- 博客(28)
- 收藏
- 关注
RSS订阅原创 机器学习——支持向量机(SVM)
文章目录支持向量机线性SVM非线性SVM常见核函数实验支持向量机SVM是一种分类算法，侧重于模式识别方面，使用SVM可提高分类的准确性。比如实际问题中大多是线性不可分的，SVM思想就是将线性不可分问题转化为线性可分的问题，具体方法是将空间映射到多维空间（例如将二维空间映射到三维空间），以增加维数来减少方程的次数。SVM基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。支持向量：一般认为，超平面在平移过程中，遇到第一个点后就停止平移，则这个点就是支持向量数据集有几个分类就会有几个
2022-04-11 14:18:04
1161
原创 卷积神经网络
卷积神经网络卷积用*表示卷积二维卷积6×6的图像与3×3的滤波器进行卷积操作，得到4×4的图像。如图中，蓝色区域与3×3滤波器卷积，输出到绿色方框内，即得到第一个卷积后的数据。将蓝色部分依次往右移与3×3滤波器做卷积，得到第一行卷积后的数据，第一行计算完毕后，将蓝色部分往下移一格，再次从左往右移与滤波器做卷积，得到第二行卷积后的数据，以此类推，得到4×4的图像数据。相关计算数据：以绿色方格的计算为例，绿色方格的数据=3×1+0×0+1×(-1)+1×1+5×0+8×(-1)+2×1+7×0+2
2022-04-08 10:04:57
2534
原创 机器学习——线性模型（3/3）
文章目录第三章 线性模型3.1 基本形式3.2 线性回归3.3 对数几率回归3.4 线性判别分析3.5 多分类学习3.6 类别不平衡问题第三章 线性模型3.1 基本形式线性模型（Linear model）试图学得一个通过属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+...+wdxd+bf(\mathbf x)=w_1x_1+w_2x_2+...+w_dx_d+bf(x)=w1x1+w2x2+...+wdxd+b一般用向量形式写成f(x)=wTx+bf(\mat
2021-08-20 22:30:11
334
原创 Python计算机视觉——OpenCV
文章目录第十章 OpenCV10.1 OpenCV的Python接口10.2 OpenCV基础知识10.3 处理视频10.4 跟踪10.5 更多示例第十章 OpenCV本章概述如何通过Python接口使用流行的计算机视觉库OpenCV，讲解一些基本的例子并深入了解视频与跟踪。10.1 OpenCV的Python接口OpenCV是一个C++库，包含了计算机视觉领域的很多模块。可以通过以下方式导入cv2模块：import cv210.2 OpenCV基础知识OpenCV自带读取、写入图像函数以
2021-07-21 16:32:43
411
1
原创 Python计算机视觉——图像分割
文章目录第九章 图像分割9.1 图割9.1.1 从图像创建图第九章 图像分割图像分割可将一幅图像分割成有意义的区域，区域可以是图像的前景与背景或图像中一些单独的对象。区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。9.1 图割图论中的图由若干节点和连接节点的边构成，分为有向图和无向图，并可能有与边相关联的权重。图割的定义：图割是将一个有向图分割成两个互不相交的集合，可以解决很多计算机视觉方面的问题。图割的基本思想：相似且彼此相近的像素应该划分到同一区域。图割C（C是图中所有边的集合）
2021-07-20 18:10:02
1389
1
原创 Python计算机视觉——图像内容分类
文章目录第八章 图像内容分类（一）K邻近分类法（KNN）（二）贝叶斯分类器（三）支持向量机（四）光学字符识别第八章 图像内容分类本章介绍图像分类和图像内容分类算法。先介绍一些简单而有效的方法和一些性能最好的分类器，运用它们解决两类和多类分类问题，再展示两个用于手势识别和目标识别的应用实例。（一）K邻近分类法（KNN）在分类方法中，最简单且用的最多的一种方法之一是KNN。这种方法把要分类的对象（例如一个特征向量）与训练集中已知类标记的所有对象进行对比，并由k近邻对指派到哪个类进行投票。缺点：需要
