tmiger的博客

原创 图像匹配导航定位技术 第 12 章

SAR 末制导中，要通过图像中的控制点反演导弹的空间位置，首先应对雷达图像的构像数学模型进行分析研究。雷达图像的构像数学模型，广义上讲，是指地面点的影像坐标(x, y, z)和地面坐标(X，Y，Z)之间的数学关系。这里面有两层含义 ：其一是地面点坐标与相应像点坐标瞬时构像的数学模型；其二是地面点坐标与相应像点在统一像平面坐标系中的像坐标之间的数学模型。这一数学模型表征了雷达影像的几何关系，但该模型只能用构像方程来近似表达。

原创 图像匹配导航定位技术 第 11 章

HOG 描述子也只是对整幅图像的特征向量进行匹配，但是仍然存在局部匹配误差。而局部不变特征（如 SIFT,Harris 等）是对特征点局部邻域的特征进行描述来构造局部特征向量 ，从而进行局部特征匹配的参数。采用这种方式选取初始匹配控制点不仅匹配位置精确，而且能抗局部形变 ，也能保持很好的匹配定位精度。基于局部不变特征的匹配算法主要包括两+主要步骤 ：特征提取和特征匹配。首先简要介绍原始 SIFT 特征提取方法；

原创 图像匹配导航定位技术 第 10 章

SAR 与可见光图像由不同传感器拍摄而成，属于异源图像。异源图像匹配是指将不同传感器在不同时间 、不同视角拍摄相同景物形成的两幅图像在空间位置上进行对准，并确定两幅图像之间的几何变换关系。原理是寻找实时图在参考图上的位置，根据位置信息确定它们之间的变换关系。SAR 与可见光图像匹配的目的在于确定 SAR 传感器获取的实时图与飞行器中预存的可见光参考图之间的几何变换关系，并根据变换确定飞行器成像时刻的位置信息，从而修正惯性导航的累积误差，提高制导精度。

原创 图像匹配导航定位技术 第 9 章

多分辨率( multi- resolution )的思想即金字塔的匹配思想，金字塔匹配的主要思想是通过匹配金字塔顶层图像找到粗略的位置 ，然后在粗略的位置的邻域内通过搜索找到最佳的匹配位置。金字塔匹配的两个基本环节是:① 图像金字塔结构的构造；② 匹配搜索策略。

原创 图像匹配导航定位技术 第 8 章

目前 ，光学传感器已经能获取高分辨率，即与视觉效果相近的目标图像，但是光学传感器容易受到天气变化的影响，从而影响效率。而径雷达 ( synthetic aperture radar，SAR)传感器不仅能获得与光学传感器相同的高分辨率图像 ，而且还具有全天时 、全天候工作的特点，因此合成孔径雷达传感器成为飞行器导航与导弹末制导的理想传感器。SAR是主动式的微波成像雷达 ，即它是依赖发射的电磁波，而不是依赖太阳的辐射能量，从而可以全天时获取地物的目标图像。同时，它还具有以下特点。

原创 图像匹配导航定位技术 第 7 章

在实际匹配过程中 ，由于选定景象匹配区的卫片（参考图）事先存储在计算机内，因此我们可以预先在离线状态下对参考图进行分析和研究。为了确保整个下视景象匹配系统的可靠性 ，选择可匹配度高的参考图是必要的。

原创 图像匹配导航定位技术 第 5 - 6 章

一个好的匹配算法不仅需要计算量小、易于硬件实现等优点，更重要的还要具有较高的匹配概率和匹配精度。匹配概率和匹配精度是衡量一个匹配算法性能的重要指标 •也是进行匹配算法选择的不可缺少的依据。本章的目的在于从统计的角度对改进型局部熵差匹配算法进行性能评价，以作为匹配算法选择的标准之一。

原创 图像匹配导航定位技术 第 3 - 4章

图像匹配指的是把两个不同的传感器从同一景物录取下来的两幅图像在空间上进行对准，以确定这两幅图像之间相对平移的过程。在这种图像匹配系统中，首先将卫星拍摄的飞行器预定航线中某一区域的相片（称为基准图）存储在机载计算机内，然后在飞行器的飞行过程中，机载传感器飞行到该区域时获得的图像（称为实时图）与基准图进行匹配比较 ，以确定飞行器的位置，这种匹配定位系统称为地图匹配定位系统。

