- 博客(25)
- 收藏
- 关注
RSS订阅原创 python计算机视觉编程第三章——图像到图像的映射
三角形图像块的仿射扭曲可以完成角点的精确匹配。对应点对集合之间最常用的扭曲方式是分段仿射扭曲。可以使用使用 Matplotlib 和 SciPy 来完成这个操作。为了三角化这些点，经常使用狄洛克三角剖分方法。
2024-08-27 13:42:00
281
原创 python计算机视觉编程第二章——局部图像描述子
Harris角点检测算法（也称Harris & Stephens角点检测器）是一个极为简单的角点检测算法。该算法的主要思想是,如果像素周围显示存在多于一个方向的边，我们认为该点为兴趣点。兴趣点描述子是分配给兴趣点的一个向量，描述该点附近的图像的表观信息。描述子越好，寻找到的对应点越好。我们用对应点或者点的对应来描述相同物体和场景点在不同图像上形成的像素点。Harris 角点的描述子通常是由周围图像像素块的灰度值，以及用于比较的归一化互相关矩阵构成的。图像的像素块由以该像素点为中心的周围矩形部分图像构成。
2024-08-27 13:41:33
483
原创 python计算机视觉编程第一章——基本的图像操作和处理
由于图像具有很高的维数，在许多计算机视觉应用中，我们经常使用降维操作。每行的第一个元组表示图像数组的大小（行、列、颜色通道），紧接着的字符串表示数组元素的数据类型。但当矩阵的维数很大时，SVD 的计算非常慢，所以此时通常不使用 SVD 分解。假设所有的图像具有相同的大小，我们可以将这些图像简单地相加，然后除以图像的数目，来计算平均图像。将变平的图像堆积起来，我们可以得到一个矩阵，矩阵的一行表示一幅图像。是在去除图像噪声的同时，尽可能地保留图像细节和结构的处理技术。该函数可以自动跳过不能打开的图像。
2024-08-27 13:41:18
964
原创 机器学习第十二章——计算学习理论
若存在学习算法A和多项式函数poly(.,.,.,.)，使得对于任意m >= poly(1/e, 1/t, size(X), size(c))，A能从假设空间H中PAC辨识出概念类C，则称概念类C对假设空间H而言是PAC可学习的。：若学习算法A使概念类C为PAC可学习，且A的运行时间也是多项式函数poly(1/e, 1/t, size(X), size(c))，则称A为概念类C的PAC学习算法。：若有m个独立随机变量，且对任意的i∈[0,1]，则对任意ϵ>0，那么有。
2024-08-20 07:00:00
1397
原创 机器学习第十一章--特征选择与稀疏学习
(redundant feature):所包含的信息能从其他特征中推演出来.冗余特征在很多时候不起作用，去除它们会减轻学习过程的负担.但有时冗余特征会降低学习任务的难度.”(irrelevant feature)．从给定的特征集合中选择出相关特征子集的过程，称为“．假定样本属性均为离散型.对属性子集A,假定根据其取值将D分成了V个子集。”(relevant feature）、没什么用的属性称为 “”(feature），对当前学习任务有用的属性称为 “给定数据集D，假定D中第i类样本所占的比例为。
2024-08-19 11:00:58
1039
原创 机器学习第十章——降维与度量学习
其中Λ \LambdaΛ就是对角矩阵每个值对应一个特征向量，这些特征向量可以拼成V矩阵，可以找到几个比较小的或者说几乎接近于0的特征值对应的特征向量然后把特征值和特征向量去掉，重新组成新的特征向量矩阵 (找出其近邻点,然后就能建立一个近邻连接图,图中近邻点之间存在连接,而非近邻点之间不存在连接,于是,计算两点之间测地线距离的问题,就转变为计算近邻连接图上两点之间的最短路径问题（很多时候，人们观测或收集到的数据样本虽是高维的,但与学习任务密切相关的也许仅是某个低维分布,即高维空间中的一个。
2024-08-12 15:54:14
1043
原创 机器学习第九章——聚类
(density-based clustering),假设聚类结构能通过样本分布的紧密程度确定.通常情形下,密度聚类算法从样本密度的角度来考察样本之间的可连接性,并基于可连接样本不断扩展聚类簇以获得最终的聚类结果.策略的层次聚类算法.它先将数据集中的每个样本看作一个初始聚类簇,然后在算法运行的每一步中找出距离最近的两个聚类簇进行合并，该过程不断重复,直至达到预设的聚类簇个数.：先对原型进行初始化,然后对原型进行迭代更新求解.采用不同的原型表示、不同的求解方式,将产生不同的算法.
