- 博客(24)
- 收藏
- 关注
RSS订阅原创 数字图像处理：基于 hough 变换的图像边缘提取
这个实验的主要目的是通过一些常见的图像处理方法，来检测图像中的车道线或者直线。我们使用了一些经典的技术，如灰度化、边缘检测和霍夫变换。下面是实验的总结：图像预处理很重要灰度化：我们将彩色图像转换为黑白图像，去除了颜色信息，简化了处理。直方图均衡化：这一步让图像的对比度更强，使车道线和背景更分明，有助于后续处理。中值滤波：用来去掉图像中的噪点，避免这些噪点干扰我们检测到的车道线。边缘检测提取车道线使用了 Canny边缘检测，它能非常好地提取图像中的显著边缘，比如车道线。
2025-05-24 23:31:57
434
原创 数字图像处理：图像编码
这次实验让我对霍夫曼编码有了更深入的理解，特别是它是如何根据字符的频率来决定编码的长度的。通过实践，我不仅学会了怎么实现霍夫曼编码，还掌握了怎么用 MATLAB 处理文本、统计频率、做编码和解码的操作。过程中遇到一些小问题，比如字符转换、换行符的处理，但也正是这些细节让我更清楚了如何在编程中注意到每个小环节。总的来说，实验做得很顺利，压缩效果也挺明显。原文压缩后的文件小了很多，解压后又能恢复原样，完全符合预期。
2025-05-22 00:15:03
396
原创 机器学习：逻辑回归
线性回归的基本思想是通过拟合最佳直线（也就是线性方程），来描述自变量和因变量之间的关系。这条直线被称为回归线，其目的是使得所有数据点到这条直线的垂直距离（即残差）的平方和最小。这个最小化过程通常称为最小二乘法。学习二元一次方程时，我们通常将y视为因变量，x视为自变量，从而得到方程：y=ax+b其中， a 是斜率，表示自变量 x 对因变量 y 的影响程度；b 是截距，表示当 x = 0 时 y 的值。
2025-05-20 00:47:08
922
原创 算法：分治法
回答以下问题：（1）分治法实现的复杂度一定比蛮力法优吗？举例说明。不一定。虽然分治法通常能提高算法效率，但在某些情况下，蛮力法可能更简单且更高效。例如：问题示例: 计算数组中两个数之和为目标值的组合。蛮力法: 使用双重循环检查每对元素，时间复杂度为 O(n^2)。分治法: 如果使用分治法进行排序后再查找，虽然排序的复杂度为 O(n log n)，但查找组合可能仍然需要额外的步骤，导致整体复杂度并没有显著改善。尤其是当 n 较小的时候，蛮力法反而可能更快。
2025-05-17 23:59:39
822
原创 算法分析：蛮力法
1 掌握蛮力法的设计思想(利用计算机去穷举所有的可能解,再从中依次找出可行解)2 掌握蛮力法的具体实现和时间复杂度分析3 理解蛮力法的常见特性实验要求：先用伪代码描述利用蛮力法解决的算法解决方案，再用程序实现，计算时间复杂度，记录最终测试数据和测试结果（1）简短明确地写出实验的内容（简单）实验内容1：计算一个整数数组中所有元素的差值。如a[0]-a[1]-…-a[n-1]。具体地，实验通过实现一个 substraction 方法来计算数组中元素的逐步相减，最后输出计算结果。（中等）实验内容2：来计算两
2025-05-15 23:42:56
1064
原创 数字图像处理实验五
这次实验主要做了三件事：让图像变模糊、加噪声、再把这些“脏东西”去掉。首先，我们模拟了图像因为运动模糊变得不清楚的情况，比如拍照时手抖了。我们用代码自己“制造”了一张模糊图，并在频率图上也能看出模糊的方向和程度，这就相当于我们给图像“下药”，以后才能对症“治病”。接着，我们往图像里加了椒盐噪声（就是那种白点黑点），然后试了四种滤波方法来去噪：均值滤波像是给整张图平均抹平了，效果一般；中值滤波最靠谱，能干净去掉噪声，又不影响图像边缘；
2025-05-03 23:45:19
697
原创 网页制作：初识 HTML 与 CSS，打造我的第一个网页！
显示头像（圆形样式）姓名和基本介绍文字三个社交平台跳转链接使用 CSS 美化整体样式（卡片布局、阴影、蓝色超链接）index.htmlstyle.cssimages文件夹。
2025-05-01 23:40:59
325
原创 机器学习：基于朴素贝叶斯算法的西瓜分类
西瓜数据集”是机器学习入门中一个非常经典的分类数据集，常用于讲解和实现基本的分类算法。该数据集通过若干个特征来描述西瓜的外观和内部质量，并据此判断是否为“好瓜”。色泽（如：青绿、乌黑、浅白）根蒂（如：蜷缩、稍蜷、硬挺）敲声（如：浊响、沉闷、清脆）纹理（如：清晰、稍糊、模糊）脐部（如：凹陷、稍凹、平坦）触感（如：硬滑、软粘）密度（浮点数，如：0.697）含糖率（浮点数，如：0.460）好瓜（类别标签，是 / 否）其中前 6 个为离散特征，后 2 个为连续特征，最后一个为分类标签。编号。
