目标四级424-CSDN博客

原创计算机视觉：聚类算法(K-Means)实现图像分割

K-means聚类是一种无监督学习算法，用于将一组数据划分为K个不同的类别或簇。它基于数据点之间的相似性度量，将数据点分配到最接近的聚类中心。K-means算法的目标是最小化数据点与其所属聚类中心之间的平方距离和。

2023-05-30 15:34:15 5145 2

GrabCut算法是一种强大的图像分割算法，通过迭代优化背景和前景模型参数，能够在用户提供的初始标记或边界框的基础上，自动分割图像中的前景和背景。当算法的迭代次数增加时，GrabCut算法会进行更多次的迭代优化，从而进一步细化前景和背景的区分，提高分割结果的准确性，但是效果在达到一定迭代次数后提高十分微小。增加迭代次数也可能带来以下问题：计算时间增加：每次迭代都需要进行参数更新和图割操作，因此增加迭代次数会增加算法的计算时间。对于大尺寸的图像或大量的图像集合，迭代次数过多可能导致算法变得较慢。

2023-05-30 09:58:25 2885

原创计算机视觉：OpenCV相机标定

实验结果分析：已知有十张棋盘格图像，结果只输出七张图像的对应外参矩阵，其原因是下列三张标定图像：无法被cv2.findChessboardCorners()检测出角点，因此无法求外参矩阵，可以使用质量更好的图像或者更换角点检测算法、调整角点检测算法的参数来解决此问题。其中，f_x 和 f_y 是相机的水平和垂直焦距，c_x 和 c_y 是相机的像素坐标原点。相机的外参矩阵描述了相机的姿态，包括相机的位置和方向。在这个过程中，我们需要使用已知的场景和相机拍摄的图像来计算相机的内参矩阵和外参矩阵。

2023-05-16 21:13:44 1309 1

原创计算机视觉：利用RANSAC算法优化关键点匹配

随机抽样一致算法（RANdom SAmple Consensus,RANSAC）,采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。RANSAC算法被广泛应用在计算机视觉领域和数学领域，例如直线拟合、平面拟合、计算图像或点云间的变换矩阵、计算基础矩阵等方面。RANSAC算法假设数据中包含正确数据和异常数据（或称为噪声）。正确数据记为局内点（inliers），异常数据记为外点（outliers），也是异常值。

2023-05-03 05:35:06 2960

原创计算机视觉：单应性变换与仿射变换

考虑图中所示的两个平面图像（书的顶部）。红点表示两个图像中的同一物理点。在计算机视觉术语中，我们称这些为相应的点。图1.以四种不同的颜色显示四个相应的点，红色、绿色、黄色和橙色。单应性是一种变换（3×3矩阵），它将一个图像中的点映射到另一个图像中的相应点。现在，由于单应性是一个 3×3 矩阵，我们可以将其写为让我们考虑第一组相应的点 —在第一张图像和第二张图像中。然后，单应性按以下方式映射它们。

2023-05-03 05:33:47 1606

原创计算机视觉：Harris角点检测与SIFT特征提取

w(x,y)是窗口函数，最简单情形就是窗口W内的所有像素所对应的w权重系数均为1,窗口外都为0.但有时候，我们会将w(x,y)函数设置为以窗口W中心为原点的二元正太分布。而离窗口W中心(角点)较远的点，这些点的灰度变化几近平缓，这些点的权重系数，可以设定小值，以示该点对灰度变化贡献较小，那么我们自然使用二元高斯函数来表示窗口函数；如果一个点在任意方向的一个微小变动都会引起灰度很大的变化，那么我们就把它称之为角点，也就是一阶导数(即灰度图的梯度)中的局部最大所对应的像素点就是角点。该算法的主要思想是，如果。

2023-04-19 10:55:24 647

原创计算机视觉：图像基本操作实验

resize()中的size参数直接设定了resize之后图片的规格, 而thumbnail()中的size参数则是设定了图片大小的最大值. 所以经过resize()处理的图片可能会被拉伸, 而经过thumbnail()处理的图片不会被拉伸。sobel()函数的第二个参数表示选择x或者y方向导数,第三个参数保存输出的变量，在使用sobel两个导数图像中,正导数显示为亮的像素,负导数显示为暗的像素。二者的宽高的读取顺序不同，PIL读入图像，顺序为：（宽，高）OpenCV读入图像，顺序为：（高，宽，通道数）

2023-03-25 09:33:25 415

原创计算机视觉：暗通道去雾算法的原理及python实现

在绝大多数非天空的局部区域中，某些像素总会至少有一个颜色通道的值很低。对于一幅图像J(x)，其暗通道的数学定义表示如下：其中，Ω(x)表示以x为中心的局部区域，上标c表示RGB三个通道。该公式的意义用代码表达也很简单，首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定。

