- 博客(14)
- 收藏
- 关注
RSS订阅原创 计算机视觉（五）
Bag of features，简称Bof，中文翻译为“词袋”，是一种用于图像或视频检索的技术。而检索就要进行比对。两幅不同的图像如何比对，比对什么，这就需要提炼出每幅图像中精练的东西出来进行比较。一、Bag of features算法基础流程1、收集图片，对图像进行sift特征提取。2、从每类图像中提取视觉词汇，将所有的视觉词汇集合在一起。3、利用K-Means算法构造单词表。K-Means算法是一种基于样本间相似性度量的间接聚类方法，此算法以K为参数，把N个对象分为K个簇，以使簇内具有较高的相似度
2022-06-19 23:58:33
639
1
原创 计算机视觉（四）
前面的章节讲的都是图像到图像之间的映射和变换。为了处理三维图像和平面图像之间的映射，我们需要在映射中加入部分照相机产生图像过程的投影特性。这一章就是关于确定照相机的参数求解等。针孔相机模型图像点 p 是由图像平面与连接三维点 P和照相机中心 C 的直线相交而成的。z轴表示该照相机的光学坐标轴，由此可以得出针孔照相机的投影性质。照相机的光学坐标轴和 z 轴一致，该投影几何可以简化成相似三角形。在针孔照相机中，三维点 P 投影为图像点 p 两个点都是用齐次坐标表示的），如下所示：照相机矩阵
2022-05-26 00:35:57
639
原创 计算机视觉（三）
这次博客的主题是全景拼接，这个是建立在前面学过的特征提取、特征描述子、特征匹配等。虽然图片是反应三维世界，但实质是二维的，因此图像拼接的可以简化理解为2D图像的变换、叠加过程。图像之间经过特征匹配后的变换、叠加过程包括了位移、旋转、尺度、仿射、透视。单应性变换以上对图像的操作都涉及单应性变换，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，对于平面中的点，用齐次坐标可以有效表示，即单应性变换矩阵H：单应性矩阵仅依赖尺度定义，所以，单应性矩阵具有 8 个独立的自由
2022-04-28 13:42:38
1621
原创 计算机视觉 （二）
这次的博客是关于图像局部特征描述子。特征点检测、匹配都是一些图像处理的重要步骤，特征点必须具有不变性：位移、旋转、尺度、光照、曝光等。特征包括：角点、梯度特征点、边缘特征、纹理特征。Harris角点检测器角点：局部窗口沿各方向移动，均发生明显变化的点，图像局部曲率突变的点。Harris角点检测基本思想，从图像局部的小窗口观察图像特征，窗口向任意方向移动都导致图像灰度的明显变化即为角点，如下图红色窗口。根据泰勒展开式以上的过程的数学表达：α=0.04~0.06.
2022-03-31 13:57:25
496
原创 计算机视觉（一）
目录图像直方图（ Histogram）直方图性质代码结果高斯滤波代码实验结果直方图均衡化（ Histogram Equalization）代码结果图像直方图（ Histogram） 一幅数字图像在范围[0,G]内总共有L个灰度级，其直方图定义为离散函数 。其中： 是第级亮度， 是灰度级为的图像中的像素数，。直方图性质 反映了图像的动态范围 具有旋转不变性 所有的空间信息全部丢失，不能反映图像象素的...
