图像处理
天天向上的金牛
这个作者很懒,什么都没留下…
展开
-
局部特征算子简述
1.局部算子分类: 来自网络“天若有情”1)基于分布的算子:使用直方图表现不同的外观或形状特2)空间频率技术:傅立叶变换和盖伯变换3)微分算子:2.局部特征建立依赖的空间1)归一化的Laplacian尺度空间 2) Difference of转载 2011-07-16 10:15:23 · 865 阅读 · 0 评论 -
AI会议的总结(by南大周志华)
说明: 纯属个人看法, 仅供参考. tier-1的列得较全, tier-2的不太全, tier-3的很不全.同分的按字母序排列. 不很严谨地说, tier-1是可以令人羡慕的, tier-2是可以令人尊敬的,由于AI的相关会议非常多, 所以能列进tier-3的也是不错的tier-转载 2011-07-16 10:17:51 · 939 阅读 · 0 评论 -
[zz]图像特征提取总结
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一 颜色特征(一)特点:颜色特征是一种全局特征,描 述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区 域的方向、大小等变化不转载 2011-07-16 11:20:12 · 679 阅读 · 0 评论 -
详解协方差与协方差矩阵
协方差的定义 对于一般的分布,直接代入E(X)之类的就可以计算出来了,但真给你一个具体数值的分布,要计算协方差矩阵,根据这个公式来计算,还真不容易反应过来。网上值得参考的资料也不多,这里用一个例子说明协方差矩阵是怎么计算出来的吧。 记住,X、Y是一个列向量,它表示了每种情况下每个样本可能出现的数。比如给定 则X表示x轴可能出现的数,Y表示y轴可能出现的。注意这里是关键,给定了4转载 2011-12-27 10:24:25 · 10172 阅读 · 0 评论 -
主成分分析(principal components analysis, PCA)
在OPENCV中使用PCA非常简单,只要几条语句就可以了。 1、初始化数据 //每一行表示一个样本 CvMat* pData = cvCreateMat( 总的样本数, 每个样本的维数, CV_32FC1 ); CvMat* pMean = cvCreateMat(1, 样本的维数, CV_32FC1); //pEigVals中的每个数表示一个特征值 C转载 2011-12-27 10:52:38 · 1826 阅读 · 0 评论 -
Histograms of Oriented Gradients (HOG)理解和源码
HOG descriptors 是应用在计算机视觉和图像处理领域,用于目标检测的特征描述器。这项技术是用来计算局部图像梯度的方向信息的统计值。这种方法跟边缘方向直方图(edge orientation histograms)、尺度不变特征变换(scale-invariant feature transform descriptors) 以及形状上下文方法( shape contexts)有很多相似转载 2011-12-27 11:47:19 · 9642 阅读 · 0 评论 -
数据的标准化
数据的标准化(normalization)是将数据按比例缩放,使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到,去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。 其中最典型的就是数据的归一化处理,即将数据统一映射到[0,1]区间上,常见的数据归一化的方法有: min-max标准化(Min-max normalization)转载 2012-02-03 18:12:56 · 707 阅读 · 0 评论 -
OpenCV运动检测跟踪(blob track)框架组成模块详解
在..\opencv\doc\vidsurv文件夹中有三个doc文件,Blob_Tracking_Modules、Blob_Tracking_Tests、TestSeq,其中Blob_Tracking_Modules必须需要详读的。 “FG/BG Detection” module performsforeground/background segmentation for转载 2012-11-22 10:56:06 · 5761 阅读 · 0 评论