原创 图像匹配导航定位技术 第 2 章

组合导航技术是一种将传统的捷联惯性导航技术与当前的 GPS 技术 、地形轮廓匹配（TERCOM )技术 、景象匹配辅助导航（DSMAC）技术等融合的新的导航技术。组合导航技术具有成本低（对惯性导航精度要求低）、自主性强（不依赖外部信息）、精度高等多方面的优势。

原创 视觉SLAM14讲第 5 讲相机与图像

在 RGB-D 相机的深度图中，记录了各个像素离相机的距离，通常是毫米为单位，而 RGB-D 相机的量程通常在十几米范围左右，超过了 255 的最大值范围。平面上的任意一点 p笛卡尔坐标表示为 [x，y]T , 极坐标的形式[r，θ]T ，其中 r 表示点 p 离坐标系原点的距离， θ表示和水平轴的夹角。透镜的加入对成像过程中光线的传播会产生新的影响: 一是透镜自身的形状对光线传播的影响，二是在机械组装过程中，透镜和成像平面不可能完全平行，这也会使得光线穿过透镜投影到成像面时的位置发生变化。

原创 视觉SLAM14讲第 3 讲三维空间刚体运动

由于三维向量描述三自由度的旋转会带来奇异性，想要无奇异性地表达，用三个量是不够的。复数集 C 表示复平面上的向量，而复数的乘法表示复平面上的旋转。四元数（Quaternion）：用类似于复数的代数来表达三维空间旋转，既是紧凑的，也没有奇异性。一个四元数 q 拥有一个实部和三个虚部：其中 i，j，k 为四元数的三个虚部。这三个虚部满足：也可用一个标量和一个向量来表达四元数：s 称为四元数的实部，而 v 称为它的虚部。如果一个四元数虚部为 0，称之为实四元数。反之，若它的实部为 0，称之为虚四元数。

原创 视觉SLAM十四讲第 2 讲 初识 SLAM

它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。后端优化要考虑的问题，就是如何从这些带有噪声的数据中，估计整个系统的状态，以及这个状态估计的不确定性有多大——称为最大后验概率估计（Maximum-a-Posteriori，MAP）。例如选择一部分有代表意义的东西，称为路标（Landmark），一张稀疏地图就是由路标组成的地图，不是路标的部分就可以忽略。拓扑地图是一个由节点和边组成的图（Graph），只考虑节点间的连通性，不擅长表达具有复杂结构的地图。

原创 预测数值型数据：回归

回归的目的是预测数值型的目标值。具体的做法是用回归系数乘以输入值，再将结果全部加在一起，就得到了预测值。回归，一般都是指线性回归，线性回归意味着可以将输入项分别乘以一些常量，再将结果加起来得到输出。(3) 分析数据：绘出数据的可视化二维图将有助于对数据做出理解和分析，在采用缩减法。(6) 使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提。(5) 测试算法：使用R2或者预测值和数据的拟合度，来分析模型的效果。(2) 准备数据：回归需要数值型数据，标称型数据将被转成二值型数据。

原创 利用AdaBoost元算法提高分类性能

模型的精度，即模型预测正确的个数/样本的总个数正确率，阳性预测值，在模型预测为正类的样本中，真正的正样本所占的比例。伪发现率，也是错误发现率，表示在模型预测为正类的样本中，真正的负类的样本所占的比例错误遗漏率，表示在模型预测为负类的样本中，真正的正类所占的比例。即评价模型"遗漏"掉的正类的多少。阴性预测值，在模型预测为负类的样本中，真正为负类的样本所占的比例。召回率，真正类率，表示的是，模型预测为正类的样本的数量，占总的正类样本数量的比值。

