首先简介梯度法的原理。首先一个实值函数$R^{n} \rightarrow R$的梯度方向是函数值上升最快的方向。梯度的反方向显然是函数值下降的最快方向，这就是机器学习里梯度下降法的基本原理。但是运筹学中的梯度法略有不同，表现在步长的选择上。在确定了梯度方向(或反方向)是我们优化目标函数值的方向后，我们不能够直接获得最佳的步长。常规的做法是选定一个固定的步长，而运筹学中的做法是将问题转化为一个
转载
2023-05-27 12:27:32
88阅读
【声明】本文没有多高的技术，只是学校的一项作业，故将制作过程写出，以作记录。大神请飘走。 本文所用工具为MachCAD 15 for windows 64。已知：正弦信号的完整公式xt=Asin(ωt+φ)小技巧：若想在MathCAD中打出π，需要同时按下Ctrl+Shift+P。 
转载
2023-12-01 22:06:58
41阅读
1.张量运算的导数：梯度 梯度（gradient）是张量运算的导数。它是导数这一概念向多元函数导数的推广。多元函数是以张量作为输入的函数。 假设有一个输入向量 x、一个矩阵 W、一个目标 y 和一个损失函数 loss。你可以用 W 来计算预测y_pred，然后计算损失，或者说预测值 y_pre
转载
2024-04-11 08:46:21
70阅读
HOG(Histogram of Oreinted Gradients) 方向梯度直方图是一种常用的图像特征算法，和SVM等机器学习算法一起使用可以实现目标检测等。本文详细介绍HOG并给出python的MNIST实例
HOG(Histogram of Oreinted Gradients) 方向梯度直方图是一种常用的图像特征算法，和SVM等机器学习算法一起使
转载
2024-01-08 19:28:57
128阅读
18. SciPy求函数的积分本章研究的主题是SciPy下实现求函数的积分的函数的基本使用。积分，高等数学里有大量的讲述，基本意思就是求曲线下面积之和。$$I(f) \approx \sum_{i = 1}^{n} w_i f(x_i) + r_n$$其中$r_n$可认为是偏差，一般可以忽略不计，$w_i$可以视为权重。在SciPy里提供了很多的求各类积分的函数，依据传入参数的不同可以分为两类：一
转载
2023-08-03 18:53:02
195阅读
共同本征函数1 不确定度关系的严格证明引入当体系处于力学量\(\widehat A\)的本征态时，对其测量，可得一个确定值，而不出现涨落。但在其本征态下，去测量另一个力学量\(\widehat B\)时，却不一定得到一个确定值分析证明设有两个任意的力学量\(\widehat A\)和\(\widehat B\),分析下列积分不等式其中，\(\psi\)为一个体系的任意一个波函数，$\xi $为任意
转载
2024-07-03 21:01:18
75阅读
一、简介这里主要介绍图像简单阈值处理，自适应阈值处理和Qtsu阈值处理。二、简单阈值图像处理简单阈值图像处理我们需要使用cv.threshold()函数，该函数第一个参数是图像数据（必须为灰度图），第二个参数为阈值，第三个参数为超过阈值的像素值的最大值，最后一个参数为二值化类型。 各种阈值类型计算原理如下： 以下为示例代码：import cv2 as cv
import numpy as np
f
转载
2024-06-20 12:14:43
49阅读
图像分类是人工智能领域的一个热门话题，通俗来讲，就是根据各自在图像信息中反映的不同特征，把不同类别的目标区分开。图像分类利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，代替人的视觉判读。在实际生活中，我们也会遇到图像分类的应用场景，例如我们常用的通过拍照花朵来识别花朵信息，通过人脸匹对人物信息等。通常，图像识别或分类工具都是在客户端进行数据采集，在服务端进行
转载
2024-03-07 10:31:42
21阅读
通常使用scikit-image进行图像读取与存储操作：from skimage import io
img = io.imread('lena.jpg');
io.imshow(img)
io.imsave('lena2.jpg', img)
查看img大小：
img.shape
scikit-image对图像操作与matlab相似，比较适合matlab转python的同学
scikit-ima
转载
2023-06-30 20:03:19
126阅读
# 使用 Python 计算图像的质心
图像处理是计算机视觉中的一个重要领域，其中一个常见的任务是计算图像的质心（或重心）。质心是一个物体的“平均”位置，可以被视为物体的“中心点”。在本文中，我们将使用 Python 中的多个库来实现图像质心的计算，包括 OpenCV 和 NumPy。我们将一步一步地讲解如何加载图像、处理图像以及计算质心。
## 什么是质心？
质心是一个物体的几何中心。当我
# 实现求图像斜率 Python
## 操作流程
下面是实现求图像斜率的流程：
