C++经验总结
文章平均质量分 56
我要糖
这个作者很懒,什么都没留下…
展开
-
C++面向对象复习
原创 2022-05-29 20:37:30 · 267 阅读 · 1 评论 -
SVM训练(C++实现)
在很多文献中,都把HOG和SVM结合起来使用,可以得到很不错的分类效果,SVM就不用再复习啦,就是一个线性分类器,给一个简单的图就能很好理解, 对于有标签的正样本和负样本,如果只有两个维度,也就是只有两个特征,要做的就是找到一条线,能够很好的划分为两个区域分别包含正负样本,并且这条线尽可能远离两个样本中心 (摘自上课的PPT) 但是这是针对二维的情况,如果扩展到多维,可能就无法找到一条线,即使找到了也可能有很多样本发生了错分,所以就需要在更高维度上考虑,高斯是最常用的。 目前我是打算将23维图像降为1维,原创 2022-05-29 19:37:22 · 2335 阅读 · 1 评论 -
LBP特征提取(C++实现)
纹理特征中HOG和LBP是两大很重要的特征,利用好这两个特征的一些性质可以很好提高后续识别精度 一、原理的简单解释 LBP,是局部二值模式,最原始的LBP模式,可以很明显用下面的图描述 对于中心像素点,一共有8个邻域值,大于中心则取值为1,小于中心则取值为0,只有0,1两种取值,一共有2^8=256种模式,可以反映这一块区域的纹理信息; 值得注意的是,它具有旋转不变性(针对于顺时针的),也就是说无论从那个邻域值开始记录都是同样的结果; 一般操作是将所有的8位二进制数旋转直至最小值,取最小值为最终模式,这原创 2022-05-29 16:17:43 · 886 阅读 · 0 评论 -
PCA 降维优化(C++实现)
前段时间写了一个HOG+PCA降维,在进行随机森林训练的时候,说得知道降维后信息保留了多少,以及得把降维后所有特征的重要性进行排序,于是删删改改终于解决了! 代码及解释 Mat pca_1(MatrixXd samFeatureMatrix, int featureNum, int k){ // samFeatureMatrix 为原始矩阵 // featureNum 为图像原始特征维度大小 // k 为可选的降维大小 //复制一份原始矩阵,便于后续得到投影矩阵后进行原创 2022-05-29 11:38:49 · 582 阅读 · 0 评论