2022-03-17 14:26:39
4146
原创 机器学习——支持向量机
SVM的特点非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； 对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； 支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量； SVM 是一种有坚实理论基础的新颖的小样本学习方法。SVM优缺点优点：范化错误率低，计算开销不大，结果易解释 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用二分类问题 适用数据类型：数值型和标称型数据分隔超平面将n维线性
2022-01-01 23:59:25
727
原创 C++（四）
泛型程序设计所谓泛型程序设计，就是编写不依赖于具体数据类型的程序。C++中,模板是泛型程序设计的主要工具。泛型程序设计的主要思想是将算法从特定的数据结构中抽象出来，使算法成为通用的、可以作用于各种不同的数据结构。这样就不必为每种容器都编写一套同样的算法，当容器类模板修改扩充时也不必重写大量算法函数。这种以函数模板形式实现的通用算法与各种通用容器结合，提高了软件的复用性。STLSTL（标准模板库）是一个用于支持C++泛型编程的模板库。使用STL的一个模板时所提供的类型参数既可以是C++标准库中已有
2021-12-09 00:22:29
855
原创 机器学习（五）——Logistic回归
Logistic回归是一种最优化算法。用一条直线对一些数据点进行拟合的过程被称为回归。利用Logistic回归进行分类的主要思想是：根据现有数据利用Logistic回归生成最佳拟合线，并以此作为数据的分类边界线。逻辑回归假设数据服从伯努利分布，通过极大似然估计的方法，运用梯度下降来求解参数，来达到数据二分类的目的。Sigmoid函数若要处理的是二分类问题，我们期望的函数输出会是0或1，类似于单位阶跃函数，可是该函数是不连续的，不连续不可微。因此我们换一个函数——Sigmoid函数，当x=0时
2021-12-03 04:40:27
3072
原创 c++（三）
引入C++最重要的特性之一就是代码重用，为了实现代码重用，代码必须具有通用性。通用代码需要不受数据类型的影响,并且可以自动适应数据类型的变化。这种程序设计类型称为参数化程序设计。模板是C++支持参数化程序设计的工具,通过它可以实现参数化多态性。所谓参数化多态性，就是将程序所处理的对象的类型参数化,使得一段程序可以用于处理多种不同类型的对象。一、函数模板我们上一次学习的是函数重载，可以看出重载函数通常是对于不同的数据类型完成类似的操作。但如果这两个函数只有参数类型不同，功能完全一样，这时如果...
2021-11-16 23:46:05
161
原创 机器学习（四）——朴素贝叶斯
引入前面学习的内容都是要求分类器直接给出分类结果，今天学习的朴素贝叶斯可以给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值。以垃圾邮件分类为例，一封邮件通过朴素贝叶斯得到的分类结果可能会是如下结果：没有一个准确猜测，但是会给每个猜测计算概率，最后会选取概率最大的猜测作为结果。先验概率：在训练模型之前，通过历史数据得到的初始概率；该概率与待测样本无关，独立于样本。后验概率：反映了在看到数据样本x后cj成立的置信度，即通过样本获得新的信息（既有先验概率资料，也有补充资料），.
2021-11-16 00:45:40
648
原创 C++（二）
目录继承访问权限测试第一步：设计类A第二步：设计类B、类C、类D（继承于类A）类B通过public的方式继承类A:类C通过protected的方式继承类A:类D通过private的方式继承类A:把原本A中的部分public成员重新提升为public：继承访问权限测试第一步：设计类A设计类A具有public, protected, private等不同属性的成员函数或变量外部只能访问A类的public成员，如下图：第二步：设计类B、类C、类D（继承于类A
2021-11-03 00:30:03
408
原创 机器学习（三）——决策树
目录什么是决策树决策树的节点决策树的特点决策树的基本算法决策树的划分选择如何选择最优划分属性方法一：信息增益什么是决策树分类决策树模型是一种描述对实例进行分类的树形结构，它由节点和有向边组成决策树的节点分为内部节点和叶节点内部节点——代表一个特征或属性叶节点——代表一个类如下图 ，黑色的为内部节点，红色的为叶节点：决策树的特点1.对属性进行“测试”即对就决策过程中的问题进行判定2.决策树上的每条路径都是一个判定测试序列决策树的最
2021-10-27 23:04:20
1823
原创 C++(一）
目录一、构造函数CMatrix()CMatrix(int nRow, int nCol, double *pData=NULL)CMatrix(const char * strPath)CMatrix(const CMatrix& m):bool Create(int nRow, int nCol, double *pData=NULL)二、析构函数~CMatrix()Release()一、构造函数CMatrix()不带参数的构造函数CMatr.
2021-10-13 22:40:50
134
原创 机器学习（二）——kNN代码实现
目录代码实现使用Python导入数据代码实现使用Python导入数据代码：from numpy import *import operatordef createDataSet(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels = ['A','A','B','B'] return group, labels结果：...
2021-10-10 22:28:08
154
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