树木骨架提取文献阅读过程中常见的名词解释

最新推荐文章于 2024-08-05 15:41:47 发布

jackson_yee20001128

最新推荐文章于 2024-08-05 15:41:47 发布

阅读量141

点赞数

分类专栏：学习笔记文章标签：算法图论机器学习

本文链接：https://blog.csdn.net/jackson_yee20001128/article/details/116152909

版权

3 篇文章 1 订阅

订阅专栏

专业名词
这篇文章用来保存看文献时经常出现的名词，随着阅读文献的增多会随时更新。

Boosting:是个非常强大的学习方法, 它也是一个监督的分类学习方法。它组合许多“弱”分类器来产生一个强大的分类器组。一个弱分类器的性能只是比随机选择好一点，因此它可以被设计的非常简单并且不会有太大的计算花费。将很多弱分类器结合起来组成一个集成的类似于SVM或者神经网络的强分类器。

最小生成树的两种方法（Kruskal算法和Prim算法）：在连通网的所有生成树中，所有边的代价和最小的生成树，称为最小生成树。
最小生成树https://blog.csdn.net/a2392008643/article/details/81781766

Delaunay三角剖分算法：以下是Delaunay剖分所具备的优异特性：1.最接近；2.唯一性；3.最优性；4.最规则5.区域性；6.具有凸多边形的外壳。

最短路径和最小生成树是不同的概念：最短路径是对于一个图的两个结点而言的。在一个图中，结点A通过某些结点和边可以走到结点B，那这些结点和边就组成一条A到B的路径，A到B的最短路径就是A到B的所有路径中边权值总和最小的那一条（或多条）。
最小生成树是对于一个图本身而言的。对于一个有n个结点的无向连通图（边没有方向，任意两点之间都存在路径可以到达），必然可以去掉某些边，使得最终剩下n-1条边，并且n个结点仍然是连通的，这n个结点和n-1条边组成了原图的一个生成树，而最小生成树就是所有可能的生成树中n-1条边的权值总和最小的那一个（或多个）。

mean-shift算法：总结为一句话就是：求解一个向量，使得圆心一直往数据集密度最大的方向移动。说的再简单一点，就是每次迭代的时候，都是找到圆里面点的平均位置作为新的圆心位置。

Douglas-Peucker算法：(道格拉斯-普克算法，亦称为拉默-道格拉斯-普克算法、迭代适应点算法、分裂与合并算法）是将曲线近似表示为一系列点，并减少点的数量的一种算法。它的优点是具有平移和旋转不变性，给定曲线与阈值后，抽样结果一定。
1.连接曲线首尾两点A、B形成一条直线AB；
2.计算曲线上离该直线段距离最大的点C，计算其与AB的距离d；
3.比较该距离与预先给定的阈值threshold的大小，如果小于threshold，则以该直线作为曲线的近似，该段曲线处理完毕。
4.如果距离大于阈值，则用点C将曲线分为两段AC和BC，并分别对两段曲线进行步骤[1~3]的处理。
5.当所有曲线都处理完毕后，依次连接各个分割点形成折线，作为原曲线的近似。

Voronoi图：泰森多边形又叫冯洛诺伊图（Voronoi diagram），得名于Georgy Voronoi，是一组由连接两邻点线段的垂直平分线组成的连续多边形组成。一个泰森多边形内的任一点到构成该多边形的控制点的距离小于到其他多边形控制点的距离。
Voronoi图https://blog.csdn.net/k346k346/article/details/52244123

图论〔Graph Theory〕：是数学的一个分支。它以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应两个事物间具有这种关系。

随机抽样一致算法（RANdom SAmple Consensus，RANSAC）：它采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。 RANSAC是一个非确定性算法，在某种意义上说，它会产生一个在一定概率下合理的结果，而更多次的迭代会使这一概率增加。此RANSAC算法在1981年由Fischler和Bolles首次提出。
一个简单的例子是从一组观测数据中找出合适的2维直线。假设观测数据中包含局内点和局外点，其中局内点近似的被直线所通过，而局外点远离于直线。简单的最小二乘法不能找到适应于局内点的直线，原因是最小二乘法尽量去适应包括局外点在内的所有点。相反，RANSAC能得出一个仅仅用局内点计算出模型，并且概率还足够高。但是，RANSAC并不能保证结果一定正确，为了保证算法有足够高的合理概率，我们必须小心的选择算法的参数。

Kernel PCA：把Kernel升维和PCA降维两种方法有机的融合在一起。第一，通过将数据映射到更高维空间来实现。这看起来非常矛盾：核方法寻求更高维度，而PCA寻求更低维度。降维与映射到高维，这是两个相反的方向！但事实并非如此。数据被映射到更高维度的空间，但随后变成位于它的较低维度子空间。因此，先增加维度以便能够降低维度。在这里增维与降维实现了辩证的统一；第二，之所以KPCA发挥作用，源于数据在低维空间中，无法寻找到线性子空间进行降维；但通过核方法映射到高维空间中，可以清晰的找到线性子空间进行降维投影，返回到低维空间中，是非线性投影（非线性流行）。在这里线性与非线性实现了辩证的统一。

图像形态学中的几个基本操作：腐蚀、膨胀、开操作、闭操作。
腐蚀：移动结构B，如果结构B与结构A的交集完全属于结构A的区域内，则保存该位置点，所有满足条件的点构成结构A被结构B腐蚀的结果。
膨胀：将结构B在结构A上进行卷积操作，如果移动结构B的过程中，与结构A存在重叠区域，则记录该位置，所有移动结构B与结构A存在交集的位置的集合为结构A在结构B作用下的膨胀结果。
开操作：先腐蚀后膨胀的操作称之为开操作。它具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用。
闭操作：先膨胀后腐蚀的操作称之为闭操作。它具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。
形态学操作
https://blog.csdn.net/fishmemory/article/details/53113746

关注