nishiwodeangel的专栏

转自：http://blog.sciencenet.cn/home.php?mod=space&uid=3199&do=blog&id=39165我从http://www.netlib.org/lapack/faq.html下载 lapack-pc-wfc.zip并且成功用watcom fortran编译出lapack.lib. 但是，当我试图将该库直接引用到我的C++工程

Microsoft Office Professional Plus 2007在安装过程中出错。 Windows Installer 服务不能更新一个或多个受保护的windows文件 解决方法GHOST系统自带2003升级或卸载时出现Windows Installer 服务不能更新一个或多个受保护的windows文件解决方法：打开 C:\Pr

直方图均衡化的作用是图像增强。有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条

我希望通过本文的介绍，能给那些目前不太了解lzw算法和该算法在gif图像中应用，但渴望了解它的人一些启发和帮助。抛砖引玉而已，更希望园子里面兄弟提出宝贵的意见。1.LZW的全称是什么?   Lempel-Ziv-Welch (LZW).2. LZW的简介和压缩原理是什么？  LZW压缩算法是一种新颖的压缩方法，由Lemple-Ziv-Welch 三人共同创造，用他们的名字命名。它采

感谢水木上同领域的同学分享，有了他的整理，让我很方便的获得了CV方面相关的经典论文，我也顺便整理一下，把pdf中的文字贴到网页上，方便其它人更直观的获取所要内容~~~     资料的下载链接为：      http://iask.sina.com.cn/u/2252291285/ish?folderid=775855    以下为该同学的整理的综述：“前言：最近由于工作

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使

（一）SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Ac

安装了VS2008+sp1后出现链接错误：>Copyright (C) Microsoft Corporation.  All rights reserved.1>LINK : fatal error LNK1000: Internal error during IncrBuildImage1>  Version 9.00.21022.081>  ExceptionCode  

卡尔曼滤波器 – KalmanFilter1．    什么是卡尔曼滤波器（What is the Kalman Filter?）在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930

在做基于视觉的目标检测的过程中，这四个概念总也记不住，每次都要上网现查一下，干脆现在就放在这里，免得每次找的都很麻烦。表示分类正确：True Positive：本来是正样例，分类成正样例。True Negative：本来是负样例，分类成负样例。表示分类错误：False Positive ：本来是负样例，分类成正样例，通常叫误报。False Negative：本来是正

AdaBoost人脸检测原理对人脸检测的研究最初可以追溯到 20 世纪 70 年代，早期的研究主要致力于模板匹配、子空间方法，变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法，如统计模型方法，神经网络学习方法，统计知识理论和支持向量机方法，基于马尔可夫随机域的方法，以及基于肤色的人脸检测。目前在实际中应用的人脸检测方法多为基于Adaboost学习算法的方法。   

关于人脸检测中的Haar特征提取AdaBoost人脸检测训练算法速度很重要的两方面是特征选取和特征计算。选取的特征为矩特征为Haar特征，计算的方法为积分图。（1）Haar特征：   Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。在确定了特征形式后 Harr-

SIFT/SURF、haar特征、广义hough变换的特性对比分析SIFT/SURF基于灰度图，一、首先建立图像金字塔，形成三维的图像空间，通过Hessian矩阵获取每一层的局部极大值，然后进行在极值点周围26个点进行NMS，从而得到粗略的特征点，再使用二次插值法得到精确特征点所在的层（尺度），即完成了尺度不变。二、在特征点选取一个与尺度相应的邻域，求出主方向，其中SIFT

1. Haar-like特征，即很多人常说的Haar特征，是计算机视觉领域一种常用的特征描述算子。它最早是由Papageorigiou等人用于人脸描述。目前常用的Haar-like特征可以分为三类：线性特征、边缘特征、点特征（中心特征）、对角线特征。如下图所示：显然，边缘特征有4种：x方向，y方向，x倾斜方向，y倾斜方向；线特征有8种，点特征有2种，对角线特征有1种。每

对你的编程技术提高最有效的一件事是什么？回复的人中给了很多很不错的建议，我把他们总结了一下，十条，相信一定会对你有用。(注意：顺序是我自己按我的个人经验排的)和比自己聪明的能力比自己强的人工作。学习他们的代码，他们的做事方法，看一看那些人是怎么处理错误的。总是倾听别人怎么说，无论那个的资历和职位是什么样的。实践，实践，实践，总是不满意于一开始出来的事。多问问自己，现在在写什么代

C语言实现二进制文件读写(转载)文件的读写是挺基础，为了备忘也为了之后查资料方便，从网上找了这个例子，觉得写的很好，就转载过来了。先介绍函数，我们一共要用到三个函数，fopen，fread，fwrite。二进制读写的顺序是用fopen以二进制方式打开读写文件，然后使用fread和fwrite两个函数将数据写入二进制文件中。下面我们看看一个拷贝程序的源码：Copy.c

Hough Transform 霍夫变换检测直线从理论到代码，再从代码到理论（1）理论之通俗理解：1.在图像中检测直线的问题，其实质是找到构成直线的所有的像素点。那么问题就是从找到直线，变成找到符合y=mx+c的所有(x,y)的点的问题。2.进行坐标系变化y=mx+c，变成c=-xm+b。直线上的点(x1,y1)，在转换坐标系后为一条直线。这个原理应该是高中的。  3.直线

ICCV的全称是International Comference on Computer Vision，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。ICCV两年一次，与ECCV正好错开，是公认的三个会议中级别最高的。它的举办地方会在世界各地选，上次是在北京，下次在巴西，2009在日本。iccv上的文章看起来一般都比较好懂，我是比较喜欢的。     

1、数据分析遵循的原则：① 数据分析为了验证假设的问题，提供必要的数据验证；② 数据分析为了挖掘更多的问题，并找到原因；③ 不能为了做数据分析而做数据分析。2、步骤：①  调查研究：收集、分析、挖掘数据②  图表分析：分析、挖掘的结果做成图表3、常用方法：利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