- 博客(38)
- 收藏
- 关注
RSS订阅原创 第 1 0 章OpenCV
本章概述如何通过 Python 接口使用流行的计算机视觉库 OpenCV。OpenCV 是一个C++ 库，用于（实时）处理计算视觉问题。实时处理计算机视觉的 C++ 库，最初由英特尔公司开发，现由 Willow Garage 维护。OpenCV 是在 BSD 许可下发布的开源库，这意味着它对于学术研究和商业应用是免费的。OpenCV 2.0 版本对于 Python 的支持已经得到了极大的改善。下面，我们会讲解一些基本的例子并深入了解视频与跟踪。
2024-09-13 07:13:19
1617
原创 第 9 章图像分割
图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。本章中，我们将看到一些不同的分割技术。
2024-09-12 06:36:35
1178
原创 第 8 章图像内容分类
本章介绍图像分类和图像内容分类算法。首先，我们介绍一些简单而有效的方法和目前一些性能最好的分类器，并运用它们解决两类和多类分类问题，最后展示两个用于手势识别和目标识别的应用实例。
2024-09-11 06:38:16
1177
原创 第 7 章图像搜索
本章将展示如何利用文本挖掘技术对基于图像视觉内容进行图像搜索。本章阐明了提出利用视觉单词的基本思想，并解释了完整的安装细节，还在一个示例数据集上进行了测试。
2024-09-10 12:51:42
1343
原创 第 6 章图像聚类
本章将介绍几种聚类方法，并展示如何利用它们对图像进行聚类，从而寻找相似的图像组。聚类可以用于识别、划分图像数据集，组织与导航。此外，我们还会对聚类后的图像进行相似性可视化。
2024-09-10 12:50:50
1273
原创 第 5 章多视图几何
本章讲解如何处理多个视图，以及如何利用多个视图的几何关系来恢复照相机位置信息和三维结构。通过在不同视点拍摄的图像，我们可以利用特征匹配来计算出三维场景点以及照相机位置。本章会介绍一些基本的方法，展示一个三维重建的完整例子；本章最后将介绍如何由立体图像进行致密深度重建。
2024-09-09 20:58:17
1349
原创 第 4 章照相机模型与增强现实
针孔照相机模型（有时称为射影照相机模型）是计算机视觉中广泛使用的照相机模型。对于大多数应用来说，针孔照相机模型简单，并且具有足够的精确度。这个名字来源于一种类似暗箱机的照相机。该照相机从一个小孔采集射到暗箱内部的光线。在针孔照相机模型中，在光线投影到图像平面之前，从唯一一个点经过，也就是照相机中心 C。图 4-1 为从照相机中心前画出图像平面的图解。事实上，在真实的照相机中，图像平面位于照相机中心之后，但是照相机的模型和图 4-1 的模型是一样的。图 4-1：针孔照相机模型。图像点。
2024-09-09 20:54:25
1188
原创 概率图模型
概率图模型（Probabilistic Graphical Model，简称PGM）是一类用图结构来表达各属性之间相关关系的概率模型。这类模型结合了概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。
2024-08-27 10:42:13
1034
原创 降维与度量学习
高维出现的样本稀疏、距离计算等困难是所有机器学习共同面临的障碍，被称为“维数灾难”，因此需要通过某种数学变换将高维属性空间转变为低维子空间。一方面舍弃的这部分信息能使样本采样密度增大，另一方面最为的特征值对应的特征向量往往与在噪声有关，舍弃在一定程度上起到了去噪效果。每个空间对应了在样本属性上的一个距离度量，寻找合适的空间就是寻找一个合适的距离度量。w=diag(w)是一个对角矩阵,W可通过学习确定，经过变化W替换成一个普通的半正定矩阵M,于是得到马氏距离，度量学习则是对M“度量矩阵”进行学习。
2024-08-12 19:47:08
665
原创 第九章聚类
聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
2024-08-12 19:45:49
1049
原创 计算学习理论
计算学习理论为机器学习算法提供了坚实的数学基础，它通过分析学习任务的本质和难度，为学习算法的设计提供了理论保证。PAC学习理论是其中的核心概念之一，它提供了一种评估学习算法性能的方法论框架。通过研究假设空间的复杂度和样本复杂度，我们可以更深入地理解机器学习算法的工作原理和性能表现。
