理论
文章平均质量分 68
lcydhr
虽有智慧,不如借势。
展开
-
多元函数求极值问题
转载自http://blog.csdn.net/acdreamers/article/details/41413787,多元函数求极值的方法,从一元函数讲起,很容易理解。今天来讨论多元函数求极值问题,在Logistic回归用牛顿迭代法求参数会用到,所以很有必要把它研究清楚。 回想一下,一元函数求极值问题我们是怎样做的?比如对于凹函数,先求一阶导数,得,由于极值处导数转载 2016-01-23 09:28:27 · 1125 阅读 · 0 评论 -
最小二乘计算仿射变换
转载自http://blog.csdn.net/fengbingchun/article/details/5969193设原图像为f(x,y),畸变后的图像为F(X',Y'),要将F(X',Y')恢复为f(x,y),就是要找到(X',Y')坐标与(x,y)坐标的转换关系,这个转换关系称为坐标变换,表示为(x,y)=T(X',Y')。景物在成像过程中产生的扭曲,会使图像的比例失调,可转载 2016-11-15 22:31:20 · 2641 阅读 · 1 评论 -
快速高斯滤波
高斯滤波器是图像处理中经常用到的滤波器,其滤波核函数为:为简单起见,这里省略了归一化因子。由的可分离特性:得: 其中为输入图像,为输出图像,为滤波模板半径。根据准则,通常使。由上式可见,我们可以将二维高斯滤波分解为两次一维高斯滤波。对于二维高斯滤波,设图像大小,高斯模转载 2016-09-28 09:44:45 · 660 阅读 · 0 评论 -
齐次坐标的理解
一直对齐次坐标这个概念的理解不够彻底,只见大部分的书中说道“齐次坐标在仿射变换中非常的方便”,然后就没有了后文,今天在一个叫做“三百年 重生”的博客上看到一篇关于透视投影变换的探讨的文章,其中有对齐次坐标有非常精辟的说明,特别是针对这样一句话进行了有力的证明:“齐次坐标表示是计算机图形学的重要手段之一,它既能够用来明确区分向量和点,同时也更易用于进行仿射(线性)几何变换。”—— F.S. Hill转载 2016-09-27 20:00:34 · 345 阅读 · 0 评论 -
SVD原理及其应用导论
今天,来学习一种很重要的矩阵分解,叫做奇异值分解(Sigular Value Decomposition),简称SVD。 Contents 1. 认识SVD 2. SVD与广义逆矩阵 3. SVD与最小二乘法 4. SVD与数据压缩 5. SVD与潜在语义分析 6. SVD与低阶近似转载 2016-09-02 14:07:00 · 553 阅读 · 0 评论 -
SVD(奇异值分解)及求解最小二乘问题
1. SVD任意矩阵A (mxn), 都能被奇异值分解为:其中, U是mxm的正交矩阵, V是nxn的正交矩阵, Σr是由r个沿对角线从大到小排列的奇异值组成的方阵. r就是矩阵A的秩.2. Moore-Pseudo逆任意矩阵A, 若存在矩阵X, 使得:则称X是A的Moore-Pseudo逆, 简称广义逆, 记为A+.矩阵A的广义逆是转载 2016-09-02 13:28:15 · 10484 阅读 · 0 评论 -
齐次线性方程组的解、SVD、最小二乘法
转自:http://blog.csdn.net/dsbatigol/article/details/9625211 AX=0这是一个齐次线性方程组(一般的非齐次线性方程组AX=b其实也都可以化为齐次方程组的形式,所以比较普遍)先要说明在非齐次方程组中,A到底有没有解析解,可以由增广矩阵来判断:r(A)r(A)=r(A | b) =n,方程组有唯一解;r(A)转载 2016-09-02 11:27:34 · 3209 阅读 · 0 评论 -
奇异值分解(SVD)原理详解及推导 (转)
很不错的文章,适合入门。转载出处http://blog.csdn.net/zhongkejingwang/article/details/43053513 在网上看到有很多文章介绍SVD的,讲的也都不错,但是感觉还是有需要补充的,特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章,叫A Singularly Valuable Decomposition The S转载 2016-09-02 10:22:46 · 3640 阅读 · 0 评论 -
奇异值分解及几何意义
PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把这个问题讲解的如此清晰,实属不易。原文举了一个简单的图像处理问题,简单形象,真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理解,比如 个性化推荐中应用了SVD,文本以及Web挖掘的时候也经常会用到SVD。英文原文:We recommend a sing转载 2016-08-15 18:27:14 · 343 阅读 · 0 评论 -
Kd-Tree算法原理和开源实现代码
转载自http://blog.sina.com.cn/s/blog_6f611c300101bysf.html首先是用于二维情况下的简易建树方法,来自于ICP点云匹配: 对应点的计算是整个配准过程中耗费时间最长的步骤,查找最近点,利用 k-d tree提高查找速度 K-d tree 法建立点的拓扑关系是基于二叉树的坐标轴分割,构造 k-d tree 的过程就是按照二叉转载 2016-07-29 11:17:16 · 507 阅读 · 0 评论 -
已知直线上两点求直线的一般式方程
转载自http://blog.csdn.net/madbunny/article/details/43955883一般式方程在计算机领域的重要性常用的直线方程有一般式 点斜式 截距式 斜截式 两点式等等。除了一般式方程,它们要么不能支持所有情况下的直线(比如跟坐标轴垂直或者平行),要么不能支持所有情况下的点(比如x坐标相等,或者y坐标相等)。所以一般式方程在用计算机处理二维图形数据转载 2016-06-15 22:00:09 · 15749 阅读 · 0 评论 -
图像滤波之二维高斯核
转载自http://blog.csdn.net/quarryman/article/details/17475817,两个1维核生成一个二维核。下面的代码是计算二维高斯核,代码是用纯C写的,可移植性应该不错。计算得到的二维高斯核可以用来对图像进行高斯滤波。由于高斯滤波器是可分的,所以可以用一维高斯核得到二维高斯核(其实中间涉及到一些证明,这里直接借用结论),如代码所示。转载 2016-05-05 21:33:20 · 1181 阅读 · 0 评论 -
高斯图像滤波原理及其编程离散化实现方法
转载自http://blog.csdn.net/likezhaobin/article/details/6835049,其中方差和窗口尺寸的选择方式可以看看本文主要根据作者的理解整理而来,有什么错误之处,请大家共同讨论指出。1、图像滤波 在三维计算机视觉领域,通常对于二维图像的特征抽取是很关键的第一步,这主要包括抽取二维图像上的边缘、角点、转载 2016-05-05 21:09:50 · 1067 阅读 · 0 评论 -
点到曲线的距离
1、正交 正交是直观概念中垂直的推广,如果两个向量正交,则这两个向量垂直,其点乘为0.2、点到隐曲线的距离 假设点坐标为(dx,dy), 曲线方程为f(x,y)=0, 从隐曲线最近点(u,v)到该点的向量必垂直于曲线,因此可以通过寻找满足下式的点获得最近点: 1)(u,v)是曲线上的一点,满足f(u,v)=0;转载 2016-05-27 14:59:27 · 17005 阅读 · 3 评论 -
详解大端模式和小端模式
一、大端模式和小端模式的起源 关于大端小端名词的由来,有一个有趣的故事,来自于Jonathan Swift的《格利佛游记》:Lilliput和Blefuscu这两个强国在过去的36个月中一直在苦战。战争的原因:大家都知道,吃鸡蛋的时候,原始的方法是打破鸡蛋较大的一端,可以那时的皇帝的祖父由于小时侯吃鸡蛋,按这种方法把手指弄破了,因此他的父亲,就下令,命令所有的子民吃鸡蛋的时候,必转载 2016-05-13 15:46:38 · 338 阅读 · 0 评论 -
稀疏矩阵
转载自http://blog.csdn.net/feike2008/article/details/5621354一、稀疏矩阵的定义 对于那些零元素数目远远多于非零元素数目,并且非零元素的分布没有规律的矩阵称为稀疏矩阵(sparse)。 人们无法给出稀疏矩阵的确切定义,一般都只是凭个人的直觉来理解这个概念,即矩阵中非零元素的个数远远小于矩阵元素的总数,并且非零元素没有分布规转载 2016-03-04 10:17:56 · 409 阅读 · 0 评论