转载：http://argcv.com/articles/1036.c自然语言处理(ML),机器学习(NLP),信息检索(IR)等领域,评估(evaluation)是一个必要的工作,而其评价指标往往有如下几点:准确率(accuracy),精确率(Precision),召回率(Recall)和F1-Measure。本文将简单介绍其中几个概念。中文中这几个评价指标翻译各有不同，所以一般

转载：http://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.html记得刚读研究生的时候，学习的第一个算法就是meanshift算法，所以一直记忆犹新，今天和大家分享一下Meanshift算法，如有错误，请在线交流。Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型---------------------------------------------------------------------------        

1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。2.再用k-means算法对图像库中的特征点进行训练，生成类心。3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位

///////////////////推荐博客//////////////////////////////////////xdyang的图像视觉小屋图像处理与计算机视觉经典论文(6)图像处理与分析(10)计算机视觉(8)模式识别和机器学习(12)[置顶] 图像处理与计算机视觉：基础，经典以及最近发展//////////////////

前言：最近由于工作的关系，接触到了很多篇以前都没有听说过的经典文章，在感叹这些文章伟大的同时，也顿感自己视野的狭小。  想在网上找找计算机视觉界的经典文章汇总，一直没有找到。失望之余，我决定自己总结一篇，希望对 CV 领域的童鞋们有所帮助。由于自己的视野比较狭窄，肯定也有很多疏漏，权当抛砖引玉了，如果你觉得哪篇文章是非常经典的，也可以把相关信息连带你的昵称发给我，我好补上。我的信箱 xdyang.

Speed-Up Robust Features(SURF) SURF 是一种尺度，旋转不变的detector和descriptor.最大的特点是快！在快的基础上保证性能（repeatability,distinctiveness 和robustness）。SURF采用有效策略的主要有：1）积分图（用于对图像卷积）2）detector是基于Hessian矩阵，des

基于内容的图像检索技（CBIR）术相术介绍kezunhai@gmail.comhttp://blog.youkuaiyun.com/kezunhai            近20年来，计算机与信号处理领域如火如荼地发展着，随着普通计算机的性能不断地提高，人们对计算机处理信息的能力及要求不断地提高。传统的基于文本检索技术已经难以满足人们的需求，图片作为人们对周围世界的感知媒介

Google、百度、搜狗相继推出了识图搜索服务，能够以图片找图片，终于比基于文字的图片检索前进了一大步。以前一直认为在信息检索领域基于内容的图片检索大多数只停留在表面，直到这样的应用大量出现后才真正开始关注起基于内容的图片检索（CBR）。找了一些文章后发现，CBR在十年前已经研究得很丰富了，相关的理论框架也比较完善。原来工业界总是会落后于学术界，科研还是工业技术的排头兵啊。大致总结一下吧，也加深自

图像的缩放很好理解,就是图像的放大和缩小。传统的绘画工具中,有一种叫做“放大尺”的绘画工具，画家常用它来放大图画。当然，在计算机上，我们不再需要用放大尺去放大或缩小图像了，把这个工作交给程序来完成就可以了。下面就来讲讲计算机怎么来放大缩小图象；在本文中，我们所说的图像都是指点阵图，也就是用一个像素矩阵来描述图像的方法，对于另一种图像：用函数来描述图像的矢量图，不在本文讨论之列。越是简单的模型越

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型--------------------------------------------------------------------------- 前言

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型---------------------------------------------------------------------------        

稀疏编码系列：（一）----Spatial Pyramid 小结（二）----图像的稀疏表示——ScSPM和LLC的总结（三）----理解sparse coding（四）----稀疏模型与结构性稀疏模型--------------------------------------------------------------------------- 前言

最近在看Ng的深度学习教程，看到self-taught learning的时候，对一些概念感到很陌生。作为还清技术债的一个环节，用半个下午的时间简单搜了下几个名词，以后如果会用到的话再深入去看。        监督学习在前一篇博客中讨论过了，这里主要介绍下迁移学习、自我学习。因为监督学习需要大量训练样本为前提，同时对训练样本的要求特别严格，要求训练样本与测试样本来自于同一分布。要是满足不了

信息检索概述信息检索是当前应用十分广泛的一种技术，论文检索、搜索引擎都属于信息检索的范畴。通常，人们把信息检索问题抽象为：在文档集合D上，对于由关键词w[1] … w[k]组成的查询串q，返回一个按查询q和文档d匹配度relevance(q, d)排序的相关文档列表D’。对于这一问题，先后出现了布尔模型、向量模型等各种经典的信息检索模型，它们从不同的角度提出了自己的一套解决方案。布

