<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[YangYaYan的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/YangYaYan</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; YangYaYan]]></copyright><item><title><![CDATA[Normalized Cuts and Image Segmentation的运行代码错误]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/109012465</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/109012465</guid><author>YangYaYan</author><pubDate>Sun, 11 Oct 2020 15:41:31 +0800</pubDate><description><![CDATA[我在运行Normalized Cuts and Image Segmentation的代码demoNcutImage.m时，出现了
错误使用 arpackc
需要 2 个输出参数

解决方法：
使用Matlab的eigs（）函数，而不是normalized cuts包中提供的eigs_new（）。
即ncut.m中的
[vbar,s,convergence] = eigs(@mex_w_times_x_symmetric,size(P,1),nbEigenValues,‘LA’,options,tril§)]]></description><category></category></item><item><title><![CDATA[OPENCV2计算机视觉编程手册-第九章估算图像间的投影关系]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103609210</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103609210</guid><author>YangYaYan</author><pubDate>Thu, 19 Dec 2019 11:11:22 +0800</pubDate><description><![CDATA[1、计算一对图像的基础矩阵
#include&lt;iostream&gt;  
#include&lt;opencv2/core/core.hpp&gt;    
#include&lt;opencv2/highgui/highgui.hpp&gt; 
#include&lt;opencv2/features2d/features2d.hpp&gt;
#include "opencv2/nonf...]]></description><category></category></item><item><title><![CDATA[OPENCV2计算机视觉编程手册--第八章检测并匹配兴趣点]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103563429</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103563429</guid><author>YangYaYan</author><pubDate>Mon, 16 Dec 2019 16:50:40 +0800</pubDate><description><![CDATA[兴趣点（也叫做关键点或特征点）主要是指某些特殊的点，经过对它们执行局部分析，如果能够检测到足够多的这种点，同时它们区分度很高，并且可以精确定位稳定的特征。这类点被大量用于解决物体识别，图像匹配，视觉跟踪，三维重建等问题。
一、检测Harris角点
1.概念及原理
(1)角点：最直观的印象就是在水平、竖直两个方向上变化均较大的点。Harris观察一个假定的特征点周围小窗口内的方向性强度平均变化。如果...]]></description><category></category></item><item><title><![CDATA[带有Lowe’s算法的SIFT特征提取和匹配]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103530335</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103530335</guid><author>YangYaYan</author><pubDate>Fri, 13 Dec 2019 17:00:44 +0800</pubDate><description><![CDATA[采用Lowe‘s的算法选出优秀匹配点。
#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include &lt;iostream&gt;  

using namespace cv;
using namespa...]]></description><category></category></item><item><title><![CDATA[SIFT特征提取和匹配]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103530107</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103530107</guid><author>YangYaYan</author><pubDate>Fri, 13 Dec 2019 16:48:43 +0800</pubDate><description><![CDATA[SURF算法是SIFT算法的加速版， 而SIFT（尺度不变特征转换， ScaleInvariant Feature Transform） 是另一种著名的尺度不变特征检测法。我们知道，SURF相对于SIFT而言，特征点检测的速度有着极大的提升，所以在一些实时视频流物体匹配上有着很强的应用。而SIFT因为其巨大的特征计算量而使得特征点提取的过程异常花费时间，所以在一些注重速度的场合难有应用场景。但是S...]]></description><category></category></item><item><title><![CDATA[带有Lowe’s算法的SURF特征提取和匹配]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103529481</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103529481</guid><author>YangYaYan</author><pubDate>Fri, 13 Dec 2019 16:32:54 +0800</pubDate><description><![CDATA[直接使用surf提取，匹配的效果还是相当糟糕的，如果我们拿着这样子的匹配结果去实现图像拼接或者物体追踪，效果肯定是极差的。所以我们需要进一步筛选匹配点，来获取优秀的匹配点，这就是所谓的“去粗取精”。这里我们采用了Lowe’s算法来进一步获取优秀匹配点。
为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，SIFT的作者Lowe提出了比较最近邻距离与次近邻距离的SIFT匹配方式：取一幅图像中的...]]></description><category></category></item><item><title><![CDATA[SURF特征点检测和匹配]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103528221</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103528221</guid><author>YangYaYan</author><pubDate>Fri, 13 Dec 2019 15:43:02 +0800</pubDate><description><![CDATA[SURF全称为“加速稳健特征”（Speeded Up Robust Feature），它们不仅是尺度不变特征，而且是具有较高计算效率的特征。
#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include &l...]]></description><category></category></item><item><title><![CDATA[图像处理3]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103057692</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103057692</guid><author>YangYaYan</author><pubDate>Wed, 13 Nov 2019 21:45:40 +0800</pubDate><description><![CDATA[Q.21. 直方图归一化（ Histogram Normalization ）
归一化直方图吧！
有时直方图会存在偏差。比如说，数据集中在 0 处（左侧）的图像全体会偏暗，数据集中在255 处（右侧）的图像会偏亮。如果直方图有所偏向，那么其动态范围（ dynamic range ）就会较低。为了使人能更清楚地看见图片，让直方图归一化、平坦化是十分必要的。
这种归一化直方图的操作被称作灰度变换（Gr...]]></description><category></category></item><item><title><![CDATA[图像处理入门2]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/103045040</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/103045040</guid><author>YangYaYan</author><pubDate>Wed, 13 Nov 2019 15:33:40 +0800</pubDate><description><![CDATA[Q.11. 均值滤波器
使用均值滤波器（3x3）来进行滤波。
均值滤波器使用网格内像素的平均值。
import cv2
import numpy as np

