- 博客(23)
- 收藏
- 关注
RSS订阅原创 计算机视觉（十）：特征匹配（feature matching）/ 目标识别
一、背景知识1. 关键点检测和匹配流水线四个阶段2. 特征检测器3. 特征描述子（descriptor）4. 特征匹配5. 特征跟踪一、背景知识1. 关键点检测和匹配流水线四个阶段① 特征检测/提取（feature detection）：  &amp
2018-10-23 21:02:29
22122
2
原创 计算机视觉（九）：特征描述（feature description）
一、背景知识1. 关键点检测和匹配流水线四个阶段2. 特征检测器3. 特征描述子（descriptor）4. 特征匹配5. 特征跟踪一、背景知识1. 关键点检测和匹配流水线四个阶段① 特征检测/提取（feature detection）：  &amp
2018-10-22 20:12:17
7182
1
原创 计算机视觉（七）：特征检测/提取（feature detection/extraction）
一、背景知识1. 图像特征2. 数字函数的一阶导数和二阶导数3. 导数与图像特征关系二、孤立点的检测三、线检测四、边缘检测1. 边缘模型2. 基本边缘检测① Roberts算子② Prewitt算子③ Sobel算子3. 更先进的边缘检测技术① Marr-Hildreth边缘检测器（LoG和DoG）② 坎尼边缘检测器（Canny）4. 轮廓检测（边缘连接）五、代码实现（Python+OpenCV...
2018-10-17 20:32:33
14690
1
原创 计算机视觉（六）：频率域滤波器
一、滤波器1. 基本滤波公式2. 滤波步骤3. 低通滤波器与高通滤波器二、低通滤波器（平滑图像）1. 理想低通滤波器2. 布特沃斯低通滤波器3. 高斯低通滤波器三、高通滤波器（锐化图像）1. 理想高通滤波器2. 布特沃斯高通滤波器3. 高斯高通滤波器四、代码实现（Python+OpenCV)一、滤波器1. 基本滤波公式      ...
2018-10-07 22:42:06
5760
1
原创 计算机视觉（五）：频率域滤波基础
一、数学预备知识1. 傅里叶级数二、基本概念1. 频率域2. 复数3. 欧拉公式4. 傅里叶级数5. 取样三、傅里叶变换1. 一维连续傅里叶变换2. 一维离散傅里叶变换3. 二维连续傅里叶变换4. 二维离散傅里叶变换四、卷积1. 定义2. 一维卷积定理3. 二维卷积定理五、傅里叶谱和相角六、频率域的其他特性1. 频率域中的滤波技术基础2. 空间和频率域滤波间的对应一、数学预备知识1. 傅里叶...
2018-10-06 00:42:21
1369
1
原创 计算机视觉（四）：空间域滤波器
一、平滑空间滤波器1. 平滑线性滤波器（均值滤波器）2. 统计排序（平滑非线性）滤波器二、锐化空间滤波器1. 基础2. 拉普拉斯（Laplacian）算子3. 罗伯特交叉梯度（Roberts）算子4. Sobel算子三、彩色图像的平滑和锐化1. 彩色图像平滑2. 彩色图像锐化四、代码实现（Python+OpenCV)1. 去除盐粒噪声（图像产生随机白色像素点）2. 去除胡椒噪声（图像产生随机黑色...
2018-10-04 21:03:12
6056
1
原创 计算机视觉（三）：空间域滤波基础
一、背景知识1.空间域2.灰度变换二、一些基本的灰度变换函数1.图像反转2.对数变换3.幂律（伽马）变换三、空间滤波机理四、空间相关与卷积1. 相关2.卷积一、背景知识1.空间域2.灰度变换二、一些基本的灰度变换函数1.图像反转2.对数变换3.幂律（伽马）变换三、空间滤波机理四、空间相关与卷积1. 相关2.卷积...
2018-10-03 16:41:12
5149
1
原创 计算机视觉（二）：直方图均衡
一、灰度空间的直方图均衡1.直方图2.变换函数应满足条件3.变换函数4.直方图均衡二、彩色空间的直方图均衡三、代码实现（Python+OpenCV)1.灰度图像2.彩色图像一、灰度空间的直方图均衡1.直方图      灰度级范围为[0,L-1]的数字图像的直方图是离散函数 h(rk)=nkh(r_k
2018-09-30 19:41:54
2380
1
原创 计算机视觉（一）：基础篇
一、光和电磁波谱二、彩色模型1.RGB彩色模型2.HSV彩色模型3.从RGB到HSV的彩色转换4.从HSV到RGB的彩色转换5.RGB和HSI的互换代码实现（Python+OpenCV）三、灰度图像1.灰度级与灰度图像2.RGB转灰度图像3. RGB转灰度图像代码实现（Python+OpenCV）一、光和电磁波谱     &a
2018-09-30 13:33:54
7017
1
原创 机器学习（十一）：FP增长（FP-growth）
引言： FP增长（FP-growth）算法是一种高效发现频繁项集的方法，只需要对数据库进行两次扫描。它基于Apriori构建，但在完成相同任务时采用了一些不同的技术。该算法虽然能更为高效地发现频繁项集，但不能用于发现关联规则。 本文用到的部分术语已在简介中介绍（具体看‘基本概念-关联分析’），这里不再重述。 一、FP-growth算法FP-growth算法发现频繁...
