-----------------Canny算法原理部分-----------------Canny边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。Canny边缘检测基本原理： (1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。 (2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。 (3
cvCalscEigenObject()函数，包含于<cvAux.h>中。在PCA人脸识别的程序中，属于核心算法。
http://www710.univ-lyon1.fr/~bouakaz/OpenCV-0.9.5/docs/ref/OpenCVRef_ObjectRecognition.htm
void cvCalcEigenObjects( int nObjec
一、引言模板匹配的作用在图像识别领域作用可大了。那什么是模板匹配？模板匹配，就是在一幅图像中寻找另一幅模板图像最匹配（也就是最相似）的部分的技术。说的有点抽象，下面给个例子说明就很明白了。在上面这幅全明星照中，我们想找出姚明头像的位置，并把它标记出来，可以做到吗？可以，这就是模板匹配的要做的事情。其实模板匹配实现的思想也是很简单很暴力的，就是拿着模板图片（姚明头像）在原图（全明星照）中从左上至右下
转载
2024-03-13 09:45:15
344阅读
作用有局限性，必须在指定的环境下，才能匹配成功，是受到很多因素的影响，所以有一定的适应性 模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。
它是图像处理中最基本、最常用的匹配方法。
模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。 模板匹配就是在整个图像区域发
转载
2024-03-30 08:27:38
164阅读
在图像目标识别技术的研究应用中,模板匹配技术是其中一个重要的研究方向,它具有算法简单、计算量小以及识别率高的特点。模板匹配的基本原理是通过相关函数的计算来找到它和被搜索图的坐标位置。比如可以设模板 T ( n×m像素点)叠放在搜索图S上平移,模板覆盖下的那块搜索图叫做子图, i , j 为这块子图的左上角像点在S图中的坐标 , 叫参考点 , 1≤ i , j ≤n -m+ 1。比较T和Si , j
转载
2024-02-20 07:02:46
109阅读
图像最基本的变换即仿射变换(Affine Transform)和透射变换(Perspective Transform)。仿射变换是对一个向量空间进行一次线性变换并接上一次平移。透射变换是中心投影的射影变换。1.仿射变换仿射变换是线性变换与平移的组合。1.1原理描述首先，线性变换是什么？线性变换是满足以下两条性质的变换：1）直线在变换后仍然为直线，不能有所弯曲。2）原点必须保持固定。常见的线性有绕原
转载
2024-03-11 14:53:42
515阅读
创新一直是一个令人纠结的话题，研究生毕业设计多数需要算法的创新，而博士生毕业更需要大量的创新才行。这里，我们就团队这几年来的工作经验，谈谈如何进行合理的算法创新。一、创新角度通常，我们使用一个算法，这里举个简单的粒子，PSO粒子群优化算法，我们通过仿真，会得到该算法的收敛速度，仿真精度等一些参数指标。如果我们需要对该算法进行创新，一般就需要从原算法的性能指标角度考虑，比如收敛速度和精度的提高，对于
转载
2024-03-28 14:40:37
33阅读
下载opencv1.进入官网，点击Learn More 查看更多版本2.找到想要下载的版本点击windows进行下载注意：下载好的只一个.exe格式的自解压文件3.找到下载的文件，解压到一个自己平时想放文件的地方，解压之后如图 开始使用visual studio进行配置1.在配置之前我们要先把刚才解压文件中的这个文件路径添加到系统PATH里面：D:\
转载
2024-02-21 13:52:39
84阅读
当训练好一个模型之后预测新的数据，当发现预测情况不是很好的时候，怎么改进？1.得到更多的训练数据。但有的时候获取更多的数据并不是很有帮助2.尝试选用更少的特征3.尝试增加更多的特征4.增加多项式特征，就是已有特征之间的组合：等5.增加正则化参数，减小正则化参数怎么样能选择最适合改进的方法呢？或者说排除上面的一些方法评估该算法的性能（机器学习诊断法），从而能知道影响性能的关键和改进的方面：训练误差最
转载
2024-03-08 17:27:34
56阅读
动态时间规整DTW1 概述动态时间规整是一个计算时间序列之间距离的算法，是为了解决语音识别领域中语速不同的情况下如何计算距离相似度的问题。相对于用经典的欧式距离来计算相似度而言，DTW在数据点个数不对齐的情况下微调时间从而能够计算距离。DTW之所以能够计算数据点个数不同时间序列之间的距离，是因为DTW方法中时间序列的点可以一对多。2 计算过程用动态规划算法计算DTW距离的过程如下所示，计算不同长度