# 读取图片
img = cv2.imread("imori.jpg")
H, W, C = img.shape

# 中值滤波
K_size = 3

## 零填充
pad = K_size // 2
out = np.zeros((H ...]]></description><category></category></item><item><title><![CDATA[图像处理入门1]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/102820946</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/102820946</guid><author>YangYaYan</author><pubDate>Wed, 30 Oct 2019 16:18:23 +0800</pubDate><description><![CDATA[Q.1. 通道交换
读取图像，然后将 RGB 通道替换成 BGR 通道。
注意，cv2.imread() 的系数是按 BGR 顺序排列的！其中的变量 red 表示的是仅有原图像红通道的 imori.jpg。
import cv2

#读取图像
img = cv2.imread("imori.jpg")
cv2.imshow("imori", img)#显示读取图像
cv2.waitKey(0)
c...]]></description><category></category></item><item><title><![CDATA[第4章 朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/102794029</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/102794029</guid><author>YangYaYan</author><pubDate>Tue, 29 Oct 2019 10:21:25 +0800</pubDate><description><![CDATA[第4章 朴素贝叶斯
1．朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布 P(X,Y)P(X,Y)P(X,Y)，然后求得后验概率分布P(Y∣X)P(Y|X)P(Y∣X)。具体来说，利用训练数据学习P(X∣Y)P(X|Y)P(X∣Y)和P(Y)P(Y)P(Y)的估计，得到联合概率分布：
P(X,Y)＝P(Y)P(X∣Y)P(X,Y)＝P(Y)P(X|Y)P(X,Y)＝P(Y)P(...]]></description><category></category></item><item><title><![CDATA[第2章 感知机]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/102454042</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/102454042</guid><author>YangYaYan</author><pubDate>Wed, 09 Oct 2019 09:57:11 +0800</pubDate><description><![CDATA[1．感知机是根据输入实例的特征向量xxx对其进行二类分类的线性分类模型：
f(x)=sign⁡(w⋅x+b)
f(x)=\operatorname{sign}(w \cdot x+b)
f(x)=sign(w⋅x+b)
感知机模型对应于输入空间（特征空间）中的分离超平面w⋅x+b=0w \cdot x+b=0w⋅x+b=0。
2．感知机学习的策略是极小化损失函数：
min⁡w,bL(w,b)=−∑...]]></description><category></category></item><item><title><![CDATA[第3章 k近邻法]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/102396952</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/102396952</guid><author>YangYaYan</author><pubDate>Tue, 08 Oct 2019 17:38:47 +0800</pubDate><description><![CDATA[1．kkk近邻法是基本且简单的分类与回归方法。kkk近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的kkk个最近邻训练实例点，然后利用这kkk个训练实例点的类的多数来预测输入实例点的类。
2．kkk近邻模型对应于基于训练数据集对特征空间的一个划分。kkk近邻法中，当训练集、距离度量、kkk值及分类决策规则确定后，其结果唯一确定。
3．kkk近邻法三要素：距离度量、kkk值的...]]></description><category></category></item><item><title><![CDATA[使用IPT函数bwhitmiss]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051355</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051355</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:51:56 +0800</pubDate><description><![CDATA[%使用IPT函数bwhitmiss
f=imread('small-squares.tif');
subplot(1,2,1),imshow(f),title('原图像')

