dazzle-CSDN博客

原创计算机视觉处理（OpenCV基础教学（十六）：图像边缘检测技术详解）

图像边缘是图像中像素值发生显著变化的地方，通常对应着物体的边界、纹理变化或者光照变化。边缘检测的目标就是找到这些变化的位置，形成物体的轮廓。图像边缘检测是计算机视觉的基础技术，Canny算法因其良好的性能和稳定性而被广泛使用。Canny边缘检测的基本原理：包括灰度化、高斯滤波、梯度计算等步骤OpenCV中的实现方法：如何使用cv2.Canny()函数参数调优技巧：如何根据具体应用调整参数实际应用场景：文档处理、车辆检测等领域的应用。

2026-01-07 09:23:01 1995

原创机器学习算法原理与实践-入门（十二）：基于PyTorch的鲍鱼年龄预测

通过鲍鱼的物理特征来预测其年龄，可以帮助养殖者更好地管理养殖过程，也有助于科学研究人员了解鲍鱼的生长规律。今天，我们将继续深入，使用同样的技术框架来解决一个新的实际问题——鲍鱼年龄预测。这个项目将帮助我们巩固线性回归模型的应用，并学习如何处理包含分类特征的数据集。我们将使用scikit-learn框架解决一个经典的时间序列分类问题，学习如何处理时间序列数据、如何选择合适的分类算法，以及如何评估分类模型的性能。本项目使用鲍鱼的物理测量数据（如长度、直径、重量等）来预测鲍鱼的年龄（通过环数表示）。

2026-04-03 09:51:12 396

原创机器学习算法原理与实践-入门（十一）：基于PyTorch的房价预测实战

在前面的文章中，我们已经系统学习了PyTorch框架的基本使用和线性回归的实现原理。通过分析影响房价的各种因素（如地理位置、房屋年龄、交通便利性等），我们可以构建模型来预测房屋单位面积价格，这对房地产投资、市场分析和个人购房决策都具有重要参考价值。我们将使用scikit-learn框架解决一个经典的分类问题，学习如何处理时间序列数据、如何选择不同的分类算法，以及如何评估分类模型的性能。：使用StandardScaler将所有特征标准化到均值为0、方差为1的分布，这有助于提高模型训练的稳定性和收敛速度。

2026-04-02 19:31:01 456

原创机器学习算法原理与实践-入门（十）：基于PaddlePaddle框架的线性回归

今天，我们将完成三框架对比的最后一环，使用国产深度学习框架——PaddlePaddle（飞桨）来实现相同的线性回归任务。PaddlePaddle由百度开发，是国内首个开源开放、功能完备的产业级深度学习平台，在中文自然语言处理、计算机视觉等领域有着独特优势。通过这个项目，你将掌握机器学习项目开发的完整流程和实用技巧。：对于简单的线性回归任务，三大框架在精度和性能上差异不大，选择主要取决于个人偏好和项目需求。：PaddlePaddle的优化器需要显式传入模型参数，这与PyTorch类似。

2026-04-01 16:56:39 392

原创机器学习算法原理与实践-入门（九）：基于TensorFlow框架的线性回归

在前一篇文章中，我们使用PyTorch框架实现了线性回归模型，体验了现代深度学习框架的便利性。今天，我们将转向另一个主流框架——TensorFlow，使用相同的线性回归任务，对比不同框架的实现方式和设计理念。TensorFlow由Google开发并维护，在工业界有着广泛的应用，尤其擅长部署和生产环境。我们将使用百度开发的PaddlePaddle框架，了解国产深度学习框架的特点和优势，完成三框架对比的最后一环。：TensorFlow通常期望输入数据是二维的，即使只有一个特征也需要保持。

2026-03-27 11:11:29 404

原创机器学习算法原理与实践-入门（八）：基于PyTorch框架的线性回归

在前一篇文章中，我们深入了解了PyTorch的核心数据结构——Tensor，它是构建深度学习模型的基础。今天，我们将正式利用PyTorch框架，重新实现线性回归模型。通过使用现代深度学习框架，我们会发现许多繁琐的数学计算（如手动求导、梯度更新）已被高度封装，从而让我们能够更专注于模型的设计与训练过程。展示了参数在损失曲面上的移动轨迹，直观展示了梯度下降如何“下坡”到最低点。计算的梯度会累加到之前的梯度上，导致更新错误。是代码冗长、容易出错，且难以扩展到复杂模型。在PyTorch中，梯度是。

