损失函数（loss function）是⽤来估量模型的预测值$f(x)$与真实值$Y$不⼀致的程度，它是⼀个⾮负实数值函数。损失函数越⼩，模型的鲁棒性就越好。 通常机器学习每一个算法中都会有一个目标函数，算法的求解过程是通过对这个目标函数优化的过程。 在分类或者回归问题中，通常使用**损失函数（代价函数）**作为其目标函数。损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的
1、改进的对比度增强 红外图像有很高 的动态范 围 (如包含地面和天空的场景，由于地面和天空的温差大，图像的 灰度 范围很宽)，而 目标 与背景或者 目标局 部 的温差 却相 对较 小 。当被观 察 场 景 的温度 范 围很宽时 ，红外 图像输 出的动 态范 围会 达到 10000以上。这么高的动态范围不容易在 256个灰阶的显示设备上显示。为了突出目标，需要对图像进行对 比度增 强。图像 对 比
adaboost Boosting, 也称为增强学习或提升法，是一种重要的集成学习技术， 能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器。 AdaBoost是英文"Adaptive Boosting"（自适应增强）的缩写 步骤 1）首先，是初始化训练数据的权值分布D1。假设有N个训练样本数据，则每一个训练样本最开始时，都被赋予相同的权值：w1=1/N。
一、K-Means（k-平均或k-均值） 可以称的上是知名度最高的一种聚类算法 K-Means算法属于基于划分的聚类算法，对N 维欧⽒空间中的点进⾏聚类，是⼀种最简单的⽆监督学习⽅法。它通过迭代来实现，其基本思想是：每次确定K个类别中⼼，然后将各个结点归属到与之距离最近的中⼼点所在的Cluster，然后将类别中⼼更新为属于各Cluster的所有样本的均值，反复迭代，直⾄类别中⼼不再发⽣变化或变化⼩
⼀、K近邻算法 K近邻算法简单、直观。⾸先给出⼀张图，根据这张图来理解最近邻分类器。 k近邻法中，当训练集、距离度量、K值以及分类决策规则确定后，对于任何⼀个新的输⼊实例，它所属的类唯⼀地确定。这相当于根据上述要素将特征空间划分为⼀些⼦空间，确定⼦空间⾥的每个点所属的类 1.1 距离度量 特征空间中两个实例点的距离可以反映出两个实⼒点之间的相似性程度。K近邻模型的特征空间。⼀般是N维实数向量空间，
样本数据量大，则经验风险最⼩小化；样本数据量小，则结构风险最小化，这是正则化的意义 经验风险最小化（empirical risk minimization）认为经验风险最小的模型是最优的模型，即求解最优化问题 $$ minf ∈ F(1/N)\sum_{i=1}^NL(y_i,f(x_i)) $$ 当样本容量足够大的时候，经验风险最小化学习效果良好 而结构风险是经验风险与模型复杂度的正则化项（re
一、评价指标EME 在文章《An improved contrast enhancement algorithm for infrared images based on adaptive double plateaus histogram equalization》中，提到的了评价指标EME( measure of enhancement by entropy)，熵增强度量，这是图像增强的典型定
一、平台直方图 平台直方图均衡是对直方图均衡的一种修正方法。首先选择一个合适的平台阈值T，对统计直方图进行如下修正 ：如果某灰度级的直方图值大于平台阈值T，将其直方图值置为T，如果其直方图值小于平台阈值T ，则保持不变。 $$ P_{t}(k)=T,p(k)>T\ P_{t}(k)=p(k),p(k)<=T\ $$ 其中，$P_{t}(k)$表示处理后的灰度统计。 二、双平台直方图 双
一、传统直方图均衡 直方图均衡主要是增强背景和噪声，而平台直方图均衡主要是增强目标，抑制背景和噪声。但是，平台直方图均衡存在如下两个缺点： (1)在图像非常均匀时 (如对着均匀黑体)，图像灰度级分布非常集中。如果采用平台直方图均衡，灰度级将拉得过开，图像的噪声将变得很大，会严重影 响观察效果； (2)图像中场景移动时，图像的整体亮度会发生突变。 二、平台直方图均衡 平台直方图均衡是对直方图均衡的一