Ransac算法项目主页https://github.com/libing64/RansacLine1、算法简介随机抽样一致算法(RANdom SAmple Consensus,RANSAC)。它是一种迭代的方法，用来在一组包含离群的被观测数据中估算出数学模型的参数。 RANSAC是一个非确定性算法，在某种意义上说，它会产生一个在一定概率下合理的结果，其允许使用更多次的迭代

给定两个点p1与p2的坐标，确定这两点所构成的直线，要求对于输入的任意点p3，都可以判断它是否在该直线上。初中解析几何知识告诉我们，判断一个点在直线上，只需其与直线上任意两点点斜率都相同即可。实际操作当中，往往会先根据已知的两点算出直线的表达式（点斜式、截距式等等），然后通过向量计算即可方便地判断p3是否在该直线上。 生产实践中的数据往往会有一定的偏差。例如我们知道两个变量X与Y之间呈线性

计算机视觉（CV）前沿国际国内期刊与会议这里的期刊大部分都可以通过上面的专家们的主页间接找到1.国际会议 2.国际期刊 3.国内期刊 4.神经网络 5.CV 6.数字图象 7.教育资源，大学 8.常见问题1. 国际会议现在，国际上计算机视觉方面的三大国际会议是ICCV， CVPR和ECCV，统称之为ICE。ICCV的全称是International Comference on

文献： Object Detection using a Max-Margin Hough Transform, CVPR 2009.用最大化margin的方法学习出参与投票的部分的权重, 用优化工具CVX求解。流程图如下： 文献：  Recognition using Regions, CVPR 09.内容简介：提出了一个用区域来做物体检测、分割和分类的统一框架。具体地：

转载：http://blog.163.com/huai_jing@126/blog/static/1718619832011101463943869/文献1：Combined Object Categorization and Segmentation with an Implicit Shape Model，ECCV 04 Workshop。内容简介：用隐形状模型（Impli

一种场景特征描述场景特征描述？通常的特征描述符都是对图片的局部特征进行描述的，以这种思路进行场景描述是不可行的。比如：对于“大街上有一些行人”这个场景，我们必须通过局部特征辨认图像是否有大街、行人等对象，再断定这是否是满足该场景。但这个计算量无疑是巨大的，且特征向量也可能大得无法在内存中存储计算。例如即使使用GIST进行1MB的图像数据搜索，也需要3.8GB的RAM

对数极坐标几何（Log-Polar Geometry）是为了仿真生物视网膜，比如人眼中央小凹，的成像原理而产生的，它具有数据压缩的特性。对 数极坐标系是一个二维坐标系，一个点的坐标由一个实数对 (ρ，θ) 决定，ρ 是该点到某一特定点（原点origin）的距离的对数，θ是过该点与原点的直线和某个参考直线（如x轴）所张的角度。一个类似于人眼的传感器阵列如左图所示，它由64层同心圆

转载：http://www.cnblogs.com/xpvincent/archive/2013/03/15/2961448.html最近用到插值算法，使用三次样条插值时仿真速度太慢，于是采用算法简单的线性插值。本篇主要介绍一下双线性插值的实现方法。1. 线性插值已知坐标 (x0, y0) 与 (x1, y1)，要得到 [x0, x1] 区间内某一位置 x 在直线上

DoG (Difference of Gaussian)是灰度图像增强和角点检测的方法，其做法较简单，证明较复杂，具体讲解如下:Difference of Gaussian(DOG)是高斯函数的差分。我们已经知道可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果，即去噪过程，这里的Gaussian和高斯低通滤波器的高斯一样，是一个函数，即为正态分布函数。那么di

如何写好论文摘要杂志上刊登的论文一般仅限于数千字,为何还要一段数百字的摘要呢?无非是便于读者用最短时间掌握信息,了解研究工作或文章的主要内容和结果,从而决定是否需要详读全文。在知识和信息加速度增长的今天,摘要的重要性更为突出。既为读者阅览起引导作用,更为文献汇编、计算机储存、检索做好准备,成为科技情报的重要来源。摘要者,精华也。　　作者应重视摘要的书写。写好摘要,既需要严肃认真的科学精神,

······         关于专门检索图形图像的重要论文，在同学的帮助下终于找到一个非常好的网站          http://www.cvpapers.com/         这里收集了：                            ICCV: 2013new, 2011,2009, 2007CVPR: 2013, 2012, 2011, 2010,

一、特征提取Feature Extraction：·         SIFT [1] [Demo program][SIFT Library] [VLFeat]·         PCA-SIFT [2] [Project]·         Affine-SIFT [3] [Project]·         SURF [4] [OpenSURF] [M