B1=strel([0 0 0;0 1 1;0 1 0]);%结构元素
B2=strel([1 1 1;1 0 0;1 0 0]);%结构元素
g=bwhitmiss(f,B1,B2);%击中或击不中变换
subplot(1...]]></description><category></category></item><item><title><![CDATA[计算和显示连接分量的质心]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051362</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051362</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:51:44 +0800</pubDate><description><![CDATA[%计算和显示连接分量的质心
f=imread('ten-objects.tif');
[L,n]=bwlabel(f);%计算8连接分量
[r,c]=find(L==3);%返回第三个对象的所有像素的行索引和列索引
rbar=mean(r);%行平均数
cbar=mean(c);%列平均数
imshow(f)
hold on%之后绘制命令图在图像的顶部
for k=1:n
    [r,c]=fi...]]></description><category></category></item><item><title><![CDATA[骨骼细化]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051369</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051369</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:51:32 +0800</pubDate><description><![CDATA[%骨骼细化
f=imread('bone.tif');
fs=bwmorph(f,'skel',Inf);%使用函数bwmorph细化
subplot(2,2,1),imshow(f),title('骨骼图像')
subplot(2,2,2),imshow(fs),title('使用函数bwmorph得到的骨骼')
for k=1:5
    fs=fs &amp; ~endpoints(fs);...]]></description><category></category></item><item><title><![CDATA[conwaylaws.m]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051379</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051379</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:51:20 +0800</pubDate><description><![CDATA[%conwaylaws源程序
function out=conwaylaws(nhood)
%conwaylaws应用Conway的遗传规则去产生一个简单像素
%out=conwaylaws(nhood)应用Conway的遗传规则去产生一个简单像素和它的3*3邻域,nhood。

num_neighbors=sum(nhood(:))-nhood(2,2);
if nhood(2,2)==1
  ...]]></description><category></category></item><item><title><![CDATA[endpoint_fcn.m]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051384</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051384</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:51:07 +0800</pubDate><description><![CDATA[%endpoint_fcn源程序
function is_end_point=endpoint_fcn(nhood)
%决定一个像素是否为一个端点
%is_end_point=endpoint_fcn(nhood)接受一个3*3的二维邻域nhood,如果中心元素是一个 端点，则返回1，否则返回0.
is_end_point=nhood(2,2) &amp; (sum(nhood(:))==2);
...]]></description><category></category></item><item><title><![CDATA[endpoints.m]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051392</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051392</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:50:57 +0800</pubDate><description><![CDATA[%endpoints源函数
function g=endpoints(f)
%endpoints计算一幅二维图像的端点
%g=endpoints(f)计算一幅二维图像的端点，并在二维图像g中返回

persistent lut

if isempty(lut)
    lut=makelut(@endpoint_fcn,3);
end

g=applylut(f,lut)


...]]></description><category></category></item><item><title><![CDATA[开运算和闭运算的作用]]></title><link>https://blog.youkuaiyun.com/YangYaYan/article/details/90051398</link><guid>https://blog.youkuaiyun.com/YangYaYan/article/details/90051398</guid><author>YangYaYan</author><pubDate>Fri, 10 May 2019 09:50:47 +0800</pubDate><description><![CDATA[%开运算和闭运算的作用
f=imread('fingerprint.tif');
subplot(3,2,1),imshow(f),title('原图像')

se=strel('square',3);%结构元素
fo=imopen(f,se);%开运算
subplot(3,2,2),imshow(fo),title('开运算后的图像')

foc=imclose(fo,se)%开运算后再闭运算
...]]></description><category></category></item></channel></rss>