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80377384</guid><author>Scrat000</author><pubDate>Sat, 19 May 2018 20:07:06 +0800</pubDate><description><![CDATA[原文地址：点击打开链接一、什么是PCA：摘用一下百度百科的解释 PCA(Principal Component Analysis),主成分分析，是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。二、PCA的用途及原理：用途：数据降维原理：线性映射（或线性变换），简单的来说就是将高维空间数据投影到低维空间上，那么在数据分析上，我们是将数据的主...]]></description><category></category></item><item><title><![CDATA[利用朴素贝叶斯模型识别垃圾邮件]]></title><link>https://blog.youkuaiyun.com/Scrat000/article/details/80363009</link><guid>https://blog.youkuaiyun.com/Scrat000/article/details/80363009</guid><author>Scrat000</author><pubDate>Fri, 18 May 2018 13:13:19 +0800</pubDate><description><![CDATA[原文地址：http://blog.youkuaiyun.com/gane_cheng/article/details/53219332http://www.ganecheng.tech/blog/53219332.html （浏览效果更好）在学习，工作，生活中，我们经常会遇到各种分类问题。让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。收到一条含有“中奖”词语的短信，会怀疑是一条垃圾短信。新闻...]]></description><category></category></item></channel></rss>