m0_65604669的博客

原创 增强版视频表情分析系统

【代码】增强版视频表情分析系统。

原创 视频情绪与语音分析系统(绝对禁止应用为 性同意识别加水印相机实现 本地app

视频中的人脸检测与情绪识别语音转文字及关键词提取结果可视化与存储封装为可执行应用。

原创 凸优化第2讲：凸优化建模

\begin{cases} \text{原约束} & x \in {0,1} \ \text{凸松弛} & 0 \leq x \leq 1 \end{cases} $：整数规划中的LP松弛。下，求解最优投资权重。

原创 凸优化基础

凸集是凸优化理论的基石

原创 数字图像处理作业4

这里因为是一个点除，可能会出现除以0的问题，所以在实现的时候，要加上一个数，但这个数不能太小，如果太小比如加0.1，生成的图像就会有一些地方很黑，我这里经过尝试后，选择了加1.我们会发现，当K为0的时候，维纳滤波就退化成了一般的逆滤波，可见维纳滤波比逆滤波更多考虑了一些关于噪声的问题，所以能取得更好的效果，如何选取参数K也是一个需要尝试和研究的任务。上述表达式是综合了退化函数和噪声统计特征进行复原处理的方法， 其中𝑆𝜂(𝑢, 𝑣)为噪声的功率谱，𝑆𝑓(𝑢, 𝑣)为未退化图像的功率谱。

原创 巴特沃斯滤波器

【代码】巴特沃斯滤波器。

原创 数字图像处理作业3

巴特沃斯滤波器

原创 数字图像处理作业2

这里经过测试当阈值为0.85左右的时候，可以检测出4个轮子，如果达到0.95左右只能检测两个轮子，0.98就只能检测出一个轮子，其中第三个轮子的相关值为1，是最大的，因为它和kernal模版完全相同。中值滤波就是用3*3的核在原图上做操作，取出核上9个元素的中值作为这个位置的值，起到平滑图像的效果。算法是利用相关匹配公式，但是原来的公式有一些问题，如果车轮匹配到一个各像素灰度值都较大的区域，可能会有较大的相应输出，得到错误结果。然后计算累积的频次，然后除以总的像素数量乘上灰度数，得到映射的灰度值结果。

原创 数字图像处理作业1

计算映射关系，cum_sum_O就相当于上面公式的第一条，因为L都相同所以省略了。直方图均衡的原理其实就是利用面积相等的原理。第二个作业是直方图的匹配。直方图匹配的方法需要依靠直方图均衡的算法。我们需要先把原图和要匹配的图都进行直方图均衡操作，然后求出匹配图直方图均衡的反函数，用这个反函数作用在原图的直方图上，进行直方图的匹配。然后计算累积的频次，然后除以总的像素数量乘上灰度数，得到映射的灰度值结果。首先需要读取灰度图像的灰度值，并先把原图画出来。直接调用库函数的结果。

原创 数字图像处理期末速成 -真题1

第一题 滤波（1）请分别说明均值滤波和中值滤波的优缺点（2）现有如下滤波核​010​1−41​010​​对下述计算滤波（边界按补0处理）​020010​1040020​1010100​1020100​​（3）上一小问的滤波核的作用是什么？第二题 傅里叶变换计算下列矩阵的傅里叶变换（提示：利用快速傅里叶变换技巧）​1221​2442​2442​1221​​第三题 图像复原。

原创 Python脚本：批量修改文件修改时间2.0（带UI界面+随机时间偏移）

相较于1.0，增加了随机时间范围偏移的功能。

原创 Python脚本：批量修改文件修改时间（带UI界面）

【代码】Python脚本：批量修改文件修改时间（带UI界面）

原创 矩阵的相似对角形

线性变换理论要研究的一个主要问题是：对于 nnn 维线性空间 VVV 上的线性变换 A\mathscr{A}A ，是否存在 VVV 的一个基使得 C\mathscr{C}C 在这个基下的矩阵为对角矩阵。定义1．10．1 数域 FFF 上的 nnn 维线性空间 VVV 的线性变换 B\mathcal{B}B 称为可对角化的，如果 VVV 中存在一个基，使得 A\mathscr{A}A 在这个基下的矩阵为对角矩阵。定义1．10．2 若 nnn 阶矩阵 A\boldsymbol{A}A 与对角矩阵相似，则称 A\

