作者:桂. 时间:2017-03-21  07:25:17 链接:http://www.cnblogs.com/xingshansi/p/6592599.html 声明:欢迎被转载,不过记得注明出处哦~ 前言 本文为曲线拟合与分布拟合系列的一部分,主要讲解混合拉普拉斯分布(Laplace Mixture Model,LMM).拉普拉斯也是常用的统计概率模型之一,网上关于混合高斯模型(GMM)的例子很多,而关于LMM实现的很少.其实混合模型都可以用EM算法推导,只是求闭式解的运算上略有差别,全文包

翻译 本地描述符的性能评估——http://tongtianta.site/paper/56756 摘要 - 在本文中,我们比较了为局部感兴趣区域计算的描述符的性能,例如,由Harris-Affine检测器[32]提取.在文献中已经提出了许多不同的描述符.目前还不清楚哪些描述符更合适以及它们的性能如何取决于兴趣区域检测器.描述符应该是独特的,同时对于观察条件的变化以及检测器的误差是稳健的.我们的评估使用关于精度的标准调用,并且针对不同的图像变换执行.我们比较形状上下文[3],可控滤波器[12],

复习: 1.概率密度函数,密度函数,概率分布函数和累计分布函数 概率密度函数一般以大写“PDF”(Probability Density Function),也称概率分布函数,有的时候又简称概率分布函数. 而累计分布函数是概率分布函数的积分. 注意区分 从数学上看,累计分布函数F(x)=P(X<x),表示随机变量X的值小于x的概率.这个意义很容易理解. 概率密度f(x)是F(x)在x处的关于x的一阶导数,即变化率.如果在某一x附近取非常小的一个邻域Δx,那么,随机变量X落在(x, x+Δx)内的

原文地址:NSCT——Nonsubsampled contourlet 变换程序开发教程1作者:向望大海的鱼 08年,被老板逼得走投无路,xx所得项目看来是实在躲不过去,只好硬着头皮上.开发一款图像处理软件,里面内容很多,不过核心就是NSCT变换.NSCT变换06年的新东西,现在跟风研究的热点.可惜的是作为一种新的变换滤波器长期以来只有matlab程序,没有VC程序.使很多算法开发不能应用到工程中,08暑假,大概花了我一个月吧,恩..期间电脑还中了次病毒(可恶的机器狗第四代!!),终于把这个软件

这篇已经写得很好,真心给作者点个赞.题目都是直接转过来的,直接去看吧. Reference Link : http://blog.csdn.net/poem_qianmo/article/details/26157633 In case: [OpenCV入门教程之十三]OpenCV图像金字塔:高斯金字塔.拉普拉斯金字塔与图片尺寸缩放     这篇文章里,我们将一起探讨图像金字塔的一些基本概念,如何使用OpenCV函数 pyrUp 和 pyrDown 对图像进行向上和向下采样,以及了解了专门用于缩

尺度不变特征变换匹配算法 对于初学者,从David G.Lowe的论文到实现,有许多鸿沟,本文帮你跨越.1.SIFT综述 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置.尺度.旋转不变量,此算法由 David Lowe在1999年所发表,2004年完善总结. 其应用范围包含物体辨识.机器人地图感知与导航.影像缝合.3D模型建立.手势辨识.影像追踪和动作比

Sobel变换和拉普拉斯变换都是高通滤波器. 什么是高通滤波器呢?就是保留图像的高频分量(变化剧烈的部分),抑制图像的低频分量(变化缓慢的部分).而图像变化剧烈的部分,往往反应的就是图像的边沿信息了. 1. Sobel算子(主要用于边缘检测) //Sobel变化实例 Mat sobelX; Sobel(image,sobelX,CV_8U,,,,); imshow("X方向Sobel结果",sobelX); Mat sobelY; Sobel(image,sobelY,CV_8U,,,

本系列文章由@浅墨_毛星云 出品,转载请注明出处. 文章链接:http://blog.csdn.net/poem_qianmo/article/details/26157633 作者:毛星云(浅墨)    微博:http://weibo.com/u/1723155442 知乎:http://www.zhihu.com/people/mao-xing-yun 邮箱: happylifemxy@163.com 写作当前博文时配套使用的OpenCV版本号: 2.4.9 这篇文章里,我们将一起探讨图像金

上一节中,我们介绍了Harris角点检测.角点在图像旋转的情况下也可以检测到,但是如果减小(或者增加)图像的大小,可能会丢失图像的某些部分,甚至导致检测到的角点发生改变.这样的损失现象需要一种与图像比例无关的角点检测方法来解决.尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)可以解决这个问题.我们使用一个变换来进行特征变换,并且该变换会对不同的图像尺度输出相同的结果. 到底什么是SIFT算法?通俗一点说,SIFT算法利用DoG(差分高斯)来提取关键

[论文标题]Sparse Probabilistic Matrix Factorization by Laplace Distribution for Collaborative Filtering     (24th-IJCAI ) (Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI 2015) ) [论文作者]Liping Jing, PengWa

在这篇文章里,我们一起学习下 图像金字塔 的一些基本概念,如何使用OpenCV函数pyrUp和pyrDown 对图像进行向上和向下采样,以及了解专门用于缩放图像尺寸的resize函数的用法.此博文一共有四个配套的简短的示例程序,其详细注释过的代码都在文中贴出,且文章最后提供了综合示例程序的下载. 一.引言 我们经常会将某种尺寸的图像转换为其他尺寸的图像,如果放大或者缩小图片的尺寸,笼统的来说,可以使用OpenCV为我们提供的以下俩种方式: (1)resize函数,这是最直接的方式 (2)pyrU

