最小距离分类器1. 理论基础 最小距离分类又称最近邻分类，是一种非常简单的分类思想。这种基于匹配的分类技术通过以一种原型模式向童代表每一个类别，识别时一个未知模式被赋予一个按照预先定义的相似性度量与其距离最近的类别，常用的距离度量有欧氏距离，马氏距离等。下面我们以欧氏距离为例讲解最小距离分类器。 一种简单的做法是把每个类所有样本的平均向量作为代表该类的原型，则第i 类样本的代表向置为：其中， Ni
转载
2023-11-02 08:41:03
173阅读
笔记来源——苏娟《遥感图像的获取与处理》一、遥感的基本概念遥感：指一切无接触的远距离探测；遥感图像的目的：对不同的地物及其特性进行远距离探测和识别；地物目标信息的获取：利用目标反射和辐射来的电磁波；地物目标信息的获取： 传感器：接收从目标反射和辐射来的电磁波信息的设备；遥感的分类（1） 按照遥感平台分类：
级联分类器包括两个：训练和检测； 这里主要是介绍检测部分； 如果需要利用cascade训练模型，可以参考：opencv级联分类器训练过程记载关于CascadeClassifier的简介：CascadeClassifier是opencv下objdetect模块中用来做目标检测的级联分类器的一个类；简而言之是滑动窗口机制+级联分类器的方式；早期opencv版本仅支持haar特征的目标检测，分别在ope
转载
2023-12-03 07:26:11
50阅读
本文仅仅梳理自己所学习的知识所用，有什么写的不当的地方请各位指教。完全是个人经验之谈。Opencv自带的分类器是adaboost分类器算法思想是通过迭代训练弱分类器得到一个强分类器。每次迭代得到局部最优的分类器，然后将局部最优的分类器权值相加最后得到一个可用的强分类器。算法伪代码如下：（1） 初始化训练数据的权值分布，让其服从均
转载
2023-11-23 13:23:50
28阅读
OpenCV级联分类器概览OpenCV: 一个计算机视觉库, 提供了一种称级联分类器的方法检测对象级联分类器:一种基于AdaBoost算法的多级分类器, 用于在图像中检测目标对象. 它通过不断学习组合多个特征来识别目标对象. 每一级中, 级联分类器先检测出可能是目标对象的部分, 然后再这些部分进行更细粒度的检测, 有效减少检测所需计算量, 提高检测速度.概念样本正样本: 要检测的目标对象的样本(人
转载
2023-10-15 23:43:22
52阅读
一、简介 作为集成学习中非常著名的方法，随机森林被誉为“代表集成学习技术水平的方法”，由于其简单、容易实现、计算开销小，使得它在现实任务中得到广泛使用，因为其来源于决策树和bagging，决策树我在前面的一篇博客中已经详细介绍，下面就来简单介绍一下集成学习与Bagging； 二、集成学习 集成学习（ensemble learning）是指通过构建并结合多个学习器来完成学习任务，有时也
转载
2024-01-18 20:39:09
30阅读
OpenCV Python 级联分类器【目标】Haar 级联目标检测器工作方式；Haar 级联分类器检测人脸和人眼【理论】基于Haar特征的级联分类器的目标检测是Paul Viola和Michael Jones在2001年的论文中提出的一种有效的目标检测方法。这是一种基于机器学习的方法，从大量的正面和负面图像中训练级联函数。然后用它来检测其他图像中的物体。这里我们将使用人脸检测。最初，该算法需要大
转载
2024-04-04 18:37:27
53阅读
# Python出图是什么文件
在现代数据科学和数据可视化中，Python被广泛应用于生成各种类型的图表和可视化效果。这些图表通常被保存为文件，以便后续查看或分享。那么，Python出图到底是什么文件呢？
## 1. 常见的图像文件格式
在Python中，常见的图像文件格式主要包括以下几种：
- **PNG（便携式网络图形）**：是一种无损压缩的位图图像格式，广泛应用于网络图像。
- **
原创
2024-07-31 08:30:28
80阅读
目录一：OpenCV级联分类器概念二：OpenCV级联分类器操作步骤三：样本采集工作原理分析一四：样本采集工作原理分析二五：创建自己的级联分类器5.1 创建自己的级联分类器第一步5.2 创建自己的级联分类器第二步5.3 创建自己的级联分类器第三步5.4 创建自己的级联分类器第四步5.5 创建自己的级联分类器第五步一：OpenCV级联分类器概念目前常用的实用性目标检测与跟踪的方式方法有以下两种帧差法
转载
2024-03-02 08:16:14
21阅读
神经网络神经网络的结构就像任何其他网络。它是一系列互连的节点，称为神经元和边缘，并将它们连接在一起。主要功能是接收一组输入执行逐步复杂的计算并使用输出来解决问题。分类是其中的一个应用。分类是对一组对象进行分类，而只使用描述它们的一些基本数据特征。分类器的例子 - 逻辑回归，支持机器向量（SVM）、朴素贝叶斯、神经网络。分类器将数据作为输入开始，通过隐藏层进行处理，并在在输出处给出置信分数。神经网络
转载
2023-11-02 08:56:22
97阅读