2024-08-03 22:31:34
821
原创 特征选择与稀疏学习
先选择一个最优特征，然后从d-1个特征选择一个加入到最优特征，构成两个特征子集在寻找两特征子集中最优特征，直到地k+1轮时，最优候选特征（k+1）特征子集不如上一轮则停止生成候选子集，将k特征集合作为特征选择结果。可行的做法是产生“候选子集”，评价它的好坏，基于评价结果再产生下一个候选子集，直到无法找出更好的候选子集为止。算法第8行通过数据集D上，考虑特征子集A’时，使用交叉验证法来估计学习器ε的误差，若特征子集A’的误差比当前特征子集A小或者误差相当但是A’中包含的特征数更少，则将A’保存下来。
2024-08-02 22:53:48
686
原创 支持向量机
支 持 向 量 机 （ Support Vector Machine,SVM ） 是 一 类 按 监 督 学 习 （supervised learning）方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。假如数据是完全的线性可分的，那么学习到的模型可以称为硬间隔支持向量机。
2024-07-19 00:03:18
898
原创 集成学习笔记
即：一个叶子节点的直方图可以由它的父亲节点的直方图与其兄弟的直方图做差得到。GBDT（Gradient Boosting Decision Tree）是一种迭代的决策树算法，该算法由多棵决策树组成，GBDT 的核心在于累加所有树的结果作为最终结果，所以 GBDT 中的树都是回归树，不是分类树，它是属于 Boosting 策略。这种随机性导致随机森林的偏差会有稍微的增加（相比于单棵不随机树），但是由于随机森林的“平均”特性，会使得它的方差减小，而且方差的减小补偿了偏差的增大，因此总体而言是更好的模型。
2024-07-18 11:09:35
1106
原创 贝叶斯分类器
任何可以用来判断内容中具备或缺失的东西。如要对文档进行分类时，所谓的内容就是文档，特征就是文档中的单词(当然你也可以选择其他合理的东西)当向贝叶斯分类器输入一个要进行分类的样本后，分类器会先对该样本进行分析，确定其特征，然后将根据这些特征时，计算样本属于各分类的概率。朴素贝叶斯分类器的具体工作步骤：1) 学习：向分类器输入一系列的训练数据，注意这些数据是包括其所属类别的，分类器将对训练数据进行分析，计算出。
2024-07-17 00:02:10
1093
原创 第四章决策树
1、从整个数据集中遍历 n 个特征值，依据各个特征属性的不同取值划分数据集，并计算每个特征值划分前后所对应的信息增益，选择信息增益最大所对应特征属性进行划分数据集；2、遍历所划分各个子节点，重复步骤1，直到节点中所有类别一致或没有可以接着划分的特征属性，并将该节点设为叶子节点，将多数的类别作为该节点的类别。
2024-07-16 00:39:38
1332
原创 第三章线性模型
MvM：给定数据集D，假定其中有N个真实类别，每次取若干个类作为正类，若干个类作为反类（通过ECOC码给出，编码），若进行了M次划分，则生成了M个二分类学习器，在测试阶段（解码），得出M个结果组成一个新的码，最终通过计算海明/欧式距离选择距离最小的类别作为最终分类结果。OvO：给定数据集D，假定其中有N个真实类别，将这N个类别进行两两配对（一个正类/一个反类），从而产生N（N-1）/2个二分类学习器，在测试阶段，将新样本放入所有的二分类学习器中测试，得出N（N-1）个结果，最终通过投票产生最终的分类结果。
2024-07-15 22:57:43
497
原创 模型评估与选择
错误率（error rate）： 分类错误的样本数占样本总数的比例精度（accuracy）：1- 错误率训练误差 / 经验误差：在训练集上的误差泛化误差：在新样本上的误差过拟合欠拟合。
2024-07-15 00:54:57
1208
原创 机器学习绪论
程序通过不断的学习达到一定的性能，可以完成指定的任务定义（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验 学习中改善具体算法的性能。（2）机器学习是对能通过经验自动改进的计算机算法的研究。（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准机器学习的三个要素模型（model）：模型在未进行训练前，其可能的参数是多个甚至无穷的，故可能的模型也是多个甚至无穷的，这些模型构成的集合就是假设空间。
