zhubo22的专栏

UIUC的Jia-Bin Huang同学收集了很多计算机视觉方面的代码，链接如下：https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html这些代码很实用，可以让我们站在巨人的肩膀上~~TopicResourcesReferences

对于在图像中的任何物体，要检测出它，必须要得到一种东西，使之和其他物体分别开了。这种东西，在图像处理中叫做特征，这个理解我想是应该考虑到特征的类型啦。例如 颜色，灰度值，纹理，轮廓，而真正到到图像处理级别的就是特征向量，即这些特征的数学表达形式，如谈到纹理，可以用距的方式表达。既然特征能够将物体和其他东西分辨出来，如何组织他们呢，用adaboost是一种很好的组织方法。  adaboost

挺不错的，抽时间看看...除了这篇，其余多篇也是值得品味的zz from:http://www.cnblogs.com/LeftNotEasy/archive/2011/03/07/random-forest-and-gbdt.html前言：    决策树这种算法有着很多良好的特性，比如说训练时间复杂度较低，预测的过程比较快速，模型容易展示（容易将得到的决策树做

聚类分析和判别分析有相似的作用，都是起到分类的作用。但是，判别分析是已知分类然后总结出判别规则，是一种有指导的学习；而聚类分析则是有了一批样本，不知道它们的分类，甚至连分成几类也不知道，希望用某种方法把观测进行合理的分类，使得同一类的观测比较接近，不同类的观测相差较多，这是无指导的学习。    所以，聚类分析依赖于对观测间的接近程度（距离）或相似程度的理解，定义不同的距离量度和相似性量度就可以

1、Haar-like特征：    Haar-like特征最早是由Papageorgiou等应用于人脸表示。Papageorgiou在针对正面人脸和人体检测问题的研究中使用Haar小波基函数，他们发现标准正交Haar小波基在应用上受到一定的限制，为了取得更好的空间分辨率，他们使用了3种类型的3种形式的特征。Viola等在此基础上作了扩展，使用2种类型4种形式的特征。3种类型分别为：2-矩形

http://blog.sina.com.cn/s/blog_5dd2e9270100ca93.html 每个Haar特征对应看一个弱分类器，但并不是任伺一个Haar特征都能较好的描述人脸灰度分布的某一特点，如何从大量的Haar特征中挑选出最优的Haar特征并制作成分类器用于人脸检测，这是AdaBoost算法训练过程所要解决的关键问题。    Paul Viola和Mich

利用Bayesian分类需要获得概率。Preface     本文缘起于最近在读的一本书-- Tom M.Mitchell的《机器学习》,书中第6章详细讲解了贝叶斯学习的理论知识，为了将其应用到实际中来，参考了网上许多资料，从而得此文。文章将分为两个部分，第一部分将介绍贝叶斯学习的相关理论(如果你对理论不感兴趣，请直接跳至第二部分基于朴素贝叶斯分类器的文本分类算法（下）>>)。

独立分量分析：已知信号为S，经混和矩阵变换后的信号为：X=AS。对交叠信号X，求解混矩阵B，使Y=WX各分量尽量相互独立。求解W的过程并不一定是近似A的逆矩阵，Y也不是信号S的近似，而是为了使Y分量之间相互独立。我们的目的是从仅有的观测数据X出发寻找一个解混合矩阵。常见的方法：InfoMax方法（用神经网络使信息最大化），FastICA方法（固定点算法，寻求X分量在W上投影（W^t）*X）的非

http://www.cnblogs.com/zhenyulu/category/47600.html我做的《笔迹鉴别》是与文字无关的笔迹鉴别，简单的说就是你提供给我多个人手写的“一二三四”，然后再提供给我其中一个人写的“五六七八”，我就可以通过程序判断究竟是谁写的。待识别的文字与我手头掌握的文字资料可以是不同的汉字，这就是所谓的与文字无关的笔迹鉴别。当然仅仅提供四五个汉字是不行的，需要提前准

1.http://blog.163.com/pz124578@126/blog/#m=0

1. Color Wheel所谓Color Wheel，就是将一系列颜色，有次序地通过一个圆盘的形式，展现出来。它的产生方式是，首先列出三原色（PRIMARY COLORS）：红、黄、蓝。然后，二二混合，产生二级颜色（SECONDARY COLORS）：绿、橙、紫。接着，继续二二混合，又产生6种三级颜色（TERTIARY COLORS）：黄橙、红橙、红紫、蓝紫、黄绿、蓝

原文地址：小波变换与傅里叶变换【转】作者：haohao一、基的概念两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相