稀疏基的讨论已经持续了近一个月了,这次讨论多尺度几何分析.但由于下面讨论的这些变换主要面向图像,而本人现在主要关注于一维信号处理,所以就不对这些变换深入讨论了,这里仅从众参考文献中摘抄整理一些相关内容作为自己的一个备忘录,概念也许并不一定理解的准确,若以后杀入图像处理领域再行好好揣摩研究. 一.从小波分析到多尺度几何分析 小波分析取在从多学科领域中取得巨大成功的一个关键原因在于它比傅里叶分析能更"稀疏"地表示一维分段光滑或者有界变差函数.遗憾的是,小波分析在一维时所具有的优异特性并不能

我们经常会将某种尺寸的图像转化为其他尺寸的图像,如果需要放大或者缩小图像的尺寸,在 OpenCV 中可以使用如下两种方法: resize 函数,最直接的方法. pyrUp 和 pyrDown 函数,即图像金字塔相关的两个函数,对图像进行向上采样和向下采样的操作. pyrUp 和 pyrDown 其实和专门用于放大缩小图像尺寸的 resize 在功能上差不多,批着图像金字塔的皮,说白了还是对图像进行放大和缩小操作. 图像金字塔 一幅图像的金字塔是一系列以金字塔形状排列,分辨率逐渐降低且源于同一张原

目标 在这一章当中, 我们将学习SIFT算法的概念 我们将学习找到SIFT关键点和描述算符. 理论 在前两章中,我们看到了一些像Harris这样的拐角检测器.它们是旋转不变的,这意味着即使图像旋转了,我们也可以找到相同的角.很明显,因为转角在旋转的图像中也仍然是转角.但是缩放呢?如果缩放图像,则拐角可能不是角.例如,检查下面的简单图像.在同一窗口中放大小窗口中小图像中的拐角时,该角是平坦的.因此,Harris拐角不是尺度不变的. 因此,在2004年,不列颠哥伦比亚大学的D.Lowe在他的论文<尺

如果需要处理的原图及代码,请移步小编的GitHub地址 传送门:请点击我 如果点击有误:https://github.com/LeBron-Jian/ComputerVisionPractice 本节学习图像金字塔,图像金字塔包括高斯金字塔和拉普拉斯金字塔.它是图像中多尺度表达的一种,最主要用于图像的分割,是一种以多分辨率来解释图像的有效但概念简单的结构.简单来说,图像金字塔就是用来进行图像缩放的. 1,图像金字塔 图像金字塔是指一组图像且不同分辨率的子图集合,它是图像多尺度表达的一种,以多分辨

前言:本程序是我去年实现论文算法时所做.主要功能为标记切割肝脏区域.时间有点久,很多细节已经模糊加上代码做了很多注释,因此在博客中不再详述. NOTE: 程序分几大段功能模块,仔细阅读,对解决医学图像还是有一定的借鉴意义 想借鉴本文的一定要仔细阅读代码和注释,中间有人机交互部分,空跑会抛异常 .dcm数据,我放到了我的百度云盘,有兴趣的可以下载,实测一下代码.dcm数据连接 clc,clear img_1=dicomread('10011.dcm');%读取dcm文件 (所谓的灰度值) meta

本文转自:http://blog.csdn.net/chgm_456d/article/details/8100513 我一直对于 多尺度与多分辨率没有一个准确的概念.后来看了一些文章,其中xiaowei_cqu博客的一篇文章“[OpenCV]SIFT原理与源码分析:DoG尺度空间构造”(以下简称,xiaowei一文),写的很好,分享一下: 尺度空间(scale space)理论 要理解多尺度,首先要知道什么是尺度空间.xiaowei一文中提到,自然界中的物体呈现出不同的形态,需要不同的尺度观测

广义线性混合模型是目前线性模型范畴内最为完备的模型框架,它是广义线性模型的进一步延伸,进一步突破适用条件,因变量既 可以非正态,也可以非独立,由于其最为复杂,因此SPSS对其输出结果采用模型格式,而不是传统的表格形式,下面我们来看一个 例子 我们还是使用一般线性混合模型的数据来进行拟合 分析—混合模型—广义线性

传统的典型相关分析只能考虑变量之间的线性相关情况,且必须为连续变量,而我们依然可以使用最优尺度变换来拓展其应用范围,使其可以分析非线性相关.数据为分类数据等情况,并且不再仅限于两个变量间的分析, 虽然具体算法非常复杂,但是过程却只要两步,首先对变量进行最优尺度变换,然后对其进行典型相关分析. 我们还是以之前的多重对应分析的案例数据进行分析 过程还是在分析—降维—最佳尺度

在市场研究中,有一种分析是研究消费者态度或偏好,收集的数据是某些对象的评分数据,这些评分数据可以看做是对象间相似性或差异性的表现,也就是一种距离,距离近的差异性小,距离远的差异性大.而我们的分析目的也是想查看这些对象间的差异性或相似性情况,此时由于数据的组成形式不一样,因此不能使用对应分析,而需要使用一种专门分析此问题的方法——多维尺度分析(MDS模型).多维尺度分析和对应分析类似,也是通过可视化的图形阐述结果,并且也是一种描述性.探索性数据分析方法. 基于以上,我们可以得知,多维尺度分析经常使