w3071206219的博客

原创 3D线处理

原创 OpenCV自适应阈值处理

局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。常用的局部自适应阈值有：1）局部邻域块的均值；2）局部邻域块的高斯加权和。void adaptiveThreshold(srcgray,dstimage,maxVal,ad.

原创 Opencv copyTo()理解

image.copyTo(imageROI)作用是把image的内容复制粘贴到imageROI上；是将logoImage直接复制黏贴在imgROI区域。image.copyTo(imageROI，mask)作用是把mask和image重叠以后把mask中像素值为0（black）的点对应的image中的点变为透明，而保留其他点。logo的边界的黑带残缺，而且原本是logo的图像区域显示还是imageROI的图像。即ROI区域在叠加以后的像素值为0（black）的点被保留为原图像的..

原创 CString发生内存泄露

MFC对话框程序在退出时，发生了内存泄露：Detected memory leaks!Dumping objects ->{98500} normal block at 0x05785AD0, 152 bytes long.Data: << N N x 7 > 3C AC 4E 10 00 00 00 00 BC A4 4E 10 78 B6 37 ...

原创 当CAsyncSocket遇到多线程

现象用多线程方法设计socket程序时，你会发现在跨线程使用CAsyncSocket及其派生类时，会出现程序崩溃。所谓跨线程，是指该对象在一个线程中调用Create/AttachHandle/Attach函数，然后在另外一个线程中调用其他成员函数。下面的例子就是一个典型的导致崩溃的过程：CAsyncSocket Socket;UINT Thread(LPVOID){ S...

原创 OpenCV基本函数操作作业

1.创建一个100*100的两维三通道矩阵，初始值为全0a.使用cv::circle在矩阵中画一个圆；b.显示这个图片。 Mat src3 = Mat(100,100,CV_8UC3, Scalar::all(0)); Point pt(50, 50); circle(src3, pt, 40, Scalar(0, 255, 0)); imshow("1", src3);...

原创 OpenCV坐标系与row&col的关系

坐标体系中的零点坐标为图片的左上角，X轴为图像矩形的上面那条水平线；Y轴为图像矩形左边的那条垂直线。该坐标体系在诸如结构体Mat,Rect,Point中都是适用的。（虽然网上有学着说OpenCV中有些数据结构的坐标原点是在图片的左下角，但是我暂时还没碰到过）。在使用image.at(x1, x2)来访问图像中点的值的时候，x1并不是图片中对应点的x轴坐标，而是图片中对应点的y坐标。因此其访问的...

转载 斯坦福CS231n李飞飞计算机视觉之线性分类下

线性分类器简介 线性评分函数 阐明线性分类器 损失函数 多类SVM Softmax分类器 译者注：下篇翻译起始处 SVM和Softmax的比较 基于Web的可交互线性分类器原型 小结Softmax分类器SVM是最常用的两个分类器之一，而另一个就是Softmax分类器，它的损失函数与SVM的损失函数不同。对于学习过二元逻辑回归分类器的读者来说，Softmax分类器就可以...

转载 斯坦福CS231n李飞飞计算机视觉之线性分类中

线性分类器简介 线性评分函数 阐明线性分类器 损失函数 多类SVM 译者注：中篇翻译截止处 Softmax分类器 SVM和Softmax的比较 基于Web的可交互线性分类器原型 小结损失函数 Loss function在上一节定义了从图像像素值到所属类别的评分函数（score function），该函数的参数是权重矩阵。在函数中，数据是给定的，不能修改。但是我们可以调...

转载 斯坦福CS231n李飞飞计算机视觉之线性分类上

线性分类器简介 线性评分函数 阐明线性分类器 译者注：上篇翻译截止处 损失函数 多类SVM Softmax分类器 SVM和Softmax的比较 基于Web的可交互线性分类器原型 小结线性分类上一篇笔记介绍了图像分类问题。图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器...

转载 斯坦福CS231n李飞飞计算机视觉之数据驱动的图像分类下

图像分类、数据驱动方法和流程 Nearest Neighbor分类器 k-Nearest Neighbor 验证集、交叉验证集和超参数调优 译者注：下篇翻译起始处 Nearest Neighbor的优劣 小结 小结：应用kNN实践 拓展阅读用于超参数调优的验证集k-NN分类器需要设定k值，那么选择哪个k值最合适的呢？我们可以选择不同的距离函数，比如L1范数和L2范数等，那么...

