- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅
1原创 计算机视觉（三）
一 单应性变换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。在这里，平面是指图像或者三维中的平面表示。单应性变换具有很强的实用性，比如图像配准，图像纠正和纹理扭曲，以及创建全景图像，我们将频繁的使用单应性变换。本质上，单应性变换H，按照下面的方程映射二维中的点（齐次坐标意义下）：或者对于图像平面内的点，齐次坐标是个非常有用的表示方式。点的齐次坐标是依赖于其尺度定义的，所以，x=[x,y,w]=[ax,ay,aw]=[x/w,y/w,1]都表示同一个二维点。因此，单应性矩阵.
2022-04-21 11:14:41
3418
原创 计算机视觉二
一.角点检测器什么是角点？在任意方向的一个微小变动都会引起灰度很大变化的点角点是一阶导数（即灰度的梯度）的局部最大所对应的像素点； 角点是两条及两条以上边缘的交点; 角点指示了物体边缘变化不连续的方向; 角点处的一阶导数最大，二阶导数为0； 角点是指图像中梯度值和梯度方向的变化速率都很高的点。目前的角点检测算法可以归结为以下三类基于灰度图的角点检测基于二值图的角点检测基于轮廓曲线的角点检测基于灰度图的角点检测又可以分为基于梯度、基于模板和基于模板梯度组合的三类方法。其中基于模
2022-03-31 12:47:30
3898
原创 计算机视觉实验1
mac python配置（anaconda,tensorflow2,notebook）直方图高斯滤波 图像大多数噪声均属于高斯噪声，因此高斯滤波器应用也较广泛。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像去噪。 可以简单地理解为，高斯滤波去噪就是对整幅图像像素值进行加权平均，针对每一个像素点的值，都由其本身值和邻域内的其他像素值经过加权平均后得到。 高斯滤波的具体操作是：用一个用户指定的模板（或称卷积、掩膜）...
2022-03-16 23:28:19
3719
原创 c++学习：stl应用
STL也叫做标准模板库，定义了一套概念体系，为泛型程序设计提供了逻辑基础。STL中的各个类模板、函数模板的参数都是用这个体系中的概念来规定的。 使用STL的模板时，类型参数既可以是C++标准库中已有的类型，也可以是自定义的类型——只要这些类型是所要求概念的模型 STL的基本组件包括容器，迭代器，函数对象和算法。容器包含各种数据结构，如vector、list、deque、set、map等,用来存放数据；迭代器扮演了容器与算法之间的胶合剂，是一种将operator* , operator-&...
2021-11-28 21:19:22
1095
原创 【机器学习】朴素贝叶斯
算法介绍朴素贝叶斯算法是有监督的学习，目的是解决分类问题。朴素贝叶斯的优点是简单易懂，学习效率高，在数据较少的情况下仍然有效，可以处理多类别问题学习理解用p1(x,y)表示数据点(x,y)属于类别1(图中红色圆点表示的类别)的概率，用p2(x,y)表示数据点(x,y)属于类别2(图中蓝色三角形表示的类别)的概率，那么对于一个新数据点(x,y)，可以用下面的规则来判断它的类别：如果p1(x,y)>p2(x,y)，那么类别为1如果p1(x,y)<p2(x,y)，那么类别为...
2021-11-28 16:06:33
1095
原创 【机器学习实战】逻辑斯蒂回归
目录算法思想课本代码：Logistic回归梯度上升算法画出决策边界随机梯度上升算法改进随机梯度上升运行结果实战代码算法思想要找到某函数的最大值，最好的方法是沿着该函数的梯度方向探寻梯度上升算法到达每个点后都会重新估计移动方向。从P0开始，计算完该点的梯度，函数就根据梯度移动到P2。如此循环知道满足停止条件。优点：计算代价不高，易于理解和实现缺点：容易欠拟合课本代码：Logistic回归梯度上升算法def loadData..
2021-11-21 21:27:17
725
原创 c++实验三 模版学习记录
一.模版函数 1.一般模版函数如上图，定义了一个交换变量值并打印在控制台的函数模版，通过template预先声明这是一个模版，并在<>内告诉编译器T1，T2是个一般化的变量 2.特化模版函数与上图代码的区别在于template<>内不声明如T1，T2这样的一般化变量，这也就意味着特化模版函数内的参数必须全部指定学到这里的时候我感觉十分困惑，因为这样一来特化模版函数与普通函数似乎不存在区别百度的结果也告诉我大部分时候它们的作用是差不多的，只是同...
2021-11-16 18:33:06
777
原创 c++学习
一：继承访问权限父类class father{public: string name; //姓名protected: string money; //财产private: string secret; //秘密 friend class friends;}; 1.公共继承//1.public继承class son_public :public father{public: void test() { name = "son_public"; m
2021-11-03 18:52:08
393
原创 决策树实验
计算信息熵转换为代码令Ent初始值为0，并在for循环中进行Ent-=prob*log(prob,2)def calEnt(dataSet): #获取数据集的行数 numEntries=len(dataSet) #设置字典的数据结构 labelCounts={} #提取数据集的每一行的特征向量 for featVec in dataSet: #获取特征向量的最后一列的标签 currentLabel=featVec.
2021-10-27 22:27:20
821
原创 C++实验（一）—— CMatrix类设计与实现
目录CMatrix.hCMatrix.cppMain.cppCMatrix.h#ifndef CMATRIX_H //防止被重复引用#define CMATRIX_H#include<iostream>using namespace std;class CMatrix{public: //构造器 CMatrix();//不带参数的构造函数 CMatrix(int nRow,int nCol, double* pData = NU
2021-10-13 20:06:37
217
原创 Knn手写体识别（二）
对课本原有代码加入循环，从1到10改变Knn的k值，进一步测试当k取哪个值时代码效果最好结果如下：结果显示，当K取3或4时代码效果最好，猜测原因为K取1，2时参考的样本偏少，故结果不如3，4的要好，而取太多时失去近邻性，其他样本反而干扰正确率3和4时测试结果一样，考虑时间效率取3最优这与百度的结果相符合加入循环后的代码：# -*- coding: UTF-8 -*-import numpy as npimport operatorfrom os import..
2021-10-10 21:33:58
155
原创 k-近邻算法实现手写体识别
K近邻算法的一般流程：1、收集数据2、准备结构化数据3、分析数据4、测试算法并计算错误率。5、使用算法：首先需要输入样本数据和结构化的输出结果，然后运行K 近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。K 近邻算法的工作原理：1.存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。2.输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相
2021-09-28 21:59:46
511
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人