DDBOLG的专栏

离散卡夫纳－勒维变换（LK），又称霍特林变换或本征向量变换。变换核（？）是样本图像的协方差矩阵的特征向量。(傅里叶变换：它是应用最广泛和最重要的变换。它的变换核是复指数函数，沃尔什-阿达玛变换：它是一种便于运算的变换。变换核是值+1或-1的有序序列。图像处理中所用的变换都是酉变换，即变换核满足正交条件的变换。经过酉变换后的图像往往更有利于特征抽取、增强、压缩和图像编码)一,理解算法原理解释清楚还挺

 光流opencv真是给懒人的大礼啊.今天开始研究光流.看到网上很多帖子,理解的粗浅的很,却也是在用光流法.我觉得要想真正学好这个方法,还要从理论上,好好理解.opencv上,实现了三种方法,bm,lk,hs.以后记得研究一下骨架算法,没准就会用到. 4.8号补充我没有严格推倒，只是把算法思想写下来。光流不等于运动，光流是光强场的运动。由于图像序列已知，所以某点光强随时间的变化已知

写得很好，转了先。来自http://hi.baidu.com/xydjh卡尔曼滤波器 – Kalman Filter1．     什么是卡尔曼滤波器（What is the Kalman Filter?）在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emi

我理解的：如果对一系列数据kalman滤波，会滤除大的波动，联想到以前做得运动轨迹平滑，可以借助kalman的思想处理。保存历史数据来处理当前数据很麻烦，而kalman的想法只需要前一个时刻数据而已。“最优化自回归数据处理算法”，我理解，是一种对动态结果进行优化的方法，最优化体现在与历史数据无关上。我觉得绝大多数动态测量系统都应当采用kalman的方法对结果修正，可以提高精度。算法过程：1

 很好的一篇文章，转来转去，也懒得去找出处了，作者邮箱iliuchong@sohu.com[摘要] 　　哈希表是一种高效的数据结构。本文分五个部分：首先提出了哈希表的优点，其次介绍了它的基础操作，接着从简单的例子中作了效率对比，指出其适用范围以及特点，然后通过例子说明了如何在题目中运用哈希表以及需要注意的问题，最后总结全文。[正文]1. 引言　　哈希表（Hash Table）的

理解哈希表（Hash Table）用于确定：某个元素是否在已知集合中。本质上和排序+二分法的查找一样，都是把已知集合的本质特征提取出来，就像匹配时，用主分量分析一样。实现起来，把已知集合的数据经过处理，得到hash table，这个table中，每一项对应一个或多个数据，所以必须有处理这个问题（术语叫冲突）的机制。例如：10000个数据，都除以100，得到100个数，就是hash表，这样，可以搜索

几个月前偶然看到孟兄的blog，读过之后，如获至宝，自认为对矩阵有了更深的认识。现在总结分享一下。“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，...，这就带来了教学上的困难。”事实上，当我们开始学习线性代数的时候，不知不觉就进入了“第二代数学模型”的范畴当中，这意味着数学的表述方式和抽象性有了一次全面的进化，对于从小一直在“第一代数学模型”，即以实用为导向的、具体的

记下来研究一下，没怎么用过，感觉骨架还是比较有用的。

迷惑很久，终于想通。其实是一种数据的处理方法，可以简化数据。矩阵乘特征向量就是在其方向的投影。这点类似于向量点积既是投影。通过求特征值和向量，把矩阵数据投影在一个正交的空间，而且投影的大小就是特征值。这样就直观体现了数据的基本特征。最大特征值并不是说数据在所有方向的投影的最大值，而仅限于正交空间的某一方向。至于为什么求出来的特征向量是正交的，可以证明。有没有其他的正交空间，一般矩阵，满足满秩，只有