一、自适应双平台直方图均衡算法 《A new adaptive contrast enhancement algorithm for infrared images based on double plateaus histogram equalization》提出自适应双平台直方图均衡算法，一种基于双平台直方图均衡的红外图像自适应对比度增强算法。 传统的双层斜展直方图均衡化算法使用恒定阈值,不能
一、评价指标LOE 在文章《An improved contrast enhancement algorithm for infrared images based on adaptive double plateaus histogram equalization》中，提到的了评价指标LOE(lightness-order-error)，其反映增强图像自然程度，其值越小，增强图像与原图像亮度顺序
论文《A New Hardware-Efficient Algorithm and Reconfigurable Architecture for Image Contrast Enhancement》提到对对比度增强的图像进行客观评价，引用论文《Image Enhancement for Backlight-Scaled TFT-LCD Displays》中的边缘损耗率指标（The edge l
1、保边滤波背景 保边滤波器的代表包括双边滤波、引导滤波，但是这类滤波器有一个问题，它们均将待处理的像素点放在了方形滤波窗口的中心。但如果待处理的像素位于图像纹理或者边缘，方形滤波核卷积的处理结果会导致这个边缘变模糊。 基于这个观察，《Side Window Filtering》的作者提出了侧窗滤波，改善边缘被滤波模糊的现象。 2、侧窗滤波原理分析 因为传统方法都使用全窗口回归，也就是把窗的中心位
1、盲元定义 盲元的定义：盲元是红外焦平面探测器中响应过高或过低的探测单元，即无法准确成像的像元。盲元主要分为噪声盲元和响应率差异盲元两大类。 线阵红外探测器应用中，经常存在相邻的像元之间响应率有明显差异，其灰度响应输出不均匀，在扫描成像时会呈现明暗条纹的现象。 1.1 死、热像元 死像元相对于其他像元响应明显较低或者无响应，在进行扫描成像时，死像元会表现为黑条纹（白热模式），热像元相对于其他像元
一、对比度增强算法AGCWD硬件化实现 2013年发表在TIP上的对比度增强算法AGCWD（Efficient contrast enhancement using adaptive gamma correction with weighting distribution） 2014年发表在IEEE Transactions on Image Processing的《A New Hardware-
2013年发表在TIP上的对比度增强算法AGCWD（Efficient contrast enhancement using adaptive gamma correction with weighting distribution） 提出了一种自动映射技术，通过亮度像素的伽马校正和概率分布来提高调暗图像的亮度。为了增强视频，所提出的图像增强方法使用关于每帧之间差异的时间信息来减少计算复杂性。该算
解决问题： 自动白平衡算法中存在白色区域检测错误导致白平衡失效的问题，作者提出了一种基于暗通道优先的白平衡算法。 算法思想： 图像中白色区域或者高饱和度区域的光线透射率较低，根据以上特性利用暗通道法计算图像中白色区域。 算法概述： 作者使用何凯明提出的基于暗通道优先的方法来估计光照透射模型，通过估计到的光照透射模型来计算图像中白色区域，在检测到白色区域后，相对于图像的亮度分量 Y 来计算每个颜色
彩滤波阵列RGGB：一个红光、一个蓝光、两个绿光滤波器每个像素只能感应一种颜色的光。
1、红外图像 1.1 红外图像特点 红外图像一般具有以下特点（一般中长波特点更明显）： 1）红外图像表征景物的温度分布，反映目标及背景向外辐射能量的差异，是灰度图像，像素分辨率低； 2）红外探测气球收到加工工艺影响，靶面分辨率较低，1280x1024分辨率属于高分辨率，640x512的规格较多； 3）红外波段会受到传输距离远、大气吸收和散射等影响，导致红外图像对比度低，边缘模糊，灰度响应相对稳定；
Rapid, Detail-Preserving Image Downscaling（快速的图像缩放技术） 该论文提出了一种基于卷积滤波器的算法，并确定滤波器的权值，使重要的细节保留在缩小比例的图像。更具体地说，它为更偏离局部图像邻域的像素分配更大的权重。 从信息论的角度来看，偏离中心像素的邻域的一些像素数据可能携带有价值的信息，也可能是噪声或超出奈奎斯特频率的信息。 根据Beghdadi等人[2