2021-07-19 13:24:10
1905
1
原创 Python计算机视觉——图像搜索
文章目录第七章——图像搜索7.1 基于内容的图像检索7.2 视觉单词创建词汇7.3 图像索引7.3.1 建立数据库7.3.2 添加图像7.4在数据库中搜索图像7.4.1 利用索引获取候选图像7.4.2 用一幅图像进行查询7.4.3 确定对比基准并绘制结果7.5 使用几何特性对结果排序7.6 建立演示程序及Web应用7.6.1 用CherryPy创建Web应用7.6.2 图像搜索演示程序第七章——图像搜索主要内容：利用文本挖掘技术对基于图像视觉内容进行图像搜索本章提出利用视觉单词的基本思想，解释完整的
2021-07-11 16:54:52
1617
6
原创 Python计算机视觉——图像聚类
文章目录第六章——图像聚类K-means聚类层次聚类谱聚类第六章——图像聚类介绍聚类方法，展示如何利用它们对图像进行聚类，从而寻找相似的图像组。聚类可以用于识别、划分图像数据集，组织与导航。第三节会对聚类后的图像进行相似性可视化。先来大致了解一下本章的聚类方法：聚类方法定义思想优点缺点K-means聚类将输入数据划分成K个簇反复提炼初始评估的类中心适用情形广泛不能保证得到最优结果；需预先设定聚类数k层次聚类（或凝聚式聚类）基于样本间成对距离建立一个简相似树
2021-07-04 21:39:57
9151
19
原创 Python计算机视觉——多视图几何
文章目录第五章 多视图几何5.1 外极几何第五章 多视图几何如何通过处理多个视图以及如何利用多个视图的几何关系来恢复照相机位置信息和三维结构。可以利用特征匹配来计算出三维场景点以及照相机位置。5.1 外极几何多视图几何是利用在不同视点所拍摄图像间的关系，来研究照相机之间或者特征之间关系的一门科学。本章使用兴趣点特征。多视图几何中最重要的内容是双视图几何。如果有一个场景的两个视图以及视图中的对应图像点，那么根据照相机间的空间相对位置关系、照相机的性质以及三维场景点的位置，可以得到对这些图像点的一
2021-07-02 16:11:50
768
原创 Python计算机视觉——照相机模型与增强现实
文章目录照相机模型与增强现实4.1 针孔照相机模型4.1.1 照相机矩阵4.1.2 三维点的投影4.1.3 照相机矩阵的分解4.1.4 计算照相机中心4.2 照相机标定4.2.1 一个简单的标定方法4.3 以平面和标记物进行姿态估计4.4 增强现实照相机模型与增强现实4.1 针孔照相机模型4.1.1 照相机矩阵4.1.2 三维点的投影4.1.3 照相机矩阵的分解4.1.4 计算照相机中心4.2 照相机标定4.2.1 一个简单的标定方法4.3 以平面和标记物进行姿态估计4.4 增强现实
2021-06-22 22:04:48
1352
5
原创 Python计算机视觉——图像到图像的映射
文章目录3.1 单应性变换3.1.1 直接线性变换算法3.1.2 仿射变换3.2 图像扭曲3.2.1 图像中的图像3.2.2 分段函数扭曲3.2.3 图像配准3.3 创建全景图3.3.1 RANSAC3.3.2 稳健的单应性矩阵估计3.3.3 拼接图像本章讲解图像之间的变换，通过单应性变换实现图像扭曲和图像配准。3.1 单应性变换定义：单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换，可用于图像配准、图像纠正、纹理扭曲和创建全景图像。设单应性变换为HHH，则在齐次坐标意义下，映射二维中
2021-06-18 14:44:48
424
原创 Python计算机视觉——SIFT角点检测
文章目录SIFT角点检测1 知识点2 实验部分检测兴趣点匹配描述子3 遇到的问题及解决方法SIFT角点检测1 知识点SIFT特征包括兴趣点检测器和描述子。SIFT算法的特点：SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，可用于三维视角和噪声的可靠匹配；独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；多量性，即使少数的几个物体也可以产生大量的SIFT特征向量