2026-03-25 21:43:11 404

原创机器学习算法原理与实践-入门（七）：深度学习框架PyTorch的Tensor

PyTorch是由Meta公司（原Facebook）人工智能研究团队开发和维护的开源深度学习框架。它已经成为学术界和工业界最受欢迎的深度学习框架之一。Tensor是PyTorch中最基本的数据结构，可以看作是多维数组。GPU支持：可以在GPU上运行加速计算自动求导：自动计算梯度，支持反向传播动态计算：支持动态构建计算图。

2026-03-25 21:36:59 445

原创机器学习算法原理与实践-入门（六）：自求导实现线性回归

在前几篇文章中，我们逐步掌握了机器学习的基础概念。从KNN算法、距离计算，到前向传播、损失函数，再到梯度下降优化。现在，我们将这些知识整合起来，实现一个完整的线性回归模型，并使用自动求导技术来优化模型参数。

2026-02-27 19:30:00 768

原创机器学习算法原理与实践-入门（五）：反向传播与梯度下降

在前一篇文章中，我们学习了如何使用前向传播和损失函数来评估模型的性能。但发现手动调整参数w既耗时又不精确。今天，我们将学习机器学习中最重要的优化技术——反向传播与梯度下降，让模型能够自动找到最优参数。

2026-02-11 19:40:30 955

原创机器学习算法原理与实践-入门（四）：前向传播与损失函数

前向计算是机器学习中的核心概念，指从输入数据开始，经过模型的运算，最终得到预测输出的过程。因为损失函数公式：展开后：这是关于w的二次函数，所以图像是抛物线。

2026-02-09 19:31:03 1038

原创机器学习算法原理与实践-入门（三）：使用数学方法实现KNN

在前两篇文章中，我们已经掌握了KNN算法的理论基础和各种距离计算方式。今天，我们将进入真正的实践环节——不使用任何机器学习库，仅凭数学方法和Python基础功能，从零开始实现一个完整的KNN分类器。这个过程会让你真正理解算法的每个细节，而不仅仅是停留在"调用API"的层面。

2026-02-06 19:30:54 945

原创机器学习算法原理与实践-入门（二）：距离计算方式详解

计算两点之间的直线距离，是最直观的距离度量方式。

2026-02-05 19:30:45 1625

原创机器学习算法原理与实践-入门（一）：KNN算法原理与实现详解

本文将作为机器学习入门系列的第一课，系统讲解KNN（K-最近邻）算法的核心原理和实现方法。我们将从基础概念开始，逐步深入算法的每个关键环节，最后通过完整的Python代码演示如何实现KNN分类并可视化决策边界。

2026-02-05 10:30:13 1031

原创 Python数据结构（十五）：归并排序详解

归并排序是一种基于分治思想的稳定排序算法，具有可预测的时间复杂度O(n log n)，适合处理大规模数据和外部排序场景。归并排序的基本思想可以概括为：将待排序数组递归地分成两半，分别对两半进行排序，然后将两个有序的子数组合并成一个有序数组。归并排序是一种高效、稳定的排序算法，基于分治思想设计，具有可预测的时间复杂度，适合处理大规模数据和需要稳定排序的场景。归并排序的时间复杂度非常稳定，无论输入数据的初始状态如何，都需要O(n log n)的时间。上面的实现创建了多个新列表，内存开销较大。

2026-02-04 19:30:00 590

原创 Python数据结构（十四）：快速排序详解

快速排序是一种基于分治思想的高效排序算法，平均时间复杂度为O(n log n)，是实际应用中最常用的排序算法之一。快速排序的基本思想可以概括为：通过一趟排序将待排记录分隔成独立的两部分，其中一部分记录的关键字均比另一部分的关键字小，则可分别对这两部分记录继续进行排序，以达到整个序列有序。想象一下整理书架上的书籍：我们首先选一本书作为基准，把所有比它薄的书放在左边，比它厚的书放在右边。，这是另一种基于分治思想的高效排序算法，具有稳定性和可预测的时间复杂度，适合处理大规模数据和外部排序。