2024-08-12 03:15:44
930
原创 机器学习第八章——集成学习
考虑一个简单的例子:在二分类任务中,假定三个分类器在三个测试样本上的表现如下图所示,其中√表示分类正确,×表示分类错误,集成学习的结果通过投票法(voting)产生，即“少数服从多数”．。：只包含同种类型的个体学习器，“基学习器”(base learner),相应的学习算法称为“基学习算法”(base learning algorithm)。，然后基于调整后的样本分布来训练下一个基学习器;的工作机制类似:先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器。
2024-08-05 13:58:34
1099
原创 机器学习第五章——神经网络
神经元接收到来自n个其他神经元传递过来的输入信号,这些输入信号通过带权重的连接(connection)进行传递,神经元接收到的总输入值将与神经元的阈值进行比较,然后通过“激活函数”(activation function)处理以产生神经元的输出。是由具有适应性的 简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界体所作出的交互反应。Sigmoid函数作为激活函数。
2024-08-05 01:33:44
853
原创 机器学习第七章——贝叶斯分类器
假设有Ⅳ种可能的类别标记，即y= {C1,C2,...,cN}，入ij是将一个真实标记为cz的样本误分类为c所产生的损失.基于后验概率P(c | a)可获得将样本α分类为c所产生的期望损失(expected loss)，即在样本α 上的“条件风险”(conditional risk)(Bayes decision rule):为最小化总体风险,只需在每个样本上选择那个能使条件风险R(c | a)最小的类别标记,即。由于对所有类别来说P(a)相同,因此基于式(7.6)的贝叶斯判定准则有。
2024-07-28 21:00:50
980
原创 机器学习第六章——支持向量机
为法向量,决定了超平面的方向;b为位移项,决定了超平面与原点之间的距离．显然,划分超平面可被法向量w和位移b确定，下面我们将其记为(w,b).样本空间中任意点x到超平面(w,b)的距离可写为。欲找到具有“最大间隔”(maximum margin)的划分超平面，也就是要找到能满足式(6.3)中约束的参数w和b,使得。如下图所示,距离超平面最近的这几个训练样本点使上式的等号成立，它们被称为。(Support Vector Machine,简称SVM)的基本型.：两个异类支持向量到超平面的距离之和。
2024-07-27 13:12:34
104
原创 机器学习第四章——决策树
信息增益准则对可取值数目较多的属性有所偏好，为减少这种偏好可能带来的不利影响，者名的C4.o 伏束网算你凤a八属性﹐采用与用信息增益,而是使用“增益率”(gain ratio)来选择最优划分属性.采用与式(4.2)相同的符号表示,增益率定义为。称为属性a的“固有值”(intrinsic value) [Quinlan，1993].属性a的可能取值数目越多(即V越大)，则 IV(a)的值通常会越大.Ent(D)的值越小，则D的纯度越高.Ent(D)的最小值为，最大值为。假定离散属性α有V个可能的取值{
2024-07-26 21:10:07
335
原创 机器学习第三章——线性模型
它通过引入Sigmoid函数（或称对数几率函数），将线性回归模型的预测值转化为一个介于0和1之间的概率值，从而进行分类。线性判别分析是一种监督学习的降维技术，它通过将数据投影到低维空间，使得同类样本的投影点尽可能接近，异类样本的投影点尽可能远离，从而实现分类效果。线性模型试图学得一个通过属性的线性组合来进行预测的函数，即f(x)=wTx+b，其中w是权重向量，b是偏置项，x是输入样本。测试时，若仅有一个分类器预测为正类，则对应的类别标记作为最终分类结果。：去除一些多数类样本，使得正负样本数目接近。
2024-07-21 23:11:12
754
原创 机器学习第二章——模型评估和选择
一、基本概念错误率（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，即分类正确的样本数占样本总数的比例。 误差（Error）：学习器的实际预测输出与样本的真实输出之间的差异。训练误差（Training Error）或经验误差（Empirical Error）：在训练集上的误差。 泛化误差（Generalization Error）：在新样本上的误差。二、过拟合与欠拟合过拟合（Overfitting）： 定义：对训练数据拟合过当，训练
2024-07-21 18:05:06
935
原创 机器学习第一章——绪论
机器学习致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在,因此,机器学习所研究的主要内容,是关于在计算机上从数据中产生“模型”(model)的算法，即“学习算法”(learning algorithm)。
2024-07-21 15:24:09
868
原创 数字图像处理第十一章——表示与描述
