本节用来总结SLAM学习过程中，用到的重要的opencv函数
CalcopticalFlowPyrLK()功能使用具有金字塔的迭代Lucas-Kanade方法计算稀疏特征集的光流。void cv::calcOpticalFlowPyrLK (
InputArray prevImg,
InputArray nextImg,
InputArray prevPts
1、cvLoadImage：将图像文件加载至内存；
2、cvNamedWindow：在屏幕上创建一个窗口；
3、cvShowImage：在一个已创建好的窗口中显示图像；
4、cvWaitKey：使程序暂停，等待用户触发一个按键操作；
5、cvReleaseImage：释放图像文件所分配的内存；
6、cvDestroyWindow：销毁显示图像文件的窗口；
7、cvCreateFileC
转载
2024-05-31 15:40:40
40阅读
OpenCV 图像卷积2.1 图像卷积2.2 均值滤波2.3 中值滤波2.4 高斯模糊2.5 Sobel算子2.6 拉普拉斯算子2.7 Canny边缘检测算法2.8 双边滤波2.9 锐化滤波 最近因项目需要加上自己的兴趣，需要用一些opencv相关的东西，虽然之前零零碎碎学习过一些，但是很久不用就忘了，打算写篇文章总结一下学习的过程以及一些常用的函数。类似的博文有很多，但还是觉得自己总结一编印象
转载
2024-07-10 11:12:00
160阅读
两图像间的像素操作cv::bitwise_and() 函数原型//像素求“与”运算
CV_EXPORTS_W void bitwise_and(
InputArray src1,
InputArray src2,
OutputArray dst,
InputArray mask = noArray()
);cv::bitwise_or() 函数原型//像素求“或“运算
CV_EXPO
转载
2024-02-23 09:25:58
166阅读
之前通过一个系列对支持向量机(以下简称SVM)算法的原理做了一个总结，本文从实践的角度对scikit-learn SVM算法库的使用做一个小结。scikit-learn SVM算法库封装了libsvm 和 liblinear 的实现，仅仅重写了算法了接口部分。1. scikit-learn SVM算法库使用概述 scikit-learn中SVM的算法库分为两类，一类是分类的算法库，
均值滤波和高斯滤波详细解读1:均值滤波在上一篇博文–方框滤波中，我们介绍了方框滤波的内核： 而我们今天的第一个主角——均值滤波，就是方框滤波的一种特殊情况均值滤波是一种最简单的滤波操作，输出图像的每一个像素值，是核窗口内输入图像对应像素的平均值，均值滤波算法的主要方法就是：用一片图像区域的各个像素值的均值来代替原图像的像素值，我们需要对图像中的目标像素给出一个模板（内核），这个模板包括了该目标像素
转载
2024-08-05 23:10:16
356阅读
最新CPU天梯图较之以往没有太大的变化，前十位置还是那几款。但是继阿里之后，腾讯也开始准备自己制作芯片了，毕竟自研AI芯片的诱惑还是很大的，2020年有不少的厂商都推出了新鲜美味的显卡，有些是老卡翻新做性价比。有的则是为了更进一步，在原有的基础上升级。1、CPU天梯图2020年最新版 500元以下价位推荐型号：Intel 酷睿i3 4170，AMD Ryzen 5 1400（这
这一节来真正进入opencv的源码分析中，本次分析的函数是GaussianBlur()，即高斯滤波函数。在前前面博文《opencv源码解析之滤波前言2》： 这里我们分析源代码不需要深入到最底层，我们只需分析到函数crea
转载
2021-08-30 13:32:23
2475阅读
核方法 核方法 是一类把低维空间的非线性可分问题，转化为高维空间的线性可分问题的方法。核方法不仅仅用于SVM，还可以用于其他数据为非线性可分的算法。核方法的理论基础是Cover's theorem，指的是对于非线性可分的训练集，可以大概率通过将其非线性映射到一个高维空间来转化成线性可分的训练集。 S
转载
2020-05-31 13:41:00
1459阅读
