qq_46618854的博客

图像分类，即通过图像内容的不同将图像划分为不同的类别，该技术二十世纪九十年代末提出，并命名为基于图像内容的图像分类(Content- Based ImageClassific- ation, CEIC)算法概念，基于内容的图像分类技术不需要对图像的语义信息进行人工标注，而是通过计算机提取图像中所包含的特征，并对特征进行处理和分析，得出分类结果。常用的图像特征有 图像颜色、纹理、灰度等信息。而图像分类过程中，提取的特征要求不容易受随机因素干扰，特征的有效提取可提高图像分类的精度。特征提取完成后，选择

什么是相机标定?随着科技和经济的蓬勃发展，机器人作业、汽车自动导航等技术已经得到广泛应用，在很大程度上推动了社会生产力的发展。不论是主动光学视觉传感或者是被动光学视觉传感,要从图像推知物空间的三维信息,或反之，从空间三维信息推知二维图像坐标，都必须确定相机在参考坐标系中的空间位置和取向,以及相机本身的几何和光学参数为解决这个问题所需用到相机标定技术相机标定的作用在于消除由于相机产生的图像畸变,从而校正图像，为处理计算出精确数值提供可能。由此，相机标定成了系统准确的先决条件。从真实的三维世界坐标，可以得到

文章目录python cv 全景拼接一、全景拼接介绍1.1 流程：1.2 sift匹配与RANSAC1.3 图像配准1.4图割方法1.5 图像融合二、代码运行效果python cv 全景拼接一、全景拼接介绍在同一位置（即图像的照相机位置相同）拍摄的两幅或者多幅图像是单应性相关的。我们经常使用该约束将很多图像缝补，来拼成一个大的图像来创建全景图像。1.1 流程：1.根据给定图像/集，实现特征匹配。2.通过匹配特征计算图像之间的变换结构。3.利用图像变换结构，实现图像映射。4.针对叠加后的图像，

文章目录1.Harris角点检测1.1基础知识1.2算法思想1.3Harris数学公式1.4代码实例效果1.Harris角点检测1.1基础知识使用一个滑动窗口在下面三幅图中滑动，可以得出以下结论：左图表示一个平坦区域，在各方向移动，窗口内像素值均没有太大变化；中图表示一个边缘特征（Edges），如果沿着水平方向移动(梯度方向)，像素值会发生跳变；如果沿着边缘移动(平行于边缘) ，像素值不会发生变化；右图表示一个角（Corners），不管你把它朝哪个方向移动，像素值都会发生很大变化。

文章目录python+CV对图像的基本操作opencv安装绘制直方图高斯滤波直方图均衡化结语python+CV对图像的基本操作opencv安装在cmd下输入pip install opencv-python绘制直方图直方图统计了图像像素的分布，但空间信息完全丧失。import cv2import matplotlib.pyplot as pltim = cv2.imread("../jmuIma/t1.JPG", cv2.IMREAD_GRAYSCALE)im = cv2.resiz

机器学习三要素：数据，模型，策略；计算机利用已有的数 据(经验)，得出了某种模型，并利用此模型预测未来的一种方法。分类监督学习指从标注数据中学习预测模型的机器学习问题。标注数据表示输入输出的对应关系，预测模型对给定的输入产生相应的输出。监督学习的本质是学习输入到输出的映射的统计规律。无监督学习指从无标注数据中学习预测模型的机器学习问题。无标注数据是自然得到的数据，预测模型表示数据的类别，转换或概率。无监督学习的本质是学习数据中的统计规律或潜在结构。聚类，降维，关联规则，推荐系统。强化学习

文章目录支持向量机代码实践数据集算法类SMO算法训练及测试支持向量机代码实践理论部分：(72条消息) 支持向量机详细解释_better_than的博客-CSDN博客代码：https://github.com/vistor985/-.git数据集标题：平衡秤重量和距离数据库相关信息:这个数据集是用来建立心理学模型的实验结果。每个例子都被归类为具有天平向右倾斜，向左倾斜，还是向左倾斜平衡。这些属性是左权重距离，合适的重量，合适的距离。的正确的查找类的方法是较大的(left-distance * l

文章目录支持向量机简介线性可分支持向量机函数间隔与几何间隔函数间隔几何间隔间隔最大化最大间隔分离超平面支持向量和间隔边界拉格朗日对偶问题软间隔松弛变量软间隔对偶问题软间隔支持向量核技巧核函数非线性支持向量分类机SMO算法（序列最小优化算法）基本思路：修剪最优化问题解证明参考支持向量机简介支持向量机是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，其学习策略就是间隔最大化，支持向量机学习方法包含构建由简至繁的模型：线性可分支持向量机，线性支持向量机以及非线性支持向量机。当训练数据

