重剑无锋

加入辅助判决函数时，训练策略由bootstrap略作变动，将调整AdaBoost阈值变为调整辅助判决函数的阈值训练过程中，会导致TP与FP均非常高的局面比如1000正样本与1000负样本训练过程中变为1000正样本与5负样本此时训练，无论怎样训练，AdaBoost都认为样本为真于是TP=1,FP=1训练程序无法处理这种情况，将陷入死循环这是因为加入辅助判决函数的目的是为了提高检测率(TP），只有当

    AdaBoost每一轮的训练获得一个当前权重条件下的最优阈值。% 逐步求精的方法获取第j个特征值上的最优分类器% 输入:% X      训练样本,rows X cols 维矩阵,rows个样本，每个样本cols个特征值% Y      每个样本所属类别的标识,向量,长度为rows% rows   样本容量 % weight 权重向量,存放当前每个样本的权重值% j       当

     对样本进行分类时，需要提取该样本的特征。由于AdaBoost分类器是由一系列的基于一系列单个特征的弱分类器组成的，因此只需要提取弱分类器所需要的特征即可。以前采取的方式是，提取所有的特征，分类时获得所需要的特征即可；该过程提取了大量没有使用的特征，这些没有使用的特征花费了大量的计算，是无效计算。现在需要解决这个问题。当需要某个特征时，则计算该特征；不需要该特征时，则不计算该特征。但该方法

图像阈值分割是一个非常简单的算法。对图像像素点，大于阈值，则认为是目标；小于阈值，则认为是背景。而现在遇到的阈值分割却需要完成如下的多个功能：1、基本的阈值分割：    大于阈值，则认为是目标；小于，则认为是背景2、像素值较低才被认为是目标，即要把不等号反向    对图像像素点，小于阈值，认为是目标；大于阈值，则认为是背景。3、可能进行阈值分割的图像只是标记图像     对标记图像进行分割后，需要

2006.11.6     168个样本,提取27个特征2006.11.10   样本数604;                       增加灰度共生矩阵特征及形态学特征                      使用逐步求精的思路来搜索最优的弱分类器2006.11.22  样本增加至3600多个                      修改灰度共生矩阵提取特征的方向          

     视频监控的优势：    1. 可以利用不同帧的差值信息    2. 信息比较丰富     难点：     1. 摄像头略微移动，则会产生很大的噪音     2. 实时处理要求速度快     3. 视频的突发情况要多许多     opencv 有一个bug,  直接设置兴趣区域 cvSetImageROI，在停止监控的时候会报错，报 cvInitMatHea

2008-01-10 19:03:05 百合—lily我想问问你Gabor的参数问题 2008-01-10 19:03:14 百合—lily你是确定哪几个参数？ 2008-01-10 19:03:41 百合—lily我现在看文章看的糊涂了 2008-01-10 19:04:02 柳锋% I      输入待滤波图像% Sx,Sy  滤波窗口大小% f      滤波频率% theta 

从面象对象的概念中来看,adapter模式用来将两种不属于同一类的对象进行积成(被适配者与适配者是两种不同的东西).而decorator模式中被包装者与decorator还是属于同一类对象,只不果通过decorator模式来增加一些额外的其它功能.举个不是很恰当的例子来描述adapter----马、驴、骡子的关系:马、驴可以说是两种不同的抽象，他们有各自的特点，如果我们想得到骡子的特性，可以使

    优快云博客要让我抓狂了，今天晚上又写了篇关于ADABOOST的文章，结果编辑完成的时候突然给我挂掉了，大半个小时心血再次付诸东流，我靠。真TM郁闷，这是这周第二次了。这个变态，下次有更好的技术博客，马上搬家，无语了。    这两天和几个同学都谈了点论文的东西。感觉常常有几个问题常常需要注意下，仅仅个人意见：而且这是都是入门级别的，都是个人意见，请谨慎参考。   1.论文的立题点 