CascadeClassifier检测的基本原理：级联分类器类的检测框架简而言之就是一个多尺度缩放+滑动窗口遍历搜索的框架。在CascadeClassifier中包含detectMultiScale和detectSingleScale成员函数，分别对应多尺度和单尺度检测，其中多尺度检测中会调用单尺度的方法。分类器仅能够对某一固定size的采样图像做判断，给出当前的采样图像是否为真实目标的“非正即负
转载
2024-07-02 06:26:29
34阅读
“云服务器(Elastic Compute Service, ECS)是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。其管理方式比物理服务器更简单高效。用户无需提前购买硬件，即可迅速创建或释放任意多台云服务器。 云服务器帮助您快速构建更稳定、安全的应用，降低开发运维的难度和整体IT成本，使您能够更专注于核心业务的创新。 发展历史 ”有网友是这么解释的“云服务器就是你作为一个人在外面租的房子
一、基本概念1、简单图：无环且无多重边 伪图：有环或有多重边2、特殊的简单图：Kn，Qn，Wn，Cn（完全图，n立方图，轮图，圈图）3、（⭐）生成子图：生成子图的顶点与原图完全一样，但是边可以取原图中边的任意子集诱导子图（导出子图）：诱导子图中顶点可以取原图的任意非空子集，但是这些顶点之间对应的连线在G和G‘中必须相同4、握手定理：（主要是度的奇偶性讨论，在欧拉图部分会
转载
2024-08-20 20:23:08
229阅读
文章目录图形的宗旨是传递信息的嘛1. 根据数据类型画图2. 统计图注意事项标题横纵轴整体3. 柱状图单分类变量——柱状图（类别，频数/值）两分类变量——堆砌柱状图4. 饼图5. 折线图6.箱线图 图形的宗旨是传递信息的嘛1. 根据数据类型画图连续性变量：直方图、折线图 离散型变量：柱状图、饼图 类别变量&连续型变量：（分布）箱线图2. 统计图注意事项标题位置：上表下图（表标题放表上方，图
转载
2023-11-02 08:18:22
93阅读
相关性1.相关性是一种测度，用来表示两个变量在同一方向上发生变化的程度，如果x和y在变化方向上相同，那么这两个变量就是正相关；如果变化方向相反，就是负相关；如果变量之间没有关系，那么相关性就是0。分类器1.分类模型也称为分类器，用于对样本进行标注，表明这个样本属于一个有限的类别集合中的那个类。
2.单分类学习中，训练集中的数据仅来自一个类别，目标是学习一个模型以预测某个样本是否属于这个类别；
3.
转载
2024-01-17 10:44:48
56阅读
引入装饰器如果想在一个函数执行前后执行一些别的代码，比如打印一点日志用来输出这个函数的调用情况那应该怎么做呢？#!/usr/bin/env python
# coding=utf-8
def logger(fn): # 函数作为参数即fn可以为任何参数
def wrap(*args, **kwargs): # 可变参数args和kwargs
pri
对贝叶斯分类来说，考虑如何基于概率和误判损失来选择最优的类别标记。贝叶斯公式判别式：给定x，直接建模p(c|x)来预测c，例如决策树、BP神经网络、支持向量机生成式：先对联合概率分布p(x,c)建模，再得到p(c|x)，例如贝叶斯。 ：先验概率，样本所占样本空间的比例。先验概率是指我们主观通过事件发生次数对概率的判断。 ：泳衣归一化的证据因子 ：条件概率，或似然。 ：后验概率由此，将估计后验概率
转载
2024-06-14 10:15:45
37阅读
目录一、原理解析1.1计算机视觉领域的图像分类是什么意思?1.2图像分类要如何实现?1.3Bag-of-features算法和过程?1)提取图像特征2)训练字典（ visual vocabulary ）3)图片直方图表示4)训练分类器1.4TF-IDF?1.5当前图像分类中会遇到一些值得挑战的问题?二、代码解析2.1创建词汇2.2 建立数据库2.3在数据库中搜索图像三、实验结果详细分析3
转载
2024-02-23 07:27:49
84阅读
茎叶图，又叫枝叶图。主要思路是将数据分成主干和分支两部分，再按照主干进行分类，这样就能大致的看出数据的分布情况。话不多说，直接上：图： 这里的数据，就是十位和个位，总的数据为：2,10,15,20,23,27。得知，该样本在20-30间的数值最多。一般多的展示两组数据，三组以上就不方便看了。
这里记录了A、B两组数据的分布情况，可以看出，A组数据在420附近较多，B组
转载
2023-06-09 15:10:46
366阅读
图聚类基于图的聚类。注意这里的图指的不是图片，而是顶点+边构成的图。将样例用图表示，则通过对图中顶点的划分完成聚类。图的表示顶点：样本点聚类：顶点的划分边：样本点的相似度 表示无向图，为点的集合，E为边集，W为权重，表示节点 、 之间相似度图的划分图的划分是将图完全划分成若干个子图，个子图无交集。 划分要求同子图内的点相似度高不同子图间的点相似度低损失函数由
转载
2023-09-23 15:41:17
199阅读
