ayw_hehe的专栏

一、颜色直方图    这个就不赘述了，颜色各个分量的统计特征，或者是采用加权的方法，将所有的分量合成一个量，构建出来对颜色的统计信息二、颜色矩    也是颜色离散数据的统计特征，不包含空间信息，说白了就是三个量：均值，方差和，三阶差和，可以是全局的，也可以是局部的，纯统计特征，个人感觉用于局部对比度的比较可能比较合适，但是运算量……放进来考虑的时候这个统计特征就是一个鸡肋。三、颜色聚合向量    这个是对颜色直方图的一种比较聪明的改进，同样将颜色分成几个区间，不同的是在这不同的区间中，把每种颜色分成连接区域

转自：http://blog.youkuaiyun.com/zouxy09/article/details/8550952一、特征提取Feature Extraction：·         SIFT [1] [Demo program][SIFT Library] [VLFeat]·         PCA-SIFT [2] [Project]·         Affi

DOG其实是对空间函数的导数的差分近似，以求得极值    DOG中预先构造的每个octave中的（k+3）个尺度图像它们的尺度关系是：δ,k*δ,k*k*δ,....k*k*..(s+2个)*k*δ， 所以k=21/s一个octave完成之后，对图像列的顶部第二幅图像做降采样，新产生的图的尺度是图像阵列的底部第一幅图的尺度的两倍，降采样这个步骤并不改变图像的尺度，只是

图像旋转一直是图像处理的一项基本功能，看似很简单，但是每次想得时候都还要费一番功夫，这里简单得描述一下，其实想清楚这个问题的关键就是：用极坐标系         不妨设图像绕左上方的原点旋转，有原坐标系坐标：         x=r*cos(thr1);         y=r*sin(thr1);         那么旋转thr2的角度之后（逆时针），有         x'

好久没有碰sift了，对于尺度空间也忘得差不多，重新温习了一下，想到哪写到哪         尺度空间是SIFT非常重要的概念，SIFT的特点也就在于特征的尺度的连续性，当然这个连续性是打引号的，它还是离散的，但是比起图像金字塔这种相邻尺度比例为2的来说，它要连续得多，至于有多连续，就看你自己在每个octave中设置多少个level了，不妨设构建的高斯金字塔有o个octave，每个octave

TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比

所谓kdtree，就是一个k维（k-dimension）的二叉树（binary tree），检索的方法就是在kdtree的某个维度上给予一个阈值，在这个维度上将空间一分为二，这样n次的分割平面就将整个空间分成2的n次方个空间（应该是吧），迭代的分割过程一般用两种方法收敛，每个叶子

KL距离，是Kullback-Leibler差异（Kullback-Leibler Divergence）的简称，也叫做相对熵（Relative Entropy）。它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)的事件空间，若用概

摘自：http://shi-xj.blog.163.com/blog/static/3178051520110211346360/下面就以上面这个Gabor函数为题进行其参数的讨论。   不用多说：由于Gabor滤波器的方向性，x',y'是旋转之后的坐标，而 Θ 角便是Gabor

做机器视觉和图像处理方面的研究工作，最重要的两个问题：其一是要把握住国际上最前沿的内容；其二是所作工作要具备很高的实用背景。解决第一个问题的办法就是找出这个方向公认最高成就的几个超级专家(看看他们都在作什么)和最权威的出版物(阅读上面最新的文献)，解决第二个问题的办法是你最好能够找到一个实际应用的项目，边做边写文章。 做好这几点的途径之一就是利用网络资源，利用权威网站和专家们的个人主页。依照下

转自：http://blog.youkuaiyun.com/jlei_apple/article/details/8168856这两天在看关于boosting算法时，看到一篇不错的文章讲bootstrap, jackknife, bagging, boosting, random forest 都有介绍，以下是搜索得到的原文，没找到博客作者的地址，在这里致谢作者的研究。一并列出一些