2026-02-04 10:02:43 788

原创 Python数据结构（十三）：希尔排序详解

希尔排序是理解算法优化和性能分析的良好示例，虽然在实际应用中可能不如其他高级排序算法常用，但它的思想和实现技巧对于算法学习仍有重要价值。希尔排序是插入排序的一种高效改进版本，通过引入间隔（gap）的概念，使得元素可以一次移动多个位置，从而大幅提高排序效率。希尔排序的基本思想是：先将整个待排序的记录序列分割成为若干子序列分别进行直接插入排序，待整个序列中的记录"基本有序"时，再对全体记录进行依次直接插入排序。希尔排序是插入排序的重要改进，通过引入间隔的概念，使得元素可以跨越多个位置移动，从而提高了排序效率。

2026-02-02 19:45:00 968

原创 Python数据结构（十二）：插入排序详解

它的工作原理：通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。插入排序是一种简单直观的排序算法，通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。插入排序的基本思想可以概括为：将数组分为已排序和未排序两部分，每次从未排序部分取出一个元素，将其插入到已排序部分的正确位置，直到所有元素都插入完毕。在实际编程中，虽然对于大规模数据会使用更高效的排序算法，但在小规模数据、部分有序数据或需要稳定排序的场景下，插入排序仍然是合理的选择。

2026-01-30 19:30:39 829

原创 Python数据结构（十一）：选择排序详解

它的工作原理是：首先在未排序序列中找到最小（或最大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（或最大）元素，然后放到已排序序列的末尾。本文是Python数据结构系列的第十一篇，我们将深入探讨基本排序算法中的选择排序。选择排序是另一种简单直观的排序算法，它通过不断选择剩余元素中的最小（或最大）元素，将其放在已排序序列的末尾，逐步构建有序序列。选择排序的基本思想可以概括为：每次从待排序的数据元素中选出最小（或最大）的一个元素，存放在序列的起始位置，直到全部待排序的数据元素排完。

2026-01-30 10:25:35 683

原创 Python数据结构（十）：冒泡排序详解

在实际编程中，对于排序需求，通常建议使用Python内置的排序函数或更高效的排序算法，但理解冒泡排序的原理对于培养算法基础和解决特定问题仍有重要价值。这个算法的名字由来是因为越小的元素会经由交换慢慢"浮"到数列的顶端（升序排列时），就像水中的气泡一样逐渐上浮到水面，因此得名"冒泡排序"。在排序过程中，较大的元素就像大气泡一样，通过一次次的比较和交换，逐渐"浮"到数组的末尾。冒泡排序的基本思想是通过相邻元素之间的比较和交换，使较大的元素逐渐从前往后移动（升序排列时），就像气泡一样逐渐上浮。

2026-01-29 19:30:50 1032

原创 Python数据结构（九）：线性查找与二分查找详解

它的前提条件是数据集必须是有序的。查找是编程中最常见的操作之一，理解这两种算法的原理和实现，对于提升算法思维和解决实际问题能力非常重要。它的工作原理是：从数据集的开头开始，逐个元素进行比较，直到找到目标元素或遍历完整个数据集。在实际开发中，Python提供了更高效的查找工具（如字典的O(1)查找），但理解这些基础算法的原理对于培养扎实的算法基础、应对技术面试、解决特定问题仍然非常重要。排序是查找的基础，许多高效的查找算法（如二分查找）都要求数据预先排序，理解排序算法将帮助我们更好地理解和应用查找算法。

2026-01-28 10:30:11 613

原创 Python数据结构（八）：递归详解

"""生成斐波那契数列，直到第n个数字"""def fib(n) : """生成斐波那契数列，直到第n个数字""" fib_list = [ ] a , b = 0 , 1 while len(fib_list) < n : fib_list . append(a) a , b = b , a + b return fib_list print(f'循环方式： {fib(10) } ') # 输出：[0, 1, 1, 2, 3, 5, 8, 13, 21, 34]10。