2018-05-14 22:05:35
13811
原创 机器学习（十）：Apriori算法
引言： Apriori算法是第一个关联规则挖掘算法。它基于Apriori原理，用支持度做度量，迭代产生频繁项集；对频繁项集，使用置信度做度量，最后发现关联规则。 本文用到的部分术语已在简介中介绍（具体看‘基本概念-关联分析’），这里不再重述。 一、Apriori原理 如果一个项集是频繁的，则它的所有子集一定也是频繁的；相反，如果项集是非频繁的，则它的所有超集...
2018-05-04 18:31:25
3285
1
原创 机器学习（九）：k-均值（k-means）
引言： k均值（k-means）是一种聚类算法，其工作流程如下：随机选择k个点作为初始质心（质心即簇中所有点的中心），然后将数据集中的每个点分配到一个簇中，具体来讲，为每个点找距其最近的质心，并将其分配给该质心所对应的簇。这一步完成之后，每个簇的质心更新为该簇所有点的平均值。重复以上步骤，直到质心不发生变化。 k均值的操作解释参见图1。 图1 然而随机地选取初始...
2018-05-03 15:35:26
39590
1
原创 机器学习（八）：Bagging与随机森林
引言： Bagging基于自助采样法（bootstrap sampling），采样出T个含N个训练样本的采样集，然后基于每个采样集训练出一个基学习器，最后将这些基学习器进行结合得到最终结果。 随机森林（Random Forest,RF）是Bagging的一个扩展变体，以决策树为基学习器，并针对基决策树引入了随机属性选择，即传统决策树在选择划分属性时是在当前结点的属性集合（假定有...
2018-05-02 20:38:27
1597
1
原创 机器学习（七）：提升（boosting）方法
引言： 提升（boosting）方法是一族可将弱学习器提升为强学习器的算法。这族算法的工作机制类似：先从初始训练集训练出一个基学习器，再根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本在后续受到更多关注，然后基于调整后的样本分布来训练下一个基学习器；如此重复进行，直至基学习器数目达到事先指定的值T，最终将这T个基学习器进行加权结合。 本文主要介绍提升方法...
2018-05-02 19:34:40
4425
1
原创 机器学习（六）：支持向量机(SVM)
引言： 支持向量机（support vector machines,SVM）是一种二值分类模型。分类学习最基本的想法就是基于训练集在样本空间中找到一个分隔超平面（separating hyperplane），将不同类别的样本分开。但能将训练样本分开的分隔面可能有很多，我们应该努力去找哪一个呢？直观上看，应该去找位于两类训练样本‘正中间’的分隔面，即图1中的红线。 图1 线性可分支...
2018-04-28 21:19:25
1207
原创 机器学习（五）：线性模型
引言： 线性模型（linear modal）试图学得一个通过属性的线性组合来进行预测的函数。本文介绍两种经典的线性模型，分别是回归任务中的线性回归（linear regression）与二分类任务中的逻辑回归（logistic regression）。 如图1，在二维空间中有一些样本点，我们用一条直线对这些点进行拟合，该直线称为最佳拟合直线。线性回归就是根据训练集，寻找对训练样...
2018-04-27 14:31:46
1962
1
原创 机器学习（四）：决策树
引言： 决策树是一种基本的分类与回归方法，本文主要讨论用于分类的决策树。 决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。其主要优点是模型具有可读性，分类速度快。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时，对新的数据，利用决策树模型进行分类。 决策树学习通常包括三个步骤：特征选择、决策树的生成和决策树的修剪。 ...
2018-04-14 20:28:42
2835
1
原创 机器学习（三）：朴素贝叶斯（NB）
引言： 朴素贝叶斯（naïve Bayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。在统计学中，相互独立的含义是它们中一个已发生，不影响另一个发生的概率，即特征条件独立指一个特征出现的可能性与它的相邻没有关系。 基本思想如下： 假设训练集标记类别集合为{c1,c2}，P(c1|x1,x2)为给定数据点(x1,x2)来自类别c1的概率；P(c2|x1,x2)为给...
2018-04-13 19:54:19
2116
1
原创 机器学习（二）：k近邻法（kNN）
引言： k近邻法（k-nearest neighbor, kNN）是一种基本分类与回归方法，其基本做法是：给定测试实例，基于某种距离度量找出训练集中与其最靠近的k个实例点，然后基于这k个最近邻的信息来进行预测。 通常，在分类任务中可使用“投票法”，即选择这k个实例中出现最多的标记类别作为预测结果；在回归任务中可使用“平均法”，即将这k个实例的实值输出标记的平均值作为预测结果；还...
2018-04-13 17:42:50
45507
5
原创 机器学习（一）：简介
一、机器学习定义 假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。 二、基本概念1.模型 模型（model）泛指从数据中学得的结果。 从数据中学得模型的过程称为学习或训练，这个过程通过执行某个学习算法来完成。不同的学习方法会给出不同的模型，机器学习的目的...
2018-04-12 21:47:03
5883
1
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