andkobe的专栏

S为样本协方差矩阵 马氏距离是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联 系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的），并且是尺度无关的(scale-invariant)，即独立于测量尺 度。    1）马氏距离的计算是建立

1．基本理论    拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性。一个二维图像函数 的拉普拉斯变换是各向同性的二阶导数，定义为：    为了更适合于数字图像处理，将该方程表示为离散形式：    另外，拉普拉斯算子还可以表示成模板的形式，如图5-9所示。图5-9（a）表示离散拉普拉斯算子的模板，图5-9（b）表示其扩展模板，图5-9（c）则分别表示其他两种拉普拉斯的实现模板。

SURF: speed up robust feature SURF特点： 1.使用积分图像完成图像卷积（相关）操作; 2，使用Hessian矩阵检测特征值； 3，使用基于分布的描述符（局部信息）。 兴趣点检测相关研究： 1998 Lindberg介绍自动尺度选择的概念，允许检测图像中的兴趣点在它们的特征尺度上。他实验了Hessian矩阵的行列式和Laplacian(和矩阵的迹一致

动态聚类方法是模式识别中一种普遍采用的方法，它具有以下3个要点：     1：选定某种距离度量作为样本间的相似性度量     2：确定某个评价聚类结果质量的准则函数     3：给定某个初始分类，然后用迭代算法找出使准则函数取极值的最好的聚类结果 K-MEANS算法: 输入：聚类个数k，以及包含 n个数据对象的数据库。 输出：满足方差最小标准的k个聚类。 处理流程： （1）  从