2026-01-27 19:30:37 718

原创 Python数据结构（七）：哈希表详解

由于哈希表大小有限，而需要存储的数据总量在不断增大，总会有不同的键通过哈希函数后产生相同的哈希值（即相同的数组索引），这种现象称为哈希冲突。一般来说，哈希冲突是无法避免的，因为我们试图将无限可能性的键映射到有限大小的数组中。哈希表是一种极其重要且实用的数据结构，它的高效性使其成为许多应用程序的基础。理解哈希表的原理和实现，对于掌握现代编程技术至关重要。数据库索引：加速数据查询缓存系统：提高应用程序性能编译器：符号表管理网络路由：IP地址到MAC地址的映射编程语言。

2026-01-27 10:30:54 704

原创 Python数据结构（六）：双端队列详解

双端队列是一种非常灵活且功能强大的数据结构，它结合了队列和栈的特性，提供了双向操作的能力。理解双端队列的原理和实现，对于掌握更复杂的算法和数据结构至关重要。算法实现：滑动窗口问题、回文检查、BFS算法优化系统设计：撤销/重做功能、浏览器历史记录、缓存系统数据处理：数据流处理、实时分析窗口并发编程：工作窃取算法、任务调度虽然可以直接使用Python列表实现双端队列，但对于性能要求高的场景，强烈建议使用collections.deque。

2026-01-26 19:30:46 1501

原创 Python数据结构（五）：队列详解

队列是一种非常重要且实用的数据结构，它的FIFO特性使其在多种场景下都非常有用。理解队列的原理和实现，对于掌握更复杂的算法和数据结构至关重要。操作系统：进程调度、I/O缓冲区网络通信：数据包排队、消息队列并发编程：任务队列、线程池算法实现：广度优先搜索、缓存系统系统设计：事件驱动架构、微服务通信虽然可以直接使用Python列表实现队列，但对于性能要求高的场景，建议使用collections.deque或queue模块。

2026-01-23 19:39:07 691

原创 Python数据结构（四）：栈详解

栈是一种简单但功能强大的数据结构，它的LIFO特性使其在多种场景下都非常有用。理解栈的原理和实现，对于掌握更复杂的算法和数据结构至关重要。编译器：语法分析、表达式求值操作系统：函数调用、中断处理浏览器：前进后退功能文本编辑器：撤销操作算法：深度优先搜索、回溯算法虽然Python的列表已经可以很好地模拟栈的操作，但理解栈的抽象概念和实现原理，对于培养良好的算法思维和解决实际问题能力非常重要。在下一篇中，我们将探讨队列（Queue）

2026-01-23 14:47:35 731

原创 Python数据结构（三）：双向链表详解

双向链表是对单链表的重要扩展，它通过增加前驱指针的方式，实现了双向遍历的能力。虽然这会增加内存开销和代码复杂度，但在某些场景下（如需要频繁反向遍历或删除操作）提供了显著的性能优势。理解双向链表的原理和实现，对于深入学习更复杂的数据结构（如双向循环链表）以及理解某些高级算法（如LRU缓存算法）都非常重要。在实际开发中，Python的内置数据类型（如deque）已经实现了双向链表的功能，但理解其底层原理对于培养扎实的数据结构基础至关重要。在下一篇中，我们将探讨栈（Stack）

2026-01-22 19:31:05 561

原创 Python数据结构（二）：单链表详解

单链表是数据结构学习中的重要基础，它展示了如何使用**引用（指针）**将离散的内存块连接成有序的数据结构。理解单链表的原理和实现，将为学习更复杂的链表结构（如双向链表、循环链表）以及更高级的数据结构（如栈、队列、树、图）奠定坚实基础。在下一篇中，我们将探讨双向链表，它将解决单链表反向遍历困难的问题，提供更灵活的数据操作能力。注意：本文是Python数据结构系列的第二篇，重点讲解单链表的基本概念和实现。在实际编程中，Python的内置数据类型（如list）已经高度优化，通常不需要手动实现链表。

2026-01-22 10:45:27 573

原创 Python算法分析（一）：从经典问题到时间复杂度

算法不仅仅是"解决问题的方法"，在计算机科学中，它有更精确的定义：算法是计算机处理信息的本质，是解题方案的准确而完整的描述，是一系列解决问题的清晰指令，代表着用系统的方法描述解决问题的策略机制，能够对一定规范的输入，在有限时间内获得所要求的输出。问题导向：针对特定问题设计明确指令：每个步骤都清晰无歧义有限性：在有限步骤内完成输出导向：必须有明确的输出结果大O表示法是计算机科学中描述算法时间复杂度的标准记号系统。它的核心思想是：关注算法在最坏情况下的运行时间增长趋势。