转载
2024-01-12 09:36:48
150阅读
k近邻算法是一种基于实例的算法，即学习过程只是简单的存储已知的训练数据，遇到新的查询实例时，从训练集中取出相似的实例，因此它是一种懒惰(lazy)学习方法。可以为不同的待分类查询实例建立不同的目标函数进行逼近。k近邻算法原理： 令D为训练数据集，当测试集d出现时，将d与D中所有的样本进行比
转载
2024-06-29 12:09:29
46阅读
传统的Canny边缘检测算法是一种有效而又相对简单的算法，可以得到很好的结果（可以参考上一篇Canny边缘检测算法的实现）。但是Canny算法本身也有一些缺陷，可以有改进的地方。1. Canny边缘检测第一步用高斯模糊来去掉噪声，但是同时也会平滑边缘，使得边缘信息减弱，有可能使得在后面的步骤中漏掉一些需要的边缘，特别是弱边缘和孤立的边缘，可能在双阀值和联通计算中被剔除。很自然地可以预见，如果加大高
转载
2023-12-19 19:00:20
211阅读
01-简介介绍第一个机器学习算法：K-近邻算法，它非常有效而且易于掌握。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠
最近在写毕业论文，由于EM算法在我的研究方向中经常用到，所以把相关的资料又拿出来看了一下，有了一些新的理解与感悟。在此总结一下。EM算法即“期望极大算法”。学过机器学习的朋友都知道EM算法分两步：E步求期望，M步求极大。但是期望是求谁的期望，极大是求谁的极大呢？这里面其实有两种解读角度。“通俗”角度通俗角度的话，求极大肯定是求似然函数的极大了，而且一般都是对数似然。我们一般解决模型参数
最近在学习《机器学习实战》 kNN算法是从训练集中找到和新数据最接近的k条记录（欧氏距离），然后根据他们的主要分类来决定新数据的类别。该算法涉及3个主要因素：训练集、距离或相似的衡量、k的大小。 kNN算法可以解决如下问题样本如下：span group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
label
转载
2024-08-06 11:08:32
63阅读
一、Apriori算法性质性质一：候选的k元组集合Ck中，任意k-1个项组成的集合都来自于Lk.性质二：若k维数据项目集X={i1,i2,…,ik}中至少存在一个j∈X，使得|L(k-1)(j)|<k-1,则X不是频繁项集。即若Lk-1中有一个元素C包含一个项目i，使得|L(k-1)(j)|<k-1，则所有Lk-1与C中元素连接生成的候选k维数据项集不可能是频繁项目集。eg.购物篮中的
转载
2024-01-14 19:48:26
85阅读
改进Clock算法——页面置换算法算法描述： 在将一个页面换出时，如果该页已被修改过，便须将该页重新写回到磁盘上；但如果该页未被修改过，则不必将它拷回磁盘。在改进型Clock算法中，除须考虑页面的使用情况外，还须在增加一个因素，即置换代价，这样页面换出时，既要是未使用过的页面，又要是未被修改过的页面。把同时满足这两个条件的页面作为首选淘汰的页面。由访问位A和修改位M可以组合成下面四种类型的页面:
转载
2023-12-25 21:31:04
173阅读
粒子群优化(PSO, particle swarm optimization) 是由Kennedy和Eberhart在1995年提出的一 种群智能优化方法。优点：好理解容易实现，适合解决极值问题缺点：容易过早收敛，容易陷入局部最优解，（如果初始点选的不好，可能就会被某个粒子带偏了= =/）（Java实现）:1 package pso;
2
3 import java.util.Ra
转载
2023-07-02 17:43:22
144阅读
根据对图像信息处理运用方式不同，可将图像融合分为三个层次上的研究，即像素级，特征级和决策级。其中像素级融合位于最低层，可以看作是对信息仅作特征提取并直接使用。也正是得益于其对信息最大程度上的保留，使其在准确性和鲁棒性上优于其他两级。相比之下，像素级融合获取的细节信息更丰富，是最常用的融合方式。因此，它同样是图像融合领域研究的热点。与此同时，由于其需要的配准精度高，必须达到像素级别。所以像素级图像融
一、 马氏距离我们熟悉的欧氏距离虽然很有用，但也有明显的缺点。它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。例如，在教育研究中，经常遇到对人的分析和判别，个体的不同属性对于区分个体有着不同的重要性。因此，有时需要采用不同的距离函数。 如果用dij表示第i个样品和第j个样品之间的距离，那么对一切i，j和k，dij应该满足如下四个条件： &
转载
2024-08-09 15:56:44
196阅读