由符号函数计算得sgn(v,,wc.V)=0和sgn(V,Bc,V)=0，因此,条件(b)成立。在这一阶段,爬行点w,位于(1，4)处，爬行点Bc位于(2,3)处，而V仍位于(1,4)处,因为未找到新的MPP 顶点。下面，我们来考虑V,=(3,3)。符号函数的值是sgn(V,WcV)=0和sgn(V,B.,V,)=1，所以算法的条件(b)再次成立。因为V,是一个 W(凸)顶点，我们令WC=V=(3,3)。符号函数的值是sgn(V,,We,V)=-2和sgn(V,,B.y)=0，因此条件(b)再次成立。
2024-07-20 22:42:33
738
原创 数字图像处理第八章——图像压缩
下图为一个典型的小波编码系统，它与变换编码系统之间的主要区别为省略了变换编码器的子图像处理阶段，这是因为小波变换的计算效率和固有的局部性，没必要对原图像进行细分。从一个可能事件的离散集合{a1,a2,...,aj}，给定一个统计独立随机事件的信源，与该集合相联系的概率为{P(a1),P(a2),...,P(aj)}，则每个信源输出的平均信息称为该信源的熵，即。H0是黑色行程信源的熵的估计，H1是白色行程信源的熵的估计，L0是黑色行程的平均值，L1是白色行程的平均值。
2024-07-20 15:15:13
988
原创 数字图像处理第六章——彩色图像处理
如果对上图中平面的每一侧赋以不同的颜色，平面上面的任何灰度级的像素将编码成一种彩色。对任何输人像素的灰度执行3个独立的变换。可以说RGB 对于图像颜色生成来说是理想的(如用彩色摄像机的图像获取,或在监视器屏幕上显示图像)，但在用于颜色描述时则有许多的限制。HSI模型是开发基于彩色描述的图像处理算法的理想工具，这种彩色描述对人来说是自然且直观的，毕竟人才是这些算法的开发者和使用者。其中f(x, y)是彩色输入图像，g(x, y)是变换后或处理过的彩色输出图像，T是在(x, y)的空间邻域上对f的一个算子。
2024-07-01 08:15:27
690
原创 数字图像处理第五章——图像复原与重建
图像中的噪声是随机的，其灰度值的统计特性可以用概率密度函数（PDF)或相应的累计分布函数(CDF）进行表征。自适应滤波器的性能要优于迄今为止讨论过的所有滤波器的性能。可以选择空域滤波的方法来复原图像，常见的空域滤波器有均值滤波器、中值滤波器、最大值滤波器、最小值滤波器、中点滤波器以及自适应滤波器等。滤波器在该区域中心任意一点(x, y)上的响应基于以下4个量: (a) g(x, y),带噪图像在点(x, y)上的值;，污染f(x,y)以形成g(x, y)的噪声的方差;表示z的均(平均)值,
2024-06-30 23:49:58
613
原创 数字图像处理第四章——频率与滤波
④对滤波器H(u,v)、频谱F(u,v)执行阵列相乘（对应元素逐个进行相乘)，形成乘积G(u,v)=H(u,v)F(u,v)，其中G(m,n)=H(m,n)F(m,n)且0≤m≤M-1,0≤n≤N-1。一个连续的带限函数用取样率大于函数最高频率的两倍的取样来表示不会有信息损失。完美重建的函数是用取样值加权的sinc函数的无限和，并且有重要的特性，即重建的函数恒等于在多个△T的整数增量处的样本值。②对步骤①的结果执行DFT，得到关于中心对称的频谱F(uv)③生成一个实的、中心对称的频域滤波器H(u,v)
2024-06-30 22:44:31
961
1
原创 数字图像处理第三章——灰度变换与空间滤波
因为我们处理的是数字量,其值是有限的，故最大灰度级的变化也是有限的，并且变化发生的最短距离是在两相邻像素之间。统计排序滤波器是一种非线性空间滤波器，这种滤波器的响应以滤波器包围的图像区域中所包含的像素的排序(排队)为基础，然后使用统计排序结果决定的值代替中心像素的值。平滑滤波器使用滤波器模板确定的邻域内像素的平均灰度值代替图像中每个像素的值，这种处理的结果降低了图像灰度的“尖锐”变化。其中f(x,y)是输人图像,g(x,y)是处理后的图像,T是在点(x,y)的邻域上定义的关于f 的一种算子。
2024-06-24 08:00:00
950
原创 数字图像处理第二章——数字图像基础
令 Sxy代表图像 f中以任意一点 (x,y)为中心的一个邻域的做标集，领域处理后，输出图像g中的相同坐标处会生成一个新的像素，该像素的值由输入图像中邻域像素的规定运算和集合Sxy中的坐标确定。上述公式中，r和c是像素的行和列坐标，属于集合Sxy图像g是通过移动坐标(x,y)使得领域的中心逐个移过图像f中的所有像素，然后在每个新位置都重复这一领域运算得到。m邻接：若q在p的4邻域中，或q在p的D邻域中，且p的4邻域和q的4邻域的交集中没有来自V中数值的像素，则具有V中数值的两个像素p和q是m邻接的。
2024-06-23 15:05:28
853
原创 数字图像处理第一章——绪论
数字图像处理是一门应用广泛的学科，它在各个领域都有着重要的应用。通过学习和实践数字图像处理技术，我们可以更好地理解和处理图像信息，从而解决各种实际问题。
2024-06-23 00:19:27
953
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