2026-01-20 10:25:54 697

原创车道线检测中颜色空间选择：为什么使用HLS和LAB而非HSV？

H (Hue)：色调，表示颜色类型：饱和度，表示颜色的纯度V (Value)：明度，表示颜色的亮度方面HLSLABHSV白色提取★★★★★★★☆☆☆★★★☆☆黄色提取★★☆☆☆★★★★★★★★☆☆光照鲁棒性★★★★☆★★★★☆★★☆☆☆阈值稳定性高极高低计算效率高中等高综合推荐度高（白色）高（黄色）不推荐。

2026-01-19 19:30:00 1797

原创 PID控制算法详解与Python实现：从原理到实战

PID（Proportional-Integral-Derivative）控制是最经典的控制算法之一，广泛应用于工业控制、机器人、自动驾驶等领域。PID输出 = 比例项(P) + 积分项(I) + 微分项(D)"""功能完整的PID控制器类"""self,Kp=1.0, # 比例增益Ki=0.0, # 积分增益Kd=0.0, # 微分增益setpoint=0, # 目标设定点sample_time=0.016666, # 采样时间（秒）

2026-01-19 10:25:57 1069

原创 OpenCV车道线检测实战（完整项目总结与代码）

透视变换技术将前视图转换为鸟瞰图，消除透视效应使用计算变换矩阵关键参数：源点梯形区域和目标点矩形区域车道线提取技术基于梯度的方法：使用Sobel算子检测边缘，适合清晰车道线基于颜色的方法：在HLS和LAB颜色空间中提取白色和黄色车道线两种方法可以单独使用或融合使用车道线拟合技术滑动窗口搜索：自底向上搜索车道线像素，自适应窗口位置多项式拟合：使用二次多项式拟合车道线形状关键参数：窗口数量、窗口大小、最小像素阈值结果可视化技术逆透视变换将结果映射回原始图像多视图展示处理过程。

2026-01-16 10:26:02 670

原创 OpenCV车道线检测实战（四）：车道线显示与结果可视化

在本篇中，我们完成了车道线检测的最后一步——结果显示与可视化。通过逆透视变换、图像融合和多视图合成，我们将鸟瞰视图下的数学模型转换回了直观的视觉展示。关键技术回顾逆透视变换：使用预计算的逆变换矩阵将车道线映射回原始图像车道线绘制：使用绘制平滑的车道线图像融合：使用将车道线与原始图像自然融合多视图展示：使用拼接处理过程中的关键图像完整处理流程原始图像 → 透视变换 → 车道线提取 → 滑动窗口搜索 → 多项式拟合 → 逆透视变换 → 结果显示。

2026-01-15 10:30:00 1321

原创计算机视觉处理：OpenCV车道线检测实战（三）：车道线拟合技术详解

在前两篇中，我们完成了透视变换和车道线提取，得到了只包含车道线像素的二值图像。现在面临的核心问题是：如何从这些离散的像素点中找到代表车道线的连续曲线？这就是本篇要讲解的车道线拟合技术。

2026-01-14 10:34:06 704

原创计算机视觉处理：OpenCV车道线检测实战（二）：车道线提取技术详解

在本篇中，我们详细剖析了从鸟瞰图中提取车道线的两大技术路径。基于梯度的方法：通过Sobel算子等工具捕捉边缘，其优势在于原理通用，不依赖于特定颜色。但容易受到路面纹理、裂缝等非车道线边缘的干扰。基于颜色的方法：通过转换到HLSLAB等颜色空间，利用车道线的颜色特征进行分离。这种方法能有效区分白线和黄线，但对光照变化（如阴影、黄昏）比较敏感。在实际项目中，融合多种方法通常是更稳健的选择。例如，可以同时计算梯度二值图像和颜色二值图像，然后取它们的并集或交集，以确保在复杂环境下也能可靠地提取出车道线像素。

2026-01-13 20:01:03 834

机器学习算法原理与实践-入门：基于PyTorch的房价预测实战的数据

pycharm安装镜像源之后还是安装不了jieba