- 博客(5)
- 收藏
- 关注
RSS订阅原创 如何用线性回归的思想解决简单的非线性问题
本文介绍了机器学习中的线性回归和非线性模型拟合方法。线性回归通过建立y=wx+b的线性方程，采用最小二乘法优化参数，广泛应用于房价预测、销售预测等领域。文章详细讲解了梯度下降法的实现原理，并提供了TensorFlow实现代码。针对非线性指数模型y=ae^(bx)+c的拟合问题，提出了一种基于参数扫描和线性变换的优化方法：通过固定b值范围，将非线性问题转化为线性回归求解，最终选取损失最小的参数组合。文中给出了完整的Python实现代码，包含数据生成、模型训练、可视化及误差分析功能，并展示了不同b值情况下的拟合
2025-10-20 19:58:37
1026
原创 Opencv中使用HSV进行图片颜色替换和寻找
摘要：本文介绍了使用HSV色彩空间进行图像颜色处理的方法。HSV模式（色调、饱和度、明度）比RGB更符合人眼感知，处理更高效。通过OpenCV实现颜色查找时，inRange函数可生成二值化掩膜；颜色替换则可在RGB或HSV空间操作，但需注意HSV修改后需转换回BGR空间。实践表明，HSV在颜色识别方面优势明显，但在颜色调整灵活性上不如RGB空间。文中提供了完整的代码示例和常见颜色范围表，包括红色到绿色的转换演示。
2025-10-09 10:00:29
422
原创 自适应二值化
摘要：本文介绍了自适应二值化方法及其实现。相比普通二值化采用固定阈值，自适应方法为每个像素点单独计算阈值，考虑其邻域信息。具体步骤包括：1）选择奇数尺寸的邻域窗口；2）采用均值法或高斯加权法计算阈值；3）处理边界像素时进行填充扩展。文章提供了两种实现方式的代码示例，并说明OpenCV内置的高斯加权法（速度更快）是常用选择。该方法能更好地处理光照不均的图像，适合轮廓提取等应用场景。
2025-10-08 16:27:39
921
原创 二值化的几个方法
本文介绍了图像处理中常用的阈值法及其变种方法。主要包括：1）基本阈值法，通过设定阈值将灰度图像二值化；2）反阈值法，与基本阈值法相反；3）截断阈值法，超过阈值的像素设为阈值而非255；4）OTSU方法，通过计算类间方差自动寻找最佳阈值。文章详细说明了各种方法的实现原理和Python代码示例，展示了不同阈值处理效果。特别指出OTSU方法能自动计算最优阈值，避免人工设定带来的不确定性，是提取图像特征轮廓的有效方法。
2025-09-30 16:20:42
384
原创 图像的灰度化
本文介绍了三种图像灰度化方法：平均值法、加权法和最大值法。通过OpenCV实现加权灰度化（内置方法）与其他两种方法（手动计算）的对比，发现最大值灰度化图像颜色最深，平均值法最浅。文章还指出OpenCV内置转灰度函数在matplotlib中显示时会出现颜色差异，需额外进行BGR2RGB转换，而手动计算公式则不会出现此问题。代码示例展示了三种灰度化方法的实现方式及效果对比。
2025-09-30 14:22:35
157
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人