原创 支持向量机SVM

支持向量机优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。适用数据类型：数值型和标称型数据。线性可分：两组数据分隔得足够开，很容易就可以在图中画出一条直线将两组数据点分开。分隔超平面：将数据集分隔开来的直线称为分隔超平面，也就是分类的决策边界。构建分类器：如果数据点离决策边界越远，那么其最后的预测结果也就越可信。我们找到离分隔超平面最近的点，确保它们离分隔面的距离尽可能远。这里点到分隔面的距离称为间隔。

原创 Logistic回归

Logistic回归分类器：在每个特征上都乘以一个回归系数，然后把所有的结果值相加，将这个总和代入Sigmoid函数中，进而得到一个范围在0~1之间的数值。梯度上升法基于的思想是：要找到某函数的最大值，最好的方法是沿着该函数的梯度方向探寻。回归：有一些数据点，我们利用一条直线对这些点进行拟合(该线称为最佳拟合直线)，这个拟合过程就称回归。采用向量的写法，向量x是分类器的输入数据，向量w也就是我们要找到的最佳参数（系数）(4) 训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。

原创 基于概率论的分类方法：朴素贝叶斯

P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，对A事件概率的重新评估。P(B|A)/P(B)称为"可能性函数"（Likelyhood），调整因子，使得预估概率更接近真实概率。A，B相互独立，事件B发生的情况下，事件A发生的概率就是P(A∩B)除以P(B)如果P(c1|x, y) > P(c2|x, y)，那么属于类别c1；如果P(c1|x, y) < P(c2|x, y)，那么属于类别c2。如果p2(x, y) > p1(x, y)，那么属于类别2。

原创 决策树简介

工作原理：得到原始数据集，基于最好的属性值划分数据集，第一次划分后，再次划分数据。优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。对每个特征划分数据集的结果计算一次信息熵，判断按照哪个特征划分数据集是最好的划分方式。信息增益：在划分数据集之前之后信息发生的变化，获得信息增益最高的特征就是最好的选择。组织杂乱无章数据的一种方法就是使用信息论度量信息，信息论是量化处理信息的分支科学。递归结束的条件：划分数据集所有属性，或者每个分支下的所有实例都具有相同的分类。

原创 k-近邻算法

工作原理：存在一个样本数据集合（训练样本集），并且样本集中每个数据都存在标签，即知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。(6) 使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。

原创 机器学习基础

要预测目标变量的值，则可以选择监督学习算法，然后进一步确定目标变量类型，如果目标变量是离散型，如是/否、1/2/3、A/B/C或者红/黄/黑等，则可以选择分类算法；数据的特性：特征值是离散型变量还是连续型变量，特征值中是否存在缺失的值，何种原因造成缺失值，数据中是否存在异常值，某个特征发生的频率如何等。目标变量是机器学习算法的预测结果，训练样本集必须确定知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。知识表示可以采用规则集的形式，可以采用概率分布的形式，也可以是训练样本集中的一个实例。

原创 #define定义宏和函数对比

原创 sizeof整型数组，sizeof字符数组，strlen

strlen：字符串长度，计算到\0之前出现的字符串长度。sizeof：数据所占内存空间大小。1.sizeof整型数组。2.sizeof字符数组。3.strlen字符数组。关注指针运算，指针类型。

原创 【无标题】

/pf解引用访问4个字节，pf+1也跳过4个字节，但是int*和float*不能通用。//pi解引用访问4个字节，pi+1跳过4个字节。//如果是char*的指针，解引用访问1个字节，+1跳过1个字节。//如果是int*的指针，解引用访问4个字节，+1跳过4个字节。//1.指针类型决定了指针在被解引用的时候访问几个字节。//2.指针类型决定了指针在+-1的时候，跳过几个字节。//口语说指针实际上是指针变量，是用来存放地址的变量。//野指针：指针指向的位置不可知。

原创 数组名表示首元素的地址的2个例外

原创 冒泡排序与选择排序

void bubble_sort(int arr[], int sz)//地址应该用指针接收，这里arr本质是指针变量，传递arr首元素地址。t = arr[i];

原创 九九乘法表

/%-2d左对齐；

原创 sizeof, strlen对比