- 博客(34)
- 收藏
- 关注
RSS订阅原创 相机标定python
文章目录1、针孔照相机模型1.1 照相机矩阵1.2 三维点的投影1.3 照相机矩阵的分解1.4 照相机中心2、照相机标定3、 代码：1、针孔照相机模型针孔照相机模型（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oco_coc。1.1 照相机矩阵照相机矩阵可以分解为：P=K[R∣t
2022-05-22 21:28:35
1729
1
原创 机器学习第十一章----特征选择与稀疏学习
文章目录1、子集搜索与评价1、子集搜索与评价我们能用很多属性来描述一个事物，但对一个学习任务来说，有些属性是有用的，有些属性没什么用，若将属性称为特征，则对当前学习任务有用的属性称为“相关特征”，没什么用的称为“无关特征”。从给定的特征集合中选择出相关特征子集的过程称为特征选择。特征选择是一个重要的数据预处理过程，在现实学习任务中，我们往往要先进行特征选择，然后再训练学习器。那么，为什么要进行特征选择呢？原因主要有两个：第一个是属性过多很有可能造成维数灾难问题，若能先进行特征选择再进行学习，维数灾难问
2021-10-01 15:42:00
316
原创 机器学习第十章---降维与度量学习
1、k近邻学习k近邻学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。通常，在分类任务中可使用“投票法”，即选择这K个样本中出现最多的类别标记为预测结果；还可基于距离远近进行加权平均或加权投票，距离越近的样本权重越大。与前面介绍的学习方法相比，k近邻学习有一个明显的不同之处，2、低维嵌入上一节的讨论是在...
2021-09-22 14:33:16
318
原创 机器学习第九章----聚类
文章目录1、聚类任务2、性能度量1、聚类任务在“无监督学习”中，训练样本的标记信息是为未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。常见的无监督学习任务有密度估计、异常检测，其中，研究最多，应用最广的是"聚类"。聚类试图将数据集中的样本划分为若干个不相交的子集，每个子集称为一个簇。通过这样的划分，每个簇可能2、性能度量聚类性能度量亦称聚类“有效性指标”，与监督学习中的性能度量作用相似，对聚类结果，我们需要通过某种性能度量来评估其好坏，另一方面，若明
2021-09-15 16:51:56
538
原创 机器学习第八章----集成学习
文章目录1、个体与集成1、个体与集成集成学习通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统、基于委员会的学习等。
2021-09-08 10:58:28
392
原创 机器学习第七章----贝叶斯分类器
文章目录1、贝叶斯决策论1、贝叶斯决策论贝叶斯决策论是概率框架下实施决策的基本方法，对分类任务来说，若其相关概率已知，贝特斯决策论基于这些概率和误判损失来选择最优的类被标记。假设有n种可能的类别标记，即y=y=y={c1,c2,……,cNc_1,c_2,……,c_Nc1,c2,……,cN},...
2021-09-08 10:58:18
301
原创 机器学习第6章----支持向量机
1、间隔与支持向量给定训练样本集D，分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开。但能将样本分开的划分超平面可能有很多个，我们怎么确定是哪一个呢？直观上看，应该选择两类样本正中间的划分超平面，因为该划分超平面对训练样本局部扰动的“容忍”度最好，当训练集由于噪声干扰等因素的影响发生变化时，该超平面受到的影响最小。在样本空间中，划分超平面可用wTx+b=0w^Tx+b=0wTx+b=0来描述，其中w=(w1;w2;……;wd)w=(w_1;w_2;……;w_d)
2021-08-29 16:03:58
183
原创 机器学习第三章----线性模型
文章目录1、基本形式1、基本形式给定由d个属性描述的示例x=(x1;x2;……;xd)x=(x_1;x_2;……;x_d)x=(x1;x2;……;xd),线性模型试图用函数f(x)=ω1x1+ω2x2+……+ωdxd+bf(x)=\omega_1x_1+\omega_2x_2+……+\omega_dx_d+bf(x)=ω1x1+ω2x2+……+ωdxd+b来表示，一般用向量形式写成f(x)=ωTx+b，f(x)=\omega^Tx+b，f(x)=ωTx+b，当ω\omegaω与b的值学
2021-08-16 09:30:28
197
原创 机器学习第四章----决策树
