m0_68828538的博客

图像拼接功能函数代码：import numpy as npimport cv2class Stitcher: # 拼接函数 def stitch(self, imageA,imageB, ratio=0.75, reprojThresh=4.0, showMatches=False): # 获取输入图片 # 检测AB图像的SIFT关键特征点，并计算特征描述子 (kpsA, featuresA) = self.detectAn

一、特征匹配Brute-Force蛮力匹配

一、图像特征-harris角点检测平、边界、角点函数：cv2.cornerHarris() img:数据类型为float32的图像 blockSize:角点检测中指定区域大小 ksize：Sobel求导使用的窗口大小 k：取值参数为[0.06,0.04]import cv2import numpy as npimg = cv2.imread('car.jpg')print('img.shape',img.shape)gray=cv2.cvtCol...

一、边缘检测二、获取轮廓三、变换四、OCR识别

银行卡号识别（模板匹配）1、模板预处理2、卡片图片预处理3、模板匹配

傅里叶变换

一、模板匹配 二、直方图 三、直方图均衡

一、图像梯度二、图像金字塔三、图像轮廓

一、图像阈值处理二、图像平滑三、形态学操作

一、计算机眼中的图像二、环境包三、图片简单操作四、视频操作五、数值计算六、图像融合

常见的集成学习：Boosting Bagging Stacking ......集成学习概念集成学习是将多个模型放在一起，通过某种方式将其组合起来，从而得到一个统一的预测模型。自然地，在集成之前就要有基本的模型用于集成。目前所用的集成学习模式主要分为两种：采用同一基模型，在样本的不同子集上进行训练，从而得到对应的多个不同的具体模型。这类学习方法的代表就是boosting, bagging。 采用多种基模型，在同一样本上进行训练，将多个模型组合起来得到具体模型。voting和stacki

机器学习的本质就是在利用数据、样本去拟合一个函数关系。线性回归函数关系就是线性函数。非线性模型则是拟合非线性函数。但作为一个调包侠，关心的不外乎两个问题：模型如何进行拟合和如何进行预测。在调用线性回归时，我们找到具体的class，调用fit和predict两个函数即可完成拟合和预测。幸运的是，在sklearn中大部分的模型都是这样封装的。例如：支持向量机（svm）什么是支持向量机？好吧，故事是这样子的：在很久以前的情人节，大侠要去救他的爱人，但魔鬼和他玩了一个游戏。魔鬼在桌子上似乎有

LinearRegression(线性回归)import numpy as npfrom sklearn.linear_model import LinearRegression#是二维数组所以用两个[],传入两个特征。x=np.array([[150,70],[160,80],[170,90],[180,98]])# y = 1 * x_0 + 2 * x_1 + 3#公式代码化，正常y为数值，训练模型得出系数以及偏差值，从而进行预测y=np.dot