- 博客(13)
- 收藏
- 关注
原创 机器学习笔记<二>:EM算法详解
EM算法引入假设存在一些观测数据(相互独立,符合某种概率分布),那么如何通过观测到的数据来估计模型的参数(可以理解为已知结果反推原因)?最常用的方法是极大似然估计(MLE):首先是计算出基于每个观测数据的似然并将其作为估计参数θ\thetaθ的函数(本质上是PDF,概率密度函数);将上述的每个观测数据的似然组合就构成了似然函数;接下来就是最大化问题,即似然函数最大时的参数就是我们要估计的参数θ∗\theta^{*}θ∗。假设有N个样本数据,每个数据为n维,则使用PDF描述...
2021-06-17 15:00:05
336
原创 CondaHTTPError: HTTP 000 CONNECTION FAILED for url <https://mirrors.tuna.tsinghua.edu.cn/anaconda/c
问题描述解决方法删除URL中https中的s,结果如下:channels:- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/- http://mirrors.tuna.tsinghua.e
2021-06-11 21:33:11
3036
1
原创 Ubuntu20.04安装Cmake指南
openssl安装openssl安装包下载:点击下载地址,进入到网页,选取如下图所示的安装包安装包解压tar -xvf openssl-3.0.0-alpha13.tar.gz进行安装cd openssl-3.0.0-alpha13./config --prefix=/usr/local --openssldir=/usr/local/openssl完成如下所示:sudo makesudo make test sudo make installCmake安装进
2021-03-16 10:52:04
9808
12
原创 计算机视觉入门之图像处理<七>:图像边缘检测——Canny边缘检测
前言边缘检测是基于灰度突变的原理,在此基础上实现图像分割等操作。本篇文章主要讨论边缘检测方法——Canny边缘检测的基本实现原理和基本代码实现。边缘模型边缘模型主要分为台阶边缘模型、斜坡边缘模型和屋顶边缘模型。台阶边缘模型指的是在1个像素的距离上发生两个灰度级间理想的过渡(后续的Canny边缘检测算法中就采用该边缘模型进行推导),即这两个灰度级过渡时存在一条较为明显的分界线,如下图所示:但是在实际情况中,数字图像可能被模糊或者是带有噪声,此时的边缘模型更接近斜坡边缘模型,灰度级的过渡存在一个较宽的
2021-03-03 16:11:49
3642
原创 计算机视觉入门之图像处理<六>:图像锐化处理
前言前一篇文章介绍了图像平滑滤波的原理和基本方法,平滑的主要作用是对图像进行降噪处理和模糊处理。在平滑后的图像降低了图像灰度的尖锐变化,而本篇文章主要介绍如何突出灰度的尖锐变化部分,即对图像进行锐化处理,如突出图像的边缘、轮廓。图像的平滑可以通过邻域像素点的像素值平均得到,这种邻域像素的加和求解与积分处理类似,与积分相反的是微分,因此逻辑上对图像进行微分处理可以达到锐化的效果,下面将讨论各种微分算子和实现锐化的方法。微分基础对于一元可微函数f(x)f(x)f(x)而言,一阶微分定义为:f′(x)=df
2021-01-26 17:56:52
1390
原创 计算机视觉入门之图像处理<五>:图像平滑处理
图像滤波空间域图像滤波基础所谓的空间域就是包含图像像素的平面,空间域与频率域相对,与频率域相比,在空间域进行图像的相关处理更加容易。如上图所示,以像素位置(x,y)(x, y)(x,y)为中心的3∗33*33∗3的矩形(不一定要是矩形,还可以是其他形状,但矩形在计算机上更易实现)范围称为(x,y)(x, y)(x,y)的3∗33*33∗3邻域。假设输入图像为f(x,y)f(x,y)f(x,y), j经过空间域中对应的处理TTT后的图像为g(x,y)g(x, y)g(x,y),即:g(x,y)=T[
2021-01-26 13:16:39
863
原创 深度学习<一>:梯度下降算法推导
本篇文章主要讲解梯度下降算法的数学推导过程:作为一种经典的优化方法, 梯度下降广泛应用于问题的最小值计算,其中可以通过等式(1)达到改变权重的目的(这里以二维变量为例):wk+1=wk−η∂L(w)∂w(1) {\bf w_{k+1}}={\bf w_k}-\eta\frac{\partial L({\bf w})}{\partial {\bf w}}\tag{1}wk+1=wk−η∂w∂L(w)(1)式中η\etaη是学习率,kkk代表第kkk步迭代,L(w)L(w)L(w)是关于变量w{\bf
2021-01-24 17:11:28
463
原创 计算机视觉入门之图像处理<四>:图像直方图均衡化
图像直方图均衡化往期文章回顾:计算机视觉入门之<零>计算机视觉入门之图像处理<一>:图像处理基础概念计算机视觉入门之图像处理<二>:图像处理基础概念计算机视觉入门之图像处理<三>:图像插值方法文章目录图像直方图均衡化前言前言掌握了图像处理基础知识,该系列文章进一步了解图像处理基本方法,本篇文章主要包括图像直方图理论、直方图均衡化原理以及代码实现等方面。...
