![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像处理
文章平均质量分 81
myas0735
这个作者很懒,什么都没留下…
展开
-
SIFT进阶
Distinctive Image Features from Scale-Invariant Keypoint 之学习笔记 Detection of Scale-Space ExtremaFirst stage of keypoint detection is to identify locations and scales that can be repeataby (repeat转载 2013-05-30 15:33:01 · 616 阅读 · 0 评论 -
k-d tree算法的研究
By RaySaint 2011/10/12动机先前写了一篇文章《SIFT算法研究》讲了讲SIFT特征具体是如何检测和描述的,其中也提到了SIFT常见的一个用途就是物体识别,物体识别的过程如下图所示:如上图(a),我们先对待识别的物体的图像进行SIFT特征点的检测和特征点的描述,然后得到了SIFT特征点集合。接下来生成物体目标描述要做的就是对特征点集合进行数据组转载 2013-05-30 19:48:44 · 662 阅读 · 0 评论 -
主成分分析PCA(Principal Component Analysis)介绍
很久之前,有一次做人脸识别的时候用过PCA,大概记得是降维用的,然后前段时间用到LDA的时候顺带看到PCA才发现忘的差不多了,干脆把一些资料整理一下吧。一.K-L变换说PCA的话,必须先介绍一下K-L变换了。K-L变换是Karhunen-Loeve变换的简称,是一种特殊的正交变换。它是建立在统计特性基础上的一种变换,有的文献也称其为霍特林(Hotelling转载 2013-05-30 19:58:39 · 941 阅读 · 0 评论 -
Principal Component Analysis(PCA)
matlab的Feature Transformation提供了一个有关主成分分析的介绍和例子。 PCA的介绍 多元统计分析中普遍存在的困难中,有一个困难是多元数据的可视化。matlab的plot可以显示两个变量之间的关系,plot3和surf可以显示三维的不同。但是当有多于3个变量时,要可视化变量之间的关系就很困难了。 幸运的是,在一组多变量的数据中,转载 2013-05-30 19:57:49 · 1264 阅读 · 0 评论 -
SIFT
SIFT featuresScale Invariant Feature Transform (SIFT) is an approach for detecting and extracting local feature descriptors that are reasonably invariant to change in illumination, image noise, rota转载 2013-05-30 15:31:49 · 1181 阅读 · 0 评论 -
SIFT算法学习
SIFT算法学习(本文的部分内容摘自一些网友的博客) Sift是David Lowe于1999年提出的局部特征描述子,并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题,具有很强的匹配能力。在Mikolajczyk对包括Sift算子在内的十种局部描述子所做的不变性对比实验中,Sift及其扩展算法已被证实在同类描转载 2013-05-30 19:47:07 · 726 阅读 · 0 评论 -
K Nearest Neighbor问题的解决——KD-TREE Implementation
命题一: 已知的1000个整数的数组,给定一个整数,要求查证是否在数组中出现? 命题二: 已知1000个整数的数组,给定一个整数,要求查找数组中与之最接近的数字? 命题三: 已知1000个Point(包含X与Y坐标)结构的数组,给定一个Point,要求查找数组中与之最接近(比如:欧氏距离最短)的点。 命题四: 已知1,000,000个向量,每个向量为128维转载 2013-05-30 19:49:56 · 776 阅读 · 0 评论 -
机器学习中的算法(2)-支持向量机(SVM)基础
机器学习中的算法(2)-支持向量机(SVM)基础版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系wheeleast@gmail.com 前言: 又有很长的一段时间没有更新博客了,距离上次更新已经有两个月的时间了。其中一个很大的原转载 2013-07-12 10:10:15 · 886 阅读 · 0 评论