Exception_3212536934的博客

如下图所示，由于最小二乘法拟合数据的时候是考虑所有的数据，所以最小二乘法的误差较大，而RANSAC算法是将那些噪声点设为离群点，就像下图中偏离中心的那些点，所以RANSAC得到的结果准确度较高，所以RANSAC的效果总是远优于最小二乘法。1、他计算参数的迭代次数没有上限，如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果。RANSAC是一种思想，一个求解已知模型的参数的框架，它并不限定某一特定的问题。6、比较哪次计算中内群数量最多，内群最多的那次所建的模型就是我们所要求的解。...

分类与聚类分类：分类其实是从特定的数据中挖掘模式，做出判断的过程。聚类：将数据集中在某些方面相似的数据成员放在一起，这些数据是没有标签的，是无监督学习。聚类的目的也是把数据分类，但是事先不知道如何去分的，完全是算法自己来判断各条数据之间的相似性，相似的就放在一起。聚类算法分为三类：原型聚类、层次聚类、密度聚类K-M...

Canny是目前最优秀的边缘检测算法，其目标为找到一个最优的边缘，其最优边缘的定义为：实现：1、对图像进行灰度化2、对图像进行高斯滤波：根据待滤波的像素点及其领域点的灰度值按照一定的参数规则进行加权平均。这样可以有效滤去理想图像中叠加的高频噪声高斯平滑高斯平滑水平和垂直方向呈现高斯分布，更突出了中心点在像素平滑后的权重，相比于均值滤波而言，有着更好地平滑效果。重要的是需要理解，高斯卷积核大小的选择将影响Canny检测器的性能：尺寸越大，检测器对噪声的敏感度越低，但是边缘检测的定位误差也将略有增加，一般5*5

什么是边缘？图像的边缘是指图像局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。边缘有正负之分，就像导数有正值也有负值一样：由暗到亮为正，由亮到暗为负求边缘幅度的算法：sobel，Roberts，prewitt，Laplacian，Canny算子...

PCA算法是如何实现的？1、对原始数据零均值化（中心化）2、求协方差矩阵3、对协方差矩阵求特征向量和特征值

下图中的金字塔分为好几组，最下面一组是用不同大小的高斯核对原图像进行卷积操作得到的一组图片，倒数第二组的图片是对刚才的第一组的第三层的图片进行降采样，降采样后图片尺寸缩小了，缩小后再用不同尺度的高斯核进行卷积操作，然后得到图中倒数第二组的一组图片。图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像，把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像。...

在一些实际问题中，我们得到的样本数据都是多个维度的，即一个样本是用多个特征来表征的。比如在房价预测的问题中，影响房价y的因素有房子面积x1，卧室数量x2等，我们得到的样本数据就是（x1，x2）这样一些样本点，这里的x1和x2又被称为特征。...

线性滤波是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。卷积的原理与滤波类似。但是卷积却有着细小的差别。卷积操作也是卷积核与图像对应位置的乘积和。但是卷积操作在做乘积前，需要先将卷积核翻转180度，之后再做乘积。...

上采样与下采样缩小图像（下采样或降采样）的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。放大图像（上采样）的主要目的是放大原图像，从而可以显示在更高分辨率的显示设备上。上下采样时，图像的放大与缩小，需要保持图像不失真，这时需要用到插值算法。...

1、图像像素：像素是分辨率的单位。像素是构成位图图像最基本的单元，每个像素都有自己的颜色。分辨率（解析度）： 灰度：表示图像像素明暗程度的数值，也就是黑白图像中点的颜色深度。范围一般为0-255。白色为255，黑色为0。通道：把图像分解成一个或者多个颜色成分：对比度：指不同颜色之间的差别。对比度=最大灰度值/最小灰度值2、RGB模型色彩三原色（CMYK）：品红、黄、青光学三原色（RGB）：红、绿、蓝 3、RGB值转化为浮点数 opencv大坑之BGR：opencv对于读进来的图片的通道排列

1、灰度化RGB模式的图片转化为灰度图的方式：需要注意的是下图中的第一种处理方法RGB的三个数值要对应，后面的代码用opencv时，图像导入的是BGR，这个时候就要注意乘的数值不要弄错。2、二值化二值化就是将RGB值转化为0或者1。完整代码：效果展示： 下图中的第一行的右边是灰度化的结果，第二行是二值化的结果。