- 博客(10)
- 资源 (9)
- 收藏
- 关注
原创 信任扩散算法解决计算机视觉问题(Belief Propagation for Computer Vision)
Markov Random Field(MRF)为解决计算机视觉问题提供了一种鲁棒而且统一的框架,Gruph Cuts和Belief Propagation(BP)算法是计算MRF的常用方法。BP算法能够很好的解决编号(label)为离散情况下的Labeling Problem,即PL2、PL3问题[1]。这里简要介绍BP算法。 一般MRF的能量可以表示为下面的形式:
2008-02-28 16:10:00 9036 6
原创 偏最小二乘法
本文来自多个网文的转载,但是由于下载时间较长,具体网址已经不可考,还请原创作者见谅,本人拜谢! Normal 0 7.8 磅 0 2 false false false M
2009-03-12 22:01:00 2019
原创 深入学习YCbCr色彩模型
一、基础 RGB转YCbCr的转换是这样的:[Y ] = [ 0.299 0.587 0.114 ] [R] [ 0][Cb] = [-0.1687 -0.3313 0.5 ] * [G] + [128][Cr] = [ 0.5 -0.4187 -0.0813] [B] [128] YCbCr转RGB的转换是这样的:[R] = [1
2008-07-05 02:47:00 1195
原创 RGB与YUV
小知识:RGB与YUV----摘自《DirectShow实务精选》 作者:陆其明计算机彩色显示器显示色彩的原理与彩色电视机一样,都是采用R(Red)、G(Green)、B(Blue)相加混色的原理:通过发射出三种不同强度的电子束,使屏幕内侧覆盖的红、绿、蓝磷光材料发光而产生色彩。这种色彩的表示方法称为RGB色彩空间表示(它也是多媒体计算机技术中用得最多的一种色彩空间表示方法)。根据三基
2008-07-05 02:43:00 1166
转载 JPEG 简易文档 V2.0
JPEG 简易文档 V2.0 ------------------------------ 最后修订 2000.3.4 作者: 云风 Email: cloudwu@263.net Home
2008-07-05 02:42:00 594
转载 Discrimitive model and Generative Model
以前对这两个概念非常模糊,今天从网上找到了关于这两个概念的两种风格的解释,比较一下!第一种风格: For a data sample: x and it class lable:,y, 要检测图像中的淋巴结,有很多positive,很多的negetive。 Discrimitive model: p(y|x), 给定x,算y。 Generative model:和 discri
2008-05-15 16:48:00 2640
原创 资源与代码
CVonlinehttp://homepages.inf.ed.ac.uk/rbf/CVonlinehttp://homepages.inf.ed.ac.uk/rbf/CVonline/unfolded.htmhttp://homepages.inf.ed.ac.uk/rbf/CVonline/CVentry.htm 李子青的大作:Markov Random Field M
2008-02-28 16:21:00 1705
原创 Logistic回归
1 基本概念 一个随机事件的发生与否往往与多个影响因素有关,Logistic回归分析能从众多的影响该事件发生的可疑因素中筛选出对事件发生概率有影响的因素,并建立用这些因素估计该事件在某段时间内发生概率的回归模型。该方法在市场研究中常用于因素筛选、相对危险度估计、目标市场评估等。2 基本原理 设某事件在影响因素x1,x2,…,xm的作用下发生的概率为p,不发生的概率为1-p,定义:
2008-02-28 13:28:00 1012
原创 Vapnik-Chervonenkis
对于很多分类问题,例如最简单的,一个平面上的两类不同的点,如何将它用一条直线分开?在平面上我们可能无法实现,但是如果通过某种映射,将这些点映射到其它空间(比如说球面上等),我们有可能在另外一个空间中很容易找到这样一条所谓的“分隔线”,将这些点分开。SVM基本上就是这样的原理,但是SVM本身比较复杂,因为它不仅仅是应用于平面内点的分类问题。SVM的一般做法是:将所有待分类的点映射到“高维空间”,
2008-02-28 13:13:00 2213
原创 卷积
卷积 卷积是一种线性运算,图像处理中常见的mask运算都是卷积,广泛应用于图像滤波。castlman的书对卷积讲得很详细。 高斯变换就是用高斯函数对图像进行卷积。高斯算子可以直接从离散高斯函数得到: for(i=0; i{ for(j=0; j{ g[i*N+j]=exp(-((i-(N-1)/2)^2+(j
2008-02-26 13:35:00 608
WPF PropertyGrid的资料合集
2012-11-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人