1、RCCB sensor 无意中看到一种特殊规格的传感器，RCCB (Red-Clear-Clear-Blue)sensor，第一次听到这个名词，咱不知道就查一查，检索到RCCB sensor是一种广泛应用于汽车行业，因为它们的灵敏度和信噪比 (SNR) 优于传统的拜耳 (RGGB) 传感器。 与常见的RGGB bayer模式有一些区别，常见的色彩滤波阵列RGGB：一个红光、一个蓝光、两个绿光滤
通过一种新的透雾算法对图像进行处理，得到含雾图的透雾结果图。适合白天、夜晚多场景多种含雾程度的图像处理，处理速度较快，能够满足实时化处理。 在此致敬何凯明的暗通道透雾算法。 效果展示 测试图像1： 测试图像2： 测试程序 matlab测试程序路径如下： AomanHao_example_of_algorithms/0-image_Dehaze at main · Aoman
学习方式 概念 监督式学习 从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据此函数预测结果。训练数据集中的目标由人标注的。常见的算法有回归分析和统计分类 非监督式学习 与监督式学习相比，训练集没有人为标注的结果，常见的算法有聚类 半监督式学习 训练集部分被标识，部分没有被标识。常见的算法有SVM 强化学习 输入数据作为模型的反馈，模型对此作出调整。常见的算法
机器学习算法选择 没有最好的分类器，只有最合适的分类器。 数据维度越高，随机森林就比AdaBoost强越多，但是整体不及SVM。 数据量越大，神经网络就越强。 1、K近邻 典型KNN，它的思路就是——对于待判断的点，找到离它最近的几个数据点，根据它们的类型决定待判断点的类型。 它的特点是完全跟着数据走，没有数学模型可言。 适用情景： 需要一个特别容易解释的模型的时候。 比如需要向用户解释原因的
颜色直方图 OpenCV之颜色空间: 颜色空间RGB（Red 红色，Green 绿色，Blue 蓝色） R的取值范围：0-255 G的取值范围：0-255 B的取值范围：0-255 颜色空间HSV （Hue 色相，Saturation 饱和度，intensity 亮度） H的取值范围：0-179 S的取值范围：0-255 V的取值范围：0-255 颜色空间HLS (Hue 色相，lightness
C++开源项目： Boost.GIL：通用图像库 CImg ：用于图像处理的小型开源C++工具包 CxImage ：用于加载，保存，显示和转换的图像处理和转换库，可以处理的图片格式包括 BMP, JPEG, GIF, PNG, TIFF, MNG, ICO, PCX, TGA, WMF, WBMP, JBG, J2K。 FreeImage ：开源库，支持现在多媒体应用所需的通用图片格式和其他格式
1. 水波纹（FLICK）问题 CMOS高画质传感器在快门速度超过1/200sec以上，因无法处理同步问题，画面上会产生黑条状之水波纹而影响画质（如图一），并会在画面上产生缓慢飘移现象，但快门值低于1/200sec以下则不会产生水波纹问题，CCD高画质传感器就不会有水波纹问题。 设计建议：若车速低于30km/hr，可以采用CMOS摄像头。若车速高于30km/hr，则应采用CCD等级摄像头。 2.
kim提出的基于像素对比度增强算法IEBPT，本文讨论多尺度高斯细节增强部分。 参考:://./Imageshop/p/7895008.html 1、背景 《DARK IMAGE ENHANCEMENT BASED ON PAIRWISE TARGET CONTRAST AND MULTI-SCALE DETAIL BOOSTING》论文使用了Retine
1、图像缩放背景 图像的放大、缩小(简称缩放)是图像处理的一种处理方法。所谓图像缩放是指图像分辨率的改变，它在图像显示、传输、图像分析以及动画制作、电影合成、甚至医学图像处理中都有着相当广泛的应用。比如要在1024 X 768 分辨率的显示器上全屏显示800 X 600 的数字图像，就必需对显示信号进行处理，将其放大为 1024 X 768的画面再送显示。传统模拟电视信号要在数字电视上显示，在完成
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