2023-03-03 11:11:30 6573 6

原创机器学习：logistic回归算法及其python实现

def sigmoid(inX) : #sigmoid函数 return 1.0 /(1 + exp(- inX))

2023-02-15 15:35:09 1851

原创机器学习：支持向量机 (Support Vector Machine)算法原理及python实现

支持向量机（Support Vector Machine，SVM）是一种用于分类问题的监督算法。SVM模型将实例表示为空间中的点，将使用一条直线（超平面）分隔数据点，且是两类数据间隔（边距：超平面与最近的类点之间的距离）最大。只通过几个支持向量就确定了超平面，说明它不在乎细枝末节，所以不容易过拟合，但不能确保一定不会过拟合。可以处理复杂的非线性问题。如图所示的几个将训练样本分开的超平面可能有很多，应选择”正中间”, 容忍性好, 鲁棒性高, 泛化能力最强。且此个超平面以最大边距将样本分开。

2023-02-14 22:24:21 1722 2

原创机器学习：朴素贝叶斯的应用之垃圾邮件过滤

此数据集包含训练集train与测试集test ，训练集里包含24个以txt格式存储的普通邮件文本与24个以txt格式存储的垃圾邮件文本，测试集里包含普通邮件与垃圾邮件文本各一个，结构树如下├─ Emails│ ├─ test│ ├─ …

2022-11-29 14:09:33 1327

原创机器学习：决策树进阶

C4.5算法中策略是采用二分法将连续属性离散化处理：假定样本集D的连续属性有n个不同的取值，对这些值从小到大排序，得到属性值的集合。把区间的中位点作为候选划分点，于是得到包含n-1个元素的划分点集合基于每个划分点t，可将样本集D分为子集和，其中中包含属性上不大于t的样本，包含属性a上大于t的样本。对于每个划分点t，按如下公式计算其信息增益值，然后选择使信息增益值最大的划分点进行样本集合的划分。剪枝（pruning）是决策树学习算法对付“过拟合”的主要手段。

2022-11-28 18:10:52 361

原创机器学习：决策树算法(ID3算法)的理解与实现

1.分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部结点和叶节点。内部结点表示一个特征或属性，叶节点表示一个类。决策树学习的目的是为了产生一个泛化能力强的决策树，用来预测未知事例。2.经典的决策树算法有ID3、C4.5、CART、RF等，由于本人是初学者，所以以下示例由ID3展开ID3作为一种经典的决策树算法，是基于信息熵来选择最佳的测试属性，其选择了当前样本集中具有最大信息增益值的属性作为测试属性。

2022-11-17 13:22:16 2116

原创机器学习：KNN算法对鸢尾花进行分类

Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种不同类型的鸢尾花的50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。四个属性：Sepal.Length（花萼长度），单位是cm;Sepal.Width（花萼宽度），单位是cm;Petal.Length（花瓣长度），单位是cm;

2022-11-13 22:15:46 5353

原创机器学习：绘制PR曲线

在了解两条曲线之前，先来看下如下的混淆矩阵在一个二分类问题中把正例正确判定为正例，表示为TP（true positive）把正例错误判定为负例，表示为FN（false negative）把负例正确判定为负例，表示为TN（true negative）把负例错误判定为正例，表示为FP（false positive）Precision=TP/(TP+FP)Recall=TP/(TP+FN)TPR=TP/(TP+FN)FPR=FP/

2022-11-03 23:48:07 2800

原创 Windows深度学习环境搭建

python集成开发环境：Anaconda、开发工具：Visual Studio Code、深度学习框架：Pytorch。

2022-10-22 16:48:57 1470

原创 ubuntu上anaconda安装完成后设置环境变量

ubuntu上anaconda安装完成后设置环境变量在ubuntu系统上安装完anaconda3之后，会遇到在终端无法使用conda指令的情况，是由于anaconda不在环境变量里解决方法：打开ubuntu终端，输入命令gedit ~/.bashrc会弹出文本编辑奇打开的bashrc，在最后一行加入export PATH="./anaconda3/bin:$PATH"保存后即可在终端中，进入anaconda3/bin文件夹，执行命令source activate即可进入base

2021-08-03 15:53:26 1070

原创 Linux命令行安装Micrisoft Edge方法及可能出现的报错解决

Linux命令行安装Micrisoft Edge方法及可能出现的报错解决linux系统目前可以安装的microsoft edge为测试版，可在终端使用命令行安装，具体的安装教程参考https://blog.csdn.net/sz_chrome/article/details/115984968此操作的系统为Ubuntu 20.04 LTS错误但在操作中，在第一部更新源的时候就可能出现报错，具体为：W: GPG 错误：https://packages.microsoft.com/repos/edg

2021-07-30 11:34:01 3717

weixin_51998427的博客