数字图像处理、模式识别、计算机视觉
文章平均质量分 69
whowhoha
这个作者很懒,什么都没留下…
展开
-
SVD分解的理解
SVD分解(奇异值分解),本应是本科生就掌握的方法,然而却经常被忽视。实际上,SVD分解不但很直观,而且极其有用。SVD分解提供了一种方法将一个矩阵拆分成简单的,并且有意义的几块。它的几何解释可以看做将一个空间进行旋转,尺度拉伸,再旋转三步过程。首先来看一个对角矩阵,几何上, 我们将一个矩阵理解为对于点 (x, y) 从一个平面到另一个平面的映射:下图显示了转载 2014-05-12 08:40:17 · 344 阅读 · 0 评论 -
图像二值化简介
图像二值化简介Email:whowhoha@outlook.com 所谓二值图像,就是指图像上的所有点的灰度值只用两种可能,不为"0"就为"255",也就是整个图像呈现出明显的黑白效果。为了得到理想的二值图像,一般采用阈值分割技术,它对物体与背景有较强对比的图像的分割特别有效,它计算简单而且总能用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素原创 2015-11-22 23:33:29 · 1623 阅读 · 0 评论 -
基于熵的二值化
基于熵的二值化Email:whowhoha@outlook.com 一维最大熵分割方法,它的思想是统计图像中每一个灰度级出现的概率 ,计算该灰度级的熵 ,假设以灰度级T分割图像,图像中低于T灰度级的像素点构成目标物体(O),高于灰度级T的像素点构成背景(B),对图像中的每一个灰度级分别求熵,选取使熵最大的灰度级作为分割图像的阈原创 2015-11-22 23:35:02 · 1234 阅读 · 1 评论 -
图像分割算法简介及常用边缘检测算法
图像分割算法概述及常用边缘检测算法Email:whowhoha@outlook.com一、概述 用计算机进行数字图像处理的目的有两个,一是产生更适合人类视觉观察和识别的图像,二是希望计算机能够自动进行识别和理解图像。无论是为了何种目的,图像处理的关键一步是对包含有大量各式各样景物信息的图像进行分解。分解的最终结果就是图像被分成一些具有各种特征的最小成分,这些成分就称为图像的基原创 2015-11-22 23:23:53 · 7369 阅读 · 0 评论 -
Adaboost训练及在目标检测中的应用
Adaboost训练及在目标检测中的应用Email:whowhoha@outlook.com1. Adaboost原理 Adaboost(AdaptiveBoosting)是一种迭代算法,通过对训练集不断训练弱分类器,然后把这些弱分类器集合起来,构成强分类器。adaboost算法训练的过程中,初始化所有训练样例的具有相同的权值重,在此样本分布下训练出一个弱原创 2015-11-22 22:56:51 · 998 阅读 · 0 评论 -
LDA( 线性判别分析)
定义: 1. LDA 线性判别式分析(Linear Discriminant Analysis),也称为Fisher线性判别(Fisher Linear Discriminant,FLD)。 基本思想: 将高维的模式样本投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,即模原创 2016-03-08 18:13:55 · 933 阅读 · 0 评论 -
ocr识别中的图像分割方法小结
ocr识别中的图像分割方法小结Email:whowhoha@outlook.com ocr 字符图像的特点是:背景复杂,存在如底纹、水印、底线、框线、加盖印章干扰叠加 ,同时存在 光照不匀、对比度小、倾斜、污迹、背景网络 、防伪标识、磨损、打印时着力不均、字的笔画深浅、及受油墨多寡的影等因素的影响,故图像的干扰和噪声大,采用普通的二值化分割方法效果不佳,故针对 OCR图像原创 2015-11-22 23:46:56 · 7678 阅读 · 0 评论 -
基于Niblack's method方法的局部阈值分割
基于Niblack's method方法的局部阈值分割Email:whowhoha@outlook.com /*原理: T(x,y)=m(x,y) + k*s(x,y) 取一个宽度为w的矩形框,(x,y)为这个框的中心。 统计框内数据,T(x,y)为阈值,m(x,y)为均值,s(x,y)为均方差,k为原创 2015-11-22 23:40:56 · 3313 阅读 · 0 评论 -
基于otsu的图像二值化
基于otsu的图像二值化Email:whowhoha@outlook.comOtsu算法步骤如下:设图象包含L个灰度级(0,1…,L-1),灰度值为i的的象素点数为Ni,图象总的象素点数为N=N0+N1+...+N(L-1)。灰度值为i的点的概率为:P(i) = N(i)/N.门限t将整幅图象分为暗区c1和亮区c2两类,则类间方差σ是t的函数:σ=a1*a2(u1-原创 2015-11-22 23:38:13 · 371 阅读 · 0 评论 -
K均值用于图像分割
K均值聚类用于图像分割Email:whowhoha@outlook.com 聚类:将抽象对象的集合分成由多个相似的对象组成的多个子类的过程,常用聚类方法有:分裂法,层次法,基于密度的方法,基于网格的方法,基于模型的方法,K均值法。其中K均值法是一种基于距离的分裂法。K均值算法是非常常用的一种聚类算法,用于将给定的样本集分成指定数目的聚类。具体算法如下:·原创 2015-11-22 23:36:43 · 805 阅读 · 0 评论