原创 1-9 线性变换的不变子空间

线性变换在不同基下的矩阵表示ABC⋯是互不相同的，而这些矩阵表示之间都是彼此相似的．因此，如何选择恰当的基使得线性变换在该基下的矩阵表示尽可能简单（例如对角形矩阵，准对角形矩阵等）．为此需要讨论线性变换的不变子空间．定义1．9．1 设A是线性空间V的线性变换，W是V的子空间，如果对于任意向量α∈W都有Aα∈W，则称W是A的不变子空间．并且，A可以看做子空间W上的一个线性变换，称为A在W上的限制，记做A∣W​，而且A∣W​αAα∀α∈W。

原创 二维非稳态热传导问题

上述方程是针对边缘保持恒定温度的方形板求解的。换句话说，指定了狄尔奇雷边界条件。使用有限差分法对二阶偏微分方程进行离散化。使用显式和 ADI 方法求解离散化的 PDE。非稳态二维热传导方程为。

原创 python课程作业哈希模拟

原创 3-11 瑞丽商

定义3．11．1 设 AH=A\boldsymbol{A}^{\mathrm{H}}=\boldsymbol{A}AH=A ，称实数R(X)=XHAXXHX(X∈Cn,X≠0)R(\boldsymbol{X})=\frac{\boldsymbol{X}^{\mathrm{H}} \boldsymbol{A} \boldsymbol{X}}{\boldsymbol{X}^{\mathrm{H}} \boldsymbol{X}} \quad\left(\boldsymbol{X} \in C^n, \bold

原创 矩阵分解--极分解

是正定 Hermite 矩阵，故存在唯一的正定 Hermite 矩阵。是一阶酉矩阵，称式（4．4．1）是一阶复矩阵的极分解。写成这样的形式是唯一的，并称为复数的极分解。证明 必要性 根据定理 4．4．2 知，是一阶正定 Hermite 矩阵，是正定 Hermite 矩阵．由于。为半正定 Hermite 矩阵，且。是半正定 Hermite 矩阵，，与正定 Hermite 矩阵。也是确定的，因此极分解是唯一的。分解式（4．4．2）称为矩阵。定理 4．4．1 设。定理 4．4．2 设。定理 4．4．3 设。

原创 矩阵分解-奇异值分解

为了引人矩阵的奇异值，先介绍两个引理。引理 4．3．1 对于任何一个矩阵 A\boldsymbol{A}A 都有rank⁡(AAH)=rank⁡(AHA)=rank⁡A\operatorname{rank}\left(\boldsymbol{A} \boldsymbol{A}^{\mathrm{H}}\right)=\operatorname{rank}\left(\boldsymbol{A}^{\mathrm{H}} \boldsymbol{A}\right)=\operatorname{rank}

原创 矩阵分析-奇异值分解

引理 4．3．1 对于任何一个矩阵 AAA 都有rank⁡(AAH)=rank⁡(AHA)=rank⁡A\operatorname{rank}\left(\boldsymbol{A} \boldsymbol{A}^{\mathrm{H}}\right)=\operatorname{rank}\left(\boldsymbol{A}^{\mathrm{H}} \boldsymbol{A}\right)=\operatorname{rank} \boldsymbol{A}rank(AAH)=rank(AHA

原创 矩阵分析-满秩分解

满秩分解 (Full Rank Factorization) 是将矩阵 A ∈ ℝ^(m×n) 分解为两个满秩矩阵的乘积： A = FG 其中 F ∈ ℝ^(m×r) 是列满秩，G ∈ ℝ^(r×n) 是行满秩，r = rank(A)

原创 仿LaTeX的css模板

【代码】仿LaTeX的css模板。

原创 简单的替换表达式的工具，带一个简单的UI（写这玩意的原因是因为mathpix自带的公式识别总需要调格式）

【代码】简单的替换表达式的工具，带一个简单的UI（写这玩意的原因是因为mathpix自带的公式识别总需要调格式）

原创 牛顿法与Hessian矩阵正定性分析

牛顿法通过二阶泰勒展开逼近目标函数：f(xk+p)≈f(xk)+∇f(xk)Tp+12pT∇2f(xk)pf(x_k + p) \approx f(x_k) + \nabla f(x_k)^T p + \frac{1}{2}p^T \nabla^2 f(x_k) pf(xk​+p)≈f(xk​)+∇f(xk​)Tp+21​pT∇2f(xk​)p迭代公式：xk+1=xk−Hk−1∇f(xk),Hk=∇2f(xk)x_{k+1} = x_k - H_k^{-1} \nabla f(x_k), \quad