cc198877的专栏

1. 下载opencv，然后参照  http://blog.youkuaiyun.com/cc198877/article/details/7484244  配置；2. 下载EmugCV，我下载的地址：http://download.youkuaiyun.com/download/zhenzigis/2098378；3. 将以下四个EmguCV的dll文件添加到当前项目  “项目——添加引用——浏览”：E

从 SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，例如垃圾邮件过滤，就只需要确定“是”还是“不是”垃圾邮件），比如文本分类，比如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。还以文本分类为例，现成的方法有很多，其中一种一劳永逸的方法，就是真的一次性考虑所有样本，并求解一个多

让我再一次比较完整的重复一下我们要解决的问题：我们有属于两个类别的样本点（并不限定这些点在二维空间中）若干，如图，圆形的样本点定为正样本（连带着，我们可以把正样本所属的类叫做正类），方形的点定为负例。我们想求得这样一个线性函数（在n维空间中的线性函数）：g(x)=wx+b使得所有属于正类的点x+代入以后有g(x+)≥1，而所有属于负类的点x-代入后有g(x-)≤-1

现在我们已经把一个本来线性不可分的文本分类问题，通过映射到高维空间而变成了线性可分的。就像下图这样： 圆形和方形的点各有成千上万个（毕竟，这就是我们训练集中文档的数量嘛，当然很大了）。现在想象我们有另一个训练集，只比原先这个训练集多了一篇文章，映射到高维空间以后（当然，也使用了相同的核函数），也就多了一个样本点，但是这个样本的位置是这样的： 就是图中黄色

接下来要说的东西其实不是松弛变量本身，但由于是为了使用松弛变量才引入的，因此放在这里也算合适，那就是惩罚因子C。回头看一眼引入了松弛变量以后的优化问题：注意其中C的位置，也可以回想一下C所起的作用（表征你有多么重视离群点，C越大越重视，越不想丢掉它们）。这个式子是以前做SVM的人写的，大家也就这么用，但没有任何规定说必须对所有的松弛变量都使用同一个惩罚因子，我们完全可以给每一个离群

这是一个关于视频话题，以电视显示为基准，相应的概念和方法可以类推到其它显示设备。直观地讲，Letterbox指的是16：9的图像在4：3的设备上的显示方法，即图像与设备同宽，在上下添加黑边的显示模式；Pillarbox正好相反，为4：3的图像在16：9的设备的显示模式，左右会被添加黑边；Pan&Scan比较特殊，在4：3的设备上显示16：9的图像时，图像与设备同高，在水平方向多

亲，我尽量用最通俗的语言来描绘，如果您对linux不是很熟，请完全按照我的步骤来做，包括路径若有问题，欢迎留言。系统：ubuntu10.10Matlab版本：[矩阵实验室].TLF-SOFT-Mathworks.Matlab.R2010a.UNIX.ISO-TBE.iso一、下载[矩阵实验室].TLF-SOFT-Mathworks.Matlab.R2010a.U

遍历文件夹读取图像cd ('D:\picture\test');files=dir('*.jpg');m=size(files,1);G=zeros(256,256,m);for i=1:mG(:,:,i)=imread(files(i).name);end(前提是你所有的图像都是灰度的，256x256大小)另外，matlabn的dir函数中读取的只是当

Matlab的内部常数 eps  浮点相对精度 pi 圆周率 exp 自然对数的底数e i 或j 虚数单位 Inf或 inf 无穷大Matlab概率密度函数 betapdf β概率密度函数 binopdf 二项概率密度函数

Approximate Nearest Neighbors问题是计算几何、图像处理和GIS分析等应用中最常用的功能，这里列出一些资源仅供大家参考。     参考1和参考3是比较稳定的计算ANN算法的工程。     参考2支持精确查找和近似查找，并且可以直接调用封装好的dll文件，进行应用。     参考4应用也比较广，目前成熟的应用在http://www.martin-sc

下载地址：boost库 http://svn.boost.org/svn/boost/trunk/MPI库 http://www.mpich.org/downloads/gsl库 http://ishare.iask.sina.com.cn/f/24862966.htmlVS2010下GSL的配置 （转自http://www.cnblogs.com/suda/a

SVM入门（三）线性分类器Part 2上回说到对于文本分类这样的不适定问题（有一个以上解的问题称为不适定问题），需要有一个指标来衡量解决方案（即我们通过训练建立的分类模型）的好坏，而分类间隔是一个比较好的指标。在进行文本分类的时候，我们可以让计算机这样来看待我们提供给它的训练样本，每一个样本由一个向量（就是那些文本特征所组成的向量）和一个标记（标示出这个样本属于哪个类别）组成。