2021-06-17 17:08:24
900
2
原创 Python计算机视觉——Harris角点检测器
文章目录第二章 局部图像描绘子2.1 Harris角点检测器描述子信息第二章 局部图像描绘子2.1 Harris角点检测器1、角点定义：a.局部窗口沿各方向移动，均产生明显变化的点b.图像局部曲率突变的点2、点xxx的对称半正定矩阵:MI=MI(x)=∇I∇IT=[IxIy][Ix Iy]=[Ix2IxIyIxIyIy2]M_I=M_I(x)=\nabla I \nabla I^T=\begin{bmatrix} I_x \\ I_y \\ \end{bmatrix} \b
2021-06-12 22:51:16
1488
3
原创 Python图像处理常用代码记录——持更
文章目录1.1 PIL1.2 Matplotlib1.3 NumPy1.4 SciPy1.5 图像显示1.1 PILPIL是图像处理类库，实现基本的图像操作，其中最重要的模块是Image#调用Imagefrom PIL import Image pil_im = Image.open('empire.jpg') #打开图片#转为灰度图pil_im = Image.open('enpire.jpg').convert('L') #法二：import cv2img
2021-06-09 15:53:48
531
1
原创 数字图像处理知识点梳理——第十二章 目标识别
文章目录第十二章 目标识别一、模式和模式类二、基于决策理论方法的识别2.1 匹配2.2 最佳统计分类器2.3 神经网络三、结构方法3.1 匹配形状数3.2 串匹配第十二章 目标识别在界定数字图像处理的覆盖范围时，包含了图像中各个区域的识别，本章将这些区域称为目标或模式。模式识别方法使用的描绘子决策理论方法定量描绘子，如长度、面积、纹理结构方法定性描绘子，如关系描绘子一、模式和模式类模式是描绘子的组合由机器完成的模式识别是对不同的模式赋予不同类别的技术实践中常用
2021-06-07 22:16:24
1141
原创 数字图像处理知识点梳理——第十一章 表示和描述
第十一章 表示和描述文章目录引言表示边界追踪链码使用最小周长多边形的多边形近似其他多边形近似方法标记图边界线段骨架边界描绘子一些简单的描绘子形状数傅里叶描绘子统计矩区域描绘子一些简单的描绘子拓扑描绘子纹理不变矩使用主分量进行描绘关系描绘子引言（1）根据其外部特征（其边界）来表示区域（2）根据其内部特征（如组成该区域的像素）表示当我们关注的重点是形状特征时，可选外部表示；关注的重点是内部属性如颜色和纹理时，可选内部表示。选择一种表示方法之后描述区域。选择的方法应满足：描绘子的特征应尽可能地对大小、
2021-06-02 22:47:53
2058
2
原创 数字图像处理知识点梳理——第十章 图像分割
文章目录基础知识不连续检测1、点检测2、线检测3、边缘检测基本的边缘检测方法更先进的边缘检测技术1、Marr-Hildreth边缘检测器2、坎尼边缘检测器阈值处理1、基本的全局阈值处理2、用Otsu方法的最佳全局阈值处理3、可变阈值全局阈值的改善边缘连接图像分割1、形态学分水岭分割2、基于区域的分割基础知识1、什么是分割？分割指把输入的图像的部分属性提取出来，它可将图像细分为构成它的子区域或物体，细分的程度要看具体要解决的问题。其中，异常图像的分割是图像处理中最困难的任务之一，分割的精细程度决定着计算
2021-05-23 21:36:55
1446
原创 数字图像处理知识点梳理——第九章 形态学图像处理
文章目录1、预备知识2、腐蚀和膨胀3、开操作和闭操作4、一些基本的形态学算法小结1、预备知识数学形态学的语言是集合论。在形态学中集合的反射和平移广泛用来表达基于结构元（SE）的操作：研究一幅图像中感兴趣特性所用的小集合或子图像。在二值图像中，除了元素是SE的成员的定义之外，还必须指定结构元的原点。在形态学处理语言中，二值图像A和结构元素B都是定义在二维笛卡尔网格上的集合。当一个结构元素的原点位移到点(x,y)处时，将其记为BxyB_{x y}Bxy注意：当使用“结构元包含在集合中”这样的术语
2021-05-16 19:15:05
1986
原创 数字图像处理知识点梳理——第八章 图像压缩