1）PCA和LDA及其相关方法Eigenfaces和Fisherfaces无疑是人脸识别中里程碑式的工作。就使用的方法而言，PCA和LDA都不是新方法，但是他们都是被第一次十分明确的用在人脸识别中的方法。之所以说"十分明确"，是因为就发表的时间来看，这两个论文都不是首次把这两个方法用在PAMI相关的分类识别中。这给我们一个小小的启示：一个新的方法专注于解决一个具体的问题可能

[1]研究群体[2]大拿主页[3]前沿期刊[4]GPL软件资源[5]搜索引擎 一、研究群体http://www-2.cs.cmu.edu/~cil/vision.html这是卡奈基梅隆大学的计算机视觉研究组的主页，上面提供很全的资料，从发表文章的下载到演示程序、测试图像、常用链接、相关软硬件，甚至还有一个搜索引擎。http://www.cmis.csiro.

就我看来，个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更高维的信号，从这个意义上来说，图像处理是整个信号处理里面就业形势最好的，因为你不仅要掌握（一维）信号处理的基本知识，也要掌握图像处理（二维或者高维信号处理）的知识。其次，图像处理是计算机视觉和视频处理的基础，掌握好了图像处理的基本知识，就业时就可以向这些方向发展。目前的模式识别，大部分也都是图像模式识别。在实际应用场合，

本文基于http://www.sciencenet.cn/m/Print.aspx?id=224651 的结果，增加了自己搜索和国内一些信息。作机器视觉和图像处理方面的研究工作，最重要的两个问题：其一是要把握住国际上最前沿的内容；其二是所作工作要具备很高的实用背景。解决第一个问题的办法就是找出这个方向公认最高成就的几个超级专家(看看他们都在作什么)和最权威的出版物(阅读上面最新的文献)，解

原文；http://www.cnblogs.com/xrwang/archive/2010/01/26/TheComparisonOfImageProcessingLibraries.html前言近期需要做一些图像处理方面的学习和研究，首要任务就是选择一套合适的图像处理类库。目前较知名且功能完善的图像处理类库有OpenCv、EmguCv、AForge.net等等。本文将从许可协议、

2012-11-07 11:20:58|  分类：matlab |  标签：matlab  距离  |字号大中小 订阅　在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。　　本文的目的就是对

一、二维卷积运算Gabor变换的本质实际上还是对二维图像求卷积。因此二维卷积运算的效率就直接决定了Gabor变换的效率。在这里我先说说二维卷积运算以及如何通过二维傅立叶变换提高卷积运算效率。在下一步分内容中我们将此应用到Gabor变换上，抽取笔迹纹理的特征。1、离散二维叠加和卷积关于离散二维叠加和卷积的运算介绍的书籍比较多，我这里推荐William K. Pratt著，邓鲁华 张延恒

近十几年来，稀疏（sparsity）已经成为信号处理及其应用领域中处于第一位的概念之一。近来，研究人员又致力于过完备（overcomplete）信号表示的研究。这种表示不同于许多传统的表示。因为它能提供一个广阔范围的生成元素（atoms）。而冗余（redundant）信号表示的魅力正在于其能经济地（紧致）的表示一大类信号。对稀疏性的兴趣源自于新的抽样理论-压缩传感（compressed sensi

http://blog.sina.com.cn/s/blog_5dd2e9270100c90x.html对人脸检测的研究最初可以追溯到 20 世纪 70 年代，早期的研究主要致力于模板匹配、子空间方法，变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法，如统计模型方法，神经网络学习方法，统计知识理论和支持向量机方法，基于马尔可夫随机域的方法，以及基于肤色的人脸检测。目前

bootstrps bagging boosting这几个概念经常用到，现仔细学习了一下：他们都属于集成学习方法，(如：Bagging，Boosting，Stacking)，将训练的学习器集成在一起,原理来源于PAC学习模型（Probably Approximately CorrectK）。Kearns和Valiant指出，在PAC学习模型中，若存在一个多项式级的学习算法来识别一组概念，并

Hough变换用来在图象中查找直线。它的原理很简单：假设有一条与原点距离为s，方向角为θ的一条直线，直线上的每一点都满足方程7.1： s = xcosθ + ysinθ  可以利用这个变换找出图中最长的直线，实现算法如下：1．创建一个二维数组hDistAlpha，其中第一维表示距离s（计算可能出现的最大距离为，用来确定数组第二维的大小），第二维表示方向角θ（书上正好和我说的相反，但