图像处理
文章平均质量分 61
u010807846
这个作者很懒,什么都没留下…
展开
-
sift 算法理解
关于sift算法的理解,前前后后也用了一个月的时间,今天写下来,希望可以对大家有所帮助。该算法可以分为四大步,如图所示:复杂程度依次是4颗星,2颗星,3颗星,3颗星。现在开始1、construct scale space, 构造尺度空间1.1 尺度空间在图像处理中是一个非常有用的概念,可以在维基百科上找到完整定义,简而言之,他的作用就是模拟一个由近到远的物体在人原创 2015-11-05 11:11:17 · 1606 阅读 · 1 评论 -
特征值和特征向量理解
1、线性变换首先来个线性方程组换个表达方式,所以可以写成如下格式,现在有矩阵A,列向量X和Y,向量X通过矩阵A线性变换到Y,如下图。2、接下来,我们说明上述公式的几何意义。也就是这就一目了然了,X 经过线性变换后变为Y,涉及到了两个变化,伸缩和旋转,也就是X先作伸缩变换,然后旋转到Y的位置。矩阵A记录了如何由x1 an原创 2016-12-02 20:28:43 · 5834 阅读 · 1 评论 -
基于频域的信息加密----小波变换
利用小波变换进行加密解密,使用工具MATLAB原创 2016-11-28 12:16:50 · 1689 阅读 · 1 评论 -
EigenFace (特征脸方法)
Eigenface算法的实现,使用MATLAB原创 2016-12-20 15:10:53 · 9159 阅读 · 0 评论 -
PCA算法理解
PCA算法,基础理解原创 2016-12-20 13:16:08 · 1580 阅读 · 0 评论 -
遗传算法理解
遗传算法理解原创 2017-02-06 16:26:13 · 994 阅读 · 0 评论 -
Haar+cascade AdaBoost分类器学习训练总结
Haar+cascade AdaBoost分类器学习训练总结原创 2017-01-31 17:22:33 · 7006 阅读 · 2 评论 -
sigmoid和softmax总结
最近在学习卷积神经网络,碰到这么一组概念,sigmoid和softmax,下面链接讲解不错。真希望csdn可以有一件转载的功能啊http://blog.csdn.net/u014422406/article/details/52805924转载 2017-02-13 15:11:15 · 801 阅读 · 2 评论 -
OCR检测识别总结
先记下来。1、传统方法灰度→二值化→校正图像→提取特征(LBP、PCA等等)→分类器(SVM等)。需要文字预先分割。2、基于卷积网络免去了提取特征过程,直接往CNN里丢图像。也不用文字预先分割。检测:使用faster-rcnn或者yolo框选出区域识别:multi-digit number classification、RNN/LSTM/GRU + CTC、原创 2017-06-23 17:44:31 · 2763 阅读 · 0 评论 -
利用LSB进行信息隐藏
本文介绍如何LSB(Least Significant Bits)如何进行信息隐藏的,基本知识不在此叙述了。信息隐藏分为embedding 和extraction.下面这个表格可以简单解释。吐槽一下,CSDN表格太特么难用了。添加隐秘信息到图像中,语句1:X(i,j) - mod(X(i,j),2) + Msg(i)语句2:bitand(X(i,j),254) + Ms原创 2016-10-17 15:20:49 · 5698 阅读 · 0 评论 -
MSE和PSNR
比方说图像经过压缩之后,输出的新的图像跟原始图像相比,总是存在一定的质量差,那么利用PSNR来评判这个差距,所以说,PSNR是一种客观判断方法.MSE代表原图像和处理图像之间的均方误差。PSNR代表峰值信噪比(Peak Signal to Noise Ratio)。这里的MAX通常是图像的灰度级,一般就是255.给个MATLAB代码结论,PSNR值越原创 2016-10-18 18:37:25 · 9932 阅读 · 0 评论 -
RGB转HSI
1. RGB 向HSI 模型的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。基本要求是将RGB 中的亮度因素分离,将色度分解为色调和饱和度,并用角向量表示色调,如下图所示。2. RGB 转换至HSI的几种常见方法,下图列出几种常用的RGB-HSI转换公式:原创 2015-11-13 11:46:15 · 1113 阅读 · 0 评论 -
PCA 降维算法详解 及 MATLAB实现。
其实就是线性代数的知识, 比方说一个5*100的矩阵A, 还有个100*10的矩阵B矩阵做乘操作, 如:A*B=[5*100]*[100*10]=[5*10]然后我们用[5*10]的矩阵来表示A矩阵, 这样看来,A完成了降维操作。再白一点, 为什么要降维, 因为普通电脑内存空间不够啊,系统提供不了那么大的数组, 所以用另外一组很小的数组来表示,其实就是映射关系。推荐链接: http原创 2015-12-09 14:22:24 · 1464 阅读 · 0 评论 -
LBP(局部二值模式)基础知识篇
from http://blog.csdn.net/zouxy09/article/details/7929531一篇非常好的 关于LBP的入门介绍! 向群主致敬!LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D转载 2015-12-15 19:31:25 · 6225 阅读 · 3 评论 -
LBP(局部二值模式)实现人脸识别
推荐论文:http://cs229.stanford.edu/proj2008/Jo-FaceDetectionUsingLBPfeatures.pdf注:实现的是人脸识别(face detection), 而不是人脸检测(face recognization), 意思是不一样的!不一样的!不一样的!前一篇文章 我们已经利用LBP得到特征,那么就要对这些特征进行“手术”了!完整的三步骤原创 2015-12-15 20:23:17 · 1724 阅读 · 0 评论 -
积分图像(Integral Image)
积分图像文章推荐http://blog.sina.com.cn/s/blog_4cb0b54301017wwo.html参考文献: [1] Viola P., Jones M. J. Rapid Object Detection Using a Boosted Cascade of Simple Features. Computer Vision and Pattern转载 2015-12-18 20:14:18 · 7385 阅读 · 0 评论 -
LDA 线性判别分析(一)
这篇文章讲线性判别分析还是很不错的,分享大家。http://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html1. 问题 之前我们讨论的PCA、ICA也好,对样本数据来言,可以是没有类别标签y的。回想我们做回归时,如果特征太多,那么会产生不相关特征引入、过度拟合等问题。我们可以使用PCA来降维,但PCA没转载 2016-01-07 19:10:26 · 519 阅读 · 0 评论 -
LDA 线性判别分析(二)
4. 实例 将3维空间上的球体样本点投影到二维上,W1相比W2能够获得更好的分离效果。 PCA与LDA的降维对比: PCA选择样本点投影具有最大方差的方向,LDA选择分类性能最好的方向。 LDA既然叫做线性判别分析,应该具有一定的预测功能,比如新来一个样例x,如何确定其类别?转载 2016-01-07 19:15:19 · 1415 阅读 · 0 评论 -
基于频域的信息加密----傅里叶变换
信息加密中,载体通常是图像,要隐藏的信息比如说图片、数字水印、文字。之前有写过利用LSB进行信息隐藏,这是Spatial Domain based,弊端就是抵抗性太差。所以还是得多考虑Frequency Domain based,比如说,傅里叶变换,小波变换,离散余弦变换。频域添加水印方法:1、采用某种变换手段,将图像变换到频域;2、在频域内,添加信息;3、逆变换,回到图像。这篇文原创 2016-11-03 11:26:51 · 3413 阅读 · 0 评论 -
Tesseract3.05.01dev Windows10 安装记录
Tesseract3.05.01dev Windows10 安装记录原创 2017-08-23 14:15:25 · 3707 阅读 · 1 评论