BryantJD-CSDN博客

原创 1D LUT

其实就是色彩空间中能够表示的范围，范围越广，对比越强烈，对比度越大，同样的，展现出的图像的效果也就越好。如果我们拍景色，在一个伸手不见五指的黑夜去拍，还不开闪光灯，拍出一个近乎纯黑的景色，但如果是白天，晴空万里，阳光明媚，我们再去拍摄，景物分明，而且非常迷人。亮度的调整其实调整的就是每个像素的大小，像素值越大，越接近白色，就越亮，像素值越小，越接近黑色图像就越黑。对比度调整的是像素区别，一般来说，图像中相邻位置的像素差别较小，我们想增强对比度，那就需要将差别按倍数扩大，要降低对比度，就要按比例缩小。

2023-09-01 15:08:36 203

原创矩阵乘法的三种角度

假如我们把矩阵乘法里面的每一列都看成是一个列向量，那么矩阵。假如我们把矩阵乘法里面的每一行都看成是一个行向量，那么矩阵。中所有列向量的线性组合，而线性组合的系数是矩阵。中所有行向量的线性组合，而线性组合的系数是矩阵。

2023-08-20 16:53:11 129

原创半色调(Halftoning)技术

半色调技术是指用少量的色彩将一幅连续色调图像(如灰度图像和彩色图像)量化为只有少数几种色彩的彩色图像或是一幅二值图像，并且量化后图像在一定距离的视觉效果和原始图像相似的技术。对于二阶调来说，就是用黑白两种颜色，来展示不同深度的灰度，从而模拟出灰度图像，简单来说就是让二阶调的图像产生连续调的感觉。这项技术被广泛用于打印机上。Notice：本文暂时只讨论灰度图像的半色调方法有序抖动算法比较简单，且具有较好的半色调图像质量。

2023-08-05 18:06:38 1250

原创 GMM高斯混合模型

文章目录前言混合模型混合模型的一个例子混合模型的定义GMM高斯混合模型极大似然估计单高斯模型的极大似然估计高斯混合模型的极大似然估计EM算法求解高斯混合模型EM算法简述推导GMM的EM算法E-step的推导M-step的推导参考网址前言在分析数据集时，我们经常做出简化建模的假设，例如假设所有的样本都来自一个特定的分布（例如，高斯分布）。然后我们继续使用极大似然估计来估计这个分布的参数(比如均值和方差)。然而，在许多情况下，假设所有样本都来自相同的一个分布，限制性太强，因为通常我们试图建模的数据来源更复.

2022-03-26 16:01:27 819

原创 EM算法学习

文章目录前言极大似然估计EMEMEM算法EMEMEM算法的步骤EMEMEM算法本质ELBOELBOELBO是什么坐标上升法EMEMEM：ELBOELBOELBO的坐标上升算法EMEMEM算法图示参考文献或网页前言EMEMEM算法是一种迭代优化算法，常用于具有隐变量的混合模型参数估计，在机器学习中有极为广泛的用途。说到参数估计，一般首先想到的是概率论上的极大似然估计，EMEMEM算法其实就是为了解决那些直接用极大似然函数求导无法解决的参数估计问题。极大似然估计假设现在有一个概率分布函数p(x∣θ)p.

2022-03-22 20:31:10 294

原创高斯分布的相关知识

一元高斯分布一维高斯分布的概率密度函数可表示为：P(x∣μ,σ2)=12πσexp(−(x−μ)22σ2) P(x|\mu,\sigma^2) = \frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2})\\P(x∣μ,σ2)=2πσ1exp(−2σ2(x−μ)2)1=∫−∞+∞P(x∣μ,σ2)dx1 = \int_{-\infty}^{+\infty} P(x|\mu,\sigma^2) dx \qquad1=∫−.

2022-03-08 10:12:20 2293

原创 Local Binary Patterns 局部二值模式

前言LBPLBPLBP(Local Binary Patterns)算法是一种描述图像像素点与邻域各个像素点之间的灰度关系的局部关系的非参数算法，同时也是一种高效的纹理描述算法，纹理是物体表面的自然特性，它描述图像像素点与图像领域之间的灰度空间的分布关系[6]， LBPLBPLBP 最重要的特性是其对单调光照变化的容忍度及其计算简单性[4]。LBPLBPLBP 最初被提出用于纹理分析 [3]，并已被证明是一种描述局部结构的简单而强大的方法。基本的LBP算子原始LBP 算子最原始的 LBPLBPL.

2022-03-05 22:10:55 1289

原创 Medoid Shift 算法简述

Medoid Shift 算法medoid shift 算法相对于meanshift 算法的优点聚类期间执行的计算不必在出现新样本或某些现有样本时丢弃，因为mean shift 在计算mean 的时候每一个样本点都是从头到mode算一遍的。medoid shift不需要均值的定义，并且可以直接对距离矩阵进行操作，而不管样本分布在哪个原始空间中。mean shift 通常要把数据集的样本点映射到某个特征空间，而且距离定义一般都要是欧氏距离medoid shift消除了均值偏移中对启发式终止条件的需要

2021-11-08 13:42:22 1300

原创简述Mean shift 算法及其实现

文章目录Mean shift 是什么Mean shift 算法的预备知识什么是特征什么是特征空间什么是核密度估计核函数的表示Mean shift 算法Mean shift算法的公式推导Mean shift算法的流程Mean shift算法图示Mean shift 算法应用Mean Shift 算法应用在聚类Mean Shift 算法图像分割参考文献Mean shift 是什么均值偏移（Mean shift）算法是在特征空间中应用核密度估计的爬山算法，其算法思想是假设不同簇类的数据集符合不同的概率密度分布

2021-10-21 20:06:56 6374 4

BryantDaiJB的博客