2025-04-29 17:49:19
917
原创 机器学习：决策树——ID3和C4.5算法实现贷款审核实战
决策树（Decision Tree）是一种基本的分类与回归方法，在机器学习中被广泛应用，尤其适合处理结构化的、有明显规则逻辑的问题场景。它的核心思想是通过一系列“是/否”判断，不断将样本划分，直到最终落入一个明确的分类结果。比如选择好瓜的时候：我们可以认为色泽、根蒂、敲声是一个西瓜的三个特征，每次我们做出抉择都是基于这三个特征来把一个节点分成好几个新的节点。在上面的例子中，色泽、根蒂、声音特征选取完成后，开始进行决策，在我们的问题中，决策的内容实际上是将结果分成两类，即是（1）否（0）好瓜。
2025-04-21 15:57:26
633
原创 数据库实验三：数据库安全性
1、设计用户子模式2、根据实际需要创建用户角色及用户，并授权3、针对不同级别的用户定义不同的视图，以保证系统的安全性。
2025-04-17 13:14:03
907
原创 数字图像处理实验二：直方图均衡化与空间滤波
灰度变换是图像处理中的基本操作，通过调整像素的灰度值可以增强图像的对比度或突出某些特征。对比度拉伸和直方图均衡化是常用的灰度变换方法，能够有效改善图像的视觉效果。
2025-04-14 15:08:54
273
原创 数字图像处理实验三：频域图像处理与滤波实验
（以下为自己思考总结的内容）1．通过对一幅灰度图像进行傅立叶变换并逆变换，验证了图像在频域变换后仍可完全还原，说明傅立叶变换在图像处理中是一种无损的能量域转换手段。2．实现了不同截止频率的理想低通滤波器，观察到：截止频率越小，图像越模糊，细节越少；低频保留得越多，图像越接近原图；高频分量的滤除会导致边缘丢失，图像变得柔和但模糊。3．对比不同截止频率的理想高通滤波器，发现：高通滤波增强图像边缘与细节；截止频率越小，保留的高频越多，图像更像“素描”；
2025-04-10 11:38:04
403
原创 机器学习：模型评估
欠拟合（Underfitting）：模型太“笨”，没学明白。过拟合（Overfitting）：模型太“聪明”，把题都死记硬背了，结果考试不会用。模型在训练集上表现就不好，说明它没学到数据的规律，太简单了。模型在训练集上学得很好，但测试集上表现很差——它不是学懂了，而是背答案了！欠拟合——模型太蠢，学不懂过拟合——模型太聪，死记硬背解决欠拟合——换复杂模型，多训练解决过拟合——模型降智，加数据，做正则。
2025-04-07 15:47:09
783
原创 数据库实验一：数据库和表——外键约束
外键的判断：外键是在当前表不是主键，在另一表里是主键。用于建立两个表之间的关联关系。需注意的是，外键字段和父表主键数据类型必须一致。
2025-04-05 23:16:51
251
原创 数据库实验二：SQL 外键约束与查询优化
HAVING 语句的作用通过 HAVING COUNT(DISTINCT f.f_id) = (SELECT COUNT(*) FROM fruits WHERE s_id = 107)，能确保用户购买所有水果，而不仅仅是部分。复杂 SQL 查询优化通过 JOIN + GROUP BY + HAVING，可以实现更精准的数据筛选，避免查询错误或重复数据。
2025-04-03 15:53:16
604
原创 机器学习：基于K近邻算法的分类器的实现——约会网站
海伦一直使用在线约会网站寻找适合自己的约会对象。这些人包含以下三种特征该网站现在需要尽可能向海伦推荐她喜欢的人，需要我们设计一个分类器，根据用户的以上三种特征，识别出是否该向海伦推荐。
2025-03-24 14:59:29
929
原创 Anaconda安装详细教程
Anaconda 是一个开源的 Python 和 R 发行版，专注于数据科学、机器学习和科学计算。它集成了大量常用的数据科学工具和库（如 NumPy、Pandas、Matplotlib、Scikit-learn 等），并提供了一个强大的包管理工具 Conda，可以轻松创建、管理和切换不同的 Python 环境。
2025-03-10 20:12:20
1345
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人