autocyz

上一篇博客写了k-means聚类算法和改进的k-means算法，这篇博客就贴出对应的MATLAB和C++代码。以下是MATLAB代码，实现用k-means进行分割： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 功能：实现如何利用Kmeans聚类实现图像的分割； 时间：2015-07 %%%%%%%%%%%%%%%%%%%%%

KNN学习（K-Nearest Neighbor algorithm，K最邻近方法 ）是一种统计分类器，对数据的特征变量的筛选尤其有效。基本原理KNN的基本思想是：输入没有标签（标注数据的类别），即没有经过分类的新数据，首先提取新数据的特征并与测试集中的每一个数据特征进行比较；然后从测试集中提取K个最邻近（最相似）的数据特征标签，统计这K个最邻近数据中出现次数最多的分类，将其作为新的数据类别。 K

K-means聚类算法K-means（K均值）是基于数据划分的无监督聚类算法，也是数据挖掘领域的十大算法之一。 何为聚类算法？在某种程度上可以理解为无监督的分类方法。 聚类算法可以分为哪些部分？ 一般来说可以分为基于划分的方法、基于连通性的方法、基于密度的方法、基于概率分布模型的方法等。K-means就是经典的基于划分的聚类方法。1、K-means的基本原理对于基于划分的这一类聚类

Fast Compressive Tracking（快速压缩跟踪）虽然目前有很多种的跟踪算法，但是由于姿态的变化、光照的变化、障碍物等原因的存在，导致很多算法的鲁棒性不好。目前比较主流的跟踪算法有两种，generative  tracking algorithms（生成跟踪算法）和discriminative algorithms（判别跟踪算法）。生成跟踪算法，顾名思义边生成边跟踪

本文为原创，欢迎转载，转载请注明出处：       在我看来，首先要说明的一点就是，BING这个方法与其称之为一种新的一般物体识别方法，倒不如说是一种加速方法。其方法的成功之处就是在于其较快的处理速度，即其文章中所说的1000fps。目前，大部分的物体识别方法都是先学习大量的样本，获得学习结果，然后用不同的框遍历需要测试的图片，将遍历的框中内容依次与学习结果比对，然后确定框中是否存在此

Regionlets for Generic Object Detection本文是对这篇文章的翻译和自我理解，文章下载地址：摘要：对于一般物体检测，现在面对的问题是如何用比较简单的计算方法来解决物体的角度的变化所带来的识别问题。要想解决这种问题，那就必须要求有一种灵活的物体描述方法，并且这种方法对于处在不同位置的物体均能进行很好的评判。基于这种情况，作者采用级联的bo

对于一幅图像，假设图像为全白，但是中间有一条黑色的垂直的直线。那么直线所在的位置有何特征呢？       稍微想想便可以知道，在直线的左边为全白，那么从图像最左边至中间黑色的直线，其像素点的灰度变化率始终是为0的。同理，直线右边也是这种情况。但是，在黑色直线旁边的点，其会度变化率则不为0。如果把黑色直线看成是图像左右两边的分界线，那么只要知道灰度变化率不为0 的点，就可以找到这个边界的准确位置

看了一天的hough变换，总算是有些眉目。一开始总是纠结于hough变换把图像中的点映射到另一个参考系中的直线中，是怎么实现的。即我怎么知道图像中的点事映射到哪些直线中的。。。。。后面终于明白，其做法是将映射到另一个参考系的直线离散化，通过求直线上每个点，来构成直线，从而表达出原图像此点所在的所有直线。至于最后是选择映射到极坐标系中是因为减少运算量。本来无边无际的直线，都可以用有边有界的模和角度来

搜集了一些在计算机视觉领域比较有名的数据库、期刊、会议，分享给大家：（大牛们有补充的就在评论区补充一下，我会加上去。）1、Elsevier (ScienceDirect OnSite,SDOL)          http://www.sciencedirect.com/2、IEEE/IEE Electronic Library        http://ieeexplore