 设图像相邻像素的灰度值可能相同。在图像中，统计从任意像素点出发沿某个theta方向（例如45，09，135等）上连续j个像素点都具有灰度只i出现的概率，记为Pij其中i=1,2,…Nf-1;j=1,2,…Nr-1，Nf为灰度级数，Nr为行程数在某一方向具有相同灰度值的像素个数称为行程长度Nf          灰度级数Nr          行程数theta       方向计算特征：S

纹理特征分析既可用灰度本身的信息，又可用灰度变化的梯度信息。灰度-梯度共生矩阵纹理分析方法是用灰度和梯度的综合信息提取纹理特征，它考虑像素灰度与边缘梯度的联合统计分布。利用灰度-梯度共生矩阵我们计算了小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关、梯度熵，灰度熵、混合熵、惯性、以及逆矩差等十五个纹理特征量 参数说明:G

 1、 病斑样本病斑长宽由60至140不等，以100X100左右居多。正样本1000枚，负样本6150枚。实验中使用正样本1000枚，负样本6000枚。 病斑正样本：从300余幅柑橘叶片上剪切下1000个病斑，其大小为100X100左右病斑负样本：通过四个方式获得：A、134幅新的大柑橘叶片上用程序截取非病斑区域2200余个B、柑橘叶片图像上手工剪切背景区域200余

实验参数：选取的频率为 0.5 0.25 0.125 0.1 (对应尺度为1,2,4,5)选取的方向为 0,30,60,90,120,150 (pi:0,0.5236,1.0472,1.5708,2.0944,2.6180)alpha=1/pi;beta=1/pi;                                                      

1000个正样本，1000个负样本将图像归一化至24X24选取了10个特征模板：HarrLike{1}=[1 -1];HarrLike{2}=[1 -1].;HarrLike{3}=[1 -1 1];HarrLike{4}=[1 -1 1].;HarrLike{5}=[0 1;-1 0];HarrLike{6}=[1 0;0 -1];HarrLike{7}=[1 -1;-1 1];Ha

     一个函数需要完成特征值的计算功能，特征值有多个。    现在假设这个函数需要计算四个特征值，在计算特征值之前需要一些基本的预处理运算。function [out]=CalculateFeatures(in)calculateBase();                 % 公共计算部分calculateFeaturesA();        % 计算特征值Acalculat

论文《Face Detection Method Based on Kernel Independent Component Analysis and Boosting Chain Algorithm》与《基于级联式Boosting方法的人脸检测》涉嫌抄袭论文《Boosting Chain Learning for Object Detection》。   Face Detection Met

《图像工程之图像分析》285面，章毓晋著首先计算区域纹理描述符，然后计算11个纹理描述符未经说明默认参数为：灰度级压缩为32位置算子采用默认位置算子，即offset=[0 1;0 5;1 0;5 0;1 1;1 -1;5 5;5 -5;2 5;2 -5;4 5;4 -5;5 2;5 -2;5 4;5 -4];16个每个位置算子对应提取特征11个  

未经说明默认参数为：位置算子采用默认位置算子，即offset=[0 1;0 3;0 5;1 0;3 0;5 0;1 1;2 2;4 4;5 5;1 3;3 1;2 4;4 2;3 5;5 3];16个每个位置算子对应提取特征4个 每个方法提取的特征  constract       对比度  entropy:        熵  mean:           平均值

计算图像的矩，通过矩来计算图像的不变矩特征。采用了两种方式计算不变矩。第一种，直接采用循环实现： % 计算图像平面上区域的矩% 参考：《图像工程（中册）图像分析》P240% f           输入二维图像(函数)% (p,q)    需要计算的阶数% 返回：%        函数 f(x,y) 的 p+q 阶矩function [moment]=CalculateMome

 傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法，比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。印象中，傅立叶变换在图像处理以下几个话题都有重要作用：1.图像增强与图像去噪绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声;  边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘；2.图像分割之边