2021-01-15 17:27:22
607
原创 计算机视觉入门之图像处理<三>:图像插值方法
图像插值方法往期文章回顾:计算机视觉入门之<零>计算机视觉入门之图像处理<一>:图像处理基础概念计算机视觉入门之图像处理<二>:图像处理基础概念文章目录图像插值方法前言图像插值原理最邻近插值前言本篇文章主要内容包括常见的两种图像像素插值方法:最邻近插值和双线性插值。文章将从理论分析、代码实现等方面对图像插值进行阐述。日常生活中放大和缩小一张图片仅仅是机械地改变一张图片的尺寸,并未真正改变图片的像素个数,故在图像放大之后可能就会存在图像模糊,分辨率降低的
2021-01-02 14:41:47
1602
原创 计算机视觉入门之图像处理<二>:图像处理基础概念
图像处理基础概念往期文章回顾计算机视觉入门之<零>计算机视觉入门之图像处理<一>文章目录图像处理基础概念对比度RGB模型接着上一篇文章计算机视觉入门之图像处理<一>继续了解图像处理的相关基础知识,本篇文章主要包括颜色模型、图像灰度化及图像的取样和量化等基础概念。本系列文章并未涉及到图像处理所有的知识,若有不足之处,请多多包含!对比度对比度指的是不同颜色之间的差别。对比度=最大灰度值/最小灰度值,根据公式可知,图像的颜色差异越大,对比度也就越大。RGB模
2020-12-26 16:34:25
3419
原创 计算机视觉入门之图像处理<一>:图像处理基础概念
图像基础知识本篇文章讲述图像的基础知识,主要包括灰度、通道、RGB颜色模型等基础概念,同时还包括部分操作基于Opencv的代码实现。本文并没有涉及到图像处理所有的基本概念,若有不足之处,请多多包含!1.像素像素是构成位图的最基本的单位,像素的多少决定了图像的尺寸,同时也是分辨率的单位。如图所示,可以看到图片由许多小方格组成,每一个小方格就是一个像素点2.分辨率(解析度)图像的分辨率是单位英寸内的像素点个数,单位为PPI(Pixels Per Inch)。由上图可知,因为在单位面积内的像素点少,所
2020-12-22 18:02:55
808
1
原创 基于深度学习的图像修复
本文中主要采用自动编码器(Auto Encoder),生成对抗网络(Generative Adversarial Networks )的深度学习方法来对图像进行修复,主要由数据预处理、模型构建,模型训练和模型测试等部分组成。一、自定义数据集利用celeba数据生成数据集: 训练集[3003, 218, 178, 3],测试集[1001, 218, 178, 3],数据处理过程中为方便参数设定,在数据处理过程中改变了图片的尺寸大小[b, 218, 181, 3]数据处理代码datasets.py如下:
2020-12-15 11:33:11
5481
7
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