2024-07-14 22:53:28
404
原创 目标识别步骤
在图像处理和计算机视觉领域，图像的模式识别或目标识别任务根据不同的识别任务选择合适的描绘子组合，即模式。描绘子可以是定量的，也可以是定性的，根据它们的不同特性，可以运用不同的方法来实现图像的识别。
2024-07-12 01:23:48
603
原创 表示和描述
表示方法: 包括边界追踪、链码、多边形近似法等，通过这些方法可以有效地提取和表示图像中的边界信息。边界的描绘子: 包括偏心率、形状数、傅立叶描绘子和统计矩等，这些描绘子用于描述物体的边界形状特征。区域的描绘子: 包括圆度率、拓扑描绘子、纹理和不变矩等，这些描绘子用于描述物体的区域特征。使用主分量进行的描述和关系描绘子: 通过PCA和关系描绘子，可以有效地降维和描述图像中不同对象或区域之间的关系。
2024-07-10 00:10:21
1163
原创 形态学图像处理
画出差值的图像，曲线中的峰值就会指明图像中主要大小颗粒的分布。对于内含多个连通分量的图像A，从仅为连通分量A1内部的某个像素B开始，用3*3的结构元不断进行膨胀。随着集合B的不断膨胀，B的区域不断生长，但又被限制在连通分量A1的内部，最终就会充满整个连通分量A1，从而实现对连通分量A1的提取。一种简单的可视化方法是，用直（连续的）欧几里得线段连接其边界点，如果只有前景点包含于由这些线段形成的集合，那么集合是凸的。类似地，当b的反射的原点是(x,y)时，平坦结构元b在(x,y)处对图像f的膨胀，定义为。
2024-07-06 14:26:59
1454
原创 图像压缩处理
D、分配码字：码字分配从最后一步开始反向进行，对于每次相加的两个概率，给大的赋¨O"，小的赋¨1¨(也可以全部相反，如果两个概率相等， 则从中任选一个赋¨O¨， 另一个赋"l¨即可)，读出时由该符号开始一直走到最后的概率和¨1¨，将路线上所遇到的¨O¨和¨l¨按最低位到最高位的顺序排好，就是该符号的哈大曼编码。(3)对新的概率集合重新排序(O．4，O．3，O．2，O．1)，选出最小的两个概率(O．2和O．1)，相加得O．3，组成新的概率集合(O．4，O．3，O．3)；
2024-07-05 23:39:35
948
原创 YOLOv5安装教程（window下和Ubuntu下都有）
链接: https://pan.baidu.com/s/1YC5MySu3SOF7yAzfyMr6CA?首先要在设备管理器中查看你的显卡型号，比如在这里可以看到我的显卡型号为。分别给出了训练集图片和验证集图片的列表，含有每个图片的路径和文件。不是内部或外部命令，也不是可运行的程序 或批处理文件。如果输出下图所示的显卡信息，说明你的驱动安装成功。创建虚拟环境，环境名字可自己确定，这里使用。再根据自己情况的修改；文件夹，分别放置训练集和验证集图片；环境变量，可以看到系统中多了。仓库的镜像，运行以下命令。
2024-07-02 11:05:31
1347
原创 YOLO、Pytorch、CUDA安装配置
首先要在设备管理器中查看你的显卡型号，比如在这里可以看到我的显卡型号为。不是内部或外部命令，也不是可运行的程序 或批处理文件。如果输出下图所示的显卡信息，说明你的驱动安装成功。创建虚拟环境，环境名字可自己确定，这里使用。下载之后就是简单的下一步直到完成。下载对应你的英伟达显卡驱动。环境变量，可以看到系统中多了。直接将其解开压缩包，然后需要。计算机上点右键，打开属性。仓库的镜像，运行以下命令。包含了众多流行的科学。），克隆项目到本地（如。是一个用于科学计算的。在所创建的环境下安装。
2024-07-01 21:03:30
569
原创 彩色图像处理
由于人眼对绿色的敏感最高，对蓝色的敏感最低，因此，按下式对RGB三分量进行加权平均能得到。将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。即共有3种，R分量灰度图、G分量灰度图、B分量灰度图。在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫做灰度值。f(i,j)=R(i,j)或者f(i,j)=G(i,j)或者f(i,j)=B(i,j)将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。将彩色图像中的三分量亮度求平均得到一个灰度值。
