weixin_47000169的博客

原创 breast_cancer_wisconsin.xlsx

上传数据集。

原创 西瓜书上的LVW（Las Vegas Wrapper）算法python实现

参考图1.LVW伪代码算法描述。

原创 对于 plt.pcolormesh函数的应用

xMat是主要是为了对于我的输入参数Train_xy(94,3)，将xx1与xx2ravel（）之后按列拼接，之后添加一列1。反正要和你的输入数据格式对应。而y就是预测出的类别numpy数组，prediceted是将每个种类提取出来，作为进行分类的依据进行上色。xx1是对x1进行step为0.02步长在[min_x1,max_x1]中取值，xx2同样。之后，将xMat与输入权重进行相乘，作为输入送入softmax分类器中，进行预测。我的理解是，用于在二维坐标系上的x，y轴的分区上色比如下面这幅图。

原创 cp_resizeImage随记

【代码】cp_resizeImage随记。

原创 cp_Main记录

【代码】cp_Main记录。

原创 cp_readImage函数随记

【代码】cp_readImage函数随记。

转载 RANSCA算法记录

原创 cp_mismatchRemoval函数记录（使用修改后的RANSCA算法）

输入：regis_points11,regis_points22,I1,I2,maxErr。

原创 cp_atan函数记录

输入：红外图像与旋转过后的可见光图像的y轴与x轴之差。

原创 cp_showMatch函数记录

输入参数：I1,I2,loc1,loc2,correctPos,tname。红外图像，可见光图像，红外的匹配点，可见光匹配点，【】，图名。1，将初始匹配点进行连接，本代码直接执行else中的内容。为什么要加cols呢，是因为拼接图片后，2，将第一幅图的匹配点标记为红色的+号。3，将第二幅图的匹配点标记为绿色的o。拼接红外与可见光图片，并将其展示。，不是图像处理是的坐标系）第二幅图片的x值发生变化。坐标系是笛卡尔坐标系。

原创 cp_match函数记录

传入参数：des1, des2, distRatio（红外图像的特征描述符，可见光图像的描述符，比值阈值）输出：correctIndex1, correctIndex2, zoom（正确匹配点在第一个图像中的索引、正确匹配点在第二个图像中的索引，以及一个代表缩放因子的zoom值。

原创 cp_registration.m的学习记录

cor1, orientation1, I1edge表示的是cout, angle, edge_map，cout表示的就是每一个元组中符合条件的极大值，起始点，终止点。之后cor12表示的是将红外图像与可见光图像经过cp_cornerDetection处理后的满足要求的极大值点保存（为什么要进行转化呢，因为图片的坐标原点再左上角，而现在使用的要将其逆时针旋转90°）对红外图像进行进行SIFT算法处理，提取特征描述符，其中呢，极值与角度都在cp_cornerDetection中计算得到。

原创 cp_descriptor学习记录

具体来说，根据当前关键点的位置(xp​,yp​) 和其所处的尺度 sp​，取以该点为中心，宽度为 2sp​ 的矩形区域内的梯度信息。其中 nx 和 ny 表示旋转和缩放后的坐标系中的点的横坐标和纵坐标。该特征描述符的维度为 128 是因为采用了 4×4×8 的小方块，即将整个关键点周围的区域分成了 16 个子区域（4×4），每个子区域又根据梯度方向划分成了 8 个方向的直方图，因此每个子区域的直方图维度为 8，那么整个关键点周围的特征描述符维度就是 16（子区域数）×8（每个子区域的直方图维度）=128。

原创 cp_cornerDetection.m的学习记录

进入while循环之后，是值为1的点进行读取赋值给point，记此点为A点，之后将A点赋值为0，然后在A点的8邻域+A点寻找值为1的点，记为B点，并将B点在此邻域的位置赋值给[I,J]，之后再进入while循环计算A与B的欧式距离，选择最小的距离复赋值给dist，再计算出B点在整个平面上位置，之所以要减去-Gap_size-1，是因为在计算相对位置是加入了相对于邻域内相对于中心点的偏移量。综上所述，该段代码的主要作用是对曲线上的极大值点进行筛选，剔除不符合条件的点，并将经过筛选的拐角点存储在。