文章目录拉格朗日对偶问题凸函数凸集仿射集半空间凸，凹函数对偶问题续slater条件KKT条件拉格朗日对偶问题来源：[“拉格朗日对偶问题”如何直观理解？“KKT条件” “Slater条件” “凸优化”打包理解_哔哩哔哩_bilibili]:梯度方向共线相加减才有可能等于0L(x,λ)=f(x)+∑λigi(x)L(\boldsymbol{x}, \boldsymbol{\lambda})=f(\boldsymbol{x})+\sum \lambda_{i} g_{i}(\boldsymbol{x}

文章目录c++STL基本使用STL简要介绍算法和函数，结合容器和迭代器解决序列变换（如取反、平方、立方）基本序列变换操作用set存储学生信息，并进行增删改查操作；输入一个字符串，用map统计每个字符出现的次数并输出字符及对应的次数像素变换（二值化、灰度拉伸）结语c++STL基本使用STL简要介绍STL 是“Standard Template Library”的缩写，中文译为“标准模板库”。STL 是 C++ 标准库的一部分，不用单独安装。C++ 对模板（Template）支持得很好，STL 就是借助

文章目录朴素贝叶斯分类背景知识贝叶斯公式朴素贝叶斯原理贝叶斯公式助解贝叶斯识别垃圾邮件——离散属性数据集数据处理训练目的方式特殊拉普拉斯修正防溢出策略垃圾邮件分类贝叶斯解决平衡称问题——离散数据集加载数据集分类实验贝叶斯解决手写体识别——连续数据集算法代码结语代码结语朴素贝叶斯分类背景知识贝叶斯分类：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。先验概率： 根据以往经验和分析得到的概率。我们用????(????)来代表在没有训练数据前假设????拥有的初始概率。

文章目录逻辑回归前言线性回归sigmoid梯度上升算法逻辑回归分类演示实战演示数据集预测结语逻辑回归前言logistic回归是被用于解决分类问题的机器学习方法，以下我们将对逻辑回归在二分类的应用上展开介绍，涉及的内容有激活函数sigmoid,梯度上升算法，以及在数据集上的实际应用。本次实践的代码已上传到https://github.com/vistor985/-.git线性回归在此之前，我们了解一下线性回归，线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计

文章目录参考c++ 模板一、模板函数（compare）一般模板函数特化模板函数二、模板类Queue或Stack模板类（Queue）成员模板函数模板成员函数特化模板类特化,全特化与偏特化队列的简单使用演示三、模板类AutoPtr构造函数析构函数拷贝构造函数等号、->、*等运算符重载智能指针完整代码主函数调用AutoPtr结语参考模板特化c++ 模板一、模板函数（compare）模板是泛型编程的基础，泛型编程即以一种独立于任何特定类型的方式编写代码。模板是创建泛型类或函数的蓝图或公式。库容器，

文章目录参考c++ 模板一、模板函数（compare）一般模板函数特化模板函数二、模板类Queue或Stack模板类（Queue）成员模板函数模板成员函数特化模板类特化,全特化与偏特化队列的简单使用演示三、模板类AutoPtr主函数调用AutoPtr结语结语参考模板特化c++ 模板一、模板函数（compare）模板是泛型编程的基础，泛型编程即以一种独立于任何特定类型的方式编写代码。模板是创建泛型类或函数的蓝图或公式。库容器，比如迭代器和算法，都是泛型编程的例子，它们都使用了模板的概念。每个容器

文章目录一、继承访问权限测试设计类A具有public, protected, private等不同属性的成员函数或变量；类B通过public, protected, private等不同方式继承A，在类B的成员函数中测试访问A的成员函数或变量；在类A中添加public, protected, private等不同属性的成员函数或变量，在外部测试访问A的各个成员函数或变量；B以private方式继承A，尝试把A中的部分public成员提升为public。二、友元类继承测试设计类A含有私有变量a，在类A中友元给

文章目录决策树识别手写体前言实现步骤所需的库导入数据集信息熵选出信息增益最高的属性选出信息增益率最高的属性选出基尼指数最低的属性生成决策树展示树测试决策树简单实现演示展示树图信息增益图信息增益率图基尼指数图结果分析决策树识别手写体前言决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是

目录基本内容代码实现运行演示reference基本内容本文用c++实现矩阵基本操作一、构造函数CMatrix(): 不带参数的构造函数；CMatrix(int nRow, int nCol, double *pData=NULL) : 带行、列及数据指针等参数的构造函数,并且参数带默认值；CMatrix(const char * strPath): 带文件路径参数的构造函数；CMatrix(const CMatrix& m): 拷贝构造函数此外会用列表初始化成员变量：CMatrix(

文章目录1.算法简介距离度量2.算法流程3.代码部分4.运行结果5.结果分析1.算法简介1． ???? 近邻法是基本且简单的分类与回归方法。 ???? 近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的 ???? 个最近邻训练实例点，然后利用这 ???? 个训练实例点的类的多数来预测输入实例点的类。2． ???? 近邻模型对应于基于训练数据集对特征空间的一个划分。 ???? 近邻法中，当训练集、距离度量、 ???? 值及分类决策规则确定后，其结果唯一确定。3． ???? 近邻法