转载：http://blog.youkuaiyun.com/abcjennifer/article/details/6662706真正了解了什么叫最简单的就是最美好的真正的好文章不需要大堆公式堆积显得充实，而是最最平实的思想！这篇文章的：原文PDF、PPT。感兴趣的可以了解一下。这篇文章的目的就是以最简单的思路将图像达到去雾效果。用Matlab编了一下，效果图特别好啊哈

1 用“字体”活动窗口中的“效果”选项中的“上标”和“下标 2 利用组合快捷键“ctrl”+“=”或“ctrl”+“shift”+“=” 3 利用“ 公式编辑器”中的“上标和下标模板”工具输入

显著性图像显著性是图像中重要的视觉特征，体现了人眼对图像的某些区域的重视程度自从1998年Itti的工作以来，产生了大量的显著性映射方法，图像显著性也广泛应用于图像压缩、编码、图像边缘和区域加强、显著性目标分割和提取等.我们研究的方面包括以下：1 图像显著性的评价体系：特别是针对图像显著性映射在目标提取中的应用，研究如何有效评价已有的显著性映射，方法包括F-measure，分割熵等

人脸识别必读的N篇文章一.人脸检测/跟踪　　人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小；对于跟踪而言，还需要确定帧间不同人脸间的对应关系。　　1.Robust Real-time Object Detection. Paul Viola, Michael Jones. IJCV 2004.　　入选理由：　　Viola的人脸检测工作使得人脸检测真

原文链接 http://www.bfcat.com/index.php/2013/03/cvpr2013-papers 前不久CVPR的结果出来了，首先恭喜我一个已经毕业工作的师弟中了一篇文章。完整的文章列表已经在CVPR的主页上公布了（链接），今天把其中一些感兴趣的整理一下，虽然论文下载的链接大部分还都没出来，不过可以follow最新动态。等下载链接出来的时候一一补上。由

文章来自：http://www.bfcat.com/index.php/2012/04/cvpr2012-papers/看了一下CVPR2012的papers on the web，很多文章的链接都还没有出来。根据题目，挑选了几篇感兴趣的。关注一下。有一些链接papers on the web还没有公布，自己上网搜了一下。其他的就等着不定时更新吧。今年国内的文章不少啊，很多不光是中国人，也

转载：http://www.cnblogs.com/Imageshop/p/3281703.html《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果及其他。　    在图像去雾这个领域，几乎没有人不知道《Single Image Haze Removal Using Dark Chann

去雾算法参考了一篇论文：Kaiming He, Jian Sun, Xiaoou Tang. Single Image Haze Removal Using Dark Channel Prior大致内容是提出了一个叫做暗原色先验的东西来对有雾图像进行处理，十分巧妙，有兴趣者可以看看。这里使用OpenCV实现文中的去雾算法，然而论文提到的soft matting未在本程序中实现。

通过神经网络进行评估棋局的状态，这是一个非常好的策略。因此我们可以进行从这一步进行选择下一步的操作，下那一步棋（搜索最大的下一步棋局状态）。神经网络的权值是通过进化算法得到的。我们有一个关于权值的群组，通过在线和其他棋手进行博弈，之后我们可以选择在一定场次内，胜率比较高的作为适应值。从而通过多少次迭代之后，我们可以得到最优的神经网络的权值。这个属于最优的

目标本教程中我们将涉及:有哪些特征？它们有什么用？使用函数 cornerHarris 通过 Harris-Stephens方法检测角点.理论有哪些特征?在计算机视觉中，我们通常需要寻找两张图上的匹配关键点。为什么？因为一旦我们知道了两张图是相关联的，我们就可以使用 *both 图像来提取它们中的信息。是指匹配关键点 是指在场景

今天看3D（时空域） Harris角点的检测，发现网上关于此的中文内容很少，所以决定写两篇文章，分享一下自己的心得。第一篇是关于在空域上的Harris角点检测。 在我们解决问题时，往往希望找到特征点，“特征”顾名思义，指能描述物体本质的东西，还有一种解释就是这个特征微小的变化都会对物体的某一属性产生重大的影响。而角点就是这样的特征。观察日常生活中的“角落”就会发现，“角落”

角点特征检测与匹配是Computer Vision 应用总重要的一部分，这需要寻找图像之间的特征建立对应关系。点，也就是图像中的特殊位置，是很常用的一类特征，点的局部特征也可以叫做“关键特征点”(keypoint feature)，或“兴趣点”(interest point)，或“角点”(conrner)。关于角点的具体描述可以有几种：一阶导数(即灰度的梯度)的局部最大所对

尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd  zddmail@gmail.com对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。1、SIFT综述尺度不变特征转换(Scale-invariant feature trans