文章目录1、基本流程2、划分选择2.1 信息增益1、基本流程决策树是一类常见的机器学习方法，以二分类任务为例，我们希望从给定的训练数据集学得一个模型用以对新示例进行分类。在面临决策问题时，我们通常会进行一系列的判断才能得出最终决策，决策过程如图：一般的，一颗决策树包含一个根节点，若干个内部节点和若干个叶节点；叶节点对应决策结果，其他每个节点对应于一个属性测试2、划分选择决策树学习的关键是如何选择最优划分属性。一般来说，随着划分过程的不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一类别。
2021-08-16 09:29:53
330
原创 机器学习第二章----模型评估与选择
模型描述当我们设计算法时，提供训练集----学习算法的任务时提供一个函数（h）—单变量线性回归模型代价函数大多数深度学习算法都涉及某种形式的优化，需要改变 x 以最小化或最大化某个函数 f(x) 。对于现有的几个样值，我们自行选择一个函数，使函数曲线和样值点最为拟合。具体步骤如下：获取训练样本(x,y)(x,y)(x,y)选择函数hθ=θ0+θ1xh_θ=θ_0+θ_1xhθ=θ0+θ1xJ(θ0,θ1)=12m∑i=1m(hθ(x(i)−y(i))2J(θ_0,θ_1)=\fra
2021-08-08 08:37:02
467
原创 python计算机视觉第9章----图像分割
文章目录1、图割1.1 从图像创建图-*- coding: utf-8 -*-添加两个矩形训练区域创建图对图进行分割1.2 利用贝叶斯概率模型进行图割分割2、利用聚类进行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者单个对象。这些区域可以利用诸如颜色、边线或近邻相似性等特征构建。本章中，我们将看到一些不同的分割技术。1、图割图论中的图（graph）是由若干节点（有时也称顶点）和连接节点的边构成的集合。边可以是有向的或无向的，并且这些可能有与它们相关联的权重。图割是将一
2021-07-12 08:28:11
730
原创 python计算机视觉第10章----OpenCV
文章目录1、OpenCV基础1.1 图像的读写1.2 计算积分图像1.3 泛洪填充1.4 提取 SURF 特征2、视频处理2.1 视频输入2.2 视频模糊2.3 视频读取3、视频追踪3.1 光流追踪3.2 Lucas-Kanade算法跟踪器本章概述如何通过 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
2021-07-12 08:28:06
370
原创 python计算机视觉第八章----图像内容分类
1、基本思想给定一个训练数据集（这些数据集是已知类别的），对新输入的要对其进行分类的实例，从训练数据中找出与该实例最近的k个实例，这k个实例的多数属于某个类（类似于这k个实例对新数据投票），就把该输入实例分为这个类。优点：对于类域的交叉或重叠较多的待分样本集来说，K-NN较其他方法更合适。缺点：计算量较大，因为会计算全体已知样本的距离。算法步骤：（1）初始化距离为最大值，计算未知样本和每个样本的距离dist.（2）得到目前k个最邻近样本的最大距离maxdist,若dist<maxdist，
2021-07-04 15:47:27
601
原创 python计算机视觉第七章----图像搜索
文章目录7.1 基于内容的图像检索-*- coding: utf-8 -*--*-coding:utf-8 -*-在词袋模型中,文档的特征就是其包含的word,corpus的每一个元素对应一篇文档训练语料的预处理,将原始文本特征表达转换成词袋模型对应的系数向量from gensim.models.word2vec import Word2Vec是把文档 doc变成一个稀疏向量，[(0, 1), (1, 1)]，表明id为0,1的词汇出现了1次，至于其他词汇，没有出现,在这里可以看出set()中compute
2021-07-04 15:45:45
679
原创 python计算机视觉----第六章图像聚类
1、K-means聚类K-means 是一种将输入数据划分成 k 个簇的简单的聚类算法。其具体步骤如下：(1) 以随机或猜测的方式初始化类中心 ui，i=1…k;(2) 将每个数据点归并到离它距离最近的类中心所属的类 ci;(3) 对所有属于该类的数据点求平均，将平均值作为新的类中心;(4) 重复步骤(2)和步骤(3)直到收敛K-means 试图使类内总方差最小:注：为避免初始化类中心时没选取好类中心初值所造成的结果，通常会初始化不同的类中心进行多次运算，然后选择方差最小的结果from py
2021-06-28 17:41:07
682
原创 python计算机视觉第五章----多视图几何
文章目录多视图几何1、外极几何多视图几何多视图几何主要研究用几何的方法，通过若干个多个视角的二维图像，来恢复三维物体。其中，最重要的内容是双视图几何。1、外极几何假设有一场景点X，其经过单应性矩阵H变换后变为HXHXHX，则HXHXHX在照相机PH−1PH_-1PH−1后得到图像点为PH−1HX=PXPH_-1HX=PXPH−1HX=PX,与图像点X在照相机P里得到的图像点相同。因此，在分析双视图几何关系时总是可以将照相机的相对位置关系用单应性矩阵加以简化。一个比较好的做法是将原点和坐标轴与第一
