GavinZhou的博客

图像的浮雕效果根据生成的算法不一样，效果也不太一样，作为练习程序，自己写了两个； （1）取主对角线除右下角外的各点之和的平均值，减去右下角点的值，再加上填充背景色，再加上一个背景常数，会形成类似浮雕的效果。 算法如下：y(i,j)= 0.25*img(x-2,y-2)+0.25*img(x-1,y-1)+0.25*img(x,y)+0.25*img(x+1,y+1)+0.25*img(x+2,y

EM算法简介首先上一段EM算法的wiki定义: expectation–maximization (EM) algorithm is an iterative method to find maximum likelihood（MLE） or maximum a posteriori (MAP) estimates of parameters in statistical models

sklearn中的RandomForestClassifier有一个参数: oob_score : bool (default=False) Whether to use out-of-bag samples to estimate the generalization accuracy.中文叫‘袋外误差’，可以看出这个参数的意思是：使用oob来衡量test error.关于oob的解释

最近在学习深度学习，之前搞了段时间的caffe，但是caffe的优点在classification，对于想学习DL的我们还是需要从基础的学起，比如regression、clustring、dimensionality reduction等。 基础的教学视频可以观看Andrew NG的机器学习公开课； 在python包上，做基础的DL的最火的可能就是scikit-learn，也就是sklearn，

原理线性回归，原理很简单，就是拟合一条直线使得损失最小，损失可以有很多种，比如平方和最小等等； y是输出，x是输入，输出是输入的一个线性组合。 系数矩阵就是coef，截距就是intercept；例子：我们的输入和输出是numpy的ndarray，输入是类似于列向量的，输出类似于行向量，看它们各自的shape就是： 输出：y.shape ——>(1,) 输入：x.shape——->(m

KNN介绍基础原理没什么介绍的，可以参考我的KNN原理和实现，里面介绍了KNN的原理同时使用KNN来进行mnist分类KNN in sklearnsklearn是这么说KNN的： The principle behind nearest neighbor methods is to find a predefined number of training samples closest in d

这篇博客主要讲如何去破解一个验证码，for demo我会使用一个完整的工程来做，从原始图片到最终的识别结果，但是破解大部分的验证码其实是个很费力的活，对技术要求反而不是特别高，为什么这么说呢? 主要原因有以下几点: 你需要验证码的正确答案作为监督，所以基本是人来识别然后写答案 CNN之类的DL方法对验证码这种简单的图像识别能力非常高 所以，破解的话你需

上篇博客，写了个比较有意思的玩意，接下来几篇会写写基本的图像处理首先我们要知道的是，cv2.imread()，读取的图像是个numpy矩阵In [1]: import cv2In [2]: import numpy as npIn [3]: img = cv2.imread('/home/gavinzhou/实验室/ForBlogImage/images/0.jpg', cv2.IMREAD_GRA

接着上篇，这次主要讲一个主题就是: 图像的阈值处理主要涵盖的内容点包括: 简单阈值 自适应阈值 Otsu’s 二值化大家可能不是很清楚阈值处理的用途在什么地方，我举几个例子: 图像的二值化 区域的分割 图像的点/线/边缘检测 所以用途还是很广的，实则这块属于图像的分割范畴ps: 有兴趣的可以看看数字图像处理的MATLAB实现这本书，讲的还是很不错的，代

接着上篇,这次写两个主题: OpenCV中的颜色空间转换 OpenCV中的几何变换 OpenCV中的颜色空间转换颜色空间有许多种，常用有RGB，CMY，HSV,HSI等. 我们平时说的三通道的图就是指的是RGB的图. 贴一段百度百科的介绍: RGB（红绿蓝）是依据人眼识别的颜色定义出的空间，可表示大部分颜色。但在科学研究一般不采用RGB颜色空间，因为它的细节难以进行数字化的

这次博客咱们比较下，python的函数、numpy的函数和OpenCV的函数的效率问题，让大家对销量高通情况下如何使用有比较直观的认识程序(语句)运行时间的测量 (1) python的time模块 (2) cv2.getTickCount(),返回时钟数，cv2.getTickFrequency()返回始终频率，相除即可达到运行时间 (3) Ipython的%timeit实验１代码

这次咱们写个有点意思的东西，上个博客在最后写了画线、画矩形之类的，涉及到取颜色(r g b值)，这次咱们就写个图形化的调色板。 具体就是： 三个滑动条分别代表R、G、B的值，下方有个矩形区域，显示颜色 cv2.createTrackbar(trackbarName, windowName, value, count, onChange) # 创建滑动条 cv2.getTrackba

我想把 NBA 的标志放到另一幅图像(LBJ传球)上。但是现在有个问题： 如果我使用加法,颜色会改变,如果使用混合,会得到透明效果，但是我不想要透明的 于是我们可以通过下面的按位运算实现: cv2.bitwise_and() cv2.bitwise_or() cv2.bitwise_xor() cv2.bitwise_not()这些API的意思，就是你看到的，AND、OR

前面的几个博客写的乱七八糟的，一来是初学数字图像，二是之前没有写过博客，所以对不起之前看我博客的各位啦！！！！！！现在决定使用python重新写这个系列，不再使用Matlab作为工具，原因有一下几点： <1> 学习Python <2> 可以使用Numpy、Matplotlib等，效果不逊色于Matlab <3> 工作环境转为Linux(Ubuntu14.04)，Matlab懒的装环

接着上次的写。。。上篇摸这 首先介绍下本次使用的环境，win7+python2.7.3+epd_free-7.3-1+Pil1.1.7 epd的相关信息参考我的另一篇博文http://blog.csdn.net/gavin__zhou/article/details/46851495，上面讲的很详细，pil(python image library)是一个python的图像处理库，大家自行网上搜

接着上次的写。。。。。上篇摸这 这次就介绍下如何对一幅数字图像进行数学上的相关处理，实质就是对矩阵进行数学运算，以求一幅图像的灰度图的最大灰度、最小灰度和平均灰度值和图像的马赛克为例。 首先将图像读入进来：>> f = imread('C:\Users\Administrator\Desktop\1.jpg');>> imshow(f)将原始的图像转换为灰度图并获得大小：>> gray =

接着写。。。。上篇点这灰度化：f = imread('C:\Users\Administrator\Desktop\1.jpg');gray = rgb2gray(f); %灰度化 二值化：bw = im2bw(f); %默认的二值bw1 = im2bw(f,graythresh(f)); %使用全局阈值处理的logical图像 从RGB空间到HSV空间：hsv = rgb2hsv(f);

学习了一段数字图像处理，想就自己的学习写个笔记吧。主要的参考书就是<<数字图像处理的MATLAB实现>>和网上的一些博客，可能会穿插着MATLAB的代码和Python的代码，准备写一个系列，这次就当做是个开山篇吧。 什么叫数字图像呢？“一幅图像可以定义为一个二维函数f(x,y)，这里的x和y是空间坐标，而在任意坐标(x,y)处的幅度f被称为这一坐标位置图像的亮度或者灰度，当x,y和f的幅值都是有限

GBDT+FFM(FM)+Online Learing(FTRL)是kaggle比赛的重点方法，而且暑期实习面试的时候也有很多面试官问了，还是很有必要学习下的. 我在网上找了下相关资料，感觉讲的都不是很好(可能是我太菜了吧)，所以自己想着写一篇，要是哪里错了，欢迎指正从Ensemble说起Bagging，Boosting和Stacking是集成学习的三种主要的形式.BaggingBagging=Bo