文章目录基础知识1、编码冗余2、空间冗余和时间冗余3、不相关的信息压缩准则及压缩过程基本的压缩方法霍夫曼编码算术编码LZW编码预测编码数字图像水印基础知识什么是图像压缩？数据压缩指的是对一定的信息量（发生概率的对数值），我们用少量的数据量来进行表示。其中，相同数量的信息可以用不同数量的数据表示。从信息论的角度来看，描述信息源的数据是信息和数据冗余之和，包含不相关或重复信息的表示称之为冗余数据。数据冗余：R=1−1/C数据冗余：R=1-1/C数据冗余：R=1−1/C压缩率：C=b/b′压缩率
2021-05-16 11:25:30
3074
原创 数字图像处理知识点梳理——第六章 彩色图像处理
文章目录彩色基础彩色模型RGB彩色模型CMY和CMYK彩色模型HSI彩色模型伪色彩图像处理灰度分层灰度到彩色的变换全彩色图像处理基础彩色图像处理可分为两个主要领域：全彩色处理和伪彩色处理。全彩色图像处理通常要求图像用全彩色传感器获取，如彩色电视摄像机或彩色扫描仪。伪彩色处理是对于一种特定的单色灰度或灰度范围赋予一种颜色。彩色基础为标准化目的定义了三原色，他们的波长是：蓝色=435.8nm，绿色=546.1nm，红色=700nm。原色相加可以产生二次色，以正确的亮度把三原色或把与二次色相对应的原色混
2021-05-09 01:39:51
2644
原创 数字图像处理知识点梳理——第五章 图像复原与重建
文章目录项目高斯噪声瑞利噪声爱尔兰（伽马）噪声指数噪声均匀噪声脉冲（椒盐）噪声概率密度函数p(z)=12πσe−(z−zˉ)22σ2p(z)=\frac{1}{\sqrt{2\pi\sigma}}e^{-\frac{(z-\bar{z})^2}{2\sigma^2}}p(z)=2πσ1e−2σ2(z−zˉ)2p(z)={2b(z−a)e−(z−a)2b,z≥a0,z<ap(z)=\begin{cases} \frac{2}{b}(z-a)e^{-\frac{(
2021-05-08 00:38:23
684
原创 数字图像处理知识点梳理——第四章 频率域滤波
文章目录理论部分一、傅里叶变换及其相关知识点（一）一维情况下连续的傅里叶变换离散的傅里叶变换（DFT）（二）二维情况下连续的傅里叶变换离散的傅里叶变换（DFT）（三）二维离散傅里叶变换的一些性质二、频率域滤波器（一）低通滤波器（二）高通滤波器（三）同态滤波（四）选择性滤波实践部分D0=15D_0=15D0=15D0=30D_0=30D0=30总结理论部分本章和第三章一样，主要应用于图像增强，内容大致分为以下这几个部分：一、傅里叶变换及其相关知识点在维度上分为一维傅里叶变换和二维傅里叶变换在连续
2021-04-23 18:14:17
1501
原创 数字图像处理知识点梳理——第三章 灰度变换与空间滤波
本章主要讲对空间域上的处理来实现图像增强增强的方法分为点处理和模板处理两大类：点处理作用于单个像素，包括图像灰度变换、直方图处理、伪色彩处理等技术模板处理作用于像素邻域，包括空间域平滑、空间域锐化。
2021-04-16 15:24:37
1335
原创 数字图像处理知识点梳理——第二章 数字图像基础
文章目录2.1视觉感知要素2.2光和电磁波谱2.3图像感知和获取2.4图像取样和量化2.4.1取样和量化的基本概念2.4.2数字图像表示2.4.3空间和灰度分辨率2.4.4图像内插2.1视觉感知要素人的视觉系统构成：眼球、神经系统、大脑的视觉中枢两类光感受器：锥状体（Cones）和杆状体（rods）；锥状体视觉称为白昼视觉或亮视觉，对颜色十分敏感；状体视觉称为暗视觉或微光视觉。在低照明水平情况下，视觉由杆状体执行，在高照明水平情况下，视觉由锥状体执行。人的视觉过程：光刺激->视网膜接收-&
2021-04-09 16:40:52
3329
3
原创 数字图像处理知识点梳理——第一章 绪论
第一章 绪论@TOC1.1什么是数字图像1欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，Markdown 将代
2021-04-09 16:32:01
945
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人