2021-06-28 17:39:44
508
原创 python计算机视觉第四章----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。1 照相机矩阵照相机矩阵可以分解为：其中，R 是描述照相机方向的旋转矩阵，t 是描述照相机中心位置的三维平移向量， 内标定矩阵 K 描述照相机的投影性质。标定矩阵仅和照相机自身的情况相关，通常情况下可以写成：大多数情
2021-06-20 22:04:18
565
原创 python计算机视觉第三章----图像到图像的映射
文章目录1、单应性变换1.1 齐次坐标1.2 单应性变换1.3 直接线性变换算法1.4 仿射变换2、图像扭曲1、单应性变换1.1 齐次坐标简单来说，齐次坐标就是用N+1维来代表N维坐标。我们可以在一个2D笛卡尔坐标末尾加上一个额外的变量w来形成2D齐次坐标，一个点(X,Y)在齐次坐标里面就会变成（x,y,w），并且有 X = x/w，Y = y/w，通常，w=1。笛卡尔坐标系下（1，2）的齐次坐标可以表示为（1，2，1），如果点（1，2）移动到无限远处，在笛卡尔坐标下它变为(∞,∞)，然后它的齐次坐标
2021-06-20 22:04:11
926
1
原创 Python计算机视觉第二章---局部图像描述子
from PIL import Imagefrom matplotlib.pyplot import *from numpy import zerosfrom numpy import *from scipy.ndimage import filtersdef compute_harris_response(im,sigma=3)#计算导数imx=zeros(im.shape)filters.gaussian_filter(im,(sigma,sigma),(0,1),imx)imy =
2021-06-13 21:49:12
370
2
原创 python计算机视觉第一章
文章目录1、PIL库与库1.1 图像的显示1.2 转换图像格式1.3 基本图像操作1.4 绘制点、线1、PIL库与库1.1 图像的显示一般，图像的显示方法有两种，一种img.show()的方式将图像显示出来，这种方法只能利用电脑上的图片等进行观察，另一种方法是使用 plt.imshow() 方法进行画图，它在显示可以将灰度图像按照灰度值的高低映射成彩色图像。#法一from PIL import Imageimg=Image.open('d:/imdata/coins.png')img.show
2021-06-13 21:45:06
801
2
原创 数字图像处理第十二章----目标识别
文章目录1、概述2、图像识别2.1 名词解释2.2 基本方式3、图像识别的基本方法3.1 统计分类方法3.2 句法结构方法1、概述图像识别：对待研究的对象，根据其某些特征进行识别并分类。目前，文字识别是迄今为止人类最熟悉、应用最成功的图像识别领域。识别能力由高到低分为三个层次：1）仪器水平：物理识别2）动物水平：模糊识别3）人类智能水平：情感识别其中，物理识别是对接受到的信息实现物理、化学和生物学的量化认识。这种识别的特点是识别内容分别独立互不相关，事件具有精确的重复性，无需经验和智能，完全
2021-06-04 20:15:07
2941
原创 数字图像处理第十一章----表示和描述
1 概述为了分析区别其他图像的特征、用数学方法表示和描述特征，我们要对图像进行表示和描述。图像的特征：1、通过测量或处理能够抽取的数据2、某一幅或一类图像区别于其他图像的本质特点或特性集合3、将某一类图像的多个或多种特征组合在一起，形成一个特征向量来代表该类图像4、一个图像的特征有很多种种类，每种都有不同的计算方法图像中的区域，可用其内部（如组成区域的像素）来表示，也可用外部（如组成区域边界的像素集合）表示表示是直接具体的表示目标，好的表示方法应具有节省次年初空间、易于特征计算等优点描述是
2021-06-04 20:14:41
2003
原创 数字图像处理第十章----图像分割
文章目录1、阈值分割1.1 定义1.2 阈值选择方法1.3 最佳阈值1、阈值分割1.1 定义阈值分割：将所有灰度值大于或等于某阈值的像素都被判属于物体，将所有灰度值小于该阈值的像素被安排在物体之外，适用于物体与背景有较强对比的景物的分割。由于阈值分割的直观性和易于实现的性质，使它在图像分割应用中处于中心地位。在阈值分割中，阈值的选择将直接太影响分割效果，通常可以通过对灰度直方图的分析来确定它的值。当图像的直方图为双峰或多峰时，可选择两峰之间的谷底作为阈值。1.2 阈值选择方法1、人工选择2、
2021-05-28 20:33:47