2评论
问题的引入 对于线性可分或者线性近似可分的数据集， 线性支持向量机可以很好的划分，如图左。但是，对于图右的数据集呢？很显然， 这个数据集是没有办法用直线分开的。 我们的想法是 在低维空间中不能线性分割的点集，通过转化为高维空间中的点集时，很有可能变为线性可分的 。 插个题外话：看过《三体》的小伙伴们
原创
2021-08-06 09:39:26
2859阅读
核函数（Kernels）考虑我们最初在“线性回归”中提出的问题，特征是房子的面积x，这里的x是实数，结果y是房子的价格。假设我们从样本点的分布中看到x和y符合3次曲线，那么我们希望使用x的三次多项式来逼近这些样本点。那么首先需要将特征x扩展到三维，然后寻找特征和结果之间的模型。我们将这种特征变换称作特征映射（feature mapping）。映射函数称作，在这个例子中我们希望将得到的特
转载
精选
2014-10-19 16:28:01
428阅读
特征空间的隐式映射：核函数 咱们首先给出核函数的来头：在上文中，我们已经了解到了SVM处理线性可分的情况，而对于非线性该表示中可调参数的个数
转载
2023-07-11 17:36:08
190阅读
核函数是一个相似度函数 SVM模型有两个非常重要的参数C与gamma。其中 C是惩罚系数，即对误差的宽容度。c越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差 gamma是选择RBF函数作为kernel后，该函数自带的一个参数。
原创
2021-07-08 16:50:13
1168阅读
f1859b99d79e 低纬度空间线性不可分
原创
2023-10-08 09:24:28
193阅读
Convolution 卷积<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />卷积是本章所讨论的很多转换的基础。抽象的说，这个术语意味着我们对图像的每一个部分所做的操作。从这个意义上讲，我们在第五章所看到的许多操作可以被理解成普通卷积的特殊情况。一个特殊的卷积所实现的功能是由所用的卷积
转载
2024-08-08 10:44:26
8阅读
为何需要核函数：
http://www.blogjava.net/zhenandaci/archive/2009/03/06/258288.html
建议他的文章都仔细看一下 核函数的类型： 常用的四种核函数对应的公式如下： 先粘贴一下，以后有经验了再自己总结。如果如果特征数远远大于样本数的情况下,使用线性核就可以了.如果特征数和样本数都很大,例如文档分类,一般使用线
转载
2023-11-03 12:40:37
56阅读
核密度聚类当问题需要自动地确定聚类数目时，传统的KMeans等聚类方法不在适用。因此，使用“核概率密度估计”的思路自行设计了两种聚类方法。本文收录：核是什么核密度估计基于核密度估计的两种聚类方法代码实现核函数有一些数据，想“看看”它长什么样，基于高中的知识，我们一般会画频率分布直方图（Histogram）。但基于大学的知识，此时也可以用核密度估计，因为之前的知识水平让我们默认为频率等于概率，但实际
文章目录一、形态学1.1腐蚀1.2膨胀1.3开操作1.4闭操作1.5梯度1.6礼/顶帽（Top hat）1.8黑帽（Black hat） 一、形态学图像形态学中的几个基本操作：腐蚀、膨胀、开操作、闭操作。1.1腐蚀结构A被结构B腐蚀的定义为。可以理解为，移动结构B，如果结构B与结构A的交集完全属于结构A的区域内，则保存该位置点，所有满足条件的点构成结构A被结构B腐蚀的结果。 A⨀B={z|(B)
转载
2024-10-04 11:35:43
137阅读
6.2 卷积神经网络简介卷积神经网络和全连接神经网络的整体架构非常相似，唯一区别就在于神经网络中相邻两层的连接方式，相邻两层之间只有部分节点相连，为了展示每一层神经元的维度，一般将每一层卷积层的节点组织成一个三维矩阵。使用全连接神经网络处理图像的最大问题在于全连接层的参数太多，对于MNIST数据，一个全连接层的神经网络有28*28*500+500=392500个。如果考虑Cifar-10数据集，图