转载 斯坦福CS231n李飞飞计算机视觉之数据驱动的图像分类上

图像分类、数据驱动方法和流程 Nearest Neighbor分类器 k-Nearest Neighbor 译者注：上篇翻译截止处 验证集、交叉验证集和超参数调参 Nearest Neighbor的优劣 小结 小结：应用kNN实践 拓展阅读图像分类目标：这一节我们将介绍图像分类问题。所谓图像分类问题，就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分...

转载 coursera-斯坦福-机器学习-吴恩达-大量数据获取和上限分析

18.3 获取大量数据和人工数据参考视频: 18 - 3 - Getting Lots of Data and Artificial Data (16 min).mkv如果我们的模型是低方差的，那么获得更多的数据用于训练模型，是能够有更好的效果的。问题在于，我们怎样获得数据，数据不总是可以直接获得的，我们有可能需要人工地创造一些数据。以我们的文字识别应用为例，我们可以字体网站下载各种字...

转载 coursera-斯坦福-机器学习-吴恩达-OCR文字识别

十八、应用实例：图片文字识别(Application Example: Photo OCR)18.1 问题描述和流程图参考视频: 18 - 1 - Problem Description and Pipeline (7 min).mkv图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。为了完成这样的工作，需要采取如下步骤：...

转载 coursera-斯坦福-机器学习-吴恩达-在线学习和多台计算机计算

17.5 在线学习参考视频: 17 - 5 - Online Learning (13 min).mkv在这个视频中，讨论一种新的大规模的机器学习机制，叫做在线学习机制。在线学习机制让我们可以模型化问题。今天，许多大型网站或者许多大型网络公司，使用不同版本的在线学习机制算法，从大批的涌入又离开网站的用户身上进行学习。特别要提及的是，如果你有一个由连续的用户流引发的连续的数据流，进入你的...

转载 coursera-斯坦福-机器学习-吴恩达-推荐系统

十六、推荐系统(Recommender Systems)16.1 问题形式化参考视频: 16 - 1 - Problem Formulation (8 min).mkv在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因：第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，我偶尔访问硅谷不同的技术公司，我常和工作在这儿致力于机器学习应用的人们聊天，我常问他们，最重要...

转载 coursera-斯坦福-机器学习-吴恩达-异常检测

[TOC] 十五、异常检测(Anomaly Detection)15.1 问题的动机参考文档: 15 - 1 - Problem Motivation (8 min).mkv在接下来的一系列视频中，我将向大家介绍异常检测(Anomaly detection)问题。这是机器学习算法的一个常见应用。这种算法的一个有趣之处在于：它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督...

转载 coursera-斯坦福-机器学习-吴恩达-K-Means

13.1 无监督学习：简介参考视频: 13 - 1 - Unsupervised Learning_ Introduction (3 min).mkv在这个视频中，我将开始介绍聚类算法。这将是一个激动人心的时刻，因为这是我们学习的第一个非监督学习算法。我们将要让计算机学习无标签数据，而不是此前的标签数据。那么，什么是非监督学习呢？在课程的一开始，我曾简单的介绍过非监督学习，然而，我们还...

转载 coursera-斯坦福-机器学习-吴恩达-支持向量机

支持向量机(Support Vector Machines)12.1 优化目标参考视频: 12 - 1 - Optimization Objective (15 min).mkv到目前为止,你已经见过一系列不同的学习算法。在监督学习中，许多学习算法的性能都非常类似，因此，重要的不是你该选择使用学习算法A还是学习算法B，而更重要的是，应用这些算法时，所创建的大量数据在应用这些算法时，表现...

原创 无监督学习DBSCAN密度聚类

   import numpy as npfrom sklearn.cluster import KMeans def loadData(filePath): fr = open(filePath,'r+') lines = fr.readlines() retD...

原创 无监督学习K-means聚类算法

原创 无监督学习之二降维

原创 无监督学习之聚类

原创 数据集的介绍和调用

‘

原创 Python机器学习软件配置安装

原创 机器学习的目标及参考资料

转载 从人机交互到艺术设计

转载 从Web解析到网络空间

转载 霍兰德人格分析雷达图

转载 从数据处理到人工智能

转载 第三方库安装脚本

转载 os库的使用

转载 Python第三方库安装

转载 Python程序设计思维

转载 体育竞技分析

转载 政府工作报告词云

转载 模块6: wordcloud库的使用

转载 二维数据格式化

转载 一维数据的格式化

转载 自动轨迹绘制