5858
原创 数字图像处理第九章----形态学图像处理
文章目录<>1、概念2.腐蚀3.膨胀<>1、概念形态学操作：数学形态学时基于集合论的图像处理方法，最早出现在生物学的形态与结构中，图像处理中的形态学操作用于图像与处理操作，图像增强、图像分割等场景。形态学操作的对象一般时二值图像和灰度图像。2.腐蚀在二值图像中，腐蚀操作是结构元素与图像作“与运算”。1 1 11 1 11 1 1结构元素1 0 0 1 1 0 1 0 1 1 1 01 1 1 0 0 0 1 1 1 1 0 01 1 0 0 0 1 1 0 0
2021-05-28 20:33:22
886
原创 数字图像处理第八章----图像压缩
文章目录1、图像压缩1.1 类型1.2 原理2 图像冗余2.1 编码冗余1、图像压缩在日常生活中，我们有很多信息要处理，因为计算机中的存储空间是有限的，那么为了存储更多的内容，就要求我们用尽可能小的数据量来表达信息。这时候，图像压缩这一技术就显得尤为重要。1.1 类型图像压缩一般都要以信息丢失为代价，可分为有损图像压缩和无损图像压缩两种。有损图像压缩无损图像压缩：压缩后可无失真的恢复原图像1.2 原理图像的数据表达之间存在着冗余，通过减小数据冗余，我们就可以达到图像压缩的目的。2 图像冗余
2021-05-28 20:33:01
2842
原创 数字图像处理第七章----小波和多分辨率处理
文章目录小波：小区域、长度有限、均值为0的波形。小是指信号具有衰减性，波指信号具有波动性。小波变换：通过缩放母小波的宽度来获得信号的频率信息，通过平移母小波的位置来获得信号的时间信息。缩放和平移操作是为了计算小波系数。小波系数反应了小波和局部信号之间的相关程度。离散小波变换将一幅图像分解为大小、位置和方向都不同的分量。一幅图像作小波分解后，可得到一系列不同分辨率的子图像。一维连续小波变换二进小波变换缩放：压缩或伸展基本小波，缩放系数越小，小波越窄平移：小波的延迟或超前 f(t)----f(t
2021-05-08 15:31:13
807
原创 数字图像处理第六章----彩色图像处理
文章目录1彩色图像1.1彩色模型2 彩色图像基础2.1伪彩色处理伪彩色处理1彩色图像每一幅彩色图像用三个矩阵来表示。1.1彩色模型RGB模型（加色混色模型）：用红绿蓝三种颜色的亮度来定量表示颜色生成一个彩色图像cat(dim,a1,a2,a3) dim指分量数，一般为3Rgb_R= I（：，：，1） Rgb_G= I（：，：，2） Rgb_B= I（：，：，3）HSI模型H色调：表示色彩S饱和度：表示颜色深度I亮度：由物体的反射系数来决定2 彩色图像基础人眼能分辨的灰度级在
2021-05-08 15:30:16
2486
原创 数字图像处理第五章----图像复原与重建
文章目录1 基本概念1.1 图像退化1.2 噪声模型2图像复原1 基本概念对一幅图像，由于各种原因它发生了退化，为了得到与原图像尽可能一致的图像，我们就要用到图像复原的技术。1.1 图像退化图像在传输过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏，我们称这种现象为图像退化。图像退化的一般模型为：g(x,y)=H[f(x,y)]+n(x,y)1.2 噪声模型图像发生退化现象的一个重要原因是噪声的干扰，一般来说，图像在传输过程中混入的主要是加性噪声，但也有乘性噪声，这种时候，我们一
2021-05-08 15:28:31
994
1
原创 数字图像处理第四章-----频率域滤波
文章目录1 概述1 概述我们日常传输的任意信号都可分为正弦波的加权和，根据这一特性，为了方便对图像进行处理，一般将图像从空域变换到其他域，然后再对变换后的信息进行相应的处理。变换方法：正交变换傅里叶变换： 一维傅里叶变换：F(x)=.... 傅里叶逆变换： 但因为傅里叶变换处理的是连续模拟信号，而且它在数学上采取的是无穷大的概念，但 计算机处理的是数字信号，而且只能进行有限次运算，因此提出了离散傅里叶变换的概念。 离散傅里叶正变换 逆变换：
2021-04-24 11:10:07
1702
1
原创 数字图像处理第一章----绪论
数字图像处理第一章：基本概念：图像是一个二维亮度函数I=f(x,y,拉姆达,t)(x,y)空间坐标波长I----强度对一幅静止，单色、平面图像I=f(x,y);数字图像是图像的数字化表示，像素是其最小的单位I=f(x,y); I:强度、灰度值表示、为非负整数单色图像 （灰度图像）由矩阵构成白灰度值大，黑灰度值小彩色图像由三个（单色）灰度图像构成数字图像处理：用计算机对图像进行处理任务：提高图像视觉质量、提取目标某些特征、图像压缩 主要应用：空间探索、地球遥感、军事应用、公共安全、生物特征识别、工业检测、
2021-04-09 19:14:30
429
3
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