任薛纪的专栏

无偏估计在概率论和数量统计中，学习过无偏估计，最近在学习论文时候，也经常论文中提到无偏估计。虽然对无偏估计有所了解，但是还是有些问题：1）总体期望的无偏估计量是样本均值x-，总体方差的无偏估计是样本方差S^2,为什么样本方差需要除以n-1,而不是除以n;2）样本在总体中是怎样的抽样过程，是放回抽样，是随机抽样，还是不放回抽样等等。为了解决这个问题，首先来回忆一下什么

1.搜狗实验室数据集：http://www.sogou.com/labs/dl/p.html互联网图片库来自sogou图片搜索所索引的部分数据。其中收集了包括人物、动物、建筑、机械、风景、运动等类别，总数高达2,836,535张图片。对于每张图片，数据集中给出了图片的原图、缩略图、所在网页以及所在网页中的相关文本。200多G2http://www.imagecl

一、直方图匹配方法对比直方图相似性的方法有四种：(1)  相关度           (2)  卡方系数           (3)  相交系数         (4)  巴氏距离             在快速但是不怎么准确匹配的情况下，Intersection方法的效果好，而在慢速但较精确的情况下，用卡

作者：王先荣    本文翻译自维基百科，英文原文地址是：http://en.wikipedia.org/wiki/ransac，如果您英语不错，建议您直接查看原文。    RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；

y尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd  zddmail@gmail.com or (zddhub@gmail.com)对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。如果你学习SIFI得目的是为了做检索，也许Open

所谓SVD，就是要把矩阵进行如下转换：A = USVTthe columns of U are the eigenvectors of the AAT matrix and the columns of V are the eigenvectors of the ATA matrix. VT is the transpose of V and S is a diagonal mat

SVD分解（奇异值分解），本应是本科生就掌握的方法，然而却经常被忽视。实际上，SVD分解不但很直观，而且极其有用。SVD分解提供了一种方法将一个矩阵拆分成简单的，并且有意义的几块。它的几何解释可以看做将一个空间进行旋转，尺度拉伸，再旋转三步过程。首先来看一个对角矩阵，几何上, 我们将一个矩阵理解为对于点 (x, y) 从一个平面到另一个平面的映射:

计算机视觉的特征提取算法研究至关重要。在一些算法中，一个高复杂度特征的提取可能能够解决问题（进行目标检测等目的），但这将以处理更多数据，需要更高的处理效果为代价。而颜色特征无需进行大量计算。只需将数字图像中的像素值进行相应转换，表现为数值即可。因此颜色特征以其低复杂度成为了一个较好的特征。在图像处理中，我们可以将一个具体的像素点所呈现的颜色分多种方法分析，并提取出其颜色特征分量。比如通过手

主要介绍MP(Matching Pursuits)算法和OMP(Orthogonal Matching Pursuit)算法[1]，这两个算法虽然在90年代初就提出来了，但作为经典的算法，国内文献(可能有我没有搜索到)都仅描述了算法步骤和简单的应用，并未对其进行详尽的分析，国外的文献还是分析的很透彻，所以我结合自己的理解，来分析一下写到博客里，算作笔记。1. 信号的稀疏表示(sparse re

原文：http://blog.sina.com.cn/s/blog_66585b7f0100hmhq.html

yuanw对于PCA，一直都是有个概念，没有实际使用过，今天终于实际使用了一把，发现PCA还是挺神奇的。在OPENCV中使用PCA非常简单，只要几条语句就可以了。1、初始化数据//每一行表示一个样本CvMat* pData = cvCreateMat( 总的样本数, 每个样本的维数, CV_32FC1 );CvMat* pMean = cvC

向量内积、矩阵内积以及其性质