步骤 | 操作 | 代码
---|---|---
1 | 读取图像 | `image = cv2.imread('image.jpg')`
2 | 转换图像为灰度图 | `gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)`
3 | 检测边缘 | `edges
原创
2024-06-06 05:02:05
201阅读
# Python求图像积分
在图像处理中，积分是一种常用的操作，可以用来计算图像的光强、颜色分布等特征。Python提供了多种方法来实现图像的积分操作，本文将介绍其中一种常用的方法。
## 什么是图像积分
图像积分是一种离散化的积分操作，用于计算图像中像素值的累积和。通常情况下，对于一个图像矩阵$A$，其积分矩阵$S$的每个元素$S(i,j)$表示从图像的原点$(0,0)$到像素$(i,j)
原创
2023-10-23 10:05:16
112阅读
# Python求图像均值
在图像处理领域，求图像均值是一项常见的任务。图像均值即对图像中的像素值进行统计，计算出其平均值。这个过程对于图像处理、图像识别等应用非常重要。在本文中，我们将使用Python语言来实现图像均值的计算，并介绍一些相关的概念和知识。
## 图像均值的定义
图像均值是指图像中所有像素值的平均值。在计算过程中，我们将图像转换为一个二维数组，数组中的每个元素表示图像中每个像
原创
2023-11-17 09:46:22
503阅读
例1已知函数\(f(x)=x^3-x^2-x+\cfrac{11}{27}\)，求证：函数\(f(x)\)的图像关于点\((\cfrac{1}{3}，0)\)对称。法1：利用思路\(f(\cfrac{2}{3}-x)+f(x)=0\)证明；\(f(\cfrac{2}{3}-x)=(\cfrac{2}{3}-x)^3-(\cfrac{2}{3}-x)^2-(\cfrac{2}{3}-x)+\cfra
今天给大家分享一篇上个月刚刚发布的综述论文，基于深度学习的立体视觉深度估计。英文标题: A Survey on Deep Learning Techniques for Stereo-based Depth Estimation论文地址: https://arxiv.org/abs/2006.025353D视觉工坊为粉丝们整理好了中文翻译pdf文档、英文论文，公众号后台回复：立体视觉综述，即可获取
转载
2024-09-02 17:47:19
35阅读
原标题：matplotlib绘图的核心原理讲解matplotlib是基于Python语言的开源项目，旨在为Python提供一个数据绘图包。相信大家都用过它来数据可视化，之前我还分享过 25个常用Matplotlib图的Python代码 。可是你了解过它绘图的核心原理吗？那不如来看看黄同学的这篇文章吧！01核心原理讲解使用matplotlib绘图的原理，主要就是理解figure(画布)、axes(坐
Python 非常热门，但除非工作需要没有刻意去了解更多，直到有个函数图要绘制，想起了它。结果发现，完全用不着明白什么是编程，就可以使用它完成很多数学函数图的绘制。通过以下两个步骤，就可以进行数学函数的绘制了。两个步骤（1）安装 AnacondaAnaconda 包含了 Python 的运行环境、诸多科学计算库以及好些实用工具，安装它，有当前所需的一切。看它们的翻译，的确也是同类。下载地址：htt
转载
2023-08-13 11:23:31
95阅读
图形学复习CH7 光栅化前几章介绍了几何处理和裁剪变换，接下来的步骤就是光栅化光栅化是将形式表示的几何图元转换为阵列表示的数据片元的过程，片元中每一个像素对应帧缓冲区中的每一个像素7.1 线段生成算法（1）DDA画线算法设直线表达式为y=mx+b，输入直线两端点坐标(x0,y0)和(xend,yend)，可以计算出m=yend−y0xend−x0和b=y0−m⋅x0DAA是基于微分运算的线段生成算
转载
2023-10-13 22:26:57
139阅读
最初对于牛顿法，我本人是一脸懵的。其基本原理来源于高中知识。在如下图所示的曲线，我们需要求的是f(x)=0的解：对于懵的原因，是忘记了高中所学的点斜式(Point Slope Form)，直接贴一张高中数学讲义：因为我们一路沿着x轴去寻找解，所以迭代求f(x)=0的解得通用式为：与梯度下降相比，牛顿法也同样是沿着曲线的斜率去寻找极值，但是不存在需要自定义learning rate的问题，因为alp
转载
2023-05-23 23:35:18
173阅读
1.信息熵： 利用信息论中信息熵概念，求出任意一个离散信源的熵（平均自信息量）。自信息是一个随机变量,它是指某一信源发出某一消息所含有的信息量。一条信息的信息量和它的不确定性有着直接的关系。所发出的消息不同，它们所含有的信息量也就不同。任何一个消息的自信息量都代表不了信源所包含的平均自信息量。不能作为整个信源的信息测度，因此定义自信息量的数学期望为信源
转载
2023-11-21 22:21:25
59阅读