2024-06-30 23:29:04
218
原创 图像复原与重建
下面的函数接受任意数量的脉冲位置（频率坐标），每个脉冲位置都有自己的增幅、频率和相移参数，该函数还会输出各个正弦波之和的傅里叶变换及相应谱。下面这个语句生成 100000 个元素的列向量 r ，每个元素都是一个随机数，这些随机数服从高斯分布，均值为0， 标准差为 1。所不能生成的噪声类型和参数。空间噪声值是随机数，可采用一些简单的概率论规则来生成分布类型中我们感兴趣的随机数。使退化的图像尽量恢复本来面目，是图像退化的逆过程进行处理。质量变坏，模糊、失真、有噪声。重点是找到图像退化的原因。
2024-06-30 23:24:56
503
原创 第 7 章图像搜索
本章将展示如何利用文本挖掘技术对基于图像视觉内容进行图像搜索。本章阐明了提出利用视觉单词的基本思想，并解释了完整的安装细节，还在一个示例数据集上进行了测试。
2024-06-24 10:58:27
350
原创 第 6 章图像聚类
粘贴每幅图像的缩略图到白色背景图片图 6-3：在成对主成分上投影的字体图像。左图用的是第一个和第二个主成分，右图用的是第二个和第三个主成分这里，我们用到了整数或 floor 向下取整除法运算符 //，通过移去小数点后面的部分，可以返回各个缩略图在白色背景中对应的整数坐标位置。这类图像说明这些字体图像在 40 维里的分布情况，对于选择一个好的描述子很有帮助。可以很清楚地看到，二维投影后相似的字体图像距离较近。
2024-06-24 10:56:59
418
原创 第 5 章多视图几何
本章讲解如何处理多个视图，以及如何利用多个视图的几何关系来恢复照相机位置信息和三维结构。通过在不同视点拍摄的图像，我们可以利用特征匹配来计算出三维场景点以及照相机位置。本章会介绍一些基本的方法，展示一个三维重建的完整例子；本章最后将介绍如何由立体图像进行致密深度重建。
2024-06-24 10:55:49
459
原创 第 4 章照相机模型与增强现实
本章中，我们将尝试对照相机进行建模，并有效地使用这些模型。在之前的章节里，我们已经讲述了图像到图像之间的映射和变换。为了处理三维图像和平面图像之间的映射，我们需要在映射中加入部分照相机产生图像过程的投影特性。本章中我们将会讲述如何确定照相机的参数，以及在具体应用中，如增强现实，如何使用图像间的投影变换。下一章中，我们将使用照相机模型处理其他一些应用，比如多视图及其映射。
2024-06-24 10:51:54
609
原创 第 3 章图像到图像的映射
""" 在齐次坐标意义下，对点集进行归一化，使最后一行为 1 """""" 将点集（dim×n 的数组）转换为齐次坐标表示 """进行点和变换的处理时，我们会按照列优先的原则存储这些点。因此，n个二维点集将会存储为齐次坐标意义下的一个 3×n数组。这种格式使得矩阵乘法和点的变换操作更加容易。对于其他的例子，比如对于聚类和分类的特征，我们将使用典型的行数组来存储数据。在这些投影变换中，有一些特别重要的变换。
2024-06-23 23:15:41
900
原创 第 2 章局部图像描述子
本章旨在寻找图像间的对应点和对应区域。本章将介绍用于图像匹配的两种局部描述子算法。本书的很多内容中都会用到这些局部特征，它们在很多应用中都有重要作用，比如创建全景图、增强现实技术以及计算图像的三维重建。
2024-06-23 23:13:24
599
原创 第 1 章基本的图像操作和处理
1.1 PIL：Python图像处理类库PIL（Python Imaging Library Python，图像处理类库）提供了通用的图像处理功能，以及大量有用的基本图像操作，比如图像缩放、裁剪、旋转、颜色转换等。PIL 是免费的，可以从 http://www.pythonware.com/products/pil/ 下载。利用 PIL 中的函数，我们可以从大多数图像格式的文件中读取数据，然后写入最常见的图像格式文件中。PIL 中最重要的模块为 Image。要读取一幅图像，可以使用：
2024-06-23 23:04:30
844
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人