SVM入门（五）线性分类器的求解——问题的描述Part2从最一般的定义上说，一个求最小值的问题就是一个优化问题（也叫寻优问题，更文绉绉的叫法是规划——Programming），它同样由两部分组成，目标函数和约束条件，可以用下面的式子表示：（式1）约束条件用函数c来表示，就是constrain的意思啦。你可以看出一共有p+q个约束条件，其中p个是不等式约束，q个等式约

1.typedef struct _IplImage 2.{ 3. int nSize; /* sizeof(IplImage) */ 4. int ID; /* version (=0)*/ 5. int nChannels; /* Most of OpenCV functions suppo

解决方案1：项目属性——配置属性——常规——字符集：“使用Unicode字符集”  改为  “使用多字节字符集”。 解决方案2：在网上下了个函数，进行转换：char* ConvertLPWSTRToLPSTR(LPWSTR lpwszStrIn){ LPSTR pszOut = NULL; if (lpwszStrIn != NULL) { int nInputSt

OpenCV后面的版本取消了CvvImage，程序运行会报错：error LNK2001: 无法解析的外部符号 "public: virtual void __thiscall CvvImage::DrawToHDC(struct HDC__ *,struct tagRECT *)"    可以从网上找到原来的CvvImage.h和CvvImage.cpp文件，将这个类加到工程里去。代码我放在

problem：fatal error C1083: 无法打开包括文件 配置 windows7+vs2010+opencv2.3.1+QT4.8.1... 使用OpenCV库：“项目——属性——配置属性——VC++目录——包含目录”  添加：C:\Program Files\OpenCV\opencv\build\include;C:\Program Files\Ope

The latest Long Term Support version of Ubuntu(12.04 LTS) is out and a new version of OpenCV was released as well. This means that now is a great opportunity to update my OpenCV installation guide to

首先,下载,安装和重新编译opencv,参考 http://blog.youkuaiyun.com/cc198877/article/details/7785384其次,在qt中使用opencv有两种方式:(1). 将opencv库添加到qt creator中(以后就不需要每次新建项目都要添加):打开qmake.conf文件:   sudo gedit /usr/share/qt4/mkspecs

著名的科学杂志《Nature》于1999年刊登了两位科学家D.D.Lee和H.S.Seung对数学中非负矩阵研究的突出成果。该文提出了一种新的矩阵分解思想――非负矩阵分解(Non-negative Matrix Factorization，NMF)算法，即NMF是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。该论文的发表迅速引起了各个领域中的科学研究人员的重视：一方面，科学研究中的很多大规

1.  CvSize结构 CvSize结构表示矩形尺寸的结构，结构体中分别定义了矩形的宽度和高度，具体定义如下：      typedef struct CvSize     {        int width;  /*  矩形宽度，单位为象素 */        int height;  /* 矩形高度，单位为象素 */    } CvSize;

1.     图像载入函数  函数cvLoadImage载入指定图像文件，并返回指向该文件的IplImage指针。函数支持bmp、jpg、 png、 tiff等格式的图像。其函数原型如下：  IplImage* cvLoadImage( const char* filename, int iscolor=CV_LOAD_IMAGE_COLOR ); 其中，fil

（一）SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Ac

SVM入门（二）线性分类器Part 1线性分类器(一定意义上,也可以叫做感知机) 是最简单也很有效的分类器形式.在一个线性分类器中,可以看到SVM形成的思路,并接触很多SVM的核心概念.用一个二维空间里仅有两类样本的分类问题来举个小例子。如图所示C1和C2是要区分

SVM入门（四）线性分类器的求解——问题的描述Part1上节说到我们有了一个线性分类函数，也有了判断解优劣的标准——即有了优化的目标，这个目标就是最大化几何间隔，但是看过一些关于SVM的论文的人一定记得什么优化的目标是要最小化||w||这样的说法，这是怎么回事呢？回头再看看我们对间隔和几何间隔的定义：间隔：δ=y(wx+b)=|g(x)|几何间隔： 可以看出

sift 特征提取：http://www.cnblogs.com/cfantaisie/archive/2011/06/14/2080917.htmlHOG 特征：http://blog.sina.com.cn/s/blog_9f4bc8e30101672y.htmlNMF：Non-